Produccion II - Modulo I

MODULO I
JHON ANDRES MUÑOZ GUEVARA

Ingeniero Industrial
M.Sc. Sistemas Automáticos de Producción.
Correo: [email protected]
FACULTAD DE
INGENIERIA INDUSTRIAL
FACULTAD DE
PRODUCTION PLANNING. RAW
MATERIALS
WIP
CUSTOMER FINISHED
FACULTAD DE
INGENIERIA INDUSTRIAL PRODUCT
PRODUCTION PLANNING.
¿HOW MANY
SHOULD WILL
PRODUCE? ¿HOW MANY
RAW
MATERIAL
SHOULD WILL
BUY?
FACULTAD DE
PRODUCTION PLANNING.
FORECASTING SYSTEMS
AGGREGATE PLANNING
MASTER PRODUCTION
SCHEDULE MPS
MATERIAL REQUIRIMENT
PLANNING MRP
INVENTORY MANAGEMENT
FACULTAD DE
FACULTAD DE
FORECASTING SYSTEMS.
¿What is Forecast?
¿HOW MANY
WILL I SELL
NEXT MONTH?
FACULTAD DE
¿What is Forecast?
Un Pronóstico se basa en determinar qué pasará en
el futuro con el fin de tomar decisiones adecuadas a
un problema de planificación de operaciones.
Se usa el término Pronosticar para hacer referencia a

un método específico, en lugar de la simple
adivinanza, para predecir eventos futuros.
FACULTAD DE
Forecasting Methods:
FORECAST
CUALITATIVOS CUANTITATIVOS
• Método de Delphi • Modelos Causales.

• Agregados de la • Series de Tiempo.
Fuerza de Venta. • Series de Tiempo
• Encuestas Cliente. Estacionarias.
• Juicio de Opinión • Series con Tendencia.
FACULTAD DE
• Series de Tiempo
Estacionales.
Necesidad Pronostico
NO ¿Datos
Disponibles?
SI
Recolección de Datos Análisis de Datos
NO SI
¿Cuantitativo?
MÉTODOS ¿Factores
CUALITATIVOS Causales?
FACULTAD DE
FORECASTING SYSTEMS. SI NO
¿Factores
Causales?
MÉTODOS MODELO CAUSAL SERIES DE TIEMPO

CUALITATIVOS
Elegir Modelo Elegir Modelo

Enfoque Cualitativo
Seleccionar Método Seleccionar Método

Elegir Método
Estimar Parámetros Estimar Parámetros

Validación
Validación Modelo Validación Modelo
FACULTAD DE
Error Cuadrático Medio [MSE]: 𝒏 𝟐
σ𝒊=𝟏(𝑫𝒊 −𝒀𝒊)
MSE =
𝒏
Desviación Media Absoluta [MAD]:

σ𝒏
𝒊=𝟏 |𝑫𝒊 −𝒀𝒊|
MAD =
𝒏
Error Porcentual Absoluto Medio [MAPE]: 𝒏 |𝑫𝒊 − 𝒀𝒊|

σ𝒊=𝟏
𝒀𝒊
MAPE =
FACULTAD DE
𝒏
FORECASTING
CAUSAL
MODEL
FACULTAD DE
FORECASTING CAUSAL MODEL.
Sea Y el fenómeno que deseamos pronosticar y 𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 , ………, 𝑿𝒏 ;
son n variables que creemos están relacionadas con Y. Entonces un
Modelo Causal es aquel en el que el pronostico para Y es función de
las variables independientes que lo afectan:
𝒀 = 𝒇(𝑿𝟏 , 𝑿𝟐 , …….. , 𝑿𝒏 )
En muchos casos los Modelos Causales presentan una relación lineal
entre Y y (𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 , ………, 𝑿𝒏 ):
FACULTAD DE
𝒀 = α𝟎 + α𝟏 𝑿𝟏 + α𝟐 𝑿𝟐 + …….. + α𝒏 𝑿𝒏
EJEMPLO: El gerente del departamento de plomería de una tienda líder en
productos para la construcción. Cada mes, debe colocar una orden de accesorios
de plomería para baños. Si ordena más de lo que vende, los excedentes
representan dinero para la empresa que no puede usar en otra parte. Si ordena
muy pocos, las ventas se pierden en favor de los competidores.
El gerente sabe que la mayoría de los accesorios que vende son para casas nuevas;
los accesorios de reposición significan menos del 6% de las ventas totales. Los
accesorios de plomería se instalan una vez que se han puesto el techo y las
paredes, casi siempre alrededor de un mes después de que se emite el permiso de
construcción.
FACULTAD DE
EJEMPLO: Como todas las construcciones necesitan el permiso, el número de
permisos emitidos el mes pasado puede ayudar a determinar el número de
accesorios que debe ordenar en este mes.
Esto se llama proceso de pronóstico causal, porque el valor de la variable

dependiente (accesorios de plomería para baños) está causada o al menos tiene
una correlación alta con el valor de la(s) variable(s) independientes (inicio de la
construcción de casas ).
Determine una formula matemática que ayude a pronosticar la venta de

accesorios de plomería para baños.
FACULTAD DE
EJEMPLO: El gerente a reunido los datos correspondientes a los últimos dos años
el cual se presenta en la siguiente tabla:
NUMERO DE MES VENTA DE CANTIDAD DE NUMERO DE MES VENTA DE CANTIDAD DE
ITEM MES PERMISO ITEM MES PERMISO
PERMISOS ACCESORIOS ACCESORIOS PERMISOS ACCESORIOS ACCESORIOS
1 ENERO 22 FREBREO 72 13 ENERO 28 FREBREO 63

2 FREBREO 16 MARZO 44 14 FREBREO 21 MARZO 50
3 MARZO 24 ABRIL 80 15 MARZO 18 ABRIL 67
4 ABRIL 95 MAYO 191 16 ABRIL 46 MAYO 109
5 MAYO 84 JUNIO 187 17 MAYO 145 JUNIO 304
6 JUNIO 13 JULIO 57 18 JUNIO 122 JULIO 239
7 JULIO 114 AGOSTO 238 19 JULIO 108 AGOSTO 223
8 AGOSTO 147 SEPTIEMBRE 283 20 AGOSTO 85 SEPTIEMBRE 173
9 SEPTIEMBRE 96 OCTUBRE 204 21 SEPTIEMBRE 107 OCTUBRE 211
10 OCTUBRE 59 NOVIEMBRE 144 22 OCTUBRE 53 NOVIEMBRE 104
FACULTAD DE
11 NOVIEMBRE 35 DICIEMBRE 102 23 NOVIEMBRE 17 DICIEMBRE 59
INGENIERIA INDUSTRIAL 12 DICIEMBRE 41 ENERO 109 24 DICIEMBRE 12 ENERO 24
SOLUCIÓN:
a) Grafique los datos enfrentando los Permisos Generado (eje x) con

los Accesorios Vendidos (eje y).
b) Calcule la ecuación que representa la recta de ajuste de los datos.
c) Pronostique la venta de accesorios para 50, 100 y 150 permisos

generados.
FACULTAD DE
SOLUCIÓN:
𝑦 = 𝑚𝑥 + 𝑏
FACULTAD DE
SOLUCIÓN:
FACULTAD DE
SOLUCIÓN:
FORECAST FORECAST FORECAST

PERMISOS 50 PERMISOS 100 PERMISOS 150
ACCESORIO 116 ACCESORIO 207 ACCESORIO 298
FACULTAD DE
NUMERO DE
PERMISOS Di Yi (Di - Yi)^2 |Di - Yi| |Di - Yi|/Yi
22 72 64 59 8 0.12
16 44 53 88 9 0.18
SOLUCIÓN: 24 80 68 144 12 0.18
95 191 198 46 7 0.03
84 187 178 87 9 0.05
𝟐
σ𝒏
𝒊=𝟏(𝑫𝒊 −𝒀𝒊)
13
114
57
238
48
233
83
30
9
5
0.19
0.02
MSE = 147 283 293 98 10 0.03
𝒏 96 204 200 19 4 0.02
59 144 132 144 12 0.09
35 102 88 193 14 0.16
41 109 99 98 10 0.10
28 63 75 151 12 0.16
MSE 112 21
18
50
67
63
57
157
99
13
10
0.20
0.17
46 109 108 1 1 0.01
MAD 9 145 304 289 218 15 0.05
122 239 247 67 8 0.03
MAPE 10.7% 108 223 222 2 1 0.01
85 173 180 43 7 0.04
107 211 220 76 9 0.04
53 104 121 290 17 0.14
FACULTAD DE
17 59 55 14 4 0.07
12 24 46 486 22 0.48
TIME
SERIES
FACULTAD DE
TIME SERIES.
Los modelos de series de tiempo basan sus cálculos mediante
la relación de la variable a pronosticar con el tiempo
transcurrido.
Series de Tiempo es un nombre termino para hacer referencia

a un conjunto de fenómenos físicos o económicos observados
en puntos discretos de tiempo, normalmente espaciados
equitativamente, días, semanas, meses o años.
En el análisis de series de tiempo se intenta aislar los patrones

que surgen con mayor frecuencia, entre los que tenemos los
siguientes:
FACULTAD DE
TIME SERIES.
1. STATIONARY: Es aquella en donde no se puede observar un patrón de
tendencia o estacionalidad. La tendencia muestra un comportamiento
constante con respecto al tiempo. Este comportamiento se presenta en las
demandas aleatorias y cíclicas.
2. TREND: Se refiere a un patrón estable de crecimiento o declive, como una
tendencia lineal, no lineal, exponencial o cuadrática.
3. SEASONALITY: Es aquella que se repite en intervalos fijos de tiempo, como la

moda, el helado, navidad.
FACULTAD DE
TIME SERIES.
RANDOM STATIONARY
DEMANDA
DEMANDA
Tiempo Tiempo
FACULTAD DE
TIME SERIES.
CYCLIC SEASONAL
DEMANDA
DEMANDA
Tiempo Tiempo
FACULTAD DE
TIME SERIES.
TREND PLUS SEASONALITY LINEAR TREND

DEMANDA
DEMANDA
Tiempo Tiempo
FACULTAD DE
TIME SERIES.
QUADRATIC TREND EXPONENTIAL TREND

DEMANDA
DEMANDA
Tiempo Tiempo
FACULTAD DE
TIME SERIES.
LOGARITHMIC TREND S CURVE

DEMANDA
DEMANDA
Tiempo Tiempo
FACULTAD DE
STATIONARY
TIME
SERIES
FACULTAD DE
STATIONARY TIME SERIES.
SIMPLE MOVING AVERAGE.
En lugar de tomar el promedio de todos los datos, se puede

elegir promediar sólo algunos de los datos más recientes. Este
método, llamado de promedio móvil, es un compromiso entre
los métodos del último dato y del promedio. Generalmente se
aplican a datos con series de tiempo aleatorias o estacionales.
Un promedio móvil del orden N es sencillamente el promedio

aritmético de las observaciones N mas recientes dando un
paso adelante del N periodos.
FACULTAD DE
Los métodos de promedios móviles solo promedian los datos

más recientes para reducir el efecto de la fluctuaciones
aleatorias.
Como sólo usa datos recientes para el pronóstico, un

promedio móvil responde al cambio en el proceso de una
manera más rápida.
FACULTAD DE
WEEK DEMAND
1 200
EJEMPLO: Realice el pronostico del volumen de 2 250
ventas de la semana 11, teniendo en cuenta los 3 175
datos registrados en las ultimas 10 semanas. 4 186
Realice el pronostico con N = 3 y N = 6. 5 225
6 285
7 305
Grafique la Serie de Tiempo y sus pronósticos
8 190
9 165
10 215
FACULTAD DE 11
EJEMPLO: Realice el pronostico
del volumen de ventas de la
semana 11, teniendo en cuenta
los datos registrados en las
ultimas 10 semanas. Realice el
pronostico con N = 3 y N = 6.
Grafique la Serie de Tiempo y

sus pronósticos
FACULTAD DE
SIMPLE MOVING AVERAGE. WEEK DEMAND N=3 N=6
EJEMPLO: Realice el pronostico del 1 200

volumen de ventas de la semana 2 250
11, teniendo en cuenta los datos 3 175
registrados en las ultimas 10 4 186 208
semanas. Realice el pronostico con 5 225 204
N = 3 y N = 6. 6 285 195
7 305 232 220
8 190 272 238
Grafique la Serie de Tiempo y sus 9 165 260 228
pronósticos 10 215 220 226
FACULTAD DE
INGENIERIA INDUSTRIAL 11 190 231
pronostico con N = 3 y N = 6.

sus pronósticos
FACULTAD DE
EJEMPLO: WEEK DEMAND N=3 (Di - Yi)^2 |Di - Yi| |Di - Yi|/Yi
1 200
2 250
3 175 MSE 4292
4 186 208 499 22 0.11 MAD 55
5 225 204 455 21 0.10 MAPE 24%
6 285 195 8040 90 0.46
7 305 232 5329 73 0.31
8 190 272 6669 82 0.30
9 165 260 9025 95 0.37
10 215 220 25 5 0.02
FACULTAD DE
11 190
DOUBLE MOVING AVERAGE. N=2
WEEK DEMAND N=2
DOBLE
EJEMPLO: Realice el pronostico 1 200
del volumen de ventas de la 2 250
semana 11, teniendo en cuenta 3 175 225
los datos registrados en las ultimas 4 186 213
10 semanas. Realice el pronostico 5 225 181 219
con N = 2. 6 285 206 197
7 305 255 193
8 190 295 230
Grafique la Serie de Tiempo y sus 9 165 248 275
pronósticos 10 215 178 271
FACULTAD DE
INGENIERIA INDUSTRIAL 11 190 213
DOUBLE MOVING AVERAGE.
pronostico con N = 2.

sus pronósticos
FACULTAD DE
DOUBLE MOVING AVERAGE.
N=2
EJEMPLO: SEMANA DEMANDA N=2
DOBLE
|Di - Yi| (Di - Yi)^2 |Di - Yi|/Yi
1 200
2 250
3 175 225
4 186 213 MAD 69
5 225 181 219 6 39 0.029 MSE 6217
6 285 206 197 89 7832 0.450 MAPE 31%
7 305 255 193 112 12544 0.580
8 190 295 230 40 1620 0.175
9 165 248 275 110 12100 0.400
10 215 178 271 56 3164 0.207
11 190 213
FACULTAD DE
INGENIERIA INDUSTRIAL 69 6217 31%
WEIGHTED MOVING AVERAGE.
Los promedios móviles ponderados son básicamente lo mismo que los promedios
móviles simples, aunque con una excepción importante. Con los promedios móviles
ponderados el peso asignado a cada punto de demanda pasado que se utilice en el
cálculo puede variar. De esta forma es posible asignar mayor influencia a ciertos
puntos de información, por lo general al punto de demanda más reciente. La
ecuación básica para calcular promedios móviles ponderados es el siguiente:
𝒏
𝒀𝒊 = 𝑾𝟏 𝑫𝒊−𝟏 + 𝑾𝟐 𝑫𝒊−𝟐 + …….. + 𝑾𝒏 𝑫𝒊−𝒏 donde: ෍ 𝑾𝒊 = 𝟏

𝒋=𝟏
FACULTAD DE
Generalmente se aplica el mayor peso ponderado al valor mas reciente, y

se aplica el menor peso ponderado al valor mas lejano del pronostico a
calcular.
El valor ponderado es asumido en el principio del calculo, estos valores se

pueden variar de forma iterativa para mejorar el ajuste del pronostico.
Para lograr una optimización de los valores ponderados Wi se puede

realizar un modelo de programación lineal que minimice el error medio
FACULTAD DE
estándar del pronostico.
WEIGHTED MOVING AVERAGE. WEEK DEMAND
FORECAST
N=3
EJEMPLO: Realice el pronostico 1 200 W3 0,10

del volumen de ventas de la 2 250 W2 0,30
semana 11, teniendo en cuenta 3 175 W1 0,60
los datos registrados en las ultimas 4 186 1,00 200
10 semanas. Realice el pronostico 5 225 189
con N = 3. 6 285 208
7 305 257
8 190 291
Grafique la Serie de Tiempo y sus 9 165 234
pronósticos 10 215 187
FACULTAD DE
11 198
los datos registrados en las ultimas
10 semanas. Realice el pronostico
con N = 3.
Grafique la Serie de Tiempo y sus

pronósticos
FACULTAD DE
FORECAST
WEIGHTED MOVING AVERAGE. WEEK DEMAND
N=3
|Di - Yi| (Di - Yi)^2 |Di - Yi|/Yi
EJEMPLO: Determine el Error 1 200

Cuadrático Medio [MSE] y 2 250
Optimice los Ponderados con el 3 175
4 186 200 14 196 0.07
objetivo de minimizar MSE.
5 225 189 36 1289 0.19
6 285 208 77 5883 0.37
7 305 257 48 2294 0.19
MSE 3634 8 190 291 101 10201 0.35
MAD 53 9 165 234 69 4761 0.29
10 215 187 29 812 0.15
MAPE 23.0% 11 198
FACULTAD DE
53 3634 23.0%
FORECAST
WEEK DEMAND
WEIGHTED MOVING AVERAGE. N=3
1 200
EJEMPLO: Determine el Error
Cuadrático Medio [MSE] y 2 250
objetivo de minimizar MSE. 4 186 181
5 225 200
Con SOLVER: MSE
6 285 214
MSE 2771 W3 0,22 7 305 263
MAD 44 W2 0,00 8 190 287
9 165 211
MAPE 18.6% W1 0,78
10 215 196
FACULTAD DE
1,00 11 209
FORECAST
WEEK DEMAND
WEIGHTED MOVING AVERAGE. N=3
1 200
EJEMPLO: Determine el Error
Porcentual Medio Absoluto [MAPE] y 2 250
objetivo de minimizar MAPE. 4 186 184
5 225 209
Con SOLVER: MAPE
6 285 207
MSE 2905 W3 0.36 7 305 250
MAD 42 W2 0.00 8 190 276
9 165 224
MAPE 18.0% W1 0.64
10 215 215
FACULTAD DE 1.00
11 206
EJEMPLO: Utilizando SOLVER
FACULTAD DE
SIMPLE EXPONENTIAL SMOOTHING:
Otro método para pronosticar las series de tiempo es el Suavizamiento

Exponencial, donde el pronostico actual es el promedio ponderado del ultimo
pronostico y el valor el valor actual de la demanda. El valor ponderado α es un
valor entre 0 ≤ α ≤ 1, se conoce a α como una constante de suavización de la
fluctuación aleatoria del patrón de la demanda, lo cual se logra cuando α
tiende a 0; los valores de α son generalmente α = 0,1 y α = 0,2.
𝒀𝒊 = 𝒀𝒊−𝟏 − α (𝒀𝒊−𝟏 − 𝑫𝒊−𝟏 )
FACULTAD DE
SIMPLE EXPONENTIAL SMOOTHING: WEEK DEMAND Yi
EJEMPLO: Realice el pronostico del 1 200 200
volumen de ventas de la semana 11, 2 250 200
teniendo en cuenta los datos 3 175 205
α1 0,10
registrados en las ultimas 10 4 186 202

semanas. Grafique la Serie de Tiempo 5 225 200
y sus pronósticos y analice la grafica 6 285 203
para valores de α = 0,1; 0,4; 0,6; 0,8 7 305 211
8 190 220
9 165 217
10 215 212
FACULTAD DE
INGENIERIA INDUSTRIAL 11 212
EJEMPLO: Realice el pronostico del
volumen de ventas de la semana 11,
teniendo en cuenta los datos
registrados en las ultimas 10
semanas. Grafique la Serie de Tiempo
y sus pronósticos y analice la grafica
para valores de α = 0,1; 0,4; 0,6; 0,8
FACULTAD DE
EJEMPLO: α1 0,057
MAD 42
MSE 2597
MAPE 20,3%
FACULTAD DE
AUTOREGRESSIVE PROCESS:
El modelo Autorregresivo [AR] es similar al proceso de Regresión Lineal mas

un termino de error del pronostico donde los valores α𝟎 , α𝟏 , ….. α𝒏 , son
los coeficientes de regresión lineal, donde los valores de α𝟏 , ….. α𝒏 están en
rangos de 0 ≤ α𝒏 ≤ 1, a excepción de α𝟎
El modelo AR esta dado por:
𝒀𝒊 = α𝟎 + α𝟏 𝑫𝒊−𝟏 + α𝟐 𝑫𝒊−𝟐 + ⋯ + α𝒏 𝑫𝒊−𝒏 + 𝒆𝒊−𝟏

FACULTAD DE
WEEK DEMAND Yi error
EJEMPLO: Realice el
pronostico del volumen de 1 200 α0 219.0
ventas de la semana 11, 2 250 0 α1 0.10
teniendo en cuenta los datos 3 175 284 -109 α2 0.20
registrados en las ultimas 10 4 186 178 9
semanas. Realice el proceso 5 225 281 -56
con dos valores de α. 6 285 223 62
7 305 355 -50
8 190 257 -67
9 165 232 -67
FACULTAD DE
10 215 206 9
11 282
WEEK DEMAND Yi
1 200 α0 154.6
para definir los valores de α:
2 250 α1 0.09
3 175 216
α2 0.19
4 186 177
MAD 27 5 225 214
MSE 1315 6 285 222
7 305 287
MAPE 11.7% 8 190 255
9 165 165
10 215 206
FACULTAD DE
INGENIERIA INDUSTRIAL 11 215
para definir los valores de α:
MAD 27
MSE 1315
MAPE 11.7%
FACULTAD DE
TREND
TIME
SERIES
FACULTAD DE
TREND TIME SERIES.
Los pronósticos de promedios móviles y suavizamiento exponencial son
utilizados para pronosticar un periodo adelante, por tal motivo no son
útiles cuando se requieren pronosticar varios periodos adelante.
Cuando se requieren generar pronósticos para varios periodos, es

necesario analizar aquellos métodos que analizan un patrón de tendencia
de los datos.
Los métodos para realizar pronósticos con patrones de tendencias son los
Análisis de Regresión (lineal, potencial, exponencial, cuadrática,
polinómica, logarítmica) y el método de Suavizamiento Exponencial Doble.
FACULTAD DE
TREND TIME SERIES.
REGRESSION METHODS.
El Análisis de Regresión consiste en generar

una ecuación para describir la relación
estadística entre uno o más predictores y la
variable de respuesta, para predecir nuevas
observaciones.
La regresión lineal generalmente utiliza el

método de estimación de mínimos cuadrados
ordinarios, del cual obtiene la ecuación al
minimizar la suma de los residuos cuadrados.
FACULTAD DE
TREND TIME SERIES.
REGRESSION METHODS.
El patrón de la tendencia indica que tipo de Regresión es la mas acertada, dentro

de los pronósticos se tienen los siguientes patrones de tendencia.
FACULTAD DE
TREND TIME SERIES.
REGRESSION METHODS.
El patrón de la tendencia indica que tipo de Regresión es la mas acertada, dentro

de los pronósticos se tienen los siguientes patrones de tendencia.
FACULTAD DE
TREND TIME SERIES.
Ejercicio: CUSTOMERS
MONTH
1 2 3 4 5
Un grupo empresarial tiene cinco JAN 110 40 20 20 40
cliente principales distribuidos por FEB 140 120 40 80 40
todo el país. El comité de ingeniería MAR 150 180 70 140 60
desea establecer los pronósticos de APR 180 210 100 180 70
la demanda para los primeros tres MAY 175 240 140 220 100
meses del siguiente año. Para ello el JUN 220 260 180 250 180
JUL 230 280 210 260 260
comité a pedido los registros de AUG 260 300 290 250 300
ventas del ultimo año. La SEP 275 310 390 220 330
información se presenta en las OCT 310 320 540 190 345
siguientes tablas: NOV 340 330 750 160 350
FACULTAD DE
INGENIERIA INDUSTRIAL DEC 380 340 1100 100 360
TREND TIME SERIES.
Ejercicio:
Para el anterior ejercicio se pide:
a) Realice las grafica de datos para cada cliente y analice el tipo de patrón que la
rige.
b) Realice la regresión que mas se ajuste a los datos suministrados por cada
cliente.
c) Realice los pronósticos para los primeros tres meses del siguiente año
d) Defina que pronostico posee el mayor y menor margen de error.
FACULTAD DE
TREND TIME SERIES.
Solución:
rige.
FACULTAD DE
TREND TIME SERIES.
Solución:
rige.
FACULTAD DE
TREND TIME SERIES.
Solución:
rige.
FACULTAD DE
TREND TIME SERIES.
Solución:
FORECAST ERROR
CLIENTE TENDENCIA ECUACION ENE FEB MAR MAD MSE MAPE
1 LINEAL Y = 23,182X + 80,152 382 405 428 9 133 4.4%
2 LOGARITMICA Y = 122,02LnX + 40,932 354 363 371 3 11 1.4%
3 EXPONENCIAL Y = 21,758e^0,3283X 1553 2156 2994 21 656 12.6%
4 CUADRATICA Y = -6,3312X^2 + 90,172X -70,68 32 0 0 6 40 7.0%
5 CURVA S Suavizamiento Exponencial α = 1,71 364 18 633 17.0%
FACULTAD DE
SEASONAL
TIME
SERIES
FACULTAD DE
SEASONAL TIME SERIES.
Una Serie de Tiempo Estacional, es aquella que tiene un patrón que se repite
cada N periodos de tiempo, a este periodo se lo conoce como duración de la
estación.
Para poder emplear un modelo estacional se debe en primer lugar especificar

cuanto dura una estación o el tamaño del periodo N. en muchos casos el
tamaño del periodo se puede asumir por el periodo de tiempo en el cual se
presentan los datos, por ejemplo, trimestrales, semestrales, anuales etc.
En otros casos el valor de N se puede determinar de forma grafica mediante el

análisis del comportamiento de los datos.
FACULTAD DE
SEASONAL FACTOR:
Un Factor Estacional es un valor que representa el valor estacional de una
serie determinada de datos.
Para calcular los Factores estacionales se deben seguir los siguientes pasos:
1. Calcular la media de todos los datos de la muestra.

2. Se divide cada muestra sobre la media de la muestra.
3. Promedie los factores para los periodos semejantes dentro de cada
estación.
FACULTAD DE
INGENIERIA INDUSTRIAL 4. La suma de los factores debe ser igual al numero de estaciones.
SEASONAL FACTOR:
Ejemplo: El departamento de distribución desea establecer los factores de

despacho de productos a sus clientes durante los días hábiles de la semana, para
ello a recolectado la información de las ultimas cuatro semanas y se presenta en
la siguiente tabla en miles de unidades por día:
WEEK 1 WEEK 2 WEEK 3 WEEK 4
Monday 16.2 17.3 14.6 16.1
AVERAGE 16.210 Tuesday 12.2 11.5 13.1 11.8
Wednesday 14.2 15.0 13.0 12.9
Thursday 17.3 17.6 16.9 16.6
FACULTAD DE
INGENIERIA INDUSTRIAL Friday 22.5 23.5 21.9 20.0
SEASONAL FACTOR:
Ejemplo:
FACULTAD DE
SEASONAL FACTOR:
Ejemplo: AVERAGE 16.210
WEEK 1 WEEK 2 WEEK 3 WEEK 4 FACTOR

Monday 0.999 1.067 0.901 0.993 0.99
Tuesday 0.753 0.709 0.808 0.728 0.75
Wednesday 0.876 0.925 0.802 0.796 0.85
Thursday 1.067 1.086 1.043 1.024 1.05
Friday 1.388 1.450 1.351 1.234 1.36
5.00
FACULTAD DE
SEASONAL FACTOR:
Ejemplo: Para realizar el pronostico basta con multiplicar el valor promedio de la

muestra por el factor estacional para cada día:
AVERAGE 16.210 FACTOR FORECAST

0.99 16.1
0.75 12.2
0.85 13.8
1.05 17.1
FACULTAD DE
1.36 22.0
SEASONAL FACTOR:
Ejemplo:
FACULTAD DE
DECOMPOSITION METHOD.
En muchos casos las Series de tipo TREND PLUS SEASONALITY

Estacional pueden tener implícito un
patrón de tendencia cada N periodo
estacional.
DEMANDA
Esta situación hace necesario que se
descomponga la serie en dos análisis: el
de tendencia y el estacional.
Tiempo
FACULTAD DE
Ejemplo: Una empresa de QUARTERLY DEMAND

YEAR
manufactura desea establecer el 1 2 3 4
pronostico de ventas para el 1 20.0 15.4 30.5 25.8
siguiente año. La empresa ha 2 21.5 16.8 33.8 26.0
recolectado en su base de datos 3 22.7 17.5 35.2 25.5
las ventas trimestrales de los 4 23.1 18.3 37.7 27.3
últimos cinco años; la cual se 5 25.4 19.5 39.2 26.5
presenta en la siguiente tabla:
FACULTAD DE
Ejemplo:
1. Realice la grafica de la serie de

tiempo.
FACULTAD DE
Ejemplo:
2. Calcule el total de ventas realizadas por año.

QUARTERLY DEMAND
YEAR TOTAL
1 2 3 4
1 20.0 15.4 30.5 25.8 91.7
2 21.5 16.8 33.8 26.0 98.1
3 22.7 17.5 35.2 25.5 100.9
4 23.1 18.3 37.7 27.3 106.4
FACULTAD DE
5 25.4 19.5 39.2 26.5 110.6
Ejemplo:
3. Grafique los datos de las ventas

anuales:
FACULTAD DE
Ejemplo:
4. Calcule la ecuación que

represente la tendencia de los
datos:
FACULTAD DE
Ejemplo:
5. Calcule el pronostico de ventas

para el siguiente año.
𝑌 = 4,61 𝑥 + 87,71
𝑌 = 4,61 (6) + 87,71
𝒀 = 𝟏𝟏𝟓, 𝟑𝟕
FACULTAD DE
Ejemplo:
6. Calcule los factores estacionales para los

datos trimestrales.
FACULTAD DE
Ejemplo: AVERAGE 25.385
6. QUARTERLY DEMAND
YEAR
1 2 3 4
1 0.788 0.607 1.201 1.016
2 0.847 0.662 1.331 1.024
3 0.894 0.689 1.387 1.005
4 0.910 0.721 1.485 1.075
5 1.001 0.768 1.544 1.044
FACULTAD DE
FACTOR 0.888 0.689 1.390 1.033 4.00
Ejemplo:
7. Calcule los Pronósticos para los seis años.

A
Calcule el Pronostico trimestral para cada año utilizando la siguiente formula:
𝑷𝒂𝒏𝒖𝒂𝒍 𝒙 𝑭𝒊
𝒀𝒊 =
𝑵
FACULTAD DE
Ejemplo:
FACTOR 0.888 0.689 1.390 1.033 4.00
7.
ANNUAL QUARTERLY DEMAND
A YEAR FORECAST 1 2 3 4
1 92.32 20.5 15.9 32.1 23.8
2 96.93 21.5 16.7 33.7 25.0
3 101.54 22.5 17.5 35.3 26.2
4 106.15 23.6 18.3 36.9 27.4
5 110.76 24.6 19.1 38.5 28.6
6 115.37 25.6 19.9 40.1 29.8
FACULTAD DE
Ejemplo:
8.
MAD 0.61
MSE 0.75
MAPE 2.3%
FACULTAD DE
FACULTAD DE
AGGREGATE PLANNING
Chris es propietario y director de una pequeña compañía
que fabrica cajas de plástico para guardar discos de
computadora.
Hacerlas es sencillo: se alimenta plástico a dos máquinas de

moldeo por inyección; una máquina hace la tapa, y la otra
hace la caja. Las dos partes se unen en forma manual, se
colocan en cajas de empaque y se envían. Las máquinas de
inyección son idénticas y pueden hacer 550 piezas por hora.
Un trabajador puede unir las dos partes y colocar el

producto terminado en las cajas a una tasa de 55 por hora.
FACULTAD DE
AGGREGATE PLANNING
A partir de los pronósticos, Chris espera ventas estables de
80.000 cajas al mes durante el próximo año. Con cuatro
semanas al mes, esto significa 20.000 cajas por semana.
Suponiendo que trabajan cinco días a la semana, la

empresa debe fabricar 4.000 cajas por día. Trabajando un
turno de 8 horas y produciendo 500 cajas por hora se
obtiene la cantidad deseada.
Por lo tanto, Chris debe planear que las máquinas de

moldeo por inyección operen a una tasa de 500 piezas por
hora y debe tener 10 trabajadores para el ensamble.
FACULTAD DE
AGGREGATE PLANNING
Este plan de producción es casi ideal. La tasa de producción
constante se puede satisfacer con capacidad constante.
Para Chris, es sencillo diseñar la instalación para lograr

4.000 cajas al día. La fuerza de trabajo será constante y la
tasa de producción es un poco menor que la capacidad de
personas y máquinas, lo que da una buena utilización sin
sobrecargar las instalaciones.
FACULTAD DE
AGGREGATE PLANNING
Desafortunadamente, la demanda constante es poco usual;
cuando la demanda no es constante, la determinación de
los niveles de producción se complica.
FACULTAD DE
AGGREGATE PLANNING
Existen varias estrategias para manejar la fluctuación de la

demanda. Se puede cambiar la demanda, producir a una
tasa constante de todas maneras, variar la tasa de
producción o usar una combinación.
La aplicación de estas estrategias es lo que se conoce como

Plan Maestro de Producción.
FACULTAD DE
AGGREGATE PLANNING
STRATEGIES FOR CONSTANT DEMAND:
En lugar de planear respecto a una demanda fluctuante, es mejor

convertir la demanda en constante. Existen tres enfoques para hacer esto:
A. No satisfacer la demanda durante los periodos pico: Esta estrategia
tiene una capacidad menor que la demanda pico y mantiene una tasa
de producción constante dentro de la capacidad. Esta estrategia no
satisface toda la demanda y se perderán algunas ventas. Se determina
un promedio de la demanda y se produce a ese nivel. Se espera
después que el personal encargado de la comercialización venda esa
cantidad. Muchas veces hay faltantes. La facilidad de la planeación
FACULTAD DE
debe compararse con los ingresos perdidos.
AGGREGATE PLANNING
B. Cambiar la demanda de periodos pico a periodos no pico
o crear una nueva demanda para los periodos no pico:
Por lo general, crear una nueva demanda para los
periodos no pico se hace a través de publicidad o de
promociones. Algunos fabricantes ofrecen descuentos
durante los periodos no pico, esperando atraer a clientes
nuevos. Estas estrategias son útiles para suavizar la
demanda.
FACULTAD DE
AGGREGATE PLANNING
C. Producir varios productos con demanda pico en otros

periodos: Por último, se pueden fabricar varios productos
con patrones de demanda que se compensen. Para tener
éxito, los productos deben ser similares, de manera que
fabricarlos no implique demasiadas diferencias. Un ejemplo
serían motos para nieve y acuamotos, estos productos son
complementarios, pues su tecnología es similar, pueden
usar los mismos motores y el trabajo de carrocería es
similar. Otros ejemplos incluyen podadoras y removedores
de nieve, abrigos y ropa de playa, botas y sandalias o equipo
FACULTAD DE
de fútbol y de béisbol.
AGGREGATE PLANNING
AGGREGATE PRODUCTION UNIT:
El método de planeación agregada esta basado en la existencia de UNA unidad
agregada de producción. Cuando la clase de artículos producidos es parecida,
una unidad de producción agregada puede corresponder a un articulo
promedio, pero si se producen muchas clases distintas de artículos seria mas
adecuado considerar unidades agregadas en términos de peso, volumen,
cantidad necesaria de tiempo de trabajo o cantidades monetarias.
No siempre es obvio cual esquema de planeación agregada es adecuado, esto

depende del contexto del problema y del nivel de agregación que se necesite.
FACULTAD DE
AGGREGATE PLANNING
Ejemplo 1: una empresa fabrica dulces comestibles, la variedad
de dulces es muy grande alrededor de 25 productos distintos.
¿Cuál debería ser la unidad agregada de producción por mes?
Respuesta: kilogramos de dulces.
Ejemplo 2: una fabrica de productos lácteos elabora leche en

cuatro presentaciones, yogurt, kumis, helados, crema de leche,
quesos de varios tipos y arequipe. ¿Cuál debería ser la unidad
agregada de producción por mes?
FACULTAD DE
Respuesta: litros de leche.
AGGREGATE PLANNING
Ejemplo 3: una fabrica de HORAS UNIDADES HORAS
transformadores eléctricos fabrica TAMAÑO HOMBRE MENSUALES HOMBRE POR
cinco tamaños distintos, el ingeniero REQUERIDAS DEMANDADAS MES
de planta recolecto la siguiente 50 KVA 4,5 150 675
información descrita en la tabla. ¿Cuál 75 KVA 5,8 220 1.276
debería ser la unidad agregada de 120 KVA 6,4 75 480
producción por mes? 350 KVA 15,3 50 765
500 KVA 25,4 25 635
3.831
FACULTAD DE
AGGREGATE PLANNING
AGGREGATE PRODUCTION COSTS:
El objetivo es elegir el Plan Agregado que minimice los costos de
operación. Para ello el primer paso será identificar el tipo de costos
que se evalúan en la administración de operaciones:
1. HIRE AND FIRE COST: Son aquellos en los que se incurren cuando
se cambian la fuerza de trabajo de un periodo a otro con el fin de
variar los niveles de producción. Dentro de los costos de
contratación se estiman los anuncios de vacantes, entrevistas,
exámenes, capacitaciones entre otros. Los costos de despido
abarcan la indemnizaciones y liquidaciones.
FACULTAD DE
AGGREGATE PLANNING
2. INVENTORY COST: Son aquellos en los que se incurren al tener
capital invertido en los inventarios. Si la empresa logra disminuir su
inventario, el dinero ahorrado puede utilizarce en otro rubro. Este
costo de mantener el inventario se expresa en unidades
monetarias por unidad mantenida.
3. LACK COST: Son aquellos en los que se incurren por no satisfacer
la demanda, se expresan en términos de utilidad perdida o costos
de pedidos atrasados.
FACULTAD DE
AGGREGATE PLANNING
4. REGULAR TIME COST: Son los costos de producir una unidad de
producto durante horas normales de trabajo. Se incluyen los costos
de la nomina de trabajadores directos.
5. OVERTIME AND OUTSOURCING COSTS: Son los costos de
producción de las unidades que no se producen en el tiempo
normal, el tiempo extra se refiere a producción con empleados de
tiempo regular trabajando mas allá del horario normal.
La subcontratación se refiere a la producción de los artículos por
medio de un proveedor externo.
FACULTAD DE
AGGREGATE PLANNING
6. LEISURE TIME COST: Son los costos que se asumen cuando la
capacidad utilizada de producción es menor que la capacidad
instalada, lo cual genera tiempos muertos o de ocio.
Los costos del tiempo muerto o de ocio generalmente se

contabilizan por el costo de tener personal sin hacer nada durante
el tiempo normal de producción. El costo de ocio ligado a la baja
demanda o baja de producción no se pueden descontar a los
trabajadores.
FACULTAD DE
AGGREGATE PLANNING
Ejemplo: Una planta manufacturera desea establecer el plan
agregado de producción para el primer semestre del siguiente
año, para ello a pronosticado su demanda la cual se presenta
en la tabla. Las condiciones de producción son que al final del
mes de diciembre se cuenta con un inventario de 500
unidades, y para iniciar el segundo semestre se debe dejar un
inventario de 600 unidades.
La empresa cuenta en su plantilla con 50 trabajadores los
cuales están en capacidad de elaborar 1.000 unidades
mensuales.
FACULTAD DE
AGGREGATE PLANNING
Ejemplo: El comité de ingeniería quiere analizar cuales son los posibles modelos de
planeación agregada y evaluar sus costos.
MES Inventario Demanda
Pronosticada
Diciembre 500
Enero 1.280
Febrero 640
Marzo 900
Abril 1.200
Mayo 2.000
Junio 1.400
FACULTAD DE
Julio 600
AGGREGATE PLANNING
MES Inventario Demanda Volumen de Demanda PRODUCCION
Pronosticada Produccion Acumulada CONSTANTE
Diciembre 500
Enero 1.280 780 780 1.254
Febrero 640 640 1.420 2.508
Marzo 900 900 2.320 3.762
Abril 1.200 1.200 3.520 5.016
Mayo 2.000 2.000 5.520 6.270
Junio 1.400 2.000 7.520 7.524
FACULTAD DE
Julio 600
AGGREGATE PLANNING
Ejemplo:
FACULTAD DE
AGGREGATE PLANNING
MES Inventario Demanda Volumen de Demanda FUERZA DE
Pronosticada Produccion Acumulada TRABAJO
Diciembre 500
Enero 1.280 780 780 1.000
Febrero 640 640 1.420 2.000
Marzo 900 900 2.320 3.000
Abril 1.200 1.200 3.520 4.000
Mayo 2.000 2.000 5.520 5.000
Junio 1.400 2.000 7.520 6.000
FACULTAD DE
Julio 600
AGGREGATE PLANNING
Ejemplo:
FACULTAD DE
AGGREGATE PLANNING
MES Inventario Demanda Volumen de Demanda FUERZA DE
Pronosticada Produccion Acumulada TRABAJO
Diciembre 500
Enero 1.280 780 780 780
Febrero 640 640 1.420 640
Marzo 900 900 2.320 900
Abril 1.200 1.200 3.520 1.200
Mayo 2.000 2.000 5.520 2.000
Junio 1.400 2.000 7.520 2.000
FACULTAD DE
Julio 600
AGGREGATE PLANNING
Ejemplo:
FACULTAD DE
AGGREGATE PLANNING
Ejemplo: La empresa ACME elabora cinco productos distintos y

desea generar una estrategia para planear la producción del
siguiente año la cual sea económica y viable. Actualmente la
planta cuenta con 15 operarios, según la tasa de producción
cada operario procesa al día 20 unidades. A los 15 operarios se
les paga un salario de $800 mas prestaciones sociales del 50%.
Contratar a un empleado cuesta en promedio un 35% del
salario y despedirlo cuesta en promedio 1,5 veces el salario.
Mantener una unidad de producto en inventario al mes cuesta
en promedio $0,15, a inicios del año se cuenta con 2.000 uni en
el inventario. La empresa solo labora de lunes a viernes.
FACULTAD DE
AGGREGATE PLANNING
MES DEMANDA
Ejemplo: ENERO 8,500
FEBRERO 6,700
En la siguiente tabla se muestran los datos totales de la MARZO 7,400
demanda, la cual esta compuesta por la suma de la
demanda pronosticada mas los pedidos recibidos de los ABRIL 9,200
clientes para el siguiente año: MAYO 9,800
JUNIO 12,600
JULIO 11,400
AGOSTO 8,600
SEPTIEMBRE 6,600
OCTUBRE 6,800
NOVIEMBRE 14,400
FACULTAD DE
DICIEMBRE 18,000
AGGREGATE PLANNING
Ejemplo:
a) Determine el Costo de una Estrategia de producción con Fuerza de Trabajo Nivelada
durante el siguiente año.
b) Determine el Costo de una Estrategia de producción con Fuerza de Trabajo Nivelada con
22 operarios y trabajando horas extras.
c) Determine el Costo de una Estrategia de Adaptación a la Demanda variando la Fuerza de
Trabajo.
d) Determine el Costo de una Estrategia de producción con Fuerza de Trabajo Nivelada y
Subcontratando la Producción no satisfecha.
e) Determine el Costo de una Estrategia de producción con Fuerza de Trabajo Nivelada
FACULTAD DE
asumiendo los Costos de Faltantes.
Ejemplo: Average Demand and Workers Constant.
JAN FEB MAR APR MAY JUN JUL AUG SEP OCT NOV DEC TOTAL
DEMAND 8.500 6.700 7.400 9.200 9.800 12.600 11.400 8.600 6.600 6.800 14.400 18.000 120.000
WORKERS 24 24 24 24 24 24 24 24 24 24 24 24
DAYS 19 21 20 21 20 21 19 23 22 20 20 21
PRODUCTION 9.120 10.080 9.600 10.080 9.600 10.080 9.120 11.040 10.560 9.600 9.600 10.080 118.560
INVENTORY 2.620 6.000 8.200 9.080 8.880 6.360 4.080 6.520 10.480 13.280 8.480 560
COSTS
REGULAR $ 28.800 $ 28.800 $ 28.800 $ 28.800 $ 28.800 $ 28.800 $ 28.800 $ 28.800 $ 28.800 $ 28.800 $ 28.800 $ 28.800 $ 345.600
OVERTIME $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ -
HIRE $ 2.520 $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ 2.520
FIRE $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ -
INVENTORY $ 393 $ 900 $ 1.230 $ 1.362 $ 1.332 $ 954 $ 612 $ 978 $ 1.572 $ 1.992 $ 1.272 $ 84 $ 12.681
TOTAL $ 31.713 $ 29.700 $ 30.030 $ 30.162 $ 30.132 $ 29.754 $ 29.412 $ 29.778 $ 30.372 $ 30.792 $ 30.072 $ 28.884 $ 360.801
Ejemplo: Average Demand and Workers Constant.
Ejemplo: Workers Constant and Overtime
DEMAND [D] 8,500 6,700 7,400 9,200 9,800 12,600 11,400 8,600 6,600 6,800 14,400 18,000 120,000
WORKERS [W] 22 22 22 22 22 22 22 22 22 22 22 22
DAYS [n] 19 21 20 21 20 21 19 23 22 20 20 21
HOURS 14 14 14 14 14 14 14 14 14 14 14 16
OVERTIME [O] 770 770 770 770 770 770 770 770 770 770 770 880 9,350
PRODUCTION [P] 9,130 10,010 9,570 10,010 9,570 10,010 9,130 10,890 10,450 9,570 9,570 10,120 118,030
INVENTORY [I] 2,630 5,940 8,110 8,920 8,690 6,100 3,830 6,120 9,970 12,740 7,910 30
COSTOS
REGULAR $ 26,400 $ 26,400 $ 26,400 $ 26,400 $ 26,400 $ 26,400 $ 26,400 $ 26,400 $ 26,400 $ 26,400 $ 26,400 $ 26,400 $ 316,800
OVERTIME $ 1,283 $ 1,283 $ 1,283 $ 1,283 $ 1,283 $ 1,283 $ 1,283 $ 1,283 $ 1,283 $ 1,283 $ 1,283 $ 1,466 $ 15,581
HIRE $ 1,960 $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ 1,960
FIRE $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ -
INVENTORY $ 395 $ 891 $ 1,217 $ 1,338 $ 1,304 $ 915 $ 575 $ 918 $ 1,496 $ 1,911 $ 1,187 $ 5 $ 12,149
TOTAL $ 30,038 $ 28,574 $ 28,900 $ 29,021 $ 28,987 $ 28,598 $ 28,258 $ 28,601 $ 29,179 $ 29,594 $ 28,870 $ 27,871 $ 346,489
Ejemplo: Workers Constant and Overtime
Ejemplo: Minimum Inventories and Variable Workers.
DEMAND [D] 8,500 6,700 7,400 9,200 9,800 12,600 11,400 8,600 6,600 6,800 14,400 18,000 120,000
WORKERS [W] 18 16 18 22 25 30 30 19 14 17 36 43
DAYS [n] 19 21 20 21 20 21 19 23 22 20 20 21
PRODUCTION [P] 6,840 6,720 7,200 9,240 10,000 12,600 11,400 8,740 6,160 6,800 14,400 18,060 118,160
INVENTORY [I] 340 360 160 200 400 400 400 540 100 100 100 160
COSTS
REGULAR $21,600 $19,200 $21,600 $26,400 $30,000 $36,000 $36,000 $22,800 $16,800 $20,400 $43,200 $51,600 $ 345,600
OVERTIME $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ -
HIRE $ 840 $ - $ 560 $ 1,120 $ 840 $ 1,400 $ - $ - $ - $ 840 $ 5,320 $ 1,960 $ 12,880
FIRE $ - $ 2,400 $ - $ - $ - $ - $ - $13,200 $ 6,000 $ - $ - $ - $ 21,600
INVENTORY $ 51 $ 54 $ 24 $ 30 $ 60 $ 60 $ 60 $ 81 $ 15 $ 15 $ 15 $ 24 $ 489
TOTAL $22,491 $21,654 $22,184 $27,550 $30,900 $37,460 $36,060 $36,081 $22,815 $21,255 $48,535 $53,584 $ 380,569
Ejemplo: Minimum Inventories and Variable Workers.
Ejemplo: Constant Workers and Outsourcing.
DEMAND 8,500 6,700 7,400 9,200 9,800 12,600 11,400 8,600 6,600 6,800 14,400 18,000 120,000
WORKERS 20 20 20 20 20 20 20 20 20 20 20 20
DAYS 19 21 20 21 20 21 19 23 22 20 20 21
PRODUCTION 7,600 8,400 8,000 8,400 8,000 8,400 7,600 9,200 8,800 8,000 8,000 8,400 98,800
UNITS FOR INVENTORY 1,100 2,800 3,400 2,600 800 -3,400 -3,800 600 2,800 4,000 -2,400 -9,600
OUTSOURCING 0 0 0 0 0 3,400 3,800 0 0 0 2,400 9,600 19,200
INVENTORY 1,100 2,800 3,400 2,600 800 0 0 600 2,800 4,000 0 0
COSTOS
REGULAR $24,000 $24,000 $24,000 $24,000 $24,000 $24,000 $24,000 $24,000 $24,000 $24,000 $24,000 $24,000 $ 288,000
OUTSOURCING $ - $ - $ - $ - $ - $17,000 $19,000 $ - $ - $ - $12,000 $48,000 $ 96,000
HIRE $ 1,400 $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ 1,400
FIRE $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ -
INVENTORY $ 165 $ 420 $ 510 $ 390 $ 120 $ - $ - $ 90 $ 420 $ 600 $ - $ - $ 2,715
TOTAL $25,565 $24,420 $24,510 $24,390 $24,120 $41,000 $43,000 $24,090 $24,420 $24,600 $36,000 $72,000 $ 388,115
Ejemplo: Constant Workers and Shortages.
DEMANG 8,500 6,700 7,400 9,200 9,800 12,600 11,400 8,600 6,600 6,800 14,400 18,000 120,000
WORKERS 23 23 23 23 23 23 23 23 23 23 23 23
DAYS 19 21 20 21 20 21 19 23 22 20 20 21
PRODUCTION 8,740 9,660 9,200 9,660 9,200 9,660 8,740 10,580 10,120 9,200 9,200 9,660 113,620
UNITS FOR INVENTORY 2,240 5,200 7,000 7,460 6,860 3,920 1,260 3,240 6,760 9,160 3,960 -4,380
SHORTAGES 0 0 0 0 0 0 0 0 0 0 0 4,380 4,380
INVENTORY 2,240 5,200 7,000 7,460 6,860 3,920 1,260 3,240 6,760 9,160 3,960 0
COSTOS
REGULAR $27,600 $27,600 $27,600 $27,600 $27,600 $27,600 $27,600 $27,600 $27,600 $27,600 $27,600 $27,600 $ 331,200
SHORTAGES $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $43,800 $ 43,800
HIRE $ 2,240 $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ 2,240
FIRE $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ -
INVENTORY $ 336 $ 780 $ 1,050 $ 1,119 $ 1,029 $ 588 $ 189 $ 486 $ 1,014 $ 1,374 $ 594 $ - $ 8,559
TOTAL $30,176 $28,380 $28,650 $28,719 $28,629 $28,188 $27,789 $28,086 $28,614 $28,974 $28,194 $71,400 $ 385,799
AGGREGATE PLANNING
Ejemplo: Total Estrategias Plan Agregado.
CONSTANT WORKERS [24 W] $ 360,801

OVERTIME [22 W] $ 346,489
MINIMUM INVENTORY $ 380,569
OUTSOURCING [22 W] $ 388,115
SHORTAGES [23 W] $ 385,799
FACULTAD DE
AGGREGATE PLANNING
AND
LINEAR PROGRAMMING.
FACULTAD DE
AGGREGATE PLANNING
M odel Parameters
Dt = Demand Forecast for period t
K= Production of units per day by worker
nt = Days per period t
i0 = Initial Inventory
W0 = Initial Workers
FACULTAD DE
AGGREGATE PLANNING
M odel Variables
Wt = Workers per period t
Pt = Production per period t
it = Inventory per period t
Ht = Hiring workers per period t
Ft = Firing workers per period t
Ot = Overtime units production per period t
FACULTAD DE
St = Outsourcing units per period t
AGGREGATE PLANNING
M odel Costs
Cr = Regular Cost per worker
Ch = Hiring Cost per worker
Cf = Firing Cost per worker
Ci = Inventory Cost per unit per period t
Cn = Nominal Cost per unit
Co = Cost of producing a unit in Overtime
FACULTAD DE
Cs = Outsourcing Cost per unit
AGGREGATE PLANNING
Función Objetivo:
Minimizar Z = ෍ 𝑪𝒓 𝑾𝒕 + 𝑪𝒉 𝑯𝒕 + 𝑪𝒇 𝑭𝒕 + 𝑪𝒊 𝑰𝒕 + 𝑪𝒐 𝑶𝒕 + 𝑪𝒍 𝑳𝒕 + 𝑪𝒔 𝑺𝒕
𝒕=𝟏
FACULTAD DE
AGGREGATE PLANNING
Restricciones:
A. Restricciones de la fuerza de trabajo:
𝑊𝑡 = 𝑊𝑡 −1 + 𝐻𝑡 - 𝐹𝑡
FACULTAD DE
AGGREGATE PLANNING
Restricciones:
B. Restricciones para las Unidades producidas:
𝐼𝑡 = 𝐼𝑡 −1 + 𝑃𝑡 + 𝐿𝑡 + 𝑆𝑡 - 𝐷𝑡
FACULTAD DE
AGGREGATE PLANNING
Restricciones:
C. Restricciones de relación entre producción y fuerza laboral:
𝑃𝑡 = 𝐾𝑛𝑡 (𝑊𝑡 ) + 𝑂𝑡
FACULTAD DE
AGGREGATE PLANNING
Ejemplo: CHIP debe planear los niveles de fuerza laboral y de producción para un
periodo de seis meses, de enero a junio. Esta empresa produce una línea de
unidades de disco para computadoras compatibles con varias de las principales
marcas. Las demandas pronosticadas durante los seis meses siguientes son 1.280,
640, 900, 1.200, 2.000 y 1.400. Actualmente (al final de diciembre) hay 25
trabajadores en esa planta. Se espera que el inventario final en diciembre sea de
500 unidades, y la empresa desearía tener al menos 600 unidades disponibles a
finales de junio. El costo de contratar un trabajador $500, el costo de despedir un
trabajador $1.000 y el costo de mantener una unidad de inventario durante un mes
$5. Según los informes de ingeniería el mes pasado se fabricaron 1.200 unidades en
20 días con una fuerza de trabajo de 30 trabajadores, los días laborales para los
siguientes seis meses son 20, 24, 18, 26, 22, 15 días respectivamente. La empresa
no permite trabajar horas extra ni subcontratar la producción.
AGGREGATE PLANNING
Función Objetivo:
min Z = 500 𝐻1 + 𝐻2 + 𝐻3 + 𝐻4 + 𝐻5 + 𝐻6 +
1.000 (𝐹1 + 𝐹2 + 𝐹3 + 𝐹4 + 𝐹5 + 𝐹6) +
5 (𝐼1 + 𝐼2 + 𝐼3 + 𝐼4 + 𝐼5 + 𝐼6)
FACULTAD DE
AGGREGATE PLANNING
Restricciones:
1. 𝑊1 − 𝑊0 − 𝐻1 + 𝐹1 = 0
2. 𝑊2 − 𝑊1 − 𝐻2 + 𝐹2 = 0
3. 𝑊3 − 𝑊2 − 𝐻3 + 𝐹3 = 0
4. 𝑊4 − 𝑊3 − 𝐻4 + 𝐹4 = 0
5. 𝑊5 − 𝑊4 − 𝐻5 + 𝐹5 = 0
6. 𝑊6 − 𝑊5 − 𝐻6 + 𝐹6 = 0
FACULTAD DE
AGGREGATE PLANNING
Restricciones:
7. 𝑃1 − 𝐼1 + 𝐼0 = 1.280
8. 𝑃2 − 𝐼2 + 𝐼1 = 640
9. 𝑃3 − 𝐼3 + 𝐼2 = 900
10. 𝑃4 − 𝐼4 + 𝐼3 = 1.200
11. 𝑃5 − 𝐼5 + 𝐼4 = 2.000
FACULTAD DE
12. 𝑃6 − 𝐼6 + 𝐼5 = 1.400
AGGREGATE PLANNING
Restricciones:
13. 𝑃1 − 40 𝑊1 = 0
14. 𝑃2 − 48 𝑊2 = 0
15. 𝑃3 − 36 𝑊3 = 0
16. 𝑃4 − 52 𝑊4 = 0
17. 𝑃5 − 44 𝑊5 = 0
18. 𝑃6 − 30 𝑊6 = 0
FACULTAD DE
AGGREGATE PLANNING
Restricciones:
19. 𝑊0 = 25
20. 𝐼0 = 500
21. 𝐼6 ≥ 600
FACULTAD DE
AGGREGATE PLANNING
Solución:
JANUARY FEBRUARY MARCH APRIL MAY JUNE TOTAL
DEMAND 1.280 640 900 1.200 2.000 1.400 7.420
WORKERS 25 25 25 31 38 38
DAYS 20 24 18 26 22 15
PRODUCTION 1.000 1.200 900 1.612 1.672 1.140 7.524
INVENTORY 220 780 780 1.192 864 604
COSTS
HIRE COST $ - $ - $ - $ 3.000 $ 3.500 $ - $ 6.500
FIRE COST $ - $ - $ - $ - $ - $ - $ -
INVENTORY COST $ 1.100 $ 3.900 $ 3.900 $ 5.960 $ 4.320 $ 3.020 $ 22.200
TOTAL COST $ 1.100 $ 3.900 $ 3.900 $ 8.960 $ 7.820 $ 3.020 $ 28.700
FACULTAD DE
AGGREGATE PLANNING
Solución:
FACULTAD DE
AGGREGATE PLANNING
Ejemplo: CHIP a decidido analizar la opción de trabajar horas extras si es

necesario para satisfacer la demanda pronosticada, además se ha
establecido que solo se puede contratar o despedir en enero y abril. El
costos de una hora extra es de $3. La empresa no permite laborar mas de
16 horas extra por mes, ni tampoco permite faltantes ya que su
competencia es muy alta. Realice el nuevo modelo de programación lineal
que ayude a tomar la decisión del nuevo plan agregado.
FACULTAD DE
AGGREGATE PLANNING
Función Objetivo:
min Z = 500 𝐻1 + 𝐻2 + 𝐻3 + 𝐻4 + 𝐻5 + 𝐻6 +
1.000 (𝐹1 + 𝐹2 + 𝐹3 + 𝐹4 + 𝐹5 + 𝐹6) +
5 (𝐼1 + 𝐼2 + 𝐼3 + 𝐼4 + 𝐼5 + 𝐼6) +
12 (O1 + O2 + O3 + O4 + O5 + O6)
FACULTAD DE
AGGREGATE PLANNING
Solución:
JANUARY FEBRUARY MARCH APRIL MAY JUNE TOTAL
DEMAND 1.280 640 900 1.200 2.000 1.400 7.420
WORKERS 25 25 25 35 35 35
DAYS 20 24 18 26 22 15
PRODUCTION 1.000 1.200 900 1.820 1.540 1.050 7.510
OVERTIME 0 0 0 0 0 10
INVENTORY 220 780 780 1.400 940 600
COSTS
HIRE COST $ - $ - $ - $ 5.000 $ - $ - $ 5.000
FIRE COST $ - $ - $ - $ - $ - $ - $ -
OVERTIME COST $ - $ - $ - $ - $ - $ 120 $ 120
INVENTORY COST $ 1.100 $ 3.900 $ 3.900 $ 7.000 $ 4.700 $ 3.000 $ 23.600
FACULTAD DE
INGENIERIA INDUSTRIAL TOTAL COST $ 1.100 $ 3.900 $ 3.900 $ 12.000 $ 4.700 $ 3.120 $ 28.720
AGGREGATE PLANNING
Solución:
FACULTAD DE

Produccion II - Modulo I

Cargado por

Copyright:

Formatos disponibles

Produccion II - Modulo I

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Produccion II - Modulo I

Cargado por

Copyright:

Formatos disponibles

MODULO I

JHON ANDRES MUÑOZ GUEVARA

Se usa el término Pronosticar para hacer referencia a

• Método de Delphi • Modelos Causales.

MÉTODOS MODELO CAUSAL SERIES DE TIEMPO

Elegir Modelo Elegir Modelo

Seleccionar Método Seleccionar Método

Estimar Parámetros Estimar Parámetros

Desviación Media Absoluta [MAD]:

Error Porcentual Absoluto Medio [MAPE]: 𝒏 |𝑫𝒊 − 𝒀𝒊|

Esto se llama proceso de pronóstico causal, porque el valor de la variable

Determine una formula matemática que ayude a pronosticar la venta de

1 ENERO 22 FREBREO 72 13 ENERO 28 FREBREO 63

a) Grafique los datos enfrentando los Permisos Generado (eje x) con

c) Pronostique la venta de accesorios para 50, 100 y 150 permisos

FORECAST FORECAST FORECAST

Series de Tiempo es un nombre termino para hacer referencia

En el análisis de series de tiempo se intenta aislar los patrones

3. SEASONALITY: Es aquella que se repite en intervalos fijos de tiempo, como la

TREND PLUS SEASONALITY LINEAR TREND

QUADRATIC TREND EXPONENTIAL TREND

LOGARITHMIC TREND S CURVE

En lugar de tomar el promedio de todos los datos, se puede

Un promedio móvil del orden N es sencillamente el promedio

Los métodos de promedios móviles solo promedian los datos

Como sólo usa datos recientes para el pronóstico, un

Grafique la Serie de Tiempo y

EJEMPLO: Realice el pronostico del 1 200

Grafique la Serie de Tiempo y

Grafique la Serie de Tiempo y

𝒀𝒊 = 𝑾𝟏 𝑫𝒊−𝟏 + 𝑾𝟐 𝑫𝒊−𝟐 + …….. + 𝑾𝒏 𝑫𝒊−𝒏 donde: ෍ 𝑾𝒊 = 𝟏

Generalmente se aplica el mayor peso ponderado al valor mas reciente, y

El valor ponderado es asumido en el principio del calculo, estos valores se

Para lograr una optimización de los valores ponderados Wi se puede

EJEMPLO: Realice el pronostico 1 200 W3 0,10

Grafique la Serie de Tiempo y sus

EJEMPLO: Determine el Error 1 200

Otro método para pronosticar las series de tiempo es el Suavizamiento

𝒀𝒊 = 𝒀𝒊−𝟏 − α (𝒀𝒊−𝟏 − 𝑫𝒊−𝟏 )

registrados en las ultimas 10 4 186 202

El modelo Autorregresivo [AR] es similar al proceso de Regresión Lineal mas

El modelo AR esta dado por:

𝒀𝒊 = α𝟎 + α𝟏 𝑫𝒊−𝟏 + α𝟐 𝑫𝒊−𝟐 + ⋯ + α𝒏 𝑫𝒊−𝒏 + 𝒆𝒊−𝟏

Cuando se requieren generar pronósticos para varios periodos, es

El Análisis de Regresión consiste en generar

La regresión lineal generalmente utiliza el

El patrón de la tendencia indica que tipo de Regresión es la mas acertada, dentro

El patrón de la tendencia indica que tipo de Regresión es la mas acertada, dentro

Para poder emplear un modelo estacional se debe en primer lugar especificar

En otros casos el valor de N se puede determinar de forma grafica mediante el

1. Calcular la media de todos los datos de la muestra.

Ejemplo: El departamento de distribución desea establecer los factores de

Ejemplo: AVERAGE 16.210

WEEK 1 WEEK 2 WEEK 3 WEEK 4 FACTOR

Ejemplo: Para realizar el pronostico basta con multiplicar el valor promedio de la

AVERAGE 16.210 FACTOR FORECAST

En muchos casos las Series de tipo TREND PLUS SEASONALITY

Ejemplo: Una empresa de QUARTERLY DEMAND

1. Realice la grafica de la serie de