gestion de la produccion

Ejemplo 1:

En la tabla que sigue se representan las ventas de 2013, cal Periodo Demanda PMS3 DMA PMS5 DMA

Enero 80

Febrero 90

Marzo 85

PMP3 DMA PMP5 DMA

PMP3 Alfa Beta Gama

Abril 70 85 15.0

85.5 15.5

0.2 0.3 0.5

PMP5 Alfa Beta Gama Teta Delta

0.1 0.15 0.2 0.25 0.3

n las ventas de 2013, calcule las previsiones basadas en periodos de tres y c Promedio Móvil Simple Mayo 80 81.7 1.7

Junio 105 78.3 26.7 81 24

Julio 110 85.0 25.0 86 24

Promedio Móvil Ponderado 78.5 1.5

78 27 80 25

90.5 19.5 87.25 22.75

en periodos de tres y cinco meses.

dio Móvil Simple Agosto 105 98.3 6.7 90 15

Septiembre 100 106.7 6.7 94 6

Octubre 110 105.0 5.0 100 10

106.5 6.5 99 1

103.5 6.5 102 8

o Móvil Ponderado 102.5 2.5 94.25 10.75

His 140

120

100

80

Periodo

60

40

20

0 Enero

Febrero

Marzo

Abril

Mayo

Junio

Noviembre 115 105.0 10.0 106 9

Diciembre 120 108.3 11.7 108 12

Jan-14

106 9 106 9

110.5 9.5 108.75 11.25

116.5 11.5 112.25 12.5

115.0 13.1 8.9 14.3

Históricos

Abril

Mayo

Junio

Julio

Agosto

Septiembre

Octubre

Noviembre

Dici

bre

Row 6 PMS3 PMS5 PMP3 PMP5

Noviembre

Diciembre

Ejercicio 2:

Jaime Blanco, gerente de la planata de CISA, esta intentando años Año 2004 2005 2006 Total Trim. Prom. Trim. Índice de Estacionaliad

Ventas Trimestrales (Miles de u T1 520 590 650 1760 586.7 0.809

Año

Ventas Trimestrales (Miles de u T1

Año 2004

2004 2005 2006

642.61 729.12 803.27

Periodo T1 T2

X 1 2

Año 2004

Año 2005

Año 2006

T3 T4 T1 T2 T3 T4 T1 T2 T3 T4

3 4 5 6 7 8 9 10 11 12 78

X

4. Sustituimos valores en la fórmula de regresión linea.

5. Sustituir los valores de "13, 14, 15, 16" en la ecuación.

Y13 Y14 Y15 Y16

6. Utilizando los índices de estacionalidad (I.E.) pronosticamo Trimestre T1 T2 T3 T4

I.E. 0.809 1.122 1.251 0.818

Pronósticos estacionalizados 675.1845354658 955.3288610715 1086.2582880812 724.0708709907

Series Estacionalizadas

anata de CISA, esta intentando planear las necesidades de efectivo, personal años razonablemente parecen reflejar el patrón de re

Ventas Trimestrales (Miles de unidades) T2 T3 730 820 810 900 900 1000 2440 2720 813.3 906.7 1.122

1.251

Ventas Trimestrales (Miles de unidades) T2 T3

T4 530 600 650 1780 593.3

2600 2900 3200 8700 725

0.818

T4

650.72 722.03 802.25

655.70 719.67 799.63

647.61 733.15 794.24

Y 642.61 650.72

Y^2 412952.29 423432.89

X^2 1 4

XY 642.6 1301.4

655.70 647.61 729.12 722.03 719.67 733.15 803.27 802.25 799.63 794.24

429940.56 419401.77 531614.98 521325.43 517923.64 537503.16 645237.95 643611.64 639411.90 630819.68

9 16 25 36 49 64 81 100 121 144

1967.1 2590.4 3645.6 4332.2 5037.7 5865.2 7229.4 8022.5 8796.0 9530.9

8700.00

6353175.86991528

650

58961.013325

Y

Y^2

X^2

XY

fórmula de regresión linea. a= b=

615.4084852092 16.8602330447

3, 14, 15, 16" en la ecuación. Y = 615.4 + 16.86X 834.5915147908 851.4517478355 868.3119808803 885.172213925

cionalidad (I.E.) pronosticamos.

cionalizadas de Tiempo

e efectivo, personal y materiales para cada trimeste del próximo año. Los dat flejar el patrón de resultado estacional que debe esperarse en el futuro. T1 520

T2 730

T3 820

T4 530

1. Calcular los índices de estacionalidad.

2. Desestacionalizamos los datos dividiendo cada tr T1

T2

T3

T4

642.61

650.72

655.70

647.61

Chart Title 900.00 800.00 700.00 600.00 500.00 400.00 300.00 200.00 100.00 0.00 T1

T2

T3

T4

T1

T2

T3

T4

3. Realizar un analisis de regresion lineal para aplicar los si

próximo año. Los datos de ventas trimestrales durante los ultimos tres rse en el futuro. T1 590

T2 810

T3 900

T4 600

T1 650

T2 900 Chart Title

1200

cionalidad.

1000 800 600 400 200 0 T1

tos dividiendo cada trimestral

T1

T3

T4

T1

T2

T1

T2

T3

T4

T1

T2

729.12

722.03

719.67

733.15

803.27

802.25

Chart Title

T4

T2

T2

T3

T4

T1

T2

T3

T4

lineal para aplicar los siguienets trimestres.

T3

T4

T1

T2

os ultimos tres

T4

T3 1000

T4 650

T1

T2

T3

T4

T1

T2

T3

T4

675.184535 955.328861 1086.25829 724.070871

Chart Title

T1

T2

T3

T3

T4

799.63

794.24

T4

En la tabla que aparece enseguida se presentan las ventas para los ultimos diez años de AÑO Ventas

0 400

1 600

2 500

3 700

a) Si hay correlación en esta serie de tiempo, utilice regresión lineal y exponencial. Año 0 1 2 3 4 5 6 7 8 9 suma

x 1 2 3 4 5 6 7 8 9 10 55

a= b=

273.333333 113.939394

y 400 600 500 700 900 800 1200 1300 1100 1500 9000

b) Construya las ecuaciones de regresión lineal exponecial

Y = 3461073.3 + 588400 x Y = 588400 e^ 3461073.3x

c) Construya el gráfico

y^2 160000 360000 250000 490000 810000 640000 1440000 1690000 1210000 2250000 9300000

x^2 1 4 9 16 25 36 49 64 81 100 385

as para los ultimos diez años de tubos y aceros de México S.A. de C.V. 4 900

5 800

6 1200

7 1300

8 1100

9 1500

esión lineal y exponencial. xy 400 1200 1500 2800 4500 4800 8400 10400 9900 15000 58900

Ventas 1600 1400

f(x) = 113.9393939394x + 273.3333333333 R² = 0.8925252525

1200 1000 800 600 400 200 0

1

2

3

4

5

AÑO

6

7

Ventas

Linear (Ve

Ventas 1600 f(x) = 393.3002201957 exp( 0.1358516174 x )

1400 1200 1000 800 600 400 200 0

1

2

3

4

5

AÑO Exponential (Ventas)

6

7

Vent

Total trim 9000

Ventas

+ 273.3333333333

4

5

6

7

Ventas

8

9

10

Linear (Ventas)

Ventas

exp( 0.1358516174 x )

4

5

AÑO

Exponential (Ventas)

6

7

8 Ventas

9

10

Utilice el análisis de regresión de series de tiempo estcaionalizadas para desarrollar un pronóstico de los ingresos por ventas del año que viene para la línea de computadoras. Año 5 5 5 5

Año 2005 2006 Total trimestre Prom. Trim índices de estacionalidad

Trimestre 1 2 3 4

Ventas 9.2 5.4 4.3 14.1

Año 6 6 6 6

Trimestre 1 2 3 4

T1 T2 T3 T4 9.2 5.4 4.3 14.1 10.3 6.4 5.4 16 19.5 11.8 9.7 30.1 9.75 5.9 4.85 15.05 1.09704641 0.66385373 0.54571027 1.69338959

Ventas trimestrales Año T1 T2 T3 T4 2005 8.38615385 8.13432203 7.87963918 8.32649502 2006 9.38884615 9.64067797 9.89536082 9.44850498

año 2005

año 2006

Periodo

X

Y

Y^2

X^2

T1 T2 T3 T4 T1

1 2 3 4 5

8.38615385 8.13432203 7.87963918 8.32649502 9.38884615

70.3275763 66.167195 62.0887135 69.3305193 88.1504321

1 4 9 16 25

año 2006

T2 T3 T4

6 7 8

9.64067797 92.9426716 9.89536082 97.9181659 9.44850498 89.2742464 36 71.1 636.19952

X

Y

Y^2

36 49 64 204

X^2

a= b= Y= 7.67 + 0.2688 x y09 y10 y11 y12

Trimestre T1 T2 T3 T4

10.0975243 10.3664185 10.6353128 10.9042071

I.E. Pronósticos estacionalizados 1.0970464135 11.0774528 0.6638537271 6.88178558 0.5457102672 5.8037994 1.6933895921 18.4650708

caionalizadas para año que viene para

Ventas en millones de pesos.

Ventas 10.3 6.4 5.4 16

T1 9.2

T2 5.4

T3 4.3

T4 14.1

33 38.1 71.1 8.8875

T1 T2 T3 T4 8.38615385 8.13432203 7.87963918 8.32649502

XY 8.38615385 16.2686441 23.6389175 33.3059801 46.9442308

57.8440678 69.2675258 75.5880399 331.24356

XY

7.67747575 0.26889428

7.67 + 0.2688 x

Cha 18 16 14 12 10 8 6 4 2

T1 10.3

T2 6.4

T3 5.4

T4 16

0 T1

T2

T3

T4

Cha 12 10

T1 T2 T3 T4 9.38884615 9.64067797 9.89536082 9.44850498

8 6 4 2 0 T1

T2

T3

T4

Chart Title

T2

T3

T4

T1

T2

T3

T4

Chart Title

T2

T3

T4

T1

T2

T3

T4

A continuación se presentan las ventas en la ultima decada de una empresa constructor

Año Ventas

97 180

98 330

99 400

0 550

Lineal

Ventas 900 f(x) = 64.5454545455x + 216

800 700 600 500 400 300 200 100 0

año año año año año año año año

97 98 99 00 01 02 03 04

1

2

3

4

Periodo

X

T1 T2 T3 T4 T1 T2 T3 T4

1 2 3 4 5 6 7 8

X

5

Y 8.38615385 8.13432203 7.87963918 8.32649502 9.38884615 9.64067797 9.89536082 9.44850498 36 71.1

Y

6

7

8

Y^2

X^2

70.3275763 66.167195 62.0887135 69.3305193 88.1504321 92.9426716 97.9181659 89.2742464 636.19952

1 4 9 16 25 36 49 64

Y^2

X^2

204

9

10

da de una empresa constructora.

7

1 620

2 680

3 670

4 700

5 780

6 800

Algoritmica

Ventas 900 800 700 600 500 400 300 200 100 8

9

XY 8.38615385 16.2686441 23.6389175 33.3059801 46.9442308 57.8440678 69.2675258 75.5880399 331.24356

XY

10

0

1

2

3

4

5

6

7

Ventas

5

6

7

8

9

10

Semana Demanda

7 85

8 102

Utilice constantes de suavización de 0.1, 0.2, 0 Pronósticos Semana 7 8 9 10 11 12 13 14 15 16 17 18

Demanda Invetario 85 102 110 90 105 95 115 120 80 95 100

α = 0.1 85.0 85.0 86.7 89.0 89.1 90.7 91.1 93.5 96.2 94.6 94.6 95.1

Semana 7 8 9 10 11 12 13 14 15 16 17 18

Demanda Invetario 85 102 110 90 105 95 115 120 80 95 100

α = 0.1 85.0 85.0 86.7 89.0 89.1 90.7 91.1 93.5 96.2 94.6 94.6 95.1

Total

Suabización Exponencial 9 110

10 90

11 105

12 95

de suavización de 0.1, 0.2, 0.3; decida cual utilizar y haga un prónostico para la demand Pronósticos α = 0.2 85.0 85.0 88.4 92.7 92.2 94.7 94.8 98.8 103.1 98.5 97.8 98.2

α = 0.3 85.0 85.0 90.1 96.1 94.2 97.5 96.7 102.2 107.5 99.3 98.0 98.6

Pronósticos Desviacón absoluta

α = 0.2 85.0 85.0 85.0 85.3 86.1 86.7 87.5 88.2 89.3 90.7 91.4 92.1

Desviacón absoluta

α = 0.3 85.0 85.0 59.5 41.7 29.2 20.4 14.3 10.0 7.0 4.9 3.4 2.4

nencial 13 115

14 120

15 80

16 95

17 100

ico para la demanda de la semana 18.

Chart Ti Column C

Column D

140 120 100 80 60 40

Desviacón absoluta

20 0

1

2

3

4

5

6

4

Chart Title Column C

5

Column D

6

Column E

7

Column F

8

9

10

11

12

12