Administración de la producción y las operaciones - EVERETT E ADAM

CASO Proveedor de Hospitales S.A. (PHSA)

Suzi fue contratada por una compañía que provee a hospitales, la PHSA, hace dos años, como representante de ventas. Debido a que logró incrementar las ventas en el occidente, Suzi fue transferida a operaciones, en donde es analista de operaciones. Sabe que, si logra buenos resultados en este puesto, probablemente sea gerente regional de operaciones o gerente en el área de ventas en un lapso de 12 a 36 meses.

La primera asignación de trabajo a Suzi es el de recomendar un procedimiento de pronóstico por elemento para una familia de partes que incluye artículos ortopédicos. La demanda para un artículo representativo, rollos para recubrimiento, se muestra en la tabla siguiente.

El procedimiento actual de pronóstico para este artículo es un estimado intuitivo realizado por un empleado experimentado en abastecimientos.

Después de revisar sus notas de clase de un curso de PCP que tomó hace tres años en la UNI, Suzi decidió construir un modelo de pronóstico. Su supervisora piensa que los datos son estacionales y le gustaría contar con un modelo representativo de la estacionalidad. Suzi decidió emplear la computadora de la compañía para probar diferentes modelos, y seleccionar el mejor.

Después de pensar sobre diferentes modelos de pronóstico y sobre la selección de parámetros (tales como EMA% y prueba de hipótesis de coeficientes) Suzi ha decidido usar el siguiente procedimiento como mecanismo de evaluación para comparar un modelo de Regresión y con uno de Descomposición y seleccionar el mejor:a. A partir del Modelo Teórico D= F(T)b. Plantear dos Modelos Matemáticos: Uno para Regresión y uno para

la Tendencia del PMC (Promedio Móvil Centrado del Modelo de Descomposición)

c. Calcular coeficientes: A, B, ...d. Validar:

Ho: R2 = 0Ho: A, B, …, = 0EMA%IC95 = De ± ZSd

e. Pronosticar la demanda para el próximo año

Demanda de fundas para tubos clínicos:Tiempo (mes)

Ventas

Tiempo (mes)

Ventas

1 692 25 7762 696 26 8163 685 27 8054 909 28 9205 908 29 10366 888 30 10087 736 31 8568 691 32 7479 715 33 83510 916 34 103611 883 35 100312 903 36 102313 752 37 79614 757 38 87615 736 39 85616 861 40 106917 968 41 108818 905 42 103419 847 43 86820 748 44 86821 833 45 95322 970 46 109023 936 47 105624 964 48 1084

Preguntas del caso1. Hacer una gráfica con los datos e identificar cualquier patrón que

se observe a partir de la gráfica.2. Utilizando el procedimiento de análisis de Suzi, construir dos

modelos de pronóstico: Regresión y Descomposición, hacer una simulación y seleccionar el mejor modelo de pronóstico. Justificar su decisión.

3. Hacer el pronóstico para el próximo año, mes a mes.

15. Un gerente de operaciones está interesado en el pronóstico para saber de antemano en qué forma el entrenamiento influirá en la eficiencia de los obreros de producción asignados a un nuevo puesto. Se proporcionaron cinco diferentes tipos de capacitación, que variaron desde medio día hasta cuatro días. Diez de un total de 50 obreros tomaron cada uno de los diferentes niveles de capacitación. La tabla siguiente muestra la eficiencia en el trabajo de cada obrero para la primera semana de trabajo, siendo 100 la norma o el resultado esperado.

X: Tiempo de capacitación en díasY: Eficiencia

X: Tiempo de capacitación en

díasObrero 0.50 1 2 3 4

Y: Eficienc

ia

1 117 106 76 125 852 85 81 88 113 1293 112 74 115 93 904 81 79 113 89 1245 105 118 108 117 1176 109 110 84 118 1217 80 82 83 81 978 73 86 81 86 939 110 111 112 88 12210 78 113 120 120 92

a) Encontrar la ecuación de la regresión lineal para predecir Y en función de X.b) Hacer una gráfica de la ecuación de regresión, junto con los datos, en un diagrama de dispersión. ¿Qué es lo que esto significa para el gerente?e) Calcular la media y la variación para cada uno de los grupos en capacitación. ¿Qué conclusión se obtiene al comparar a los grupos?

17. En fecha reciente, la demanda para un nuevo filtro de carburador que está almacenado con un proveedor regional se ha incrementado de una manera drástica (los mecánicos y el público en general están adquiriendo conciencia de la economía de combustible que se obtiene con el filtro). A continuación se proporciona la demanda semanal.

Semana

Demanda real

Semana

Demanda real

Semana

Demanda real

23 100 31 450 39 92724 75 32 510 40 95025 210 33 600 41 94526 250 34 550 42 1,05027 350 35 725 43 1,15028 365 36 775 44 1,20029 400 37 750 45 1,21030 425 38 825 46 1,295

a. Ajustar un modelo de suavizado exponencial de primer orden que con estos datos disminuye la MAD.

b. Trate de disminuir la MAD total (para los 24 periodos) usando otro modelo. Siéntase en libertad de diseñar un modelo o seleccionar alguno que no sea de este texto. Explicar el procedimiento.

18. Barfy Burgers, es una gran cadena de tiendas, que vende hamburguesas; acaba de cumplir su quinto año de operaciones. Cada mes Barfy debe de hacer sus compras de carne para el mes siguiente. Debido a fluctuaciones históricas de la demanda en Buster Barfy, el vicepresidente de operaciones ha tenido dificultad en determinar las

ventas futuras. A continuación se mencionan, en libras, las cantidades de carne pedidas cada mes durante los cinco años que ha funcionado la empresa.

Año 2007 2008 2009 2010 2011Ene 695 768 828 814 866Feb 693 772 776 790 850Mar 714 765 823 841 869Abr 733 722 859 817 818May 740 719 778 849 802Jun 684 777 776 769 754Jul 723 753 763 904 844

Ago 750 762 810 808 811Sept 790 732 759 809 811Oct 734 780 834 828 817Nov 718 750 837 885 801Dic 730 705 786 849 810

Basándose en la demanda histórica de Barfy determinar la demanda mensual del año 2012.

22. Considérese la demanda trimestral de botes domésticos de URboat , que es un productor local, y que se presenta a continuación.

AñoTrimestr

eDemanda

(unid)Año

Trimestre

Demanda (unid)

2006

1 50

2009

1 622 45 2 563 52 3 654 56 4 71

2007

1 53

2010

1 652 48 2 603 57 3 704 62 4 77

2008

1 56

2011

1 732 50 2 663 60 3 754 67 4 85

a. Hacer una gráfica de los datos e investigar sobre tendencias y estacionalidad. Capturar los datos para el QSOM.

b. Empleando coeficientes de suavización de 0.2, 0.4, 0.6 y 0.8, junto con un suavizado exponencial de primer orden, seleccionar el mejor de los coeficientes (menores MAD y sesgo, ambos equipesados). Hacer una gráfica y anotar los resultados para el modelo de mejor ajuste.

c. Si al examinar los datos no se observa ninguna tendencia y/o patrón de estacionalidad emplear el modelo de doble suavizado

exponencial. Si los datos indican cierta tendencia, probar el suavizado exponencial con tendencia lineal utilizando un coeficiente de suavización de 0.2. Registrar el valor de la MAD.

d. Si hay datos sobre tendencia y estacionalidad, probar el modelo de Winter que se presenta en el QSOM. Para este modelo, es necesario introducir tres coeficientes para cada corrida de cómputo: coeficiente 1 = componente constante, coeficiente 2 = componente de tendencia, coeficiente 3 = componente de estacionalidad.Todos los coeficientes pueden ser iguales. Utilizar un coeficiente de suavización de 0.2 para todos los componentes y calcular la DMA.

e. Seleccionar uno de los tres modelos en las partes c y d y analizar de manera semejante el del análisis con el suavizado exponencial de primer orden de la parte b para el modelo del mejor ajuste. Anotar los resultados que den el valor más bajo de MAD del modelo de mejor ajuste. Nota: si el modelo de Winter es el de mejor ajuste utilice todas las combinaciones de 0.3 y 0.7 para cada uno de los tres coeficientes para determinar una MAD más baja y que se debe anotar.

9QSOM is a software package developed by Prentice Hall as an operations rnanagement text supplement. QSOM utilizes microcomputers. See the Preface, and contact Prentice Hall regarding availability. Instructors should see the Instru ctor's Manual.