pcp01 función propronosticosducción - pronosticos

Abrahan A. Pacheco Oviedo

UCSM Ingeniería Industrial

“PLANEAMIENTO

Y CONTROL DE LA

PRODUCCION”.



PLANEAMIENTO Y CONTROL DE PRODUCCION

Significa realizar un Plan de Trabajo, al cual debe obedecer la producción, de manera que el producto se elabore con eficiencia máxima y a costos favorables.



FUNCION: • Definir las características del Producto y el Proceso

de Fabricación. • Calcular el Costo de Fabricación. • Pronosticar las Ventas. • Planificar y Programar la Producción. • Iniciar las actividades en la Planta a través de las

ordenes de producción. • Control y seguimiento de la producción.





• Combina los flujos físicos y de información para administrar los sistemas de producción.

• Integral el flujo de material usando la información del sistema.

• El pronostico da inicio a las actividades de PCP. • El extender las actividades del PCP a los

proveedores y clientes se conoce como “ADMINISTRACION DE LA CADENA DE SUMINISTROS”.




• La planeación a largo plazo de la capacidad garantiza que la capacidad futura sea la adecuada para cumplir con la demanda futura.

• La planeación de la producción transforma los pronósticos de demanda en plan maestro de producción, el cual toma en cuenta la disponibilidad global de capacidad y materiales.

• La planeación detallada genera los requerimientos inmediatos de los materiales y la capacidad, y realiza una programación de la producción a corto plazo.




• PCP hace exactamente lo que su nombre dice: Planea y Controla la producción y lo hace utilizando el ciclo de retroalimentación.



Marco para las decisiones

Proceso

Capacidad

Inventarios

Fuerza de trabajo

Calidad



“PRONOSTICO”.



PRONOSTICO

Un pronostico es una predicción de acontecimientos futuros que se utiliza con propósitos de planificación.

El pronóstico consiste en la estimación y el análisis de la demanda futura para un producto en particular, componente o servicio, utilizando inputs como ratios históricos de venta, estimaciones de marketing e información provisional, a través de diferentes técnicas de previsión, con el propósito de planificar.



OBJETIVO

PROPORCIONAR PRONOSTICOS CON LA EXACTITUD NECESARIA, A TIEMPO Y A UN COSTO RAZONABLE.

REACCIONAR ANTE LOS CAMBIOS REALES.



ALCANCES

Pretende estudiar la solución de problemas relacionadas con pronosticos

La identificación del problema determina la misión o el propósito, que se muestra como necesidad del pronóstico.

Los pronósticos proporcionan información para tomar mejores decisiones.

La decisión determina que pronosticar, el nivel de detalle necesario y con que frecuencia se hará el

pronóstico.



DATOS

Cuando se tienen proporcionan un gran visión sobre los hechos.

Registros de la Compañía

Otras Compañías, servicios comerciales

El Gobierno, población, demografía, etc.



FACTORES

1. Externos: Aquellos que están fuera de control de

la empresa. Ejemplo: Características de la

economía, leyes, tecnología, escasez de

recursos, acciones de la competencia,

elección o preferencia del consumidor.

2. Internos Decisiones internas que provocan

cambios en el volumen de la demanda, se

pueden influir en ellos. Están la calidad, el

precio, tiempo de entrega, la publicidad y

los descuentos.



PATRONES DE LA DEMANDA

Horizontal.

Tendencia.

Estacional.

Cíclicos.




(a) Horizontal: Cúmulo de datos en torno de una línea horizontal



• De serie de tiempos: Es simplemente una lista cronológica de datos históricos, donde la suposición esencial es que la historia predice el futuro de manera razonable.

Métodos Cualitativos : De carácter subjetivo y se basan en estimaciones y opiniones.

• Causales: El valor de la variable dependiente esta causada o afecta, o al menos tiene una alta correlación con el valor de la(s) variables (s) independientes

TIPOS

Métodos Cuantitativos:



CUALITATIVOS

Investigación de Mercado; Consiste en el desarrollo de un cuestionario,llevar a cabo la encuesta y tabular y analizar los resultados. Utilizado para pronosticar ventas a L.P. y de nuevos productos o productos modificados

Metodo Delphi; proceso para obtener el consenso entre un grupo de expertos con el anonimato de sus integrantes.

Basado en Indicadores Económicos; existe una relación directa o correlación, entre ventas de algunos productos y estos indicadores

Opinión de Expertos; se basa en la experiencia y opiniones de ejecutivos, técnicos, clientes.



CAUSALES

La demanda puede ser: -Dependiente Causada por la demanda de otros productos -Independiente No esta condicionada a la demanda de otros productos

Construcción de casas

Accesorios de Plomeria

Dependiente Independiente

Ventas de Automoviles

Venta de Llantas

Métodos usados para estos pronósticos: -Regresión lineal simple. Otros modelos de regresión (exponencial, etc)



SERIES DE TIEMPOS

Utilizan datos históricos de la variable dependiente y consideran el tiempo como variable independiente para predecir el futuro.

Nos enfocaremos a patrones de demanda tipo Constante, Tendencia y Estacional.



SERIES DE TIEMPOS

A. PROCESOS CONSTANTE

Trata a los datos muy antiguos igual que a los recientes. Se usa un promedio de los datos pasados para pronosticar el siguiente periodo.

1. Promedio Simple



SERIES DE TIEMPOS


1. Promedio Simple -Ejemplo

Mes Producción

1 56

2 46

3 53

4 50

5 50

6 52

7 ?



SERIES DE TIEMPOS


Se elige promediar solo algunos de los datos mas recientes.

Responde al cambio de una manera más rápida, debido a que usa datos recientes.

2. Promedio Móvil Simple



Ejemplo: Se observa la siguiente demanda histórica:

Semana Demanda

1 800

2 1400

3 1000

4 1500

5 1500

6 1300

7 1800

8 1700

9 1300

10 1700

11 1700

12 1500

13 2300

14 2300

15 2000



Ejemplo 2:

Se desea desarrollar un sistema de pronostico a corto plazo para estimar el volumen de inventarios que fluye del almacen todas las semanas. See suguere utilizar un promedio movil de 3, 5 ó 7 semanas. Antes de tomar una decisión compare la precisión de cada una de ellas en relación con el periodo de diez semanas más reciente.

Semana Demanda 1 100 2 125 3 90 4 110 5 105 6 130 7 85 8 102 9 110 10 90 11 105 12 95 13 115 14 120 15 80 16 95 17 100



Semana Demanda

1 100

2 125

3 90

4 110

5 105

6 130

7 85

8 102

9 110

10 90

11 105

12 95

13 115

14 120

15 80

16 95

17 100

3 Sem 5 Sem 7 Sem

106.7 104.0 106.4

105.7 106.4 106.7

99.0 106.4 104.6

100.7 103.4 104.6

101.7 98.4 103.9

96.7 100.4 102.4

105.0 103.0 100.3

110.0 105.0 105.3

105.0 103.0 102.1

98.3 101.0 100.0

3 Sem 5 Sem 7 Sem

4.7 2.0 4.4

4.3 3.6 3.3

9.0 16.4 14.6

4.3 1.6 0.4

6.7 3.4 8.9

18.3 14.6 12.6

15.0 17.0 19.7

30.0 25.0 25.3

10.0 8.0 7.1

1.7 1.0 0.0

104.0 92.6 96.3

10.4 9.3 9.6



SERIES DE TIEMPOS


Mientras que el promedio móvil simple da igual peso a cada componente de los datos, el promedio móvil ponderado permite dar cualquier peso aún elemento, siempre y cuando la suma de los pesos sea igual a uno

3. Promedio Móvil ponderado

M5 = 0.40(95) + 0.30 (105) + 0.20 (90) + 0.10 (100)

M5 = 97.50

F t=P1Dt-1+P2Dt-2+….+PmDt-n

Si las ventas reales en el periodo 5 fueron 110, ¿Cual es el pronóstico para el mes 6 (F6)?



SERIES DE TIEMPOS


Los sucesos más recientes son más indicativos de lo que sucederá en el futuro que los datos del pasado.

se calcula el pronóstico a partir del pronostico mas reciente, la demanda real que se presentó para este periodo y una constante de suavizamiento alfa ().

4. Suavizamiento Exponencial

ST = dt + (1 - ) ST – 1

Ejem: = 0.2 y = 0.8

Semana Dem Real Pronostico 49 52 49.25 50 58 49.8 51



Suavización exponencial




500

550

600

650

700

750

800

850

1 2 3 4 5 6 7 8 9

Semanas

Dem

an

da

Demanda Ft Alfa = 0.1 Ft Alfa = 0.6

Se observa que la demanda real del producto tiende a fluctuar a

través del tiempo, por lo que un valor bajo de α no produce

resultados tan confiables debido a que suaviza en exceso el

pronóstico. Por su parte, un valor de α = 0.6 nos permite acercarnos

más a la demanda real, mostrando la variación que la demanda posee.




Ejemplo ; Determinar el pronostico para el 2015 con un coeficiente de suavisamiento de: = 0.2 y = 0.8

Año 2011 2012 2013 2014 2015 Demanda 1080 1190 1100 1220 1300



SERIES DE TIEMPOS

B. MODELO CON TENDENCIA

Existe una distribución de probabilidades para cada tamaño de muestra, supone que son normales.

Las medias de las distribuciones se ubican en una recta o se distribuyen a lo largo de una recta

Establece una relación entre una variable dependiente y una o mas variables independientes.

Trata de ajustar la línea a los datos que minimicen la suma de los cuadrados de la distancia vertical.

Método de los Mínimos Cuadrados



SERIES DE TIEMPOS


Método de los Mínimos Cuadrados



SERIES DE TIEMPOS


Regresión Lineal

Sirve para pronosticar una variable con base a otra, solo contiene una variable independiente.

La relación entre variables forma una línea recta.

Si los datos forman una serie de tiempos, la variable independiente es el tiempo en periodos y la variable dependiente por lo general son las ventas o aquello que deseamos pronosticar.



SERIES DE TIEMPOS


Regresión Lineal

Es de la forma: Y = a + b x

y = Es la variable dependiente

a = Es la intersección en y

b = Es la pendiente de la recta y

X = Es la variable independiente



SERIES DE TIEMPOS


Regresión Lineal (FORMULAS)

2222

2

22

22

2

2

yynxxn

yxyxnr

n

xybyayS

xxn

yxyxnb

n

XbYa

XXn

XYXYXa

yx



SERIES DE TIEMPOS


Regresión Lineal (FUNC. EXCEL)

PRONOSTICO (X, CONOCIDO_Y; CONOCIDO_X)

a INTERSECCIÓN.EJE (CONOCIDO_Y; CONOCIDO_X)

b ESTIMACIÓN.LINEAL (CONOCIDO_Y; CONOCIDO_X; CONSTANTE;...)

ERROR.TIPICO.XY(CONOCIDO_Y;CONOCIDO_X)

COEF.DE.CORREL(CONOCIDO_X;CONOCIDO_Y)




Regresión Lineal (APLICACION)

Semana Demanda

1 600

2 1550

3 1500

4 1500

5 2400

6 3100

7 2600

8 2900

9 3800

10 4500

11 4000

12 4900

13

14

15

16 0

1000

2000

3000

4000

5000

6000

1 2 3 4 5 6 7 8 9 10 11 12

Demanda

Demanda



SERIES DE TIEMPOS



Trimestre Ventas

X Y XY X2

Y2

1 600 600 1 360

2 1550 3100 4 2.402.500

3 1500 4500 9 2.250.000

4 1500 6000 16 2.250.000

5 2400 12000 25 5.760.000

6 3100 18600 36 9.610.000

7 2600 18200 49 6.760.000

8 2900 23200 64 8.410.000

9 3800 34200 81 14.440.000

10 4500 45000 100 20.250.000

11 4000 44000 121 16.000.000

12 4900 58800 144 24.010.000

78 33.35 268.2 650 112.502.500



SERIES DE TIEMPOS



667.441

12

78615.359350.33

615.3591716

100,617

7865012

350.3378)200,268(12222

n

xbya

xxn

yxxynb

212

200.268100.268615.359350.33667.441500.502´112

2

2

n

xybyayyxS

Syx = 363.877 r = 0.966

Y = 441.667 + 359.615 (X)

Y13 = 5116.4, Y14 = 5.476.0, Y15 = 5.835.6, Y16 = 6.195.2





0

1000

2000

3000

4000

5000

6000

7000

1 3 5 7 9 11 13 15

Demanda



Ejemplo: Una tienda de alfombras ha llevado un registro de ventas de cada año así como la cantidad de permisos para construir casas nuevas en su zona. El gerente de tienda de alfombras piensa que es posible pronosticar las ventas de alfombras si se conoce la cantidad de casas que se han construido en el año. Para X=40

AÑO PERMISOSVENTAS

(YARDAS 2)

1989 18 13000

1990 15 12000

1991 12 11000

1992 10 10000

1993 20 14000

1994 28 16000

1995 35 19000

1996 30 17000

1997 20 13000



SERIES DE TIEMPOS


Regresión Exponencial

Y = a bx

Log y = Log a + x Log b

22

log

xxN

LogyxyLogxnbLog

N

LogbxyaLog



SERIES DE TIEMPOS


Regresión Exponencial (Aplicación)

AÑO VENTAS X LOG Y X LOG Y X2

1984 108 1 2.0334 2.0334 1

1985 119 2 2.0755 4.151 4

1986 110 3 2.0414 6.1242 9

1987 122 4 0.0864 8.3456 16

1988 130 5 2.1139 10.5695 25

15 10.3506 31.2237 55

01719.015555

3506.10152237.315222

xxn

yLogxLogyxnbLog

01855.2

5

01719.0153506.10

n

bLogxyLogaLog

Log y = 2.01855 + 6 (0.01719)

Log y = 2.1217

y=Antilog (2.1217) = 132.34

Antilog = 10x

y = 10 2.1217



CRECIMIENTO(CONOCIDO_Y, CONOCIDO_X, X)

b ESTIMACIÓN.LOGARITMICA(CONOCIDO_Y, CONOCIDO_X)

a INDICE(ESTIMACIÓN.LOGARITMICA(CONOCIDO_Y, CONOCIDO_X),2)

Y = a b ^ x

Regresión Logarítmica (FUNC. EXCEL)



Regresión Múltiple

El objetivo es ajustar un modelo de la Forma:

Y = β0+ β1X1+ β2X2

Estimando los parámetros correspondientes (β0, β1, β2) y calcular el coeficiente de determinación R2.

Y X1 X2

8 4 20

10 3 22

12 6 23

13 6 26

15 7 27

18 8 30

Y Ventas

X1 Viviendas

X2 Ingresos



Regresión Múltiple

Se puede extraer lo siguiente:

Β0 = -8.894737

Β1 = 0.3684211

Β2 = 0.7894737

Es decir la ecuación de regresión múltiple ajustada es:

Y = -8.894737+ 0.3684211X1+ 0.7894737X2 .

Coeficientes

Intercepción -8.89473684

Variable X 1 0.36842105

Variable X 2 0.78947368

Utilizando del Excel en la opción Datos o

Herramientas, se elige Análisis de Datos y

luego Regresión, se introduce el rango de la

variable dependiente y luego las

independientes y se obtiene:



DESCOMPOSICION DE UNA SERIE DE TIEMPO

C. PROCESO ESTACIONAL

Los patrones estacionales son fluctuaciones que ocurren dentro de un año y tienden a repetirse anualmente

Cuando la demanda contiene efectos de tendencia y estacionales, se determina la relación entre ambos a través de la variación estacional.

DESCOMPOSICION DE UNA SERIE DE TIEMPO

La tendencia se multiplica por los factores de estacionalidad.

Pronóstico=Tendencia x Factor Estacionalidad



FACTOR DE ESTACIONALIDAD

Es la corrección que se requiere para ajustar una serie de tiempo a la estación del año.

Ventas Promedio 1000 u (Año Anterior)

Primavera 200

Verano 350

Otoño 300

Invierno 150

Venta Estimada 1100 u. (Año Siguiente)

a) PROPORCION SIMPLE



Solución PROPORCION SIMPLE

Ventas Ant F.E Ventas Est

Primavera 200 0.20 220

Verano 350 0.35 385

Otoño 300 0.30 330

Invierno 150 0.15 165

Total 1000 1100

Pasos:

1. Determinar el F.E.

2. Pronósticar las Ventas del Periodo



SERIE DE TIEMPO ESTACIONALES Y CON TENDENCIA

0

20

40

60

80

100

120

140

160

1 2 3 4 5 6 7 8 9 10 11 12

Ventas

0

50

100

150

200

250

300

350

400

1 2 3 4Año 2005 Año 2006 Año 2007

Se puede apreciar en las ventas, estas tienen un

comportamiento de tendencia y también tienen

comportamiento estacional.



b) DESCOMPOSICION POR MINIMOS CUADRADOS

Significa encontrar los componentes basicos de la tendencia y estacionalidad

PASO 1: Determinar el Factor de Estacionalidad

Se obtiene un promedio de los mismos trimestres

Se obtiene el factor de estacionalidad

PASO 2: Desestacionalizar los datos originales

Dividimos los datos originales entre el factor de estacionalidad

PASO 3: Desarrollar una linea de regresión de minimos cuadrados para los datos desestacionalizados.

Y = a + bX



b) DESCOMPOSICION POR MINIMOS CUADRADOS

PASO 4: Proyectar la linea de regresión para el periodo que se pronostica.

PASO 5: Crear el pronostico final ajustando la linea de regresión con el factor de estacionalidad.

Trim Periodo Demanda

I 1 600

II 2 1550

III 3 1500

IV 4 1500

I 5 2400

II 6 3100

III 7 2600

IV 8 2900

I 9 3800

II 10 4500

III 11 4000

IV 12 4900

EJEMPLO:



PASO 1:

Promedio de trimestres (600+2400+3800)/3 =2266.67

(1550+3100+4500)/3 = 3050

(1500+2600+4000)/3 = 2700

(1500+2900+4900)/3 =3100

Promedio General 33350/12 = 2779.17

Factor Estacionalidad : 2266.67/2779.17 = 0.8156

3050.00/2779.17 = 1.0974

2700.00/2779.17 = 0.9715

3100.00/2779.17 = 1.1154

solucion



solucion Trim Perio Dema FE Y X2 XY

I 1 600 0.8156 735.7 1 735.7

II 2 1550 1.0974 1412.4 4 2824.8

III 3 1500 0.9715 1544.0 9 4632.0

IV 4 1500 1.1154 1344.8 16 5379.2

I 5 2400 0.8156 2942.6 25 14713.0

II 6 3100 1.0974 2824.9 36 16949.4

III 7 2600 0.9715 2676.3 49 18734.1

IV 8 2900 1.1154 2600.0 64 20800.0

I 9 3800 0.8156 4659.1 81 41931.9

II 10 4500 1.0974 4100.6 100 41006.0

III 11 4000 0.9715 4117.3 121 45290.3

IV 12 4900 1.1154 4393.0 144 52716.0

33350 33350.7 650 265712.4

I 13 4080.81011 5003.45

II 14 5866.29789 5345.63

III 15 5525.71808 5687.82

IV 16 6725.87175 6030.01

9.5545.621.3422.2779

21.3425.612650

23.27795.6129.265706

2.2779

5.6

222

xbya

xnx

yxnxyb

y

x



1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

PRONOSTICO MINIMOS CUADRADOS



1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

PRONOSTICO POR DESCOMPOSICION MINIMOS CUADRADOS



Permiso Ventas Carpintería

Año Construcción Yardas Cuadradas

1989 18 13000

1990 15 12000

1991 12 11000

1992 10 10000

1993 20 14000

1994 28 16000

1995 35 19000

1996 30 17000

1997 20 13000

1998 25



Año Ingresos

1991 4865.9

1992 5067.4

1993 5515.6

1994 5728.8

1995 5497.7

1996 5197.7

1997 5094.4

1998 5108.8

1999 5550.6

2000 5738.9

2001 5860.0

Una Cia. Vende electricidad y vapor a la ciudad de Nueva York y al condado de Westchester. Los ingresos por ventas se muestran en la tabla, proyecte los ingresos para los años 2002 a 2005. Utilice su criterio para decidir que modelo aplicar.



Motors Company produce motores electrónicos para válvulas

automáticas para la industria de la construcción. Durante más de un

año, la planta de producción ha operado a casi plena capacidad. El

Gerente de Planta, estima que el crecimiento en las ventas continuará

y desea desarrollar de las instalaciones para los siguientes tres años.

Se han totalizado las cifras de ventas correspondientes a los últimos

diez años.

AÑO VENTAS ANUALES

(MILES DE UNIDADES)

AÑO VENTAS ANUALES

(MILES DE UNIDADES)

1

2

3

4

5

1.000

1.300

1.800

2.000

2.000

6

7

8

9

10

2.000

2.200

2.600

2.900

3.200

Se requiere determinar los niveles de ventas para los años mencionados,

así como el coeficiente de correlación y los rangos de desviación del

pronóstico esperado, considerando un intervalo de confianza de 90%,

con 2 grados de libertad.



El gerente de planta de Motors Company, esta intentando planear las

necesidades de efectivo de personal y materiales y suministros para

cada trimestre del próximo año. Los datos de ventas trimestrales

durante los últimos tres años razonablemente parecen reflejar el

patrón de resultados estacional que debe esperarse en el futuro. Si se

pudiera estimar las ventas trimestrales del siguiente año, podría

determinarse las necesidades de efectivo, material, personal y

suministros.

Ventas Trimestrales (miles de unidades) Total

Años Trim I Trim II Trim III Trim IV Anual

2000 520 730 820 530 2600

2001 590 810 900 600 2900

2002 650 900 1000 650 3200

Determine el volumen de ventas para el siguiente año.

pcp01 función propronosticosducción - pronosticos

Documents