PCP01 Función Producción - Pronosticos

Abrahan A.
Pacheco Oviedo
UCSM Ingeniera Industrial
PLANEAMIENTO
Y CONTROL DE LA
PRODUCCION.
Abrahan A. Pacheco Oviedo
PLANEAMIENTO Y CONTROL DE
PRODUCCION
Significa realizar un Plan de Trabajo,
al cual debe obedecer la produccin,
de manera que el producto se elabore
con eficiencia mxima y a costos
favorables.
FUNCION:
Definir las caractersticas del Producto y el Proceso
de Fabricacin.
Calcular el Costo de Fabricacin.
Pronosticar las Ventas.
Planificar y Programar la Produccin.
Iniciar las actividades en la Planta a travs de las
ordenes de produccin.
Control y seguimiento de la produccin.
PLANEAMIENTO Y CONTROL DE
PRODUCCION
PLANEAMIENTO Y CONTROL DE PRODUCCION
Combina los flujos fsicos y de informacin para
administrar los sistemas de produccin.
Integral el flujo de material usando la informacin
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 planeacin a largo plazo de la capacidad
garantiza que la capacidad futura sea la adecuada
para cumplir con la demanda futura.
La planeacin de la produccin transforma los
pronsticos de demanda en plan maestro de
produccin, el cual toma en cuenta la disponibilidad
global de capacidad y materiales.
La planeacin detallada genera los requerimientos
inmediatos de los materiales y la capacidad, y
realiza una programacin de la produccin a corto
plazo.
PCP hace exactamente lo que su nombre dice:
Planea y Controla la produccin y lo hace utilizando
el ciclo de retroalimentacin.
Marco para las decisiones
Proceso
Capacidad
Inventarios
Fuerza de trabajo
Calidad
PRONOSTICO.
PRONOSTICO
Un pronostico es una prediccin de
acontecimientos futuros que se utiliza con
propsitos de planificacin.
El pronstico consiste en la estimacin y el
anlisis de la demanda futura para un producto
en particular, componente o servicio,
utilizando inputs como ratios histricos de
venta, estimaciones de marketing e
informacin provisional, a travs de diferentes
tcnicas de previsin, con el propsito 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 solucin de problemas
relacionadas con pronosticos
La identificacin del problema determina la misin o el
propsito, que se muestra como necesidad del
pronstico.
Los pronsticos proporcionan informacin para tomar
mejores decisiones.
La decisin determina que pronosticar, el nivel de
detalle necesario y con que frecuencia se har el
pronstico.
DATOS
Cuando se tienen proporcionan un gran visin
sobre los hechos.
Registros de la Compaa
Otras Compaas, servicios
comerciales
El Gobierno, poblacin,
demografa, etc.
FACTORES
1. Externos:
Aquellos que estn fuera de control de
la empresa. Ejemplo: Caractersticas de la
economa, leyes, tecnologa, escasez de
recursos, acciones de la competencia,
eleccin o preferencia del consumidor.
2. Internos
Decisiones internas que provocan
cambios en el volumen de la demanda, se
pueden influir en ellos. Estn la calidad, el
precio, tiempo de entrega, la publicidad y
los descuentos.
PATRONES DE LA DEMANDA
Horizontal.
Tendencia.
Estacional.
Cclicos.
(a) Horizontal: Cmulo de datos en torno de una lnea horizontal
De serie de tiempos: Es simplemente una
lista cronolgica de datos histricos,
donde la suposicin esencial es que la
historia predice el futuro de manera
razonable.
Mtodos Cualitativos : De carcter
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 correlacin con el
valor de la(s) variables (s) independientes
TIPOS
Mtodos Cuantitativos:
CUALITATIVOS
Investigacin 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 Econmicos; existe una
relacin directa o correlacin, entre ventas de
algunos productos y estos indicadores
Opinin de Expertos; se basa en la
experiencia y opiniones de ejecutivos,
tcnicos, clientes.
CAUSALES
La demanda puede ser:
-Dependiente Causada por la demanda
de otros productos
-Independiente No esta condicionada a la
demanda de otros productos
Construccin
de casas
Accesorios
de Plomeria
Dependiente
Independiente
Ventas de
Automoviles
Venta de
Llantas
Mtodos usados para estos pronsticos:
-Regresin lineal simple.
Otros modelos de regresin (exponencial, etc)
SERIES DE TIEMPOS
Utilizan datos histricos 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 Produccin
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
ms rpida, debido a que usa datos
recientes.
2. Promedio Mvil Simple
Ejemplo: Se observa la siguiente demanda
histrica:

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 7 semanas.
Antes de tomar una
decisin compare la
precisin de cada una de
ellas en relacin con el
periodo de diez semanas
ms 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 mvil simple
da igual peso a cada componente de los
datos, el promedio mvil ponderado
permite dar cualquier peso an
elemento, siempre y cuando la suma de
los pesos sea igual a uno
3. Promedio Mvil ponderado
M
5
= 0.40(95) + 0.30 (105) + 0.20 (90) + 0.10 (100)
M
5
= 97.50
F
t
=P
1
D
t-1
+P
2
D
t-2
+.+P
m
D
t-n
Si las ventas reales en el periodo 5 fueron 110, Cual es el pronstico para el mes
6 (F6)?
SERIES DE
TIEMPOS
Los sucesos ms recientes son ms
indicativos de lo que suceder en el
futuro que los datos del pasado.
se calcula el pronstico a partir del
pronostico mas reciente, la
demanda real que se present para
este periodo y una constante de
suavizamiento alfa (o).
4. Suavizamiento Exponencial
S
T
= o d
t
+ (1 - o) S
T 1

Suavizacin exponencial
Suavizacin exponencial
500
550
600
650
700
750
800
850
1 2 3 4 5 6 7 8 9
Semanas
D
e
m
a
n
d
a
Demanda Ft Alfa = 0.1 Ft Alfa = 0.6
Se observa que la demanda real del producto tiende a fluctuar
a travs del tiempo, por lo que un valor bajo de no produce
resultados tan confiables debido a que suaviza en exceso el
pronstico. Por su parte, un valor de = 0.6 nos permite
acercarnos
ms a la demanda real, mostrando la variacin que la demanda
posee.

SERIES DE
TIEMPOS
B. MODELO CON TENDENCIA
Existe una distribucin de
probabilidades para cada tamao 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 relacin entre una
variable dependiente y una o mas
variables independientes.
Trata de ajustar la lnea a los
datos que minimicen la suma de los
cuadrados de la distancia vertical.
Mtodo de los Mnimos Cuadrados
SERIES DE
TIEMPOS
Mtodo de los Mnimos Cuadrados
SERIES DE
TIEMPOS
Regresin Lineal
Sirve para pronosticar una variable
con base a otra, solo contiene una
variable independiente.
La relacin entre variables forma
una lnea 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
Regresin Lineal
Es de la forma: Y = a + b x
y = Es la variable dependiente
a = Es la interseccin en y
b = Es la pendiente de la recta y
X = Es la variable independiente
SERIES DE
TIEMPOS
Regresin Lineal (FORMULAS)
( )
( )
( )
( ) | | ( ) | |
2 2 2
2
2
2 2
2
2
2
2

=
=
y y n x x n
y x y x n
r
n
xy b y a y
S
x x n
y x y x n
b
n
X b Y
a
X X n
XY X Y X
a
yx
SERIES DE
TIEMPOS
Regresin Lineal (FUNC. EXCEL)
PRONOSTICO (X, CONOCIDO_Y; CONOCIDO_X)

a INTERSECCIN.EJE (CONOCIDO_Y; CONOCIDO_X)

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

ERROR.TIPICO.XY(CONOCIDO_Y;CONOCIDO_X)

COEF.DE.CORREL(CONOCIDO_X;CONOCIDO_Y)
Regresin 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
X
2
Y
2
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
78 615 . 359 350 . 33
615 . 359
1716
100 , 617
78 650 12
350 . 33 78 ) 200 , 268 ( 12
2 2
2
=
=
= =
=

n
x b y
a
x x n
y x xy n
b
( ) ( ) ( )
2 12
200 . 268 100 . 268 615 . 359 350 . 33 667 . 441 500 . 502 112
2
2

=

n
xy b y a y
yx S
Syx = 363.877 r = 0.966
Y = 441.667 + 359.615 (X)
Y
13
= 5116.4, Y
14
= 5.476.0, Y
15
= 5.835.6, Y
16
= 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 ao as 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 ao. Para X=40
AO PERMISOS
VENTAS
(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
Regresin Exponencial
Y = a b
x

Log y = Log a + x Log b

( )
( )
2 2
log

=
x x N
Logy x y Log x n
b Log
N
Logb x y
a Log
SERIES DE
TIEMPOS
Regresin Exponencial (Aplicacin)
AO VENTAS X LOG Y X LOG Y
X
2
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 . 0
15 55 5
3506 . 10 15 2237 . 31 5
2 2 2
=
=

x x n
y Log x Logy x n
b Log
( )
01855 . 2
5
01719 . 0 15 3506 . 10
=
=

n
b Log x y Log
a Log
Log y = 2.01855 + 6 (0.01719)
Log y = 2.1217
y=Antilog (2.1217) = 132.34
Antilog = 10
x

y = 10
2.1217
CRECIMIENTO(CONOCIDO_Y, CONOCIDO_X, X)

b ESTIMACIN.LOGARITMICA(CONOCIDO_Y, CONOCIDO_X)

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

Y = a b ^ x

Regresin Logartmica (FUNC. EXCEL)
Regresin Mltiple
El objetivo es ajustar un modelo de la Forma:
Y = 0+ 1X1+ 2X2
Estimando los parmetros correspondientes (0, 1, 2) y calcular el
coeficiente de determinacin 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
Regresin Mltiple
Se puede extraer lo siguiente:
0 = -8.894737
1 = 0.3684211
2 = 0.7894737

Es decir la ecuacin de regresin mltiple ajustada es:
Y = -8.894737+ 0.3684211X1+ 0.7894737X2
.
Coeficientes
Intercepcin -8.89473684
Variable X 1 0.36842105
Variable X 2 0.78947368
Utilizando del Excel en la opcin Datos
o Herramientas, se elige Anlisis de
Datos y luego Regresin, 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 ao y tienden a
repetirse anualmente
Cuando la demanda contiene efectos de
tendencia y estacionales, se determina la
relacin entre ambos a travs de la
variacin estacional.
DESCOMPOSICION DE
UNA SERIE DE TIEMPO
La tendencia se multiplica por los factores
de estacionalidad.
Pronstico=Tendencia x Factor Estacionalidad
FACTOR DE
ESTACIONALIDAD
Es la correccin que se requiere para
ajustar una serie de tiempo a la estacin
del ao.
Ventas Promedio 1000 u (Ao Anterior)
Primavera 200
Verano 350
Otoo 300
Invierno 150
Venta Estimada 1100 u. (Ao Siguiente)
a) PROPORCION SIMPLE
Solucin
PROPORCION SIMPLE
Ventas Ant F.E Ventas Est
Primavera 200 0.20 220
Verano 350 0.35 385
Otoo 300 0.30 330
Invierno 150 0.15 165
Total 1000 1100
Pasos:
1. Determinar el F.E.
2. Pronsticar 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 4
Ao 2005 Ao 2006 Ao 2007
Se puede apreciar en las ventas, estas tienen un
comportamiento de tendencia y tambin 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 regresin de minimos
cuadrados para los datos desestacionalizados.
Y = a + bX
b) DESCOMPOSICION POR MINIMOS CUADRADOS
PASO 4: Proyectar la linea de regresin para el periodo
que se pronostica.
PASO 5: Crear el pronostico final ajustando la linea de
regresin 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 . 554 5 . 6 21 . 342 2 . 2779
21 . 342
5 . 6 12 650
23 . 2779 5 . 6 12 9 . 265706
2 . 2779
5 . 6
2 2 2
= = =
=
=
=
=
x b y a
x n x
y x n xy
b
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 Carpintera
Ao Construccin 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
Ao 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 aos 2002 a 2005.
Utilice su criterio para
decidir que modelo aplicar.
Motors Company produce motores electrnicos para vlvulas
automticas para la industria de la construccin. Durante ms de un
ao, la planta de produccin ha operado a casi plena capacidad. El
Gerente de Planta, estima que el crecimiento en las ventas continuar
y desea desarrollar de las instalaciones para los siguientes tres aos.
Se han totalizado las cifras de ventas correspondientes a los ltimos
diez aos.
AO VENTAS ANUALES
(MILES DE UNIDADES)
AO 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 aos mencionados,
as como el coeficiente de correlacin y los rangos de desviacin del
pronstico 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 prximo ao. Los datos de ventas trimestrales
durante los ltimos tres aos razonablemente parecen reflejar el
patrn de resultados estacional que debe esperarse en el futuro. Si se
pudiera estimar las ventas trimestrales del siguiente ao, podra
determinarse las necesidades de efectivo, material, personal y
suministros.
Ventas Trimestrales (miles de unidades) Total
Aos 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 ao.

PCP01 Función Producción - Pronosticos

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

PCP01 Función Producción - Pronosticos

Uploaded by

Copyright:

Available Formats

Abrahan A.

You might also like