UNIVERSIDAD CATÓLICA DE SANTA MARÍA

PRÁCTICA

3
PLANEAMIENTO Y CONTROL DE LA PRODUCCION

ESTADÍSTICA DESCRIPTIVA DEL PROCESO

OBJETIVOS

 Analizar e interpretar el comportamiento de la demanda

 Aplicar los modelos para el tratamiento de demanda con tendencia y estacionales.

RECURSOS

 Guía de Prácticas

DURACIÓN DE LA PRÁCTICA

 2 Horas Cronológicas

MARCO TEÓRICO

1. CORRELACIÓN

La correlación es el método es el método empleado para determinar el grado de relacionamiento entre

las variables que se estudian, para así determinar en que medida una relación funcional describe o
explica de una forma adecuada la relación entre estas dos variables Se usa el término correlación
cuando se habla de relaciones entre variables de experimentos bivariantes.

INGENIERÍA INDUSTRIAL 1
Los diversos tipos de correlación que existen pueden ser:

1.1. Coeficiente de correlación lineal de Pearson

Es una medida del grado de asociación lineal entre las variables X e Y. Es un número abstracto y se
representa por r:

Donde:
SXY = Covarianza de X e Y.
s X = Desviación estándar de X.
s Y = Desviación estándar de Y.

Propiedades
• r está siempre comprendido entre -1 y 1.
• Si r = 1 ó r = -1 entonces los puntos de la muestra están situados en línea recta (correlación lineal
perfecta).
• Si r está próximo a 1 ó a -1, habrá una asociación lineal fuerte entre ambas variables.
• Si r es cercano a 0, habrá una asociación lineal muy débil.
• r no varía cuando en las variables se realiza un cambio de escala o de origen. Esto demuestra que r
no tiene dimensión.

1.2. Dos consideraciones sobre el coeficiente de correlación.

a) Se trata de una medida matemática que luego hay que interpretar. Aunque un alto grado de
correlación indique buena aproximación a un modelo matemático lineal, su interpretación
puede no tener ningún sentido. Por ejemplo puede haber un alto grado de correlación entre las
INGENIERÍA INDUSTRIAL 2
 ventas de celulares y el consumo de alcohol en Arequipa, pero ambas variables están
claramente disociadas.

b) Aunque el grado de correlación sea cercano a cero (pobre aproximación al modelo lineal) eso
no significa que no haya relación entre las dos variables. Puede ser que dicha relación sea no
lineal.

2. COEFICIENTE DE DETERMINACIÓN

El coeficiente de determinación se calcula elevando al cuadrado el coeficiente de correlación y

representa el porcentaje de la variación explicada por la recta de regresión.
El coeficiente de determinación r2, es una medida de la proximidad del ajuste de la recta de regresión;
cuanto mayor sea el valor de r2, mejor será el ajuste y mas útil la recta de regresión como instrumento
de predicción. (r2 = 0.92 indica que de 100 pares de puntos 92 están en la recta de regresión y 8 fueran
de la recta de regresión)
Cuando el n es pequeño se debe calcular el coeficiente de determinación corregido.

3. MÉTODO DE MÍNIMOS CUADRADOS PARA ENCONTRAR LA ECUACIÓN DE REGRESIÓN

Recordemos que el análisis de regresión lo que persigue es determinar la relación funcional de la
variable dependiente Y con respecto a la variable independiente X con el fin de predecir valores de Y.
A continuación desarrollaremos un modelo matemático (ecuación de la línea) para expresar la relación
entre dos variables y para estimar el valor de la variable dependiente Y basándonos en el valor de la
variable independiente X. La técnica que se utiliza para desarrollar la ecuación de la línea y hacer
estas predicciones, se le llama análisis de regresión.
El principio matemático con base con el cual se traza la ecuación de la línea y se predicen los valores
de Y, se conoce con el nombre de mínimos cuadrados. Este principio consiste en trazar una línea sobre
la gráfica de dispersión de los valores de modo que la suma de los cuadrados de la distancia vertical
entre el valor real de Y y su valor predictorio, sea la cantidad más pequeña posible.
Entonces la ecuación lineal que se tiene que encontrar es:

Donde:
Y * = Se lee Y asterisco, es el valor predictorio de la variable Y para un valor seleccionado de

INGENIERÍA INDUSTRIAL 3
X.
a = Es la intersección con el eje Y. Es el valor estimado de Y cuando X = 0.
b = Es la pendiente de la línea, o el cambio promedio en Y* por cada cambio en una
unidad de la variable independiente X.
X = Es el valor que se escoge para la variable independiente.

A los valores a y b se les conoce como coeficientes de regresión y se calculan con las
siguientes fórmulas:

PROCESO ESTACIONAL

Cuando la demanda contiene efectos de tendencia y estaciónales, se determina la relación entre

ambos, a través de la variación estacional.

Tipos de variación estacional:

 Variación Estacional Multiplicativa; la tendencia se multiplica por los factores de
estacionalidad.
 Variación Estacional Aditiva; supone que la cantidad estacional es constante
independientemente de la cantidad de la tendencia o la del promedio.
 Factor de Estacionalidad, es la corrección que se requiere para ajustar una serie de tiempo a
la estación del año.
4.2 DESCOMPOSICIÓN POR REGRESIÓN DE MINIMOS CUADRADOS
Significa encontrar los componentes básicos de la tendencia, estacionalidad y cíclica.

PASO 1: Determinar el factor de estacionalidad

Se obtiene un promedio para cada trimestre (los mismos trimestres por decir trimestres I)

INGENIERÍA INDUSTRIAL 4
Se obtiene el factor de estacionalidad, al dividir este promedio de cada trimestre entre el promedio
general de todos los trimestres.

PASO 2: Desestacionalizar los datos originales.

Dividimos los datos originales entre el factor de estacionalidad.

PASO 3: Desarrollar una línea de regresión de mínimos cuadrados para los datos desestacionalizados.

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

PASO 5: Crear el pronóstico final ajustando la línea de regresión con el factor de estacionalidad.

4.3 RANGOS DE LOS PRONÓSTICOS

Cuando el análisis de regresión lineal genera pronósticos para periodos futuros, éstos son sólo
estimaciones y por lo tanto están sujetos a error. La presencia de errores de pronóstico o de
variaciones al azar es un hecho para quienes pronostican; el pronóstico es un proceso que está inmerso
en la incertidumbre. Una manera de tratar esta incertidumbre es desarrollando intervalos de confianza
para los pronósticos.

s xy 
y 2
 a y  b xy
n2

La expresión syx, se conoce como error estándar del pronóstico o desviación estándar del pronóstico, y
es una medida de la manera en que han quedado dispersos a uno y otro lado de la línea de tendencia
los puntos de datos históricos. Si syx es pequeño en relación con el pronóstico, los puntos de datos
pasados han quedado agrupados muy cerca de la línea de tendencia y los límites superior e inferior se
acercan entre si. Y los límites se calculan asi:

Límite superior = Y* + t syx

Límite inferior = Y* - t syx

INGENIERÍA INDUSTRIAL 5
Ejemplo.- La Generox, Inc, ha estado produciendo durante 5 años herramientas especiales manuales
para clavar. La planta ha operado casi a su capacidad durante los últimos 2 años. Se necesitan
pronósticos para programar la producción del próximo año y para suministrar estimaciones a fin de
planear la expansión futura de los medios de producción. Se han tabulado los registros de ventas para
los 5 años, en trimestres, como se indica en la tabla 1.1

Tabla 1.1: Ventas trimestrales en miles de dólares.

Año 2010 2011 2012 2013 2014

Trimestre I 190 280 270 300 320

Trimestre II 370 420 360 430 440
Trimestre III 300 310 280 290 320
Trimestre IV 220 180 190 200 220
Totales 1080 1190 1100 1220 1300

Solución por mínimos cuadrados.

La línea recta está definida por la ecuación
y= a +bx
y = valor pronosticado
a = el valor de y en el punto base desviación
b = la pendiente de la recta.

Se emplean 2 ecuaciones para determinar a y b.

a = ( y - b  x ) / n

n xy -  x  y
b = --------------------
n x² - ( x)²

Formula del pronóstico:

y = a + bx

Año x y x2 xy

2010 1 108 1 108

2011 2 119 4 238

INGENIERÍA INDUSTRIAL 6
2012 3 110 9 330
2013 4 122 16 488
2014 5 130 25 650

Sumatoria 15 589 55 1814

(5 * 1814) – (15 * 589)

b = ------------------------------------ = 4.7
(5 * 55) – (15)2

a = (589 – (4.7* 15)) / 5 = 103.7

El pronóstico para 2015 está a 6 años del punto base

y = 103.7 + 4.7(6) = 131.9

Otra forma se calcular la demanda para 2015 sería:

 Cambiando el punto base de 2010 a 2014

Año x y x2 xy

2010 -2 108 4 -216

2011 -1 119 1 -119
2012 0 110 0 0
2013 1 122 1 122
2014 2 130 4 260

Sumatoria 0 589 10 47

Los cuales permiten que a y b se calculen como:

y 589
a= ----- = ---- = 117,8
n 5

 xy 47
b = ----- = ----- = 4,7

INGENIERÍA INDUSTRIAL 7
  x² 10

El pronóstico para 2012 está a 3 años del punto base

y = 117.8 + 4.7(3) = 131.9

Método de regresión exponencial, algunas veces una curva suave suministra un mejor ajuste para los
datos que una línea recta. La curva esta dada por: Y = abx, y varía con la tasa constante b en cada
periodo, para esto convertimos la ecuación exponencial a su forma logarítmica:

log y = log a + x log b

 (log y) -  x (log b)
log a = --------------------------
N

n (xlog y) -  x  (log y)
log b = --------------------------------
N  x² - ( x)²
Cuando el punto base se escoge para hacer  x=0, la solución se reduce a calcular

 (log y)
log a = ----------
N

 (x log y)
log b = ------------
 x²

Año x y x2 Log y x Log y

2008 -2 108 4 2,0334 -4,0668

2009 -1 119 1 2,0755 -2,0755
2010 0 110 0 2,0414 0,0000
2011 1 122 1 2,0864 2,0864
2012 2 130 4 2,1139 4,2279

INGENIERÍA INDUSTRIAL 8
Sumatorias 0 589 10 10,3507 0,1719

Debido a que x = 0, podemos resolver para a y b en la forma siguiente:

 (log y ) 10,3506
log a ------------ = -------- = 2,0701
N 5

a = ant.log (2,07) = 117,5

y, por tanto, a = 117,5
 (x log y) 0,1719
log b = ----------- = -------- = 0,0172
 x² 10

b = ant.log(0,172) = 1,0404

En esta forma, la ecuación de pronósticos es

log y = 2,0701 + 0,0172x
ó
y = 117,5 + (1,0404)x
y = 132

EJERCICIOS PROPUESTOS

1. Industrias Nina creció casi 50% el último año debido a la gran demanda que tuvieron los
reproductores de discos compactos entre los corredores. Como el número de corredores va en
aumento, Nina espera que también aumente la demanda de los reproductores, ya que hasta la
fecha no hay ningún reglamento de seguridad que evite que los usen los corredores. El año
pasado, la demanda de unidades fue:

INGENIERÍA INDUSTRIAL 9
 Demanda Demanda
(unidades) (unidades)
Mes Mes

Enero 4 200 Julio 5 300

Febrero 4 300 Agosto 4 900
Marzo 4 000 Septiembre 5 400
Abril 4 400 Octubre 5 700
Mayo 5 000 Noviembre 6 300
Junio 4 700 Diciembre 6 000

a) Use el análisis de regresión de mínimos cuadrados; Cuál sería su pronóstico de la demanda para
cada mes del próximo año.

2. La Molinera Valencia, tenía grandes contratos para la comercialización de azúcar. En los

últimos años el mercado se ha reducido por el ingreso de otros competidores en la
comercialización de este producto. Por lo que la compañía le encomienda la tarea de
pronosticar el próximo año, para realizar la importación del producto. La demanda para los 12
últimos trimestre se muestra a continuación. Use la técnica más adecuada para pronosticar los
cuatro trimestre de 2002.

Trimestre Año 1999 Año 2000 Año 2001

I 4800 3500 3200

II 3500 2700 2100
II 4300 3500 2700
IV 3000 2400 1700

3. Prepare un pronóstico para cada trimestre del próximo año a partir de la información de ventas
trimestrales de los últimos años, que se presentan a continuación. Suponga que existen
factores de tendencia y de estacionalidad y que el ciclo de estacionalidad dura un año.
Trimestre Ventas Trimestre Ventas

1 160 5 215
2 195 6 240
3 150 7 205
4 140 8 190

INGENIERÍA INDUSTRIAL 10
 4. Una empresa necesita desarrollar un pronóstico de ventas para el año siguiente para sus ventas
de vehículos recreativos. Suponga que sus ventas anuales están relacionadas con las ventas de
su sector industrial y ha preparado estos datos históricos:

Ventas sector Industrial Ventas de la Empresa

(Millones de dólares) (Nro. de vehículos recreativos)
536 98
791 137
650 112
813 145
702 120
575 103
684 116

Si la estimación de las ventas para el sector industrial del año que viene es de 725 millones de dólares,
utilice una regresión lineal simple para pronosticar la demanda anual de vehículos recreativos de la
empresa para dicho año.

5. DUO es una compañía que fabrica botas de esquiar con materiales compuestos. Las botas tuvieron
ventas lentas al introducirlas al mercado, pero los esquiadores han reconocido que son excelentes y
el precio es sólo alrededor del 15% más alto que otras marcas. El departamento de pegado hace las
uniones en las botas y el año pasado tenia 25 empleados. La eficiencia por trabajador fue 83% el
otoño pasado. Tres de estos trabajadores renunciaron. Dados los datos de demanda de los últimos
cuatro años, ¿cuántos trabajadores recomendaría contratar para el próximo invierno? ¿Recomendaría
un número distinto para la primavera, verano y otoño del próximo año?

Demanda Cajas
Trimestre Año 1 Año 2 Año 3 Año 4
Invierno 156 167 179 188
Primavera 23 29 46 56
Verano 49 38 69 91
Otoño 220 247 238 248

INGENIERÍA INDUSTRIAL 11
 TAREA

1. LANDA SRLtda. produce carcasas para estabilizadores utilizados en la venta de computadoras.

Rodrigo Gonzales, gerente de planta, estima que el crecimiento de las ventas continuara y desea
desarrollar un pronóstico a largo plazo que se utilizara para planear las necesidades de las instalaciones
para los siguientes tres años. Se han totalizado las ventas correspondientes a los últimos 10 años:

a) Elaborar un diagrama de dispersión y sacar conclusiones.

b) Hallar el coeficiente de correlación y determinación e interpretar los resultados.
c) Encontrar la ecuación de regresión lineal por el método de mínimos cuadrados.

INGENIERÍA INDUSTRIAL 12