Unidad # 1
Clase 4-Pronosticos con demanda constante
Planificación y control de la producción.
Ing. Dagoberto Ramirez
Normas de trabajo
Acatar indicaciones de la Para obtener mejores Realizar las evaluaciones en
semana, esto nos ayudará a resultados en la asignatura tiempo y forma, en caso
tener buena comunicación. se les solicita no fallar a las contrario se evaluará con
Si necesita comunicarse lo videoconferencias, en caso otros criterios.
puede hacer a de no asistir avise con
[email protected] tiempo.
Gestionar la planificación y el control de producción
de todos los recursos de una empresa para realizar
cada una de las actividades que mantengan activa la
Competencias de la productividad de la organización, manufacturera o de
asignatura servicio, aplicando pronósticos, la planificación,
control y optimización de recursos, trabajando de
manera individual o grupal.
Características principales de una serie de datos:
Nivel: Es cuando los datos de la serie se comportan de forma constante alrededor
del nivel medio.
Características principales de una serie de datos:
Tendencia: Es el cambio a largo plazo que se produce en la serie de datos, con relación al nivel medio. Puede ser positiva cuando
la tendencia es creciente, o negativa cuando la tendencia es decreciente.
Características principales de una serie de datos:
Estacionalidad: Es la formación de periodos en determinadas épocas del año, que se repiten regularmente.
Características principales de una serie de datos:
Ciclicidad: Es la formación de secuencias o ciclos de más de un año de duración que se repiten de forma
regular en la serie.
Características principales de una serie de datos:
Aleatoriedad: Es un comportamiento de la serie de datos, que no obedece a ningún patrón en específico. Entre
mayor sea la aleatoriedad, mayor es la dispersión de los datos y es mucho más difícil predecir el comportamiento de
la serie.
Algoritmo.
Modelos de demanda constante
Promedio simple
Promedio Simple: Con este modelo se obtiene el pronóstico del tiempo t+1, que corresponde al promedio aritmético de la
demanda hasta el periodo t.
Donde:
Fτ+k: Pronóstico calculado en τ para el siguiente periodo
Dt: Demanda histórica para el periodo t.
τ: Número de datos históricos
k: Periodos futuros a pronosticar
Metodología:
a. El pronóstico es el promedio aritmético de los datos históricos. Este pronóstico se convierte en constante a partir del k=1.
Modelos de demanda constante
Promedio Móvil Simple: El pronóstico del periodo de tiempo τ+1, corresponde al promedio de las demandas más recientes,
hasta el periodo τ.
Donde:
Fτ+k: Pronóstico calculado en τ para el periodo τ+k.
Dt: Demanda histórica del periodo t.
τ: Número de periodos históricos
k: Periodos futuros a pronosticar.
m: Número de periodos más representativos (Para efectos de cálculo se considerará m=4).
Metodología:
a. Calcular el pronóstico con la fórmula de promedio móvil, de acuerdo al número de periodos representativos. Este
pronóstico se convierte en constante a partir de k=1.
Modelos de demanda constante
Suavización Exponencial Simple
Suavización Exponencial Simple: Con este modelo se eliminan una vez los picos y valles de la curva de demanda. Al ser
exponencial se da mayor ponderación a las demandas recientes.
Donde:
At: Promedio suavizado exponencial de primer orden en t.
Ft+1: Pronóstico calculado en t para el siguiente periodo
Dt: Demanda Histórica del periodo t
α: Suavizador exponencial del promedio
Ft: Pronóstico suavizado exponencial de primer orden en t.
Metodología:
a. Considerar como semilla que F2 es igual a D1.
b. Calcular α, como α = 2/(n+1), donde n es el número de periodos históricos.
c. Con la fórmula At, obtener los pronósticos a partir de F3.
Modelos de demanda constante
Suavización Exponencial Doble: Este método elimina picos y valles de la curva dos veces.
Primera suavización:
Segunda suavización:
Donde:
A’t: Promedio exponencial doble suavizado en el periodo t. Constante de suavizamiento (α): Factor de
F’t+1: Pronóstico exponencial doble suavizado en el periodo t+1. ponderación usado en un pronóstico de
α: Suavizador exponencial del promedio. suavizamiento exponencial, es un número
Ft+1: Pronóstico suavizado exponencial de primer orden en t+1. ubicado entre 0 y 1.
F’t: Pronóstico exponencial suavizado doble en t.
Metodología:
a. Calcular α, como α = 2/(n+1), donde n es el número de periodos históricos.
b. Calcular el pronóstico por suavización exponencial simple (Ft).
c. Considerar como semilla que F’2 es igual a D1.
d. Con la fórmula A’t, obtener los pronósticos a partir de F’3.
Error global de pronóstico
La exactitud general de cualquier modelo de pronóstico —promedios móviles, suavizamiento exponencial u otro— puede
determinarse al comparar los valores pronosticados con los valores reales u observados.
Si Ft denota el pronóstico en el periodo t, y At denota la demanda real del periodo t, el error de pronóstico (o desviación)
se define como:
Error de pronóstico
El error de pronóstico nos dice qué tan buen desempeño tiene el modelo al compararlo consigo mismo usando datos
históricos.
Desviación absoluta media La primera medición del error global de pronóstico para un modelo es la desviación absoluta
media (MAD). Su valor se calcula sumando los valores absolutos de los errores individuales del pronóstico y dividiendo el
resultado entre el número de periodos con datos (n):
Suma acumulada de errores de pronóstico (CFE): Es la suma acumulada de los errores en los pronósticos.
Es la medida más básica de todas y es la que da origen a las demás. Es la suma acumulada de los errores de
pronóstico. Nos permite evaluar el sesgo del pronóstico. Por ejemplo, si a través de los periodos el valor real de la
demanda siempre resulta superior al valor de pronóstico, la CFE será más grande, indicando la existencia de un error
sistemático en el cálculo de la demanda.
Error global de pronóstico
El error cuadrático medio (MSE) es una segunda forma de medir el error global de pronóstico. El MSE es el promedio de
los cuadrados de las diferencias encontradas entre los valores pronosticados y los observados. Su fórmula es:
Error porcentual absoluto medio Un problema tanto con la MAD como con el MSE es que sus valores dependen de la magnitud
del elemento que se pronostica. Si el elemento pronosticado se mide en millares, los valores de la MAD y del MSE pueden ser
muy grandes. Para evitar este problema, podemos usar el error porcentual absoluto medio (MAPE). Éste se calcula como el
promedio de las diferencias absolutas encontradas entre los valores pronosticados y los reales, y se expresa como un
porcentaje de los valores reales. Es decir, si hemos pronosticado n periodos y los valores reales corresponden a esa misma
cantidad de periodos, el MAPE se calcula como:
Ejemplo de practico.
No. Mes Año Unidades de PT No. Mes Año Unidades de PT
1 Enero 2019 450368 20 Agosto 2020 573448
2 Febrero 2019 467510 21 Septiembre 2020 562005
3 Marzo 2019 480237 22 Octubre 2020 539337
4 Abril 2019 554953 23 Noviembre 2020 480561
5 Mayo 2019 490678 24 Diciembre 2020 595366
6 Junio 2019 462245 25 Enero 2021 511963
7 Julio 2019 462797 26 Febrero 2021 472871
8 Agosto 2019 592193 27 Marzo 2021 563598
9 Septiembre 2019 576475 28 Abril 2021 452407
10 Octubre 2019 558152 29 Mayo 2021 502830
11 Noviembre 2019 573901 30 Junio 2021 585471
12 Diciembre 2019 489698 31 Julio 2021 523910
13 Enero 2020 599413 32 Agosto 2021 503760
14 Febrero 2020 561082 33 Septiembre 2021 555011
15 Marzo 2020 523015 34 Octubre 2021 561112
16 Abril 2020 583623 35 Noviembre 2021 588458
17 Mayo 2020 468043 36 Diciembre 2021 544515
18 Junio 2020 497351 37 Enero 2022 ?
19 Julio 2020 599651
Nota: se resolverá en clases
Recursos Complementarios
Recurso Título Cita Referencial
García, Márquez Fausto P. (2013). Dirección y gestión de la producción; 1ª edición; España; Alfaomega; 3 ejemplares
(Biblioteca Central SM).
Pérez, José Antonio; de Velasco F. (2010). Gestión de Procesos; 4ª edición; ESIC. 3 ejemplares (Biblioteca Central SM).
Mora Gutiérrez, A. (2009). Mantenimiento planeación, ejecución y control; 1ª edición; México; Alfa omega; 3 ejemplares
(Biblioteca Central SM).
Schroeder, Roger G. (2005). Administración de operaciones: Casos y conceptos contemporáneos; 2ª edición; México;
McGraw-Hill. 3 ejemplares (Biblioteca Central SM)
Palacios, L. C. (2019). Administración de la producción. Ecoe Ediciones.
Planificación y https://elibro.net/es/lc/bibliotecaugb/titulos/126179
Libro y Wed control de la
producción. Domingo Navas, R. (2013). Ejercicios de organización de la producción. UNED - Universidad Nacional de Educación a
Distancia. https://elibro.net/es/lc/bibliotecaugb/titulos/48638
Mir, P. (2013). Producción, productividad y crecimiento. Edicions de la Universitat de Lleida.
https://elibro.net/es/lc/bibliotecaugb/titulos/54523
Sipper, D. (1998). Planeación y control de la producción. McGraw-Hill Interamericana.
https://elibro.net/es/lc/bibliotecaugb/titulos/73587
Chapman, S. N. (2006). Planificación y control de la producción. Pearson Educación.
https://elibro.net/es/lc/bibliotecaugb/titulos/74116
¿Preguntas?
¡Muchas gracias!
