Академический Документы
Профессиональный Документы
Культура Документы
PROPÓSITO
DBA VICTORIANO ZACARÍAS RODRÍGUEZ Al finalizar la asignatura, el estudiante será capaz de gestionar el
sistema de operaciones, utilizando métodos y técnicas de producción
y distribución para mejorar el desempeño de las organizaciones
productivas.
4
1
PRONÓSTICOS
ADMINISTRACIÓN DE OPERACIONES
Es una arte y una ciencia de predecir los eventos futuros.
SEMANA 1 Implica el uso de datos históricos y su proyección hacia el
futuro mediante un modelo matemático.
• Presentación del sílabo.
1
18/01/2018
Ventas
1. Previsiones económicas, dirigidas al ciclo empresarial
Utilidades prediciendo las tasas de inflación, masa monetaria,
construcción de primeras viviendas y otros indicadores
económicos.
2
18/01/2018
140 Prosperidad
3. Las previsiones de demanda, son proyecciones de la
Recesión
130 demanda de los productos o servicios de la empresa. Estas
previsiones, también denominadas previsiones de ventas,
120
determinan la producción de las empresas, su capacidad y
DEMANDA
90
Recta de tendencia secular
Las previsiones económicas y tecnológicas son técnicas
80 especializadas que están situadas fuera del papel del director
de operaciones.
70 Depresión
60
1 3 5 7 9 11 13 15 17 19
M ES
Pronóstico a corto plazo.- Tiene un lapso hasta un año, Pronóstico a largo plazo.- Tienen lapsos de tres años o más, se
generalmente menor de tres meses. Se utiliza para planear las utilizan para planear nuevos productos, desembolsos de capital,
compras, programación de planta, niveles de fuerza laboral, localización de instalaciones o su expansión, y la investigación y el
asignaciones de trabajo y niveles de producción. desarrollo. Los pronósticos a largo plazo son quizá los más
Pronóstico a mediano plazo.- Generalmente tiene un lapso de tres importantes, ya que ayudan al administrador a proporcionar una
meses a tres años. Es valioso en la planeación de producción y guía directriz para la organización; sin embargo son los más difíciles
presupuestos, planeación de ventas, presupuestos de efectivo y el de obtener pues mientras más largo sea el horizonte de tiempo
análisis de varios planes de operación. mayor es la incertidumbre que existe sobre el futuro.
Los datos históricos de ventas (no los datos en tiempo real de los No identifica cuáles son los “drivers” reales de la venta.
puntos de venta) se suelen utilizar para generar el forecast
utilizando modelos estadísticos, con muy poca visión de futuro. No se relaciona el forecast de ventas con el presupuesto de
cada elemento posterior de la cadena.
3
18/01/2018
GESTIÓN DE PRODUCCIÓN:
Se ignora el impacto completo de una variación a lo largo de
Planificación más eficiente, fiable y exacta.
la cadena.
GESTIÓN DE APROVISIONAMIENTO:
Mal dimensionamiento de la capacidad. Fiabilidad en las órdenes de compra.
Mejora de los términos de negociación con proveedores.
DEFINIR EL PROCESO
Las empresas deben tener definido el proceso de elaboración de forecasts, de manera
que permita establecer y conocer con exactitud:
4
18/01/2018
MODELOS DE
PRONOSTICOS
DEMANDA INDEPENDIENTE CONTRA DEMANDA DEPENDIENTE
INVESTIGACION DE MERCADO
CUALITATIVA
Subjetiva, de juicio. Basada en cálculos y opiniones Se recopilan datos de varias maneras (encuestas, entrevistas,
etc.) para probar hipótesis sobre el mercado. Esto se utiliza
típicamente para proyectar ventas de largo alcance y de
PROYECCION FUNDAMENTAL nuevos productos.
ANALOGIA HISTORICA
COMPONENTES DE LOS DATOS DE SERIES DE TIEMPO
Lo que se está proyectando se vincula con un artículo similar. Es
importante en la planeación de nuevos productos en donde se
puede derivar una proyección mediante el uso de la historia de Compuesta
un producto similar.
Cíclica
METODO DELFI
Tendencia
5
18/01/2018
MODELOS DE
PRONOSTICOS
SUAVIZADO EXPONENCIAL
Con Winqsb
PROMEDIO MÓVIL
MAD
6
18/01/2018
69
+
71+
67
+
73
Se obtiene por una suma y promedios repetitivos de un número dado de
PM
70
periodos; queda fuera cada vez el valor más antiguo y se agrega el más
4
=
4t
nuevo. Cada vez que se actualiza un promedio, el nuevo valor se convierte en
el pronóstico del siguiente periodo.
MAD = 5.6
2003 6 utilizarse ponderaciones para dar más énfasis a los valores recientes.
PM
17.33
3
=
3t
2004 2
2005 9
2006 8
2007 16
PMP =
∑ (Ponderación para el periodo n)(Demanda en el periodo n)
2008 10
MAD = 4.28 ∑ Ponderaciones
2009 14
2010 20
2011 18 Donde n es el número de periodos incluidos en el promedio móvil
2012 ¿?
A C
PROMEDIO MOVIL
PROMEDIO MOVIL PONDERADO
MES VENTAS REALES PROMEDIO MOVIL DE 3 MESES
Enero 10
PMP =
∑ (Ponderación para el periodo n)(Demandaen el periodo n) Febrero 12
∑ Ponderaciones Marzo 13
Abril 16 (10 + 12 + 13) / 3 = 11.67
Mayo 19 (12 + 13 + 16) / 3 = 13.67
MESES 1 2 3 4 5 6 7 8 9 10
Junio 23 (13 + 16 + 19) / 3 = 16.00
Dx Real 55 56 59 62 62 69 71 67 73
Julio 26 (16 + 19 + 23) / 3 = 19.33
Agosto 30 (19 + 23 + 26) / 3 = 22.67
73
+
67
+
71
PMP
([
=
] [ ] [ ]=
70.6
71
=
3T
7
18/01/2018
C
PROMEDIO MOVIL PONDERADO
SUAVIZADO EXPONENCIAL
Los puntos de datos recientes se ponderan más con
una ponderación que disminuye de manera
exponencial en la medida en que los datos se hacen
antiguos.
Ft = Ft - 1 + α (A t - 1 - F )
t -1
SUAVIZADO EXPONENCIAL Ft = Pronóstico nuevo
α = Constante de suavizado (0 ≤ α ≤ 1)
A B
SUAVIZADO EXPONENCIAL
SUAVIZADO EXPONENCIAL
AÑOS DEMANDA
Calcular la demanda para el año 2005 6
2013, mediante el uso del suavizado
2006 2
exponencial, con un α = 0.2
MESES 1 2 3 4 5 6 7 8 9 10 2007 9
Dx Real 55 56 59 62 62 69 71 67 73 2008 8
MAD = 5.38 2009 16
2010 10
2011 14
P10 = 65.28 = 65 P10 = 13 2012 20
2013 18
2014 ¿?
MAD = 6.43
8
18/01/2018
MAD
9
18/01/2018
PROYECCIONES DE LA TENDENCIA
REGRESIÓN LINEAL
PROYECCIONES DE LA TENDENCIA MÉTODO DE MÍNIMOS CUADRADOS PARA ENCONTRAR LA RECTA QUE MEJOR
REGRESIÓN LINEAL SE AJUSTE, DONDE LOS ASTERISCOS SON LAS UBICACIONES DE LAS 7
OBSERVACIONES REALES.
generalmente al valor de los datos con el tiempo. Utilizando los Observación Deviación 7
real (y)
mínimos cuadrados.
Deviación 6
Yt = a + bx Deviación 5
Deviación 3
Deviación 4
Yt = Valor calculado de la variable a predecir (v. dependiente)
Punto en la
Deviación 2
b = Pendiente de línea de regresión (Slope) Deviación 1 Regresión Lineal
bx
y = a + bx
X Y
Trimestre X² Y² XY
Publicidad Ventas
b=
n( ∑ X iYi ) − ( ∑ X i )( ∑ Yi )
a=
∑ Y − b∑ X
i i
1 4 1 16 1 4 n( ∑ X i2 ) − ( ∑ X i )2 n
2 10 4 100 16 40
3 15 5 225 25 75
10(328) − (96)(30)
4 12 4 144 16 48
b= = 0.29
5 8 3 64 9 24 10(1060) - (96)2
6 16 4 256 16 64
7 5 2 25 4 10
30 − (0.29)(96)
8 7 1 49 1 7 a= = 0.22
9 9 4 81 16 36
10
10 10 2 100 4 20
96 30 1060 108 328 y = 0.22 + 0.29X
10
18/01/2018
A B
AÑOS DEMANDA
2004 6
REGRESIÓN LINEAL
2005 2 REGRESIÓN LINEAL
2006 9
MESES 1 2 3 4 5 6 7 8 9 10 2007 8
Dx Real 55 56 59 62 62 69 71 67 73 2008 16
Yt = a + bx
bx
2009 10
2012 20
bxbxbx
bxbxbx
Trimestre VENTAS
1 78
Y = 1.944 + 1.9 X 2 60 REGRESIÓN LINEAL
AÑOS DEMANDA 21 3 55
2002 6 19 4 48 Yt = a + bx
17
bx
2003 2 5 50
15
2004 9 6 45
yˆ = a + = 74.5333 − 5.2606X
DEMANDA
13
2005 8 11 7 33
2006 16 9 8 35
MAD = 3.98
2007 10 7 9 32
Slope = 1.9 R-square = Coeficiente de Determinación = 0.91972
2008 14 5 10 20
2009 20 3
bx bx
1
2010 18
2011 ¿?
2002 2003 2004 2005 2006 2007 2008 2009 2010
AÑOS
yˆ11 = a + = 74.5333 − 5.2606(11) = 16.67
Intercept = 1.944 yˆ12 = a + = 74.5333 − 5.2606(12) = 11.41
Trimestre VENTAS
REGRESIÓN LINEAL
PROYECCIONES DE TENDENCIA
Yt = a + bx
bx
11
18/01/2018
bx
PERIODO DEMANDA PERIODO DEMANDA
AÑO AÑO x² xy
x y x y ŷ = a +
bx
2006 1 74 2006 1 74 1 74
2007 2 79 ŷ = a + 2007 2 79 4 158 a = Slope (Pendie nte de la recta)
2008 3 80 2008 3 80 9 240
b = Intercept (Inicio en la ordenada)
x
28
2009 4 90 b = Slope (Pendiente de la recta) 2009 4 90 16 360
x
=
4
∑
7
2010 5 105 2010 5 105 25 525
= =
2011 6 142 a = Intercept (Inicio en la ordenada) 2011 6 142 36 852
bx
y
69
y
=
9
2012 7 122 2012 7 122 49 854
yˆ = a + = 56.70 + 10.54X ∑
7
8
= =
2 2 28
28 692 140 3063
.8
x x
y 2
n n
x x
y
30
86
b
=
1
60
− (−
95
∑
14
7
= = =
2
)((
63
9
)
48.
∑ − −)(
.5
) ( )
4
a = y - bx = 98.86 - 10.54(4) = 56.70
bx
yˆ = a + = 56.70 + 10.54X
REGRESIÓN LINEAL
MAD = 8.58
AÑO PERIODO DEMANDA x² xy
2006 1 74 1 74
2007 2 79 4 158
2008 3 80 9 240
2009 4 90 16 360
2010 5 105 25 525
2011 6 142 36 852
2012 7 122 49 854
bx
RECTA DE TENDENCIA
28 692 140 3063 yˆ = a + = 56.70 + 10.54X
bx
yˆ = a + = 56.70 + 10.54X
Tn REAL PRONÓSTICO
TRIMESTRE (ERROR)²
DESCARGADO α = 0.10
ERROR MEDIO CUADRÁTICO - MSE 1 180 175.00 5² = 25
2 168 175.50 (- 7.5)² = 56.25
3 159 174.75 (- 15.75)² = 248.06
Es una segunda forma de medir el error del pronóstico. 4 175 173.18 (1.82)² = 3.33
5 190 173.36 (16.64)² = 276.89
El MSE es el promedio de los cuadrados de las diferencias
6 205 175.02 (29.98)² = 898.70
encontradas entre los valores pronosticados y los
observados. 7 180 178.02 (1.98)² = 3.92
8 182 178.22 (3.78)² = 14.31
E
den nós
pr
Ʃ 1,526.46
( )
r
MS
∑ MSE 190.8
ro
o
E
¿Este MSE = 190.8 es bueno o malo?. Todo depende de los MSE calculados
re
ti
cuadrado.
co
12
18/01/2018
Re
-r
P
Re
10
P
-ro
Re
e
/ l
/ l
MA
=
MA
∑ ∑
n
0
al
a
n
0
al
PE
n
PE
ós
El MAPE expresa el error como un porcentaje de los errores
ós
reales, sin que esté distorsionado por un solo valor muy grande.
ti
ti
co
co
13
18/01/2018
TENDENCIA PRONÓSTICO
MES DEMANDA PRONÓSTICO
SUAVIZADA, INCLUYENDO LA
(t) REAL (At) SUAVIZADO, Ft
Tt TENDENCIA, FITt
1 12 11.00 2.00 13.00
2 17 12.80 1.92 14.72
3 20 15.18 2.10 17.28
4 19 17.82 2.32 20.14
5 24 19.91 2.23 22.14
6 21 22.51 2.38 24.89
7 31 24.11 2.07 26.18
8 28 27.14 2.45 29.59
9 36 29.28 2.32 31.60
10 ? 32.48 2.68 35.16
Demanda Real (At)
MODELOS CAUSALES
Para que una variable independiente tenga valor para un pronóstico, debe ser
un indicador. Por ejemplo, podemos esperar que un largo periodo de días
lluviosos aumente las ventas de paraguas. La lluvia es la causa de la venta de
estos artículos; esta es una relación causal, donde un fenómeno da lugar a otro.
Si se conoce con anticipación suficiente el elemento causante, éste puede
MODELOS CAUSALES usarse como base para los pronósticos.
Se pueden considerar muchos factores para un análisis causal. Por ejemplo, las
ventas de un producto pueden estar relacionadas con el presupuesto para
publicidad de la empresa, el precio, los precios de los competidores y las
estrategias promocionales, o aún las tasas económicas y de desempleo. En este
caso, las ventas serían llamadas variable dependiente y las otras variables serían
llamadas variables independientes. El trabajo del administrador es el de
desarrollar la mejor relación estadística entre las ventas y las variables
independientes.
14
18/01/2018
PUBLICIDAD
VENTAS
S/.
ANÁLISIS DE REGRESIÓN Factor 1 Factor 2
1600
1400
257 100 1200
Ajusta una línea recta a los datos anteriores que se refieren 601 200 1000
La técnica de ajuste más común es la de los mínimos cuadrados. 765 400 600
895 450 400
1133 500 200
Yt = a + bx 1153 600 0
0 200 400 600 800
1133 550
Yt = Valor calculado de la variable a predecir (v. dependiente) 1459 700 Yt = -61.047 + 0.52585X
971 400
b = Pendiente de línea de regresión (Slope) Ventas = -61.047 + 0.52585 S/. Publicidad
x = Variable independiente (Causa)
Ventas
Población
anuales
COSAPI
(miles)
(miles) PIZERÍA
2 58
Ventas en Nómina
6 105
Yt = 60 + 5X millones $ local $
8 88
2.0 1
8 118
3.0 3
12 117
Ventas = 60 + 5(16) = 140 2.5 4
16 137
2.0 2
20 157
2.0 1
Ventas = 60 + 5(30) = 210
bx
20 169
4.5 7
22 149 yˆ = a + = 1.75 + 0.25X
26 202
VENTAS y NÓMINA x x² xy
3.0 3 9 9.0
x
=
2.0 1 1 2.0
∑
n
2.
4.5 7 49 24.5
2.0 1 1 2.0 ∑
n
= = 15.0 18 80 51.5
5
4.5 7 49 24.5
bx
15.0 18 80 51.5
yˆ = a + = 1.75 + 0.25X
$
1.
x x
y 2
n n
x x
y
51
0.
− (− )
3
∑
80
= =
2
)
(−(
.5
2.
)
3 5
∑ −
25
))
(( Ventas = $ 3 250 000.00
a = y - b x = 2.5 - 0.25(3) = 1.75 Las ventas se incrementan a una tasa de un millón de dólares por
bx
15
18/01/2018
VENTAS y NÓMINA x x² xy y²
2.0 1 1 2.0 4.0
3.0 3 9 9.0 9.0
2.5 4 16 10.0 6.25
2.0 2 4 4.0 4.0
2.0 1 1 2.0 4.0
4.5 7 49 24.5 12.25
15.0 18 80 51.5 39.5 REGRESIÓN MÚLTIPLE
6
-
186
r
0.
( (
51
6
18
15
= )( =
[ ][ ]
13
2
2
( (−
()( (−
80
90
.5
59.
)( )(
) )
1
)
R = 0.901)
5
parece
) indicar que hay una correlación significativa y
ayuda a confirmar la relación estrecha que existe entre las dos
)
variables.
REGRESION MULTIPLE
ANÁLISIS DE REGRESIÓN MULTIPLE
En muchos casos es útil usar más de una variable independiente para predecir el
valor de una variable dependiente. En estos casos aplicamos la regresión múltiple.
La constructora Nodel quiere ver el impacto de una segunda variable
Por ejemplo, si tratamos de predecir las ventas mensuales de la cadena de independiente, tasas de interés, sobre las ventas.
Pollerías el Mesón, tendríamos que tener en cuenta el uso de las siguientes
variables independientes: ingreso nacional, precio del pollo, soles gastados en La nueva recta de regresión múltiple para Nodel, calculada con Winqsb, es:
publicidad durante el mes y soles gastados en publicidad durante el mes anterior.
y
=.80
1
0.
5.
+ −
2
ˆ
Yt = a + b1x1 + b2 x2 + ............ + bn xn
30
0x
x
Yt = Valor calculado de la variable a predecir (v. dependiente) Encontramos que el nuevo coeficiente de correlación es 0.96, lo cual
implica que la inclusión de la variable X2, tasas de interés, agrega aún más
B1, ... ,bn = Pendientes de líneas de regresión (Slope) fuerza lineal.
Ahora podemos estimar las ventas de Nodel si sustituimos los valores de la Horas de trabajo Horas en Recompensa Impuestos reales
nómina y de la tasa de interés para el próximo año. MES en auditorías de computador a informantes no pagados
Si la nómina de West Bloomfield va a ser de 6 mil millones de dólares y la tasa de campo X1 aX2 X3 descubiertos Y
interés de 12 %, entonces las ventas se pronostican como: Enero 4500 1600 71000 29000000
Febrero 4200 1400 70000 24000000
Marzo 4400 1500 72000 27000000
Ventas ($ millones) = 1.80 + 0.30 (6) – 5.0 (0.12) = 3.00 Abril 4500 1300 71000 25000000
= $ 3 000,000.00 Mayo 4300 1300 75000 26000000
Junio 4600 1400 74000 28000000
Julio 4400 1600 76000 30000000
Al usar ambas variables, nómina y tasas de interés, Nodel tiene ahora un Agosto 4500 1600 69000 28000000
pronóstico de ventas de 3 millones de dólares y un coeficiente de correlación
Setiembre 4400 1500 74000 28000000
más alto. Esto sugiere una relación más fuerte entre las dos variables y una
Octubre 4300 1500 73000 27000000
estimación más precisa de las ventas.
Y4 = -45796350 + 5969.718X 1 + 11768.38X 2 + 405.1086X 3
16
18/01/2018
INDICES ESTACIONALES
INDICES ESTACIONALES
AÑOS 2008 2009 2010 2011 2012
MÉTODO 1 Abril Real 382 401 458 480 533
Abril Tendencia 400 436 472 508 544
Abril R/T 0.96 0.92 0.97 0.94 0.98
Un fabricante de ropa deportiva desea usar los datos de un período Abril Total 4.77
de cinco años para desarrollar índices estacionales. Los valores de
Abril Promedio 4.77 / 5 = 0.95
tendencia y las razones de “R” real a tendencia “T” para la mayoría de
los meses han sido calculados como se muestra en la siguiente tabla: AÑOS 2008 2009 2010 2011 2012
Mayo Real 485 530 560 592 656
MES Ener Febr Marz Abri Mayo Juni Juli Agos Seti Octu Novi Dici Mayo Tendencia 403 439 475 511 547
Razón R/T 0.72 0.58 0.85 1.43 1.21 1.05 0.98 0.92 0.88 1.12 Mayo R/T 1.20 1.21 1.18 1.16 1.20
Mayo Total 5.95
Mayo Promedio 5.95 / 5 = 1.19
Calcúlense las relaciones para abril y mayo, corríjase el total
para igualar a 12.00, y determine los índices estacionales MES Ener Febr Marz Abri Mayo Juni Juli Agos Seti Octu Novi Dici
12
meses
resultantes.
R/T 0.72 0.58 0.85 0.95 1.19 1.43 1.21 1.05 0.98 0.92 0.88 1.12 11.88
MES Ener Febr Marz Abri Mayo Juni Juli Agos Seti Octu Novi Dici
12
meses YENERO 2013 = 405 (0.73) = 296
INDICE
ESTACIONAL 0.73 0.59 0.86 0.96 1.20 1.44 1.22 1.06 0.99 0.93 0.89 1.13 12.00
YJULIO 2013 = 347 (1.22) = 423
17
18/01/2018
INDICES ESTACIONALES
MÉTODO 2
MODELOS DE SIMULACION
MODELOS ECONOMETRICOS
Modelos dinámicos, usualmente basados
Tratan de describir algún sector de la economía mediante una en computador, que permiten que quién
hace la proyección haga suposiciones
serie de ecuaciones interdependientes.
acerca de las variables internas y del
medio externo del modelo.
MODELOS DE INSUMO - PRODUCTO ependiendo de las variables del modelo,
quién hace la proyección puede hacer
preguntas como: ¿Qué le ocurrirá a mi
Se enfocan en las ventas de cada industria con relación a otras proyección si el precio se incrementara en
firmas y gobiernos. Indica los cambios en las ventas que una un 10%?, ¿Qué efecto tendría en mi
industria productora puede esperar debido a los cambios en las proyección una recesión nacional
compras por parte de la otra industria moderada?
18
18/01/2018
1.
TRIMESTRE DEMANDA
1 1900
2 3500
2015 3 4770
TENDENCIA CON VARIACIÓN 4 2530
5 2320
TEMPRADA 6 4250
2016
7 5790
8 3090
9 2810
10 5160
2017
11 7050
12 3780
1.
D
m =
q,
j j
7000
D
j
1 m
∑
IT
=
6000
5000 q
DEM ANDA
4000
Donde:
3000
1. 1.
PASO 2. Destemporalizar la demanda
PASO 1. Identificar el índice de temporada
Demanda Indice de Demanda
PERIODO
1900 2320 2810
Real Temporada Destemporalizada
+ + 1T1 2014 1900 0.6 3167
IT
1900 + 3500 + 4770 + 2530 2320 + 4250 + 5790 + 3090 2810 + 5160 + 7050 + 3780
= = 0.6 2T2 2014 3500 1.1 3182
1 3 3T3 2014 4770 1.5 3180
4T4 2014 2530 0.8 3163
3500 4250 5160
+ + 5T1 2015 2320 0.6 3867
3175 3862.5 4700 6T2 2015 4250 1.1 3864
IT = = 1.1
2 3 7T3 2015 5790 1.5 3860
8T4 2015 3090 0.8 3863
IT1 = 0.6 9T1 2016 2810 0.6 4683
IT2 = 1.1 10T2 2016 5160 1.1 4691
IT3 = 1.5 11T3 2016 7050 1.5 4700
IT4 = 0.8 12T4 2016 3780 0.8 4725
19
18/01/2018
1. 1.
Ingresar los datos de la demanda destemporalizada a Winqsb. PASO 5. Ajustar los estimados de la demanda futura utilizando
el ITq
Yt = 2,799 + 171.2X
1. 1.
PROMEDIO SIMPLE (AV)
α = 0.2 α = 0.8
80 MAD = 9.927332 MAD = 10.1221
Pronóstico = 86.21584 Pronóstico = 100.4835
70 REGRESIÓN LINEAL (RL)
MAD = 8.19241
60 Slope = 0.9586945
Intercept = 64.47464
Yt = 64.47464 + 0.9586945X
50 Pronóstico Y25 = 88.442
1 3 5 7 9 11 13 15 17 19 21 23 Pronóstico Y26 = 89.401
MES
Pronóstico Y36 = 98.988
20
18/01/2018
DEMANDA
12 DICIEMBRE 177
13 ENERO 194 170
14 FEBRERO 190
15 MARZO 168 A B C D
16 ABRIL 165 160
17 MAYO 153
18 JUNIO 145
150
19 JULIO 152
20 AGOSTO 162
21 SEPTIEMBRE 162 140
22 OCTUBRE 171.8 1 3 5 7 9 11 13 15 17 19 21 23
23 NOVIEMBRE 177
24 DICIEMBRE 186 MES
PERIODO M ES DEMANDA
2. 3. 1 ENERO 184
2 FEBRERO 185
3 MARZO 183
E=A+C 4 ABRIL 169
5 MAYO 177
A = 186.4667 – 5.942871X 6 JUNIO 131
C = 205.0667 – 10.25714X 7 JULIO 160
8 AGOSTO 173
E = 195.7667 – 8.100000X 9 SEPTIEMBRE 179
Pronóstico Y 2 = 179.567 10 OCTUBRE 210
11 NOVIEMBRE 206
12 DICIEMBRE 187
13 ENERO 214
F=B+D 14 FEBRERO 206
15 MARZO 191
B = 142.1334 + 7.199997X 16 ABRIL 188
17 MAYO 198
D = 146.0001 + 6.428558X
18 JUNIO 178
F = 144.0668 + 6.814278X 19 JULIO 178
Pronóstico Y 2 = 157.695 20 AGOSTO 200
21 SEPTIEMBRE 205
22 OCTUBRE 223
23 NOVIEMBRE 219
24 DICIEMBRE 245
3.
4. 1 ENERO 108
DEMANDA CICLICA QUE SIGUE UNA TENDENCIA ASCENDENTE 2 FEBRERO 195
CON VARIACIONES IRREGULARES 3 MARZO 205
4 ABRIL 250
260
5 MAYO 290
6 JUNIO 390
240
7 JULIO 105 Los datos que se
8 AGOSTO 160 presentan son
220 9 SEPTIEMBRE 190
10 OCTUBRE 280 de los años 2016
200 11 NOVIEMBRE 320 y 2017 de la
12 DICIEMBRE 400
demanda de
DEM ANDA
13 ENERO 95
180
14 FEBRERO 140 cierto producto.
15 MARZO 160
160
16 ABRIL 290
17 MAYO 360 Calcule la
140 18 JUNIO 400 demanda para
19 JULIO 220
120 20 AGOSTO 305 el año 2018
21 SEPTIEMBRE 380
22 OCTUBRE 450
100
1 3 5 7 9 11 13 15 17 19 21 23
23 NOVIEMBRE 500
M ES
24 DICIEMBRE 590
21
18/01/2018
EJERCICIOS PRÁCTICOS DE
APLICACIÓN
22