You are on page 1of 57

FACULTAD DE INFORMTICA Y CIENCIAS APLICADAS.

ESCUELA DE CIENCIAS APLICADAS


Ing. Julio Cesar Orantes
CTEDRA DE PROCESOS INDUSTRIALES.
CARRERA:
Ingeniera Industrial
MATERIA:
Mtodos probabilsticos
SECCIN:
01
CATEDRTICO:
Ing. Roy Donaldo Silva Flores

DESCRIPCIN DE PROBLEMTICA EN EL REA DE LOGSTICA,


DE LA EMPRESA PLSTICOS INDUSTRIALES S.A."

Integrantes
No. CARNET
22-2237-2008

APELLIDOS

NOMBRES

Casoverde Leiva

Jos Roberto

Daz Acevedo
22-5637-2008
22-3741-1998
22-1839-2005

Jos Luis
Lpez Escobar
Mendoza Javier

Rigoberto Antonio
Claudia Beatriz

Parada Garca
22-4021-1993
22-4823-2006

Edgar Oswaldo
Reyes Paz

David

PRONSTICO
DE LA
DEMANDA

POR REGRESIN LINEAL

OBJETIVO DE LA INVESTIGACIN

Conocer e identificar en la estructura logstica los procesos


de la empresa PLASTICOS INDUSTRIALES, estableciendo
mtodos de anlisis estadsticos que apoyen en la toma de
decisiones, ayudando de esta manera a una mejor
interpretacin y desarrollo que abone a la solucin de un
problema en el rea de logstica y distribucin de dicha
empresa, enfocado en el pronostico de las ventas.

OBJETIVO DE LA
INVESTIGACIN

OBJETIVOS ESPECIFICOS:

Utilizar los conceptos adquiridos en las materias cursadas


y ponerlos en prctica apoyando la solucin de problemas
de la empresa en estudio.
Establecer procedimiento que permita a la empresa
mantener inventarios ptimos enfocados en satisfacer la
demanda del cliente.
Establecer parmetros estadsticos que proporcionen
informacin oportuna en la toma de decisiones.
Resolver problemas de ingeniera cuya modelacin se
hace a travs del anlisis estadsticos.
Iniciar nuestra incorporacin en la vida productiva de las
empresas, generando propuestas de solucin a los
diversos problemas empresariales.

OBJETIVO ESPECIFICOS

1. Identificacin del problema


Clientes insatisfechos por entregas tardas.
2. Justificacin del estudio
El aprendizaje acadmico de los estudiantes de ingeniera es
necesario y vital conocer la cadena logstica de las empresas
pues es ah donde gira gran parte del desarrollo de la vida laboral
de los ingenieros industriales.

PERFIL DEL PROYECTO


DE INVESTIGACIN CTEDRA

4. Delimitacin de la investigacin
Como equipo se tom la decisin de basar nuestro estudio en la
empresa Plsticos Industriales S.A., en la cual se desarrollara en
el rea de logstica, tomando como referencia la distribucin y la
demanda de productos desechables plsticos.
5. Metodologa
La recoleccin de informacin se realizara en las visitas que se
realicen a Plsticos Industriales utilizando la informacin que nos
proporcionen, con dicha informacin se presentaran soluciones a
la problemtica existente en el rea distribucin esperando como
resultado la optimizacin de inventarios y cumplimiento demanda.

PERFIL DEL PROYECTO


DE INVESTIGACIN CTEDRA

INVESTIGACIN DE CTEDRA
MARCO TERICO

Plsticos Industriales S.A. de C.V.


est ubicada en calle Zacamil
lotes # 3 y 4 colonia, Las Brisa del
sur Soyapango.
Tel. 2560 - 2400
Giro fabricacin y distribucin de
productos plsticos.
Contacto: Licenciado Ramiro
Orlando Alfaro

UBICACIN DE LA EMPRESA

TEMA:
LOGISTICA EN EL AREA DE DISTRIBUCION:
PRONOSTICO DE LA DEMANDA DE PRODUCTO
DESECHABLE POR REGRESION LINEAL

VENTAS MENSUALES
PRONSTICO DE LA DEMANDA USANDO
REGRESIN LINEAL CON EXCEL 2007

UNIDADES

MESES

PRONSTICO DE LA DEMANDA USANDO


REGRESION LINEAL CON EXCEL 2007

Ecuacin Lineal de recta de regresin

Donde a y b son valores que se determina a partir de


los datos de la muestra; a indica la altura de la recta
en x= 0, es decir el punto donde la recta corta al eje
y, b seala su pendiente. La variable y es la que se
habr de predecir, y x es la variable predictora.

ANLISIS E INTERPRETACIN
DE DATOS

x= (y-a) / b
PREDICCIN DEL VALOR DE y

INTERSECCIN EJE "y"

COVARIANZA

COEFICIENTE DE CORRELACIN

Syx=

ERROR TPICO S

YX

PENDIENTE DE LNEA DE REGRESIN

UNIDADES

MESES

Pronostico de los meses de


Nov./11, Dic./11, y Enero/12

y= 6224.66+434.45x

Guilford interpreta el coeficiente de correlacin lineal r de


Pearson, tambin llamado coeficiente de correlacin momento
producto de Pearson. del siguiente modo: No se puede entender
el coeficiente de correlacin como una relacin causa efecto entre las
dos variables, en el sentido de que un cambio en una de las variables
provocara un cambio en la otra. El significado (de la dependencia estocastica o aleatoria es el siguiente: el conocimiento del valor de una
de ellas en un individuo de la poblacin (sujeto u objeto que se
observe) permitir predecir el valor de la otra variable para ese
individuo con ms precisin que sin esa informacin.

Coeficiente de correlacin lineal r de Pearson

UNIDADES

MESES
REGRESION LINEAL / PRONOSTICO

PRONOSTICO DE LA DEMANDA USANDO


REGRESION LINEAL CON EXCEL 2007

UNIDADES

MESES
REGRESIN LINEAL / PRONSTICO

PRONSTICO DE LA DEMANDA USANDO


REGRESIN LINEAL CON EXCEL 2007

EJEMPLO DONDE NO
SE PUEDE USAR
REGRESION LINEAL
PARA PRONSTICO DE
LA DEMANDA

UNIDADES

MESES
REGRESION LINEAL / PRONOSTICO

VENTAS MENSUALES
DE ENERO 2010 A OCTUBRE 2011

Como generar la lnea de regresin con Excel:


1. Seleccionamos los datos que vamos a graficar,
2. Nos vamos a la pestaa o men Insertar, luego a
Dispersin

COMO GENERAR LA LNEA DE


REGRESIN CON EXCEL 2007

Ahora damos click sobre dispersin solo con marcadores

PRONOSTICO DE LA DEMANDA
USANDO REGRESIN LINEAL

Y nos desplegara la nube de puntos.

COMO GENERAR LA LNEA DE


REGRESIN CON EXCEL 2007

Damos click derecho sobre cualquier punto del grafico y


luego sobre Agregar lnea de tendencia.

UNIDADES

MESES
REGRESION LINEAL / PRONOSTICO: OBTENEMOS LA RECTA QUE
NOS PROPORCIONA LA TENDENCIA Y EL PRONOSTICO DE LA DEMANDA

PRONSTICO
POR
SUAVIZACIN
EXPONENCIAL

UNIDADES

MESES 2011

PRONSTICO POR
SUAVIZACIN EXPONENCIAL

UNIDADES

MESES 2011

PRONSTICO POR
MEDIAS MVILES

UNIDADES

MESES 2011

GRAFICOS: REAL, SUAVIZADO


EXPONENCIAL Y MEDIAS MVILES

COMPARACIN DE LOS 2 MTODOS:


MEDIAS MVILES VRS SUAVIZADO
EXPONENCIAL

UNIDADES

Real
Pronstico
Suaviz. Expon.

MESES 2010-2011

COMPARACIN DE LOS 2 MTODOS

Anlisis e interpretacin de datos


Luego de efectuar el grafico de la nube de puntos, se logra
determinar que tan cercano al pronostico es la lnea de regresin.
En toda la investigacin en libros, consultas a conocedores de
medias mviles logramos determinar que este calculo no es tan
confiable o cercano a la venta o demanda real pues hay otras
variables aleatorias, estacionales y cclicas que no tienen un
comportamiento lineal. Segn nuestra investigacin el mtodo
suavizado exponencial seria el mas practico, acertado y
cercano a la realidad para la demanda y proyecciones de ventas

ANLISIS E INTERPRETACIN
DE DATOS

La mayora de empresas usan medias mviles para hacer sus


pronsticos de ventas o de la demanda, o para determinar las
compras de su materias primas, y el mtodo de regresin lineal
tiene cierto grado de error al revisar el coeficiente R cuadrado que
debera ser idealmente 1, pero en muchas de las nubes de datos,
encontramos valores debajo de 0.8 lo cual genera imprecisin en el
pronostico. Nuestra recomendacin es usar regresin lineal con
suavizado exponencial combinado con el factor de estacin o
temporada con lo cual entramos en el anlisis de series temporales
que seria el mtodo mas acertado para el pronsticos. Tambin se
hace la observacin que los ingenieros en sistemas son los que
normalmente hacen los programas de cmputos para estos
pronsticos y por tanto debera de impartirse esta ctedra a ellos ya
que los mas fcil es hacerlo por medias mviles y as se
realizan en la industria en la mayora de empresas

RECOMENDACIN/ CONCLUSIN

Principios de administracin de operaciones


Escrito por Barry Render
Micronometra. Introducin y Aplicaciones con Excel.
Escrito por Jordi Arcarons y Samuel Calonge
Anlisis de los negocios con Excel XP
Escrito por Conrad Carlberg
Introduccin al tratamiento de series temporales: aplicacin
a las ciencias
Escrito por Armando Aguirre Jaime

BIBLIOGRAFA

Pronsticos, series de tiempo y regresin: un enfoque


aplicado
Escrito por Bruce L. Bowerman,Richard T. Oconnell
Anlisis de Regresin Divariadle y Multivariable
Escrito por Torrealba, J.P.,Morales , H.
Planificacin y control de la produccin
Escrito por Stephen N. Chapman
Mtodos cuantitativos para los negocios
Escrito por David R. Anderson,Dennis J. Sweeney

BIBLIOGRAFA

TEORA DE SERIES TEMPORALES

TEORA DE SERIES TEMPORALES


1. INTRODUCCIN
Una serie temporal es un conjunto de observaciones ordenadas en el tiempo
o, tambin, la evolucin de un fenmeno o variable a lo largo de l. Esta
variable puede ser econmica, ventas de una empresa, consumo de cierto
producto, evolucin de los tipos de inters,...), fsica (evolucin del caudal de
un ro, de la temperatura de una regin, etc.) o social (nmero de habitantes
de un pas, nmero de alumnos matriculados en ciertos estudios, votos a un
partido,..).
El objetivo del anlisis de una serie temporal, de la que se dispone de datos
en perodos regulares de tiempo, es el conocimiento de su patrn de
comportamiento para prever la evolucin futura, siempre bajo el supuesto de
que las condiciones no cambiaran respecto a las actuales y pasadas.

TEORA DE SERIES TEMPORALES

Si al conocer la evolucin de la serie en el pasado


se pudiese predecir su comportamiento futuro sin
ningn tipo de error, estaramos frente a un
fenmeno determinista cuyo estudio no tendra
ningn inters especial. Esto correspondera a una
situacin como la de la figura 1.1, que muestra la
intensidad de corriente, I , que circula a travs de
una resistencia, R, sometida a un voltaje
sinusoidal,

TEORA DE SERIES TEMPORALES

Fig. 1.1- Observaciones de la serie I(t) = cos (0.5t + pi/2)

En general, las series de inters llevan asociados


fenmenos aleatorios, de forma que el estudio de su
comportamiento pasado slo permite acercarse a la
estructura o modelo probabilstico para la prediccin
del futuro. Estos modelos se denominan tambin
procesos estocsticos. As, un proceso estocstico es
una sucesin de variables aleatorias {Yt}' con t = 1, 2,
..,n, que evolucionan con el tiempo (representado
ste por el subndice t).

Procesos estocsticos

Cuando se dispone de n datos de un proceso


estocstico, se est frente a n muestras, de
tamao unidad, extradas de la poblacin
(variable aleatoria), correspondientes al tiempo
en que se realiz la medicin, y esto es lo que
constituye la serie temporal o cronolgica.

Serie temporal o cronolgica

Como ejemplo puede servir la evolucin a lo largo de


un ao del ndice IBEX35, que recoge los 35 valores de
mayor cotizacin de la bolsa espaola, representada
en la figura 1.2.
Lgicamente, el valor del IBEX35 depender del valor
alcanzado en los das previos, adems de recoger la
influencia de un conjunto de factores sociales,
polticos, econmicos, etc., que son continuamente
cambiantes en el tiempo y cuya conjuncin, en un
determinado instante, configurara una hipottica
distribucin de probabilidad del citado
ndice econmico.
Serie temporal o cronolgica : ejemplo de modelo a lo
largo de un ao del ndice IBEX35

Serie temporal o cronolgica : ejemplo de modelo a lo


largo de un ao del ndice IBEX35

En casos como ste, es evidente que puede obtenerse


un modelo que explique el comportamiento de la serie
en el periodo estudiado, pero puede ser muy arriesgada
la utilizacin de este modelo para hacer previsiones a
medio o largo plazo. As, en todas las series
cronolgicas, es necesaria una gran cautela en la
previsin a causa de la muy probable inestabilidad del
modelo en un futuro ms o menos alejado del ltimo
instante del que se conocen datos.

Serie temporal o cronolgica

Este mtodo consiste en identificar, en la


serie Yt, cuatro componentes tericas,
que no tienen por qu existir todas, y que
son:
Tendencia: Tt
Estacionalidad: Et
Ciclos: Ct
Residuos: Rt
Componentes de una serie cronolgica.
La componente residual es la que recoge la aportacin aleatoria
de cualquier fenmeno sujeto al azar.

Modelizacin por componentes

Fig. 2.1.- Componentes de una serie cronolgica.


La componente residual es la que recoge la aportacin aleatoria
de cualquier fenmeno sujeto al azar.

Componentes de una serie cronolgica

Componentes de una serie cronolgica

Componentes de una serie cronolgica

Componentes de una serie cronolgica

Fig. 2.1.- Componentes de una serie cronolgica.


La componente residual es la que recoge la aportacin aleatoria
de cualquier fenmeno sujeto al azar.

Componentes de una serie cronolgica

You might also like