Administración de la Producción
PLANIFICACIÓN AGREGADA
Profesor: Mg. Ing. Félix Pizarro Martínez
[email protected] Desarrollo del Mantenimiento
1ra Generación 2da Generación 3ra Generación
Inventarios y … …
Planificación de Planificación y Coordinación entre áreas
Producción Programación Control de Procesos
Planificación de
Capacidades
Gestión de Costos
Requerimientos
MRP
Control de Producción
MRP II
ERP
EAM
(Enterprise Asset Management)
MRO
Requerimientos (Maintenance Repair and Overhaul)
CMMS ó GMAC
Control de Activos
Organizar Información … …
Registrar datos Planificación y Gestión Integrada de la
Programación información de
Manejo de Paradas Mantenimiento con otros
Modificaciones Técnicas Eq. Sistemas
Amendola, L. J. (2015). Organización y gestión del mantenimiento: mantenimiento como negocio" balanced scorecard". PMM Institute for Learning.
PLANEACIÓN AGREGADA
Es una metodología de planificación a nivel estratégico utilizada principalmente en operaciones y producción.
Su objetivo es equilibrar la demanda y la capacidad de producción a lo largo del tiempo, asegurando que una
empresa pueda cumplir con sus metas de producción sin generar excesos de inventario ni caer en déficit.
La planeación agregada contempla un horizonte de tiempo intermedio, generalmente de 6 a 18 meses, y se
enfoca en la asignación de recursos, como mano de obra, maquinaria y materias primas, para satisfacer la
demanda proyectada.
La planeación agregada considera tres variables clave:
Inventario: Administrar los niveles de stock para satisfacer
la demanda.
Tasa de producción: Ajustar la capacidad de producción
para responder a los cambios en la demanda.
Mano de obra: Optimizar la contratación, despidos o
reasignación de personal para mantener un nivel de
producción eficiente.
PLANEACIÓN AGREGADA
Para los ingenieros en mantenimiento industrial, la planeación agregada tiene una importancia crítica por las
siguientes razones:
Optimización de recursos: Permite una programación efectiva del mantenimiento de máquinas y equipos. Si se
conoce la demanda futura y la capacidad de producción, los ingenieros pueden planificar mejor el mantenimiento
preventivo y correctivo, evitando interrupciones innecesarias o paradas de producción costosas.
Minimización de costos: Ayuda a evitar costos innecesarios por tiempos de inactividad o por reparaciones de
emergencia. Con una planeación adecuada, es posible programar los mantenimientos en momentos donde la
demanda es baja o la capacidad de producción no está siendo explotada al máximo.
Mejora de la confiabilidad del equipo: Al coordinar las actividades de mantenimiento con las operaciones de
producción, se puede asegurar que los equipos estén en condiciones óptimas para cumplir con las necesidades de
producción, minimizando fallas inesperadas.
Aumento de la eficiencia operativa: Una buena integración entre la planeación agregada y el mantenimiento
industrial permite que la operación en general funcione de manera más fluida, ya que se pueden evitar cuellos de
botella o problemas por falta de capacidad debido a fallas o mantenimientos mal programados.
Cumplimiento de los plazos de entrega: Al anticipar la demanda y ajustar las capacidades de producción y
mantenimiento, se logra cumplir con los plazos de entrega, garantizando la satisfacción del cliente y la continuidad de
las operaciones.
PLANIFICACIÓN AGREGADA Y PROGRAMACIÓN DE LA PRODUCCIÓN
INVESTIGACIÓN
MERCADO Y DEMANDA DECISIONES DE PRODUCTO
Y DESARROLLO
PLANIFICACIÓN DEL PROCESO Y
APOYO DE LA CADENA DE
DECISIONES DE CAPACIDAD
PREVISIONES DE SUMINISTROS
LA DEMANDA
RECURSOS
1
DISPONIBLES
PLANIFICACIÓN AGREGADA
DE LA PRODUCCIÓN
2 CAPACIDAD EXTERNA
(SUBCONTRATACIÓN)
FUERZA DE
TRABAJO
PROGRAMACIÓN DE LA PRODUCCIÓN
3
PROGRAMACIÓN DE LA PRODUCCIÓN
A CORTO PLAZO
• Este sistema es iterativo a través de la información de control (o feedback)
• En todo este proceso es preciso diseñar adecuados sistemas de información
GESTIÓN DE OPERACIONES
PREVISIONES DE LA DEMANDA
(Pronósticos)
Profesor Mg. Ing. Félix Pizarro Martínez
[email protected] ¿Cuánto voy a vender el próximo año?
¿Cuántos alumnos se matricularán en las carreras del Departamento?
Pronosticar: Es el arte y la ciencia de predecir los eventos
futuros. Para ello se pueden usar datos históricos y su
proyección hacia el futuro mediante algún tipo de modelo
matemático.
Principios de Pronósticos
• Están casi siempre mal
• Debe incluir una estimación del error
• Son más exactos por grupo de producto
• Son más exactos para los períodos cercanos
CARASTERISTICAS DE LA DEMANDA
DESCOMPOSICIÓN DE UNA SERIE TEMPORAL
Tendencia
➢ Es el movimiento gradual de ascenso o descenso de los datos a lo largo
del tiempo.
➢ Los cambios en la población, ingresos, etc. influyen en la tendencia.
➢ Varios años de duración.
Estacionalidad
➢ Muestra de datos de ascenso o descenso que se repite.
➢ Se puede ver afectada por el clima, las costumbres, etc.
➢ Se produce dentro de un periodo anual.
Ciclos
➢ Movimientos de ascenso o descenso que se repiten.
➢ Se pueden ver afectados por interacciones de factores que influyen en
la economía.
Variaciones Aleatorias
➢ Son “saltos” en los datos causados por el azar y situaciones inusuales.
➢ Son debidas a variaciones aleatorias o a situaciones imprevistas:
• Huelgas, Paros Nacionales, Grandes Movimientos Sociales.
• Inundaciones.
➢ Son de corta duración y no se repiten
Horizonte de tiempo del Pronóstico
Los 7 Pasos de un Pronóstico
1.- Determinar el uso del pronóstico
2.- Seleccionar los aspectos que se deben pronosticar.
3.- Determinar el horizonte del pronóstico
4.- Seleccionar los modelos de pronóstico
5.- Reunir los datos necesarios para elaborar el pronóstico
6.- Obtener el pronóstico
7.- Validar e implantar los resultados
En la práctica, las empresas utilizan una combinación de los dos enfoques
Enfoques de Pronósticos
Jurado de opinión de
Ejecutivos
Métodos Cualitativos Método Delphi
Composición de la fuerza
de ventas
Encuesta en el mercado
de consumo
Enfoque intuitivo
Promedios Móviles (*) Modelos
Métodos Cuantitativos de series
Suavizamiento exponencial (*) de tiempo
Proyección de tendencias (*)
Modelo
Regresión Lineal (*) asociativo
1.- Promedios Móviles.
Promedio Móvil = Demanda en los n periodos anteriores
Promedio Móvil Ponderado = (ponderación para periodo n) (demanda en periodo n)
ponderaciones
Ejemplo: Las ventas de cubrecamas de una empresa X, se muestran en la columna central de la
siguiente tabla. A la derecha se da el promedio móvil de tres meses.
Ventas Reales de Promedio Móvil de 3
Mes Cubrecamas meses
Enero 10
Febrero 12
Marzo 13
Abril 16 (10+12+13)/3 = 11,6
Mayo 19 (12+13+16)/3 = 13,6
Junio 23 (13+16+19)/3 = 16
Julio 26 (16+19+23)/3 = 19,3
Agosto 30 (19+23+26)/3 = 22,6
Septiembre 28 (23+26+30)/3 = 26,3
Octubre 18 (26+30+28)/3 = 28
Noviembre 16 (30+28+18)/3 = 25,3
Diciembre 14 (28+18+16)/3 = 20,6
Vemos que el pronóstico para diciembre es de 20,6 . Para proyectar la demanda de cubrecamas en
enero próximo, sumamos las ventas de octubre, noviembre y diciembre entre 3: pronóstico para
enero = (18+16+14)/3 = 16
Siguiendo con el ejemplo anterior. Esta empresa decidió pronosticar las ventas de cubrecamas
ponderando los últimos tres meses como sigue: Ponderación Aplicada Periodo
3 Último mes o más reciente
2 Hace dos meses
1 Hace tres meses
6 Suma de ponderaciones
Ventas Reales de Promedio Móvil
Mes Cubrecamas Ponderado de 3 meses
Enero 10
Febrero 12
Marzo 13
Abril 16 (3x13)+(2x12)+(10) /6 = 12,3
Mayo 19 (3x16)+(2x13)+(12) /6 = 14,3
Junio 23 (3x19)+(2x16)+(13) /6 = 17
Julio 26 (3x23)+(2x19)+(16) /6 = 20,5
Agosto 30 (3x26)+(2x23)+(19) /6 = 23,8
Septiembre 28 (3x30)+(2x26)+(23) /6 = 27,5
Octubre 18 (3x28)+(2x30)+(26) /6 = 28,3
Noviembre 16 (3x18)+(2x28)+(30) /6 = 23,3
Diciembre 14 (3x16)+(2x18)+(28) /6 = 18,6
Promedio Móvil
Promedio Móvil Ponderado
2.- Suavizamiento Exponencial.
Nuevo pronóstico = Pronóstico del periodo anterior + α (Demanda real en mes anterior – Pronóstico del periodo anterior)
matemáticamente, se puede escribir así:
Ft = Ft-1 + α (At-1 - Ft-1 )
Ft = nuevo pronóstico
F t-1 = pronóstico anterior
α : es la ponderación, o constante de suavizado,
elegida por quien pronostica, que tiene un valor
entre 0 y 1.(0 < α < 1 )
A t-1 = demanda real en el periodo anterior
Ejemplo: En Enero, un distribuidor de automóviles predijo que la demanda para Febrero sería
de 142 camionetas Ford. La demanda real de febrero fue de 153. Si empleamos la constante
de suavizado que eligió la administración , α = 0,20, podemos pronosticar la demanda de
marzo mediante el modelo de suavizamiento exponencial. Sustituyendo los datos del ejemplo
en la fórmula, obtenemos.
Nuevo pronóstico (para la demanda de marzo) = 142 + 0,20 (153 – 142) = 142 + 2,2 = 144,2
α siempre será dada. Se encuentra en un intervalo entre 0 y 1.
aunque en la aplicación real su valor suele variar entre 0,05 y 0,50
Si α es alta, o sea 0,5 el pronóstico se basa en los datos más recientes.
Si α es baja, o sea 0,05 el pronóstico da poca importancia a la demanda reciente y toma en
cuenta los valores históricos de muchos períodos.
Durante los últimos 8 trimestres, el Puerto de Valparaíso ha descargado de los barcos grandes
cantidades de grano. El Jefe de Operaciones del puerto quiere probar el uso de suavizamiento
exponencial para ver que tan bien funciona la técnica para predecir el tonelaje descargado.
Supone que el pronóstico de grano descargado durante el primer trimestre fue 175 toneladas.
Se examinan dos valores de α . (α = 0,10 y α = 0,50).
Pronóstico Pronóstico
Toneladas
Redondeado con Redondeado con
reales
Trimestre descargadas α = 0,10 α = 0,50
1 180 175 Pronóstico del periodo Pronóstico del 175
anterior periodo anterior
2 168 176 = 175 + 0,10 ( 180 – 175) Demanda 178
real en
3 159 175 = 175,50+0,10 (168 – 175,50)
periodo
anterior
173
4 175 166
173 = 174,75+0,10 (159-174,75)
5 190 173 = 173,18+0,10 (175+173,18) 170
6 205 175 = 173,36+0,10(190-173,36) 180
7 180 178= 175,02+0,10(205-175,02) 193
8 182 178 = 178,02 + 0,10 (180-178,02) 186
9 ? 179 = 178,22 + 0,10 (182-178,22) 184
Error del Pronóstico
Mide la precisión del modelo de pronóstico que se ha usado, comparando
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 del Pronóstico = demanda real – valor pronosticado = At - Ft
Medidas para calcular el Error Global del Pronóstico
Desviación Absoluta Media (MAD): Su valor se calcula sumando los
valores absolutos de los errores individuales del pronóstico y dividiendo
entre el número de periodos de datos (n)
MAD = real - pronóstico
n
Durante los últimos 8 trimestres, el Puerto de Valparaíso ha descargado de los barcos grandes
cantidades de grano. El Jefe de Operaciones del puerto quiere probar el uso de suavizamiento
exponencial para ver que tan bien funciona la técnica para predecir el tonelaje descargado.
Supone que el pronóstico de grano descargado durante el primer trimestre fue 175 toneladas.
Se examinan dos valores de α . (α = 0,10 y α = 0,50).
Pronóstico Pronóstico
Toneladas
Redondeado con Redondeado con
reales
Trimestre descargadas α = 0,10 α = 0,50
1 180 175 Pronóstico del periodo Pronóstico del 175
anterior periodo anterior
2 168 176 = 175 + 0,10 ( 180 – 175) Demanda 178
real en
3 159 175 = 175,50+0,10 (168 – 175,50)
periodo
anterior
173
4 175 166
173 = 174,75+0,10 (159-174,75)
5 190 173 = 173,18+0,10 (175+173,18) 170
6 205 175 = 173,36+0,10(190-173,36) 180
7 180 178= 175,02+0,10(205-175,02) 193
8 182 178 = 178,02 + 0,10 (180-178,02) 186
9 ? 179 = 178,22 + 0,10 (182-178,22) 184
Para evaluar la precisión de ambas constantes de suavizado, calculamos los errores de
pronóstico en términos de desviaciones absolutas y MAD
Toneladas Pronóstico Desviación Pronóstico Desviación
reales Redondeado Absoluta Redondeado Absoluta
Trimestre
Descargadas con α=0,10 Para α=0,10 con α=0,50 Para α=0,50
1 180 175 5 175 5
2 168 176 8 178 10
3 159 175 16 173 14
4 175 173 2 166 9
5 190 173 17 170 20
6 205 175 30 180 25
7 180 178 2 193 13
8 182 178 4 186 4
Suma de desviaciones absolutas 84 100
MAD = desviaciones
10,50 12,50
n
Con base en este análisis, una constante de suavizado de α=0,10 es preferible a α=0,50
por que su MAD es más pequeña.
Se debe encontrar la constante de suavizado con el menor error de pronóstico.
Medidas para calcular el Error Global del Pronóstico
Error cuadrático Medio (MSE): Es una segunda forma de medir el error
global del pronóstico. El MSE es el promedio de los cuadrados de las
diferencias entre los valores pronosticados y observados. Su fórmula es:
MSE = (errores de pronóstico) 2
n
Toneladas Pronóstico
reales Redondeado 2
Trimestre (Error)
Descargadas con α=0,10
2
1 180 175 5 = 25
2
2 168 176 (-8) = 64
2
3 159 175 (-16) = 256
4 175 173 (2)2 = 4
2
5 190 173 17 = 289
2
6 205 175 30 = 900
2
7 180 178 2 =4
2
8 182 178 4 = 16
Suma de los cuadrados de los errores 1.558
2
MSE = (errores de pronóstico)
= 1.558 / 8 = 194,75
n
Usando un α= 0,50 se obtendría un MSE de 201,5. Por lo tanto el α= 0,10 es una
mejor elección por que se minimiza el MSE.
Medidas para calcular el Error Global del Pronóstico
Error porcentual absoluto medio (MAPE): Este se calcula como el
promedio de las diferencias absolutas entre los valores pronosticados y los
reales y se expresa como porcentaje de los valores reales. Es decir, si hemos
pronosticado n periodos y los valores reales corresponden a n periodos,
MAPE, se calcula como:
n
100
MAPE = real i - pronóstico i / real i
i=1
n
Toneladas Pronóstico Error porcentual
reales Redondeado Absoluto
Trimestre
Descargadas con α=0,10 100 ( error / real)
1 180 175 100(5/180) = 2,77%
2 168 176 100(8/168) = 4,76%
3 159 175 100(16/159) = 10,06%
4 175 173 100(2/175) = 1,14%
5 190 173 100(17/190) = 8,95%
6 205 175 100(30/205) = 14,63%
7 180 178 100(2/180) = 1,11%
8 182 178 100(4/182) = 2,20%
Suma de errores porcentuales = 45,62%
MAPE = errores porcentuales absolutos = 45,62% = 5,70%
n 8
3.- Proyección de Tendencias
Método de pronóstico de series de tiempo que ajusta una recta de tendencia a una serie de
datos históricos y después proyecta la recta al futuro para pronosticar.
A través del método de Mínimos Cuadrados, encontramos la recta que mejor se ajuste a las
observaciones reales.
Una recta de mínimos cuadrados se describe en términos de su ordenada o intersección con el
eje “y” y su pendiente.
Si calculamos la pendiente y la ordenada, expresamos la recta con la siguiente ecuación:
y = a + b x
y = valor calculado de la variable que debe predecirse (variable dependiente)
a = ordenada
b = pendiente de la recta de regresión (o la tasa de cambio en y para los cambios dados en x)
X = variable independiente (Ej: tiempo)
Las ecuaciones que se utilizan para encontrar los valores de a y b para cualquier recta de
regresión. La pendiente b se encuentra mediante:
xy - n x y
b =
x - nx
2 2
donde: b = pendiente de la recta de regresión
x = valores conocidos de la variable independiente
y = valores conocidos de la variable dependiente
x = promedio del valor de las x
y = promedio del valor de las y
n = número de datos puntuales u observaciones.
Calculamos la ordenada a cómo sigue:
a= y - bx
A continuación se muestra la demanda de energía eléctrica en la ciudad de
Puerto Montt, durante el año 2012 al 2018, en kilowatt.
El Jefe de Operaciones de la empresa SAESA, debe pronosticar la demanda
para el 2019 ajustando una recta de tendencia a estos datos.
Demanda de
Año Energía Eléctrica
2012 74
2013 79
2014 80
2015 90
2016 105
2017 142
2018 122
Para simplificar, transformamos los valores de x (tiempo) en números más
sencillos, como 1,2,3,4…
Demanda de
energía
2
Año Periodo (x) Eléctrica (y) x xy
2012 1 74 1 74
2013 2 79 4 158
2014 3 80 9 240
2015 4 90 16 360
2016 5 105 25 525
2017 6 142 36 852
2018 7 122 49 854
X = 28 y = 692 2
xy = 3.063
x = 140
X = 28 y = 692 = 98,86
X= =4 y=
n 7 n 7
xy - n x y
b = = 3.063 – (7) (4) (98,86) = 295 = 10,54
x - nx
2 2 2
140- (7) ( 4 ) 28
a = y - b x = 98,86 – 10,54 (4) = 56,70
Así, la ecuación de mínimos cuadrados para la tendencia es y = 56,70 + 10,54 x.
Para proyectar la demanda en el 202019, primero denotamos el año 2019 en el
nuevo sistema de códigos como x = 8.
Demanda en el 2019 = 56,70 + 10,54 (8)
= 141,02, o 141 Kilowatt.
Estimamos la demanda para el 2020 insertando x = 9 en la misma ecuación:
Demanda en el 2020 = 56,70 + 10,54 (9)
= 151,56, o 152 Kilowatt.
Para comprobar la validez del modelo, graficamos la demanda histórica y la recta de tendencia.
En este caso debemos tener cuidado y tratar de comprender el cambio en la demanda de 2016 a
2017.
Recta de tendencia y =56,70 + 10,54 x
160
Demanda de energía
150
140
130
120
110 Demanda histórica
100
90
80
70
60
50
2012 2013 2014 2015 2016 2017 2018 2019 2020
Año
4.- Regresión Lineal
•Regresión lineal simple (Sir. Francis Galton):
Podemos usar el mismo modelo matemático que usamos con el método de mínimos cuadrados
para la proyección de tendencias, con el fin de realizar un análisis de regresión lineal. Las
variables dependientes que deseamos pronosticar se simbolizan con y. Pero la variable
independiente, x, ya no necesita ser el tiempo. Usamos la ecuación.
y = a + b x
y = valor calculado de la variable que debe predecirse (variable dependiente)
a = ordenada, intersección con el eje y.
b = pendiente de la recta de regresión
X = variable independiente.
Los siguientes datos relacionan las cifras de ventas de un bar de un
pequeño Hotel, con el número de huéspedes registrados esa semana:
semana Huéspedes Ventas del bar
1 16 $330
2 12 270
3 18 380
4 14 300
400
Ventas del bar
350
300
250
200
150
100
50
4 8 12 16 20 Huéspedes (en miles)
2
Ventas, y Huéspedes,x x xy
330 16 256 5.280
270 12 144 3.240
380 18 324 6.840
300 14 196 4.200
y = 1.280 X = 60 2
x = 920 xy =19.560
X = 60 y = 1.280 = 320
X= = 15 y=
n 4 n 4
xy - n x y
b = = 19.560 – (4) (15) (320) = 360 = 18
x - nx
2 2 2
920- (4) ( 15 ) 20
a = y - b x = 320 – 18(15) = 50
La ecuación de regresión estimada es, por lo tanto,
y = 50 + 18 x 0 Ventas = 50 + 18 (huéspedes)
Si el pronóstico es de 20 huéspedes la semana siguiente ¿de
cuánto se esperan que sean las ventas?
y = 50 + 18 x 0 Ventas = 50 + 18 (huéspedes)
Ventas = 50 + 18 (20)
= 410
Recta de regresión lineal Simple
400
Ventas del bar
350
300 Demanda histórica
250
200
150
100
50
4 8 12 16 20 Huéspedes (en miles)
• Error estándar de la estimación S y,x
Medida de la variabilidad alrededor de la recta de regresión,
su desviación estándar.
El cálculo se llama desviación estándar de la regresión y mide
el error desde la variable dependiente, “y”, hasta la recta de
regresión, en lugar de hasta la media.
S y,x =
( y – yc ) 2
n-2
donde:
y = valor de y de cada dato puntual
yc = valor calculado de la variable
dependiente, a partir de la ecuación de
regresión.
n = número de datos puntuales
Esta ecuación puede resultar más fácil de usar. Ambas fórmulas
entregarán el mismo resultado
S y,x = y 2 - a y - b xy
n-2
Recta de regresión lineal Simple
400
Ventas del bar
350
300 Demanda histórica
250
200
150
100
50
4 8 12 16 20 Huéspedes (en miles)
Para calcular el error estándar de la estimación , la única cifra que
necesitamos es
y2
2
y
108.900
72.900
144.400
90.000
2
y = 416.200
S y,x = y 2 - a y - b xy
n-2
S y,x = 416.200 – 50(1.280) – 18 ( 19.560)
4-2
= 60 Error estándar de la
estimación
= 7,74 $ en ventas
• Coeficiente de correlación para rectas de regresión
Sirve para medir o evaluar la relación entre las dos variables de una regresión lineal. Se expresa
con la letra “r”.
Para calcular el valor, se utiliza la siguiente fórmula: n xy - x y
r=
2 2
2 2
n x - x n y - y
el coeficiente de correlación de Pearson es una
medida de dependencia lineal entre dos variables
aleatorias cuantitativas. A diferencia de la covarianza, la
correlación de Pearson es independiente de la escala de
medida de las variables.
El coeficiente de correlación “r” puede ser cualquier número entre +1 y -1.
Cuatro valores del coeficiente de correlación.
y y
Correlación positiva perfecta Correlación positiva r= 0< r <1
r= +1
X X
y y
X X
Correlación negativa perfecta
No hay Correlación r= 0
r= -1
Siguiendo con el ejemplo, calcular el coeficiente de correlación:
2 2
Ventas, y Huéspedes,x x xy y
330 16 256 5.280 108.900
270 12 144 3.240 72.900
380 18 324 6.840 144.400
300 14 196 4.200 90.000
y = 1.280 X = 60 2 2
x = 920 xy =19.560 y = 416.200
(4) (19.560) - (60) (1.280)
r=
2 2
(4) (920)- (60) (4) (416.200)- (1.280)
= 1.440 1.440
= = 0,993619798
2.112.000 1453,27217
Correlación positiva r= 0< r <1
