1. La siguiente tabla presenta una porción de los resultados obtenidos durante la aplicación de la técnica de suavizamiento exponencial simple, con α = 0,3. En particular se presenta la demanda en el período t (Dt), el pronóstico de la demanda en el período t (Ft), el error en el período t (equivalente a Dt – Ft) y el MAD (desviación absoluta de la media entre los períodos 0 y 3). Período 0 1 2 3 Dt (unidades) [a] 120 140 160 Ft (unidades) [b] 100 [c] [d] Error (unidades) 10 MAD (unidades) [e] [f] Se solicita completar la tabla, obteniendo los valores de [a], [b], [c], [d], [e] y [f]. (40 puntos) Solución 100 = Fo + 10 * 0,3 Fo = 97 [b] Do = 107 [a] F2 = 100 + 0,3 * (120 – 100) F2 = 106 [c] Error = 34 [e] F3 = 106 + 0,3 *(140 – 106) F3 = 116,2 [d] MAD = 26,95 [f] 2. Considere la demanda trimestral de la Corporación ABB que se muestra a continuación. Año 1 2 Tabla 1 Trimestre Demanda (unidades) I 98 II 106 III 109 IV 153 I 101 II 116 III 117 IV 170 Se solicita lo siguiente: a) En base al modelo de Winter, obtenga la demanda pronosticada para los dos años indicados en la tabla anterior y el MAPE. Considere los siguientes parámetros: α = 0,1, β = 0,2; γ = 0,1. (30 puntos) b) ¿Recomendaría utilizar el modelo de Holt o el modelo de Winter para pronosticar la demanda? Justifique claramente su respuesta. Hint: La respuesta es conceptual; no se requiere estimar la demanda mediante el modelo de Holt. (10 puntos) Solución a) Per 1 2 3 4 5 6 7 8 Año 1 2 Trimestre Demanda F I 98 98,8 II 106 106,8 III 109 114,2 IV 153 120,8 I 101 127,1 II 116 133,2 III 117 138,5 IV 170 143,3 T 7,0 7,2 7,2 7,1 6,9 6,8 6,5 6,1 St 0,8 0,9 0,9 1,3 0,84 0,92 0,93 1,33 FITS 79,2 96,8 106,2 161,8 107,1 123,8 130,8 192,2 ERR 19% 9% 3% 6% 6% 7% 12% 13% MAPE 9,2% b) Dado que los datos presentan estacionalidad y tendencia, se recomendaría el modelo de Winter. 3. Considere siguiente set de datos: Periodo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 Fecha 2017-03-31 2017-04-30 2017-05-31 2017-06-30 2017-07-31 2017-08-31 2017-09-30 2017-10-31 2017-11-30 2017-12-31 2018-01-31 2018-02-28 2018-03-31 2018-04-30 2018-05-31 2018-06-30 2018-07-31 2018-08-31 2018-09-30 2018-10-31 2018-11-30 2018-12-31 Valor 654 658 665 672 673 671 693 694 701 703 702 710 712 711 728 712 731 754 765 767 770 777 Una empresa desea pronosticar la demanda de productos para enero, febrero y marzo del 2019, para lo cual cuenta con el registro mensual de los últimos 22 meses. En base a esto, responda lo siguiente: a) Grafique las observaciones. Según lo observado, ¿la serie presenta algún tipo de tendencia y/o estacionalidad? De ser así, ¿cuál? Justifique adecuadamente. (5 puntos) b) Realice el pronóstico para los periodos 2019-01-31, 2019-02-28 y 2019-03-31 mediante el método de medias móviles y considerando k=4. Grafique dichos resultados. (15 puntos) c) ¿Cómo se explica el resultado obtenido en dichos periodos? ¿Cuál es el problema existente al pronosticar para 2019-02-28 y 2019-03-31? (10 puntos) d) Determine el error cuadrático medio (MSE) y el error porcentual absoluto medio (MAPE) (10 puntos). Solución a) b) Period 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 Date 2017-03-31 2017-04-30 2017-05-31 2017-06-30 2017-07-31 2017-08-31 2017-09-30 2017-10-31 2017-11-30 2017-12-31 2018-01-31 2018-02-28 2018-03-31 2018-04-30 2018-05-31 2018-06-30 2018-07-31 2018-08-31 2018-09-30 2018-10-31 2018-11-30 Real 654 658 665 672 673 671 693 694 701 703 702 710 712 711 728 712 731 754 765 767 770 Forecast 662,25 667,00 670,25 677,25 682,75 689,75 697,75 700,00 704,00 706,75 708,75 715,25 715,75 720,50 731,25 740,50 754,25 e 10,8 4,0 22,8 16,8 18,3 13,3 4,3 10,0 8,0 4,3 19,3 3,3 15,3 33,5 33,8 26,5 15,8 e^2 115,6 16,0 517,6 280,6 333,1 175,6 18,1 100,0 64,0 18,1 370,6 10,6 232,6 1122,3 1139,1 702,3 248,1 |e|/Real 1,6% 0,6% 3,3% 2,4% 2,6% 1,9% 0,6% 1,4% 1,1% 0,6% 2,6% 0,5% 2,1% 4,4% 4,4% 3,5% 2,0% Period 22 23 24 25 Date 2018-12-31 31-01-2019 28-02-2019 31-03-2019 Real 777 - Forecast 764,00 769,75 769,75 769,75 e 13,0 e^2 169,0 |e|/Real 1,7% c) Los resultados de los pronósticos se explican en base al promedio de las observaciones de los 4 períodos previos al periodo pronosticado. El problema que surge para los períodos mencionados es que la estimación pierde “calidad” al no conocer los valores de las observaciones del periodo 2019-01-31 y 2019-02-28, lo cual afecta a la correcta estimación de los pronósticos del periodo 2019-02-28 y 2019-03-31. d) Medidas de error MAD 15,14 MAPE 2,1% MSE 312,9 4. Considere siguiente set de datos: Periodo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 Fecha 2017-03-31 2017-04-30 2017-05-31 2017-06-30 2017-07-31 2017-08-31 2017-09-30 2017-10-31 2017-11-30 2017-12-31 2018-01-31 2018-02-28 2018-03-31 2018-04-30 2018-05-31 2018-06-30 2018-07-31 2018-08-31 2018-09-30 Valor 654 658 665 672 673 671 693 694 701 703 702 710 712 711 728 712 731 754 765 Periodo 20 21 22 Fecha 2018-10-31 2018-11-30 2018-12-31 Valor 767 770 777 Una empresa desea pronosticar la demanda de productos para enero, febrero y marzo del 2019, para ello cuenta con el registro mensual de los últimos 22 meses. En base a esto, responda lo siguiente: a) Realice el pronóstico para los periodos 2019-01-31, 2019-02-28 y 2019-03-31 mediante el método de suavizamiento exponencial simple, considerando α=0,3. (15 puntos) b) ¿Cómo se explica el resultado obtenido en dichos periodos? ¿Cuál es el problema existente al pronosticar para 2019-02-28 y 2019-03-31? (10 puntos) c) Contraste gráficamente las observaciones y los valores pronosticados. (5 puntos) d) Determine el error medio absoluto (MAD) y el error porcentual absoluto medio (MAPE) para los periodos calculados. (10 puntos) Solución a) Period 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 Date 2017-03-31 2017-04-30 2017-05-31 2017-06-30 2017-07-31 2017-08-31 2017-09-30 2017-10-31 2017-11-30 2017-12-31 2018-01-31 2018-02-28 2018-03-31 2018-04-30 2018-05-31 2018-06-30 2018-07-31 2018-08-31 2018-09-30 Real 654 658 665 672 673 671 693 694 701 703 702 710 712 711 728 712 731 754 765 Forecast 654,00 654,00 655,20 658,14 662,30 665,51 667,16 674,91 680,64 686,75 691,62 694,74 699,31 703,12 705,48 712,24 712,17 717,82 728,67 e 0,0 4,0 9,8 13,9 10,7 5,5 25,8 19,1 20,4 16,3 10,4 15,3 12,7 7,9 22,5 0,2 18,8 36,2 36,3 e^2 0,0 16,0 96,0 192,1 114,5 30,2 667,9 364,5 414,7 264,2 107,7 233,0 160,9 62,1 507,0 0,1 354,7 1309,2 1319,7 |e|/Real 0,0% 0,6% 1,5% 2,1% 1,6% 0,8% 3,7% 2,8% 2,9% 2,3% 1,5% 2,1% 1,8% 1,1% 3,1% 0,0% 2,6% 4,8% 4,7% Period 20 21 22 23 24 25 Date 2018-10-31 2018-11-30 2018-12-31 31-01-2019 2019-02-28 2019-03-31 Real 767 770 777 - Forecast 739,57 747,80 754,46 761,22 761,22 761,22 e 27,4 22,2 22,5 e^2 752,4 492,9 508,1 |e|/Real 3,6% 2,9% 2,9% c) El resultado se explica en base a las observaciones y pronósticos de periodos anteriores, ponderados por un factor alfa y 1-alfa, que miden la importancia asignada en los pronósticos a dichos valores. El problema es que la estimación pierde “calidad” al no conocer los valores de las observaciones del periodo 2019-01-31 y 2019-02-28, lo cual afecta a la correcta estimación de los pronósticos del periodo 2019-02-28 y 2019-03-31. Algunos softwares mantienen el pronóstico del último periodo válido como pronóstico de los periodos futuros. d) Medidas de error MAD 16,27 MAPE 2,2% MSE 362,2 5. Considere siguiente set de datos: Periodo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 Fecha 2017-03-31 2017-04-30 2017-05-31 2017-06-30 2017-07-31 2017-08-31 2017-09-30 2017-10-31 2017-11-30 2017-12-31 2018-01-31 2018-02-28 2018-03-31 2018-04-30 2018-05-31 2018-06-30 2018-07-31 Valor 654 658 665 672 673 671 693 694 701 703 702 710 712 711 728 712 731 Periodo 18 19 20 21 22 Fecha 2018-08-31 2018-09-30 2018-10-31 2018-11-30 2018-12-31 Valor 754 765 767 770 777 Una empresa desea pronosticar la demanda de productos para enero, febrero y marzo del 2019, para ello cuenta con el registro mensual de los últimos 22 meses. En base a esto, responda lo siguiente: a) Grafique la serie de tiempo (5 puntos). b) Realice el pronóstico para los periodos 2019-01-31, 2019-02-28 y 2019-03-31 mediante el método de suavizamiento exponencial doble (método de Holt), considerando α=0.3. Y β=0.5 (15 puntos) c) ¿Cómo se explica el resultado obtenido en dichos periodos? ¿Existe algún problema al pronosticar para 2019-02-28 y 2019-03-31? (10 puntos) d) Determine el error medio absoluto (MAD) y el error porcentual absoluto medio (MAPE) para los periodos calculados. (10 puntos) Solución a) b) Period Date Real F T FIT e e^2 |e|/Real 1 2017-03-31 654 644,9 (*) 5,7 (*) 650,6 3,4 11,7 0,5% 2 2017-04-30 658 651,6 6,2 657,8 0,2 0,0 0,0% 3 2017-05-31 665 657,9 6,2 664,1 0,9 0,9 0,1% 4 2017-06-30 672 664,3 6,4 670,7 1,3 1,7 0,2% 5 2017-07-31 673 671,1 6,6 677,6 4,6 21,6 0,7% 6 2017-08-31 671 676,3 5,9 682,1 11,1 123,4 1,7% 7 2017-09-30 693 678,8 4,2 683,0 10,0 100,7 1,4% 8 2017-10-31 694 686,0 5,7 691,7 2,3 5,4 0,3% 9 2017-11-30 701 692,4 6,0 698,4 2,6 6,7 0,4% 10 2017-12-31 703 699,2 6,4 705,6 2,6 6,9 0,4% 11 2018-01-31 702 704,8 6,0 710,9 8,9 78,7 1,3% 12 2018-02-28 710 708,2 4,7 712,9 2,9 8,5 0,4% 13 2018-03-31 712 712,0 4,3 716,3 4,3 18,6 0,6% 14 2018-04-30 711 715,0 3,6 718,6 7,6 58,4 1,1% 15 2018-05-31 728 716,3 2,5 718,8 9,2 84,2 1,3% 16 2018-06-30 712 721,6 3,9 725,4 13,4 180,4 1,9% 17 2018-07-31 731 721,4 1,8 723,2 7,8 60,2 1,1% 18 2018-08-31 754 725,6 3,0 728,6 25,4 646,7 3,4% 19 2018-09-30 765 736,2 6,8 743,0 22,0 483,3 2,9% 20 2018-10-31 767 749,6 10,1 759,7 7,3 52,9 0,9% 21 2018-11-30 770 761,9 11,2 773,1 3,1 9,7 0,4% 22 2018-12-31 777 772,2 10,7 782,9 5,9 35,0 0,8% 23 2019-01-31 - 781,1 9,9 791,0 24 2019-02-28 - 25 2019-03-31 (*) Los valores iniciales se pueden suponer. 800,8 810,7 c) El resultado se explica en base a las observaciones, valores suavizados y tendencia, ponderados por factores que miden la importancia asignada en el pronóstico a dichos valores en función de los valores actuales y un periodo pasado. No existe problemas, pues al considerar una tendencia en la estimación, el modelo asumirá que la serie mantendrá el mismo comportamiento de los datos obtenidos con respecto a la última observación, extrapolando la tendencia a p periodos en el futuro, y permitiendo el cálculo para los periodos solicitados. d) Medidas de error MAD 11,13310 MAPE 1,55% MSE 170,42274 1. ¿Por qué la utilización de equipos en las industrias de servicios centrados en procesos suele ser baja? R: La utilización de equipos es baja porque el exceso de capacidad es deseable para satisfacer los peak de demanda y la programación suele ser difícil. 2. El balanceo de la línea de ensamble se acaba de utilizar en una empresa para resolver un problema de distribución de instalaciones. Dos soluciones resultaron especialmente atractivas para los directores de la planta. Ambas soluciones producen la misma producción por día y ambas tienen el mismo número de estaciones de trabajo. Los gerentes decidieron romper el empate al observar la eficiencia de la línea, pero descubrieron que ambas líneas también tenían la misma eficiencia. ¿Deberían haberse sorprendido por esto? Justifique claramente su respuesta. R: No deberían sorprenderse. La eficiencia es la relación entre el trabajo real necesario por unidad y el tiempo disponible. El trabajo necesario es claramente el mismo en ambos casos, ya que el producto es el mismo. El trabajo disponible también es el mismo, ya que ambas líneas tienen el mismo número de estaciones y el mismo tiempo de ciclo. Una vez que se conoce el tiempo de ciclo y el número de estaciones, también se conoce la eficiencia, sin importar qué tareas se asignen a qué estaciones dentro de ese marco. 3. Comente la siguiente afirmación: “TOC (Teoría de las Restricciones) es el mejor sistema de gestión de la producción para reducir el inventario en proceso (WIP), seguido de JIT (Justo a Tiempo). El sistema tradicional es levemente peor que JIT en la cantidad de WIP”. Justifique su respuesta. R: La afirmación es falsa. JIT es el mejor sistema para reducir el WIP, seguido de TOC. El sistema tradicional es lejos el de peor desempeño en la cantidad de inventario. 4. Explique por qué reducir o eliminar los niveles de inventarios es una herramienta efectiva para identificar la variabilidad. Mencione un ejemplo. R: Al manejar bajo nivel de inventario o no poseer, generará que las unidades sean requeridas sólo cuando se necesitan, por lo tanto, cualquier problema se evidenciará de forma instantánea. Esto permitirá detectar tempranamente la variabilidad y la fuente de esta. Al contrario, si se almacena dicha unidad, el problema sería detectado al tiempo después, una vez que sea requerida, lo cual puede generar que durante todo aquel tiempo se hallan generado una tardía detección de la variabilidad. 5. Explique por qué un enfoque Pull favorece la reducción de inventario. Mencione un ejemplo. Un enfoque pull permite reducir los niveles de inventario pues el sistema funciona bajo “pedido”. Una vez que se realiza la solicitud por parte del cliente, el producto comienza a ser “jalado”, solicitando en ese instante los insumos a la SC. Al jalar el material a lo largo del sistema en lotes muy pequeños (justo como se necesitan) se elimina el desperdicio y el inventario. Esto evita, por ejemplo, la acumulación de inventario de productos terminados esperando ser vendidos (enfoque push). 6. Defina el desperdicio según los sistemas de operaciones Lean (esbeltos), explicando al menos 3 tipos de desperdicios. Cualquier actividad que no agrega valor a los ojos del cliente es un desperdicio. El cliente define el valor del producto, y si no quiere pagar por él, es un desperdicio al desviar los recursos hacia ello. ● Sobreproducción: producir más de lo que ordena el cliente o producir por adelantado (antes de que el producto sea demandado) es desperdicio. Por lo general, el inventario de cualquier tipo es un desperdicio. ● Tiempo de espera: el tiempo de ocio, el almacenamiento y la espera son un desperdicio (no agregan valor). ● Transporte: el movimiento de materiales entre las plantas o entre los centros de trabajo y el manejo en más de una ocasión son un desperdicio. ● Inventario: las materias primas innecesarias, el trabajo en proceso (WIP), los bienes terminados y el exceso de suministros no agregan valor y son desperdicios. ● Movimiento: el movimiento de equipo o personas que no agrega valor es un desperdicio. ● Procesamiento excesivo: el trabajo realizado sobre el producto pero que no agrega valor es un desperdicio. ● Producto defectuoso: las devoluciones, las reclamaciones de garantía, el trabajo repetido y los sobrantes son un desperdicio. 7. Explique por qué un sistema JIT disminuye el costo de obtener buena calidad Este ahorro se debe a que los costos por desecho, trabajo repetido, inversión en inventario y daños están ocultos en el inventario. El JIT obliga a disminuir el inventario; por lo tanto, se producen menos unidades defectuosas y menos unidades que requieren trabajo repetido, exponiendo de inmediato los problemas de calidad. De esta forma, conserva fresca la evidencia de los errores y limita el número de fuentes de error potenciales. 8. ¿Cuál es la finalidad de construir pronósticos? ¿Cuáles son las reglas que debe seguir su proceso de elaboración? R: La finalidad de un pronóstico es reducir el nivel de incertidumbre con que deben realizarse los juicios de la gerencia. Tal propósito sugiere dos reglas fundamentales, las cuales debe seguir el proceso de elaboración de pronósticos: . El pronóstico debe ser técnicamente correcto y generar pronósticos lo suficientemente precisos para satisfacer las necesidades de la empresa. . El procedimiento de elaboración de pronósticos y sus resultados tienen que presentarse convincentemente a la gerencia, de modo que los pronósticos se utilicen en el proceso de toma de decisiones para beneficio de la compañía; los resultados también deben justifcarse desde el punto de vista del costo-beneficio. 9. ¿Cuál es el inconveniente que pueden llegar a tener las mediciones del error MAD y MSE, que se ve subsanado con el MAPE? R: Un problema tanto con 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 millones, los valores de la MAD y del MSE pueden ser muy grandes. Para evitar este problema, podemos usar el error porcentual absoluto medio (MAPE)