Investigacion de operaciones unidad 5 portafolio de evidencia PDF

Preview

Summary

este documento contiene toda la informacion de Investigacion de operaciones unidad 5 portafolio de evidencia para que se guien en sus portafolios de evidencias futuros...

Description

1

Índice Competencia especifica de la unidad…………………………………………………3 Introducción………………………………………………………………………………4 Investigación de la unidad………………………………………………………………5 Lista de cotejo para evaluar investigación……………………………………………32 Evidencia de aprendizaje, Mapa conceptual…………………………………………33 Rubrica para evaluar Mapa conceptual………………………………………….……34 Evidencia de aprendizaje, Ejercicios resueltos……………………………………….36 Rubrica para evaluar Ejercicios………………………………………………………...41 Conclusión………………………………………………………………………………..42

Competencia especifica de la unidad Identifica y formula problemas de la teoría de colas en situaciones del entorno y aplica la teoría de colas para analizar su desempeño y proponer mejoras.

Introducción En esta unidad se verán lo importante que son los pronósticos en la planeación de las empresas e instituciones, ya que todos los departamentos de éstas elaborarán sus planes operativos, objetivos, presupuestos y programas basados en ellos (Wilson y Keating, 1990). Así para el caso del departamento de ventas, éste necesita

de

un pronóstico de ventas

para fijar sus objetivos y planes, de los

cuales a su vez se deriva prácticamente toda la operación del departamento. Luego los demás departamentos dependerán de ese mismo pronóstico, para saber su cantidad de operaciones a efectuar, por ejemplo, producción, quien tendrá que producir la misma cantidad de productos que lo que le señale el pronóstico de ventas, luego el departamento de mantenimiento diseñará

sus

planes y programas de mantenimiento preventivo de la maquinaria, apoyado en las cantidades y los tiempos de producción. Por su parte los departamentos contable y financiero, elaborarán sus presupuestos y flujos de efectivo basados en un pronóstico sobre los ingresos y egresos para el siguiente periodo. Por lo antes señalado, es fácil darse cuenta de la gran importancia que tienen los pronósticos en la etapa de planeación de todos los negocios. Todos los modelos existentes de pronósticos se basan en datos históricos de la variable que se va a pronosticar, para obtener de ellos proyecciones hacia el futuro, las cuales puede suponerse que sigan una determinada tendencia, o bien cambiar debido a la implementación de planes específicos de operaciones de alguna área en particular. También cabe mencionar que se realizaran actividades para la mayor comprensión de este tema

Investigación de la unidad 5.1 Modelos de pronósticos. El pronóstico es un proceso de estimación de un acontecimiento o fenómeno, regularmente económico en el cual se involucra el tiempo, proyectando hacia el futuro datos del pasado, para realizar una estimación cuantitativa del comportamiento del fenómeno estudiado hacia el futuro. La predicción, previsión o adivinación, es un proceso de estimación de un suceso futuro basándose en consideraciones subjetivas diferentes a los simples datos provenientes del pasado; estas consideraciones subjetivas no necesariamente deben combinarse de una manera predeterminada. Es decir, cuando se base en suposiciones subjetivas y no existen datos del pasado, se requiere una predicción, y de lo contrario, se necesita un pronóstico. Los pronósticos son la base de la planificación corporativa a largo plazo. El personal de producción y de operación utiliza pronósticos para tomar decisiones periódicas con respecto a la selección de procesos, a la planificación de la capacidad, a la planificación de la producción, a la programación de actividades y al inventario. Tipos de pronósticos Los pronósticos se pueden clasificar en cuatro tipos básicos: cualitativos, análisis de series de tiempo o cuantitativos, relaciones causales y simulación. Las técnicas cualitativas son de carácter subjetivo y se basan en estimaciones y opiniones. El análisis de series de tiempo se basa en la idea de que se pueden usar los datos relacionados con la demanda del pasado para realizar pronósticos. Los pronósticos causales suponen que la demanda está relacionada con uno o más factores subyacentes del ambiente. Los modelos de simulación permiten al pronosticador recorrer una gama de suposiciones sobre la condición del pronóstico. Modelos comunes para pronósticos cuantitativos

Promedio Móvil Simple. Se promedia un periodo que contiene varios puntos de datos, dividiendo la suma de los valores de los puntos entre el número de puntos. Así, cada punto tiene la misma influencia. Promedio Móvil Ponderado. Ciertos puntos se ponderan más o menos que otros, según se considere conveniente de acuerdo con la experiencia. Suavizamiento o suavización Exponencial. Los puntos de datos más recientes tienen mayor peso; este peso se reduce exponencialmente cuanto más antiguo son los datos. Análisis de Regresiones. Ajusta una línea recta a datos pasados, por lo general relacionando el valor del dato con el tiempo. El método de ajuste más común es el de mínimos cuadrados, permite identificar la tendencia de la serie de tiempo analizada. Análisis de series de tiempo Pronosticar series de tiempo significa extender los valores históricos en el futuro con mediciones que aún no se encuentran disponibles. El pronóstico se realiza generalmente para optimizar áreas como los niveles de inventario, la capacidad de producción o los niveles de personal. Existen dos variables estructurales principales que definen un pronóstico de serie de tiempo: El período, que representa el nivel de agregación. Los períodos más comunes son meses, semanas y días en la cadena de suministro (para la optimización del inventario). Los centros de atención telefónica utilizan períodos de cuartos de hora (para la optimización del personal). El horizonte, que representa la cantidad de períodos por adelantado que es necesario pronosticar. En la cadena de suministro, el horizonte es generalmente igual o mayor que el tiempo de entrega.

5.1.1 Modelos de pronósticos para un nivel constante. Los métodos más simplistas para pronosticar la demanda X i + 1 son:



Ultimo valor



Promedio



Promedios móviles



Exponencial

1. Este es el más simple de los métodos de pronóstico y considera el valor dela variable aleatoria F t + 1 = Xt. Muy simple pero útil únicamente en acotados casos. 2. Pronosticar como valor de la variable.

Esta puede ser una buena estimación cuando se trata de un proceso muy estable o que cambia muy poco tiempo. 3. Los promedios móviles solucionan, en parte, el hecho de que el proceso cambia el tiempo y considera únicamente las ultimas k observaciones, por lo que:

De esta forma, mejoramos el método anterior aunque seguimos asignando el mimos peso relativo a las observaciones más viejas que a las más actuales. 4. El método exponencial o de suavizado exponencial, soluciona este problema introduciendo una constante de suavizado, α, 0 < α < 1 y calcula el nuevo valor dela variable aleatoria como F t+1 = α Xt + (1 – α) Ft Estos métodos muestran el hecho fundamental de que los procesos son cambiantes y están sujetos a factores externos que deben ser tenidos en cuenta a la hora de realizar el modelo. Una de estos factores, el que suscita nuestro interés en este momento, es el factor estacional. Por ejemplo, las necesidades de nuestro insumo tinta, se verán afectadas por la demanda del producto, la cual tendrá grandes variaciones a lo largo del año si se trata por ejemplo de un juguete muy

popular que verá incrementadas sus ventas durante las festividades de reyes, día del niño y navidad. Este factor estacional hace que nuestra serie de tiempo viole la suposición de que el modelo es de nivel constante. Para poder utilizar estos métodos deberemos primero eliminar el factor estacional de nuestra serie de tiempo. Los promedios móviles y el suavizamiento exponencial son los mejores y más fáciles de usar para pronósticos a corto plazo: requieren pocos datos y los resultados son de nivel medio. Los modelos a largo plazo son más complejos, requieren más datos de entrada y ofrecen mayor precisión. Desde ya, los términos corto, medio y largo son relativos, dependiendo del contexto en que se apliquen. En los pronósticos empresariales, el corto plazo por lo general se refiere a menos de tres meses; el medio, de tres meses a dos años; y el largo, a más de dos años. En términos generales, los modelos a corto plazo se ajustan para cambios a corto plazo (como la respuesta de los consumidores ante un nuevo producto). Los pronósticos a medio plazo son buenos para efectos estaciónales y los modelos a largo plazo detectan las tendencias generales y son de utilidad especial para identificar punto de cambios decisivos.

5.1.2 Efectos estacionales en los modelos de pronósticos. La Estacionalidad siempre ha jugado un papel primordial en el análisis de series de tiempo. La mayoría de las técnicas para realizar pronósticos requieren condiciones de estacionalidad. Por lo tanto necesitamos algunas condiciones, es decir, las series de tiempo necesitan tener un proceso estacionario de primer y segundo orden. Estacionario de Primer Orden: Una serie de tiempo está en el estacionario de primer orden si el valor esperado de Xt se mantiene constante para cualquier valor de t. Por ejemplo, en series de tiempo económicas el proceso se encuentra en estacionario de primer orden cuando removemos cualquier tendencia por algún mecanismo como la diferenciación. Estacionario de Segundo Orden: Una serie de tiempo se encuentra estacionaria de segundo orden solamente cuando la estacionaria de primer orden y la covarianza entre Xt y Xs es función de la anchura (t-s).

De nuevo, en series de tiempo económicas, un proceso es estacionario de segundo orden cuando estabilizamos sus variables por cualquier tipo de transformación como la raíz cuadrada

5.2 Suavizado exponencial en modelos de tendencia lineal. Suavizado Exponencial: Este modelo permite efectuar compensaciones para algunas tendencias o para cierta temporada al calcular cuidadosamente los coeficientes Ct. Si se desea se puede dar a los meses más recientes pesos mayores y amortiguar en parte los efectos del ruido al dar pesos pequeños a las demandas más antiguas. El coordinador o el administrador debe escoger los valores de los coeficientes, de su elección dependerá el éxito o fracaso del modelo. Los modelos de suavizado exponencial se encuentran disponibles en los paquetes para computadora, estos modelos requieren relativamente poco almacenamiento de datos y unas cuantas operaciones. El suavizado exponencial se distingue por la manera tan especial de dar pesos a cada una de las demandas anteriores al calcular el promedio. El modelo de los pesos es de forma exponencial. La demanda de los periodos más recientes recibe un peso mayor; los pesos de los periodos sucesivamente anteriores decaen de una manera exponencial. En otras palabras, los pesos decrecen en su magnitud a medida que se aplican datos anteriores, siendo el decremento no lineal (exponencial). Suavizado exponencial de primer orden: La ecuación para crear un pronóstico nuevo o actualizado utiliza dos fuentes de información: La demanda real para el periodo más reciente y, El pronóstico más reciente. A medida que termina cada periodo se realiza un nuevo pronóstico. Después que termina el periodo t – 1 se conoce la demanda actual Dt-1. Al inicio del periodo t – 1. Por lo tanto, al final se hizo un pronóstico F t-1. Por lo tanto, al final de t – 1 se tiene las informaciones necesarias para calcular el pronóstico de la demanda para el próximo periodo.

Doble suavizado exponencial: El doble suavizado exponencial tiende a suavizar el ruido en series de demanda estables. El modelo es directo; suaviza el pronóstico obtenido con un modelo de suavizado exponencial de primer orden y el pronóstico obtenido mediante un modelo de suavizado exponencial doble.

Ft es el modelo de suaviza miento exponencial de primer orden y debe ser calculado antes de encontrar la FDL

5.3 Errores en los pronósticos. El error del pronóstico es la diferencia entre el valor real y el pronosticado del período correspondiente. Et = Yt - Ft Dónde: Et = error del pronóstico del periodo. Yt = valor real para ese periodo. Ft = valor que se había pronosticado Medias de error:

5.4 Pronósticos causales con regresión lineal. El objetivo es pronosticar una variable dependiente, por ejemplo las ventas, en función de una o más variables independientes, por ejemplo el precio. Este es un pronóstico causal, porque el valor de la variable dependiente está causado o al menos

tiene

una

correlación

alta

con

el

valor

de

las(s)

variable(s)

independiente(s). Lo primero que debe hacerse es un análisis de correlación para medir la asociación entre las dos variables: Elaborar un diagrama de dispersión para observar si existe una relación lineal entre las variables. En un sistema de coordenadas graficar la nube de puntos considerando X = variable independiente e Y = variable dependiente. Calcular el coeficiente de correlación para establecer la medida de la fuerza de la relación lineal entre las dos variables. Este coeficiente tiene las siguientes características: Varia de -1 hasta +1, ambos inclusive.

Un valor cercano a 0 indica que hay poca asociación entre las variables. Un valor cercano a +1 indica una asociación directa o positiva entre las variables. Un valor cercano a -1 indica una asociación inversa o negativa entre las variables. Calcular el coeficiente de determinación para determinar la proporción de la variación total en la variable dependiente Y que se explica por la variación en la variable independiente X. Realizar una prueba de la importancia del coeficiente de correlación para determinar si la correlación se debe o no a la casualidad. Si el análisis de correlación concluye que existe una relación lineal fuerte entre las variables, se procede a elaborar una ecuación para expresar la relación lineal(recta) entre las variables con la finalidad de estimar el valor de la variable dependiente Y con base en un valor seleccionado de la variable independiente X. La técnica para desarrollar la ecuación y proporcionar los estimados se denomina análisis de regresión. La referida ecuación de la recta que relaciona las variables es una ecuación de regresión que se determina aplicando el método matemático denominado “principio de los mínimos cuadrados” que proporciona la recta del “mejor ajuste”. El método de los mínimos cuadrados Determina una ecuación de regresión al minimizar la suma de las desviaciones cuadráticas entre los valores reales y los valores estimados de Y. Regresión lineal simple Ejemplo: La siguiente información muestra las llamadas realizadas a clientes y computadoras vendidas por 10 vendedores. Vendedores 1 2 3 4 5

Llamadas a clientes 20 40 20 30 10

Computadoras Vendidas 30 60 40 60 30

6 7 8 9 10

10 20 20 20 30

40 40 50 30 70

Se desea determinar si existe una relación lineal entre las variables y usar esta relación para fines de pronóstico de ventas. Paso 1: Determinar cuáles son las variables independiente y dependiente. Al analizar los datos se observa cierta relación entre el número de llamadas a clientes y el número de computadoras vendidas. Por ejemplo, el vendedor 1 hizo 20 llamadas a clientes y vendió 30 computadoras, el vendedor 2 hizo 40 llamadas a clientes y logró una venta de 60 computadoras. Es decir, los vendedores que hicieron más llamadas a clientes vendieron más computadoras. Sin embargo, la relación no es “perfecta” o exacta. Por ejemplo, el vendedor 10 hizo menos llamadas que el vendedor 2, pero vendió más computadoras. Concluimos que probablemente las ventas de computadoras dependen de la cantidad de llamadas que se hagan a los clientes. En este sentido, las variables son las siguientes: X = cantidad de llamadas a clientes (variable independiente) Y = cantidad de computadoras vendidas (variable dependiente) Paso 2: Elaboramos el diagrama de dispersión para establecer si la relación entre las variables es lineal o no lineal. En un sistema de coordenadas graficamos los diez puntos (x, y) = (20, 30); (40, 60); (20, 40); (30, 60); (10, 30); (10, 40); (20, 40); (20, 50); (20, 30); (30, 70).

La nube de puntos en el diagrama de dispersión nos muestra una relación lineal (lo cual se indica con la línea punteada por el centro de la nube) entre las ventas de computadoras (variable dependiente) y la cantidad de llamadas a clientes (variable independiente). Considerando que los valores de los coeficientes de correlación y de determinación suelen obtenerse fácilmente con los valores de “a” y “b” de la recta de regresión, vamos a suspender por el momento el análisis de correlación para determinar la recta de regresión. Pasó 3: Recta de Regresión Una vez establecida una relación lineal, se puede emplear el conocimiento de la variable independiente para pronosticar la variable dependiente mediante una línea recta Y = a + bX, cuyos parámetros “a” y “b” se determinan aplicando el modelo de regresión lineal simple mediante las siguientes fórmulas: yˆ = a + bx Cuando: y = valor de la variable dependiente (en nuestro ejemplo, ventas) a = intersección con el eje y

b = pendiente de la recta de regresión x = variable independiente

5.5 Definición y tipos de inventarios. El inventario es el conjunto de mercancías o artículos que tiene la empresa para comerciar con aquellos, permitiendo la compra y venta o la fabricación primero antes de venderlos, en un periodo económico determinados. Deben aparecer en el grupo de activos circulantes.

Es uno de los activos más grandes existentes en una empresa. El inventario aparece tanto en el balance general como en el estado de resultados. En el balance General, el inventario a menudo es el activo corriente mas grande. En el estado de resultado, el inventario final se resta del costo de mercancías disponibles para la venta y así poder determinar el costo de las mercancías vendidas durante un periodo determinado. Los inventarios son importantes para los fabricantes en general, varia ampliamente entre los distintos grupos de industrias. La composición de esta parte del activo es una gran variedad de artículos, y es por eso que se han clasificado de acuerdo a su utilización en los siguientes tipos: Tipos de inventarios Inventario Perpetuo: Es el que se lleva en continuo acuerdo con las existencias en el almacén, por medio de un registro detallado que puede servir también como mayor auxiliar, donde se llevan los importes en unidades monetarias y las cantidades físicas. A intervalos cortos, se toma el inventario de las diferentes secciones del almacén y se ajustan las cantidades o los importes o ambos, cuando

es

necesario,

de

acuerdo

con

la

cuenta

física.

Los registros perpetuos son útiles para preparar los estados financieros mensuales, trimestral o provisionalmente. El negocio puede determinar el costo

del inventario final y el costo de las mercancías vendidas directamente de las cuentas sin tener que contabilizar el inventario. El sistema perpetuo ofrece un alto grado de control, porque los registros de inventario están siempre actualizados. Anteriormente, los negocios utilizaban el sistema perpetuo principalmente para los inventarios de alto costo unitario, como las joyas y los automóviles; hoy día con este método los administradores pueden tomar mejores decisiones acerca de las cantidades a comprar, los precios a pagar por el inventario, la fijación de precios al cliente y los términos de venta a ofrecer. El conocimiento de la cantidad disponible ayuda a proteger el inventario. Inventario Intermitente: Es un inventario que se efectúa varias veces al año. Se recurre al, por razones diversas, no se puede introducir en la contabilidad del inventario contable permanente, al que se trata de suplir en parte. Inventario Final: Es aquel que realiza el comerciante al cierr...