MAESTRIA EN GESTION DE NEGOCIOS DE

MANUFACTURA
LG-8000-Diseño de sistemas logísticos
Tarea:
Realizar un experimento con datos reales
de un pronóstico de inventario doméstico

Jesús Daniel Hernandez Villegas

2do semestre
1
INDICE

Introducción ………………………………………………………………3

Extension del trabajo ……………………………………………..……..4

Promedio movil simple ………………………………………………… 5

Regresion lineal………………………………………………………… .6

Suavizacion exponencial ……………………………………………….7

Conclusiones…………………………………………………………….8

2
Introducción

La importancia de los pronósticos son parte imprescindible para la planeación de la

cadena de suministro, ya que nos permite visualizar el comportamiento de la demanda a
futuro y de esta manera poder optimizar los recursos y brindar un buen servicio al cliente.
dan una respuesta con un margen de riesgo mínimo a cuestiones relacionadas como: qué
hacer si la demanda es mayor a la oferta ó bien, como actuar cuando la demanda es
menor a la oferta. la clave para el éxito y la planeación es la colaboración. esta
colaboración debe hacerse tanto interna, como de todos los eslabones de la cadena de
suministros.

3
 Actualmente trabajo en la empresa climas KONFORT en el departamento de pólizas y
servicios. Básicamente nuestro departamento es dar mantenimiento preventivo,
predictivo y correctivo a los equipos de aire acondicionado, los cuales llevan gas
refrigerante (R22, R410, y varios más) se he llevado una estadística del consumo diario de
gas. Esta falta de gas en los equipos es debido a varios factores:

 Corrosión.
 Vibración.
 Mala calidad en los materiales.
 Mal soldado en unión de tubería.
Escogí analizar el consumo de gas ya que llevamos el control, tomé el consumo de 60
días e hice distintos análisis de pronósticos Promedio móvil simple, Regresión Lineal y
suavización exponencial. Cabe destacar que la variación del consumo de gas es muy
diferente ya que los técnicos ven diferentes tipos de equipos de distintas toneladas, los
cuales varían en cantidad de gas refrigerante. Es por esto que en ciertos días si se
autorizan localizar y sellar fugas de varios mini Split contra días donde tenemos más carga
de trabajo de equipos paquete(centrales) varía mucho el utilizar gas.

También depende mucho la temporada del año, ya que en temporada de calor que
viene iniciando prácticamente a principios de marzo a mediados de octubre, es donde
tenemos más carga trabajo, por lo tanto, usamos más gas en reparaciones. Si
analizáramos este análisis contra otro estado variaría mucho ya que depende mucho del
clima.

4
Consumo de gas refrigerante diario en el departamento de pólizas y servicios

Promedio móvil simple

Dia Kg gas R22 Pronostico 31 27 26.33 0.67 0.67
N=3 Xt Xt et=Xt-Xt Abs(e t) 32 15 26.33 -11.33 11.33
1 29 33 9 23.00 -14.00 14.00
2 9 34 26 17.00 9.00 9.00
3 23 35 16 16.67 -0.67 0.67
4 27 20.33 6.67 6.67 36 21 17.00 4.00 4.00
5 21 19.67 1.33 1.33 37 22 21.00 1.00 1.00
6 22 23.67 -1.67 1.67 38 26 19.67 6.33 6.33
7 19 23.33 -4.33 4.33 39 19 23.00 -4.00 4.00
8 22 20.67 1.33 1.33 40 14 22.33 -8.33 8.33
9 7 21.00 -14.00 14.00 41 24 19.67 4.33 4.33
10 16 16.00 0.00 0.00 42 8 19.00 -11.00 11.00
11 28 15.00 13.00 13.00 43 28 15.33 12.67 12.67
12 26 17.00 9.00 9.00 44 4 20.00 -16.00 16.00
13 9 23.33 -14.33 14.33 45 29 13.33 15.67 15.67
14 15 21.00 -6.00 6.00
46 7 20.33 -13.33 13.33
15 18 16.67 1.33 1.33
47 25 13.33 11.67 11.67
16 18 14.00 4.00 4.00
48 22 20.33 1.67 1.67
17 20 17.00 3.00 3.00
49 16 18.00 -2.00 2.00
18 6 18.67 -12.67 12.67
50 8 21.00 -13.00 13.00
19 27 14.67 12.33 12.33
51 8 15.33 -7.33 7.33
20 5 17.67 -12.67 12.67
21 13 12.67 0.33 0.33
52 7 10.67 -3.67 3.67
22 13 15.00 -2.00 2.00 53 11 7.67 3.33 3.33
23 12 10.33 1.67 1.67 54 28 8.67 19.33 19.33
24 5 12.67 -7.67 7.67 55 28 15.33 12.67 12.67
25 10 10.00 0.00 0.00 56 25 22.33 2.67 2.67
26 15 9.00 6.00 6.00 57 15 27.00 -12.00 12.00
27 5 10.00 -5.00 5.00 58 17 22.67 -5.67 5.67
28 27 10.00 17.00 17.00 59 24 19.00 5.00 5.00
29 25 15.67 9.33 9.33 60 7 18.67 -11.67 11.67
30 27 19.00 8.00 8.00 61 16.00

35.00
30.00
25.00
20.00
15.00
10.00
5.00
0.00
1 3 5 7 9 11 13 15 17 19 21 23 25 27

PROMEDIO MOVIL SIMPLE

ME= -0.18
MAE= 7.35

5
Regresión Lineal

Análisis de los residuales

Observación Pronóstico para Y Residuos 31 17.57070483 9.429295175
1 18.3284153 10.6715847 32 17.54544781 -2.54544781
2 18.30315828 -9.303158285 33 17.52019079 -8.520190794
3 18.27790127 4.722098731 34 17.49493378 8.505066222
4 18.25264425 8.747355747 35 17.46967676 -1.469676762
5 18.22738724 2.772612763 36 17.44441975 3.555580254
6 18.20213022 3.797869779 37 17.41916273 4.58083727
7 18.17687321 0.823126794 38 17.39390571 8.606094285
8 18.15161619 3.84838381 39 17.3686487 1.631351301
9 18.12635917 -11.12635917 40 17.34339168 -3.343391683
10 18.10110216 -2.101102158 41 17.31813467 6.681865333
11 18.07584514 9.924154858 42 17.29287765 -9.292877651
12 18.05058813 7.949411874 43 17.26762064 10.73237936
13 18.02533111 -9.02533111 44 17.24236362 -13.24236362
14 18.00007409 -3.000074095
45 17.2171066 11.7828934
15 17.97481708 0.025182921
46 17.19184959 -10.19184959
16 17.94956006 0.050439937
47 17.16659257 7.833407428
17 17.92430305 2.075696953
48 17.14133556 4.858664444
18 17.89904603 -11.89904603
49 17.11607854 -1.11607854
19 17.87378902 9.126210985
50 17.09082152 -9.090821524
20 17.848532 -12.848532
51 17.06556451 -9.065564509
21 17.82327498 -4.823274984
52 17.04030749 -10.04030749
22 17.79801797 -4.798017968
53 17.01505048 -6.015050477
23 17.77276095 -5.772760952
24 17.74750394 -12.74750394 54 16.98979346 11.01020654
25 17.72224692 -7.72224692 55 16.96453645 11.03546355
26 17.6969899 -2.696989905 56 16.93927943 8.060720571
27 17.67173289 -12.67173289 57 16.91402241 -1.914022414
28 17.64647587 9.353524127 58 16.8887654 0.111234602
29 17.62121886 7.378781143 59 16.86350838 7.136491618
30 17.59596184 9.404038159 60 16.83825137 -9.838251366

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.055710911
Coeficiente de determinación R^2 0.003103706
R^2 ajustado -0.014084162
Error típico 7.973127301
Observaciones 60

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 1 11.4793137 11.4793137 0.180575376 0.672451618
Residuos 58 3687.10402 63.57075896
Total 59 3698.583333

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95.0% Superior 95.0%
Intercepción 18.35367232 2.084657681 8.80416602 2.79465E-12 14.18077659 22.52656804 14.18077659 22.52656804
Variable X 1 -0.025257016 0.059436438 -0.424941615 0.672451618 -0.144231973 0.093717941 -0.144231973 0.093717941

6
Suavización exponencial
Kg gas R22 Pronostico 31 27 20.68 6.32 6.32180426
Dia Xt
Xt et=Xt-Xt Abs(e t) 32 15 22.57 -7.57 7.57473702
1 29 29.00 33 9 20.30 -11.30 11.3023159
2 9 29.00 -20.00 20 34 26 16.91 9.09 9.08837886
3 23 23.00 0.00 0 35 16 19.64 -3.64 3.6381348
4 27 23.00 4.00 4 36 21 18.55 2.45 2.45330564
5 21 24.20 -3.20 3.2 37 22 19.28 2.72 2.71731395
6 22 23.24 -1.24 1.24 38 26 20.10 5.90 5.90211976
7 19 22.87 -3.87 3.868 39 19 21.87 -2.87 2.86851616
8 22 21.71 0.29 0.2924 40 14 21.01 -7.01 7.00796132
9 7 21.80 -14.80 14.79532 41 24 18.91 5.09 5.09442708
10 16 17.36 -1.36 1.356724 42 8 20.43 -12.43 12.433901
11 28 16.95 11.05 11.0502932 43 28 16.70 11.30 11.2962693
12 26 20.26 5.74 5.73520524 44 4 20.09 -16.09 16.0926115
13 9 21.99 -12.99 12.9853563 45 29 15.26 13.74 13.7351719
14 15 18.09 -3.09 3.08974943
46 7 19.39 -12.39 12.3853796
15 18 17.16 0.84 0.8371754
47 25 15.67 9.33 9.33023425
16 18 17.41 0.59 0.58602278
48 22 18.47 3.53 3.53116398
17 20 17.59 2.41 2.41021594
49 16 19.53 -3.53 3.52818522
18 6 18.31 -12.31 12.3128488
50 8 18.47 -10.47 10.4697297
19 27 14.62 12.38 12.3810058
20 5 18.33 -13.33 13.3332959 51 8 15.33 -7.33 7.32881076
21 13 14.33 -1.33 1.33330715 52 7 13.13 -6.13 6.13016753
22 13 13.93 -0.93 0.93331501
53 11 11.29 -0.29 0.29111727
23 12 13.65 -1.65 1.6533205 54 28 11.20 16.80 16.7962179
24 5 13.16 -8.16 8.15732435 55 28 16.24 11.76 11.7573525
25 10 10.71 -0.71 0.71012705 56 25 19.77 5.23 5.23014678
26 15 10.50 4.50 4.50291107 57 15 21.34 -6.34 6.33889726
27 5 11.85 -6.85 6.84796225 58 17 19.44 -2.44 2.43722808
28 27 9.79 17.21 17.2064264 59 24 18.71 5.29 5.29394034
29 25 14.96 10.04 10.0444985 60 7 20.29 -13.29 13.2942418
30 27 17.97 9.03 9.03114895 61 16.31

35
30
25
20
15
10
5
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Alpha

7
 0.3
SUAVIZACION EXPONENCIAL SIMPLE
ME= -0.72
MAE= 7.043453147
Conclusiones:
Se hicieron 3 análisis de datos Promedio móvil simple, Regresión lineal y
suavización exponencial. Según el análisis que hice la suavización exponencial es la mejor
opción para sacar nuestro pronóstico ya que fue la saco con menor error absoluto medio.
Los métodos estadísticos pueden proporcionar un nivel de automatización y
precisión que los métodos puramente críticos simplemente no pueden proporcionar por sí
solos. Estos modelos no solo le ayudan a identificar patrones y tendencias recurrentes en
sus datos, sino que también le pueden ahorrar mucho tiempo y esfuerzo al pronosticar
automáticamente grandes conjuntos de datos y, como resultado, puede dirigir su atención
hacia donde su experiencia y juicio cuenta más.