PRONOSTICOS

2.

Año 1 2 3 4 5 6 7 8 9 10 11
Demanda 7 9 5 9 13 8 12 13 9 11 7

a) Grafique los datos anteriores. ¿Observa alguna tendencia, ciclos o variaciones aleatorias?

Pronósticos de demanda
14

12

10
Demanda real
Demanda

6 Promedios móviles
4
Prmedios móviles
2 ponderados
0
0 2 4 6 8 10 12 14
Tiempo (años)

Figura 1. Grafica demanda en función del tiempo

Los datos presentados presentan picos y valles sistemáticamente por lo cual se podría decir
que se ajustan a una serie de tiempo estacional.

b) Comenzando en el año 4 y hasta el año 12, pronostique la demanda usando promedios móviles
de 3 años. Grafique su pronóstico en la misma gráfica que los datos originales.

Ejemplo de cálculo:

 Para el año 4:
7+9+5
𝐹4 = =7
3

Tabla 1 Pronóstico en base a promedios móviles

Año Demanda Pronostico

1 7
2 9
3 5
 4 9 7.00
5 13 7.67
6 8 9.00
7 12 10.00
8 13 11.00
9 9 11.00
10 11 11.33
11 7 11.00
12 9.00

c) Comenzando en el año 4 y hasta el año 12, pronostique la demanda usando un promedio móvil
de 3 años con ponderaciones de .1, .3 y .6, usando .6 para el año más reciente. Grafique su
pronóstico en la misma gráfica.

Ejemplo de cálculo:

 Para el año 4:

𝐹4 = 0.6 ∗ 7 + 0.3 ∗ 9 + 0.1 ∗ 5 = 6.4

Tabla 2 Pronostico en base a promedios móviles ponderados

Año Demanda Pronostico PMP

1 7
2 9
3 5
4 9 6.4
5 13 7.8
6 8 11
7 12 9.6
8 13 10.9
9 9 12.2
10 11 10.5
11 7 10.6
12 8.4

d) Al comparar cada pronóstico contra los datos originales, ¿cuál parece proporcionar mejores
resultados?

Pronostico Pronostico
Año Demanda Error PM Error PMP
PM PMP
1 7
2 9
3 5
4 9 7.00 6.4 2.00 2.6
 5 13 7.67 7.8 5.33 5.2
6 8 9.00 11 1.00 3
7 12 10.00 9.6 2.00 2.4
8 13 11.00 10.9 2.00 2.1
9 9 11.00 12.2 2.00 3.2
10 11 11.33 10.5 0.33 0.5
11 7 11.00 10.6 4.00 3.6
12 9.00 8.4
MAD 2.33 2.83

En primera instancia al observar la Figura 1 podríamos decir que el pronóstico de promedios

móviles se ajusta más a la serie de tiempo estacional que corresponde a los datos reales de
demanda; sin embargo al analizar la desviación media absoluta de los datos (MAD), podemos
concluir que el modelo que proporciona mejores resultados para este caso es el de promedios
móviles (PM) ya que proporciona una desviación media absoluta menor al método de promedios
móviles ponderados (PMP).

3. Regrese al problema 2. Desarrolle un pronóstico para los años 2 a 12 usando suavizamiento

exponencial con α =0 .4 y un pronóstico para el año 1 de 6. Grafique su nuevo pronóstico junto
con los datos reales y un pronóstico intuitivo. Con base en una inspección visual, ¿cuál
pronóstico es mejor?

Ejemplo de cálculo:

 Para el año 2:

𝐹4 = 6 + 0.4(7 − 6) = 6.4

Tabla 3 Pronostico en base a suavizamiento exponencial

Año Demanda Suavizamiento Intuitivo

1 7 6.00 6
2 9 6.40 8
3 5 7.44 4
4 9 6.46 8
5 13 7.48 12
6 8 9.69 7
7 12 9.01 11
8 13 10.21 12
9 9 11.32 8
10 11 10.39 10
11 7 10.64 6
12 9.18 11
 Pronósticos de demanda
14

12

10
Demanda real
Demanda

6 Suavizamiento
exponencial
4
Intuitivo
2

0
0 5 10 15
Tiempo (años)

Figura 2. Grafica demanda en función del tiempo

En base a una inspección visual el pronóstico intuitivo parecería ser mejor porque se ajusta más a los
datos reales, sin embargo sabemos que en la práctica no sucede así.

6. Las ventas mensuales en Telco Batteries, Inc., fueron como sigue:

Mes Ventas

Enero 20

Febrero 21

Marzo 15

Abril 14

Mayo 13

Junio 16

Julio 17

Agosto 18

Septiembre 20

Octubre 20

Noviembre 21

Diciembre 23
a) Grafique los datos de las ventas mensuales.

Ventas
25

20

15
Ventas

10

0
0 2 4 6 8 10 12 14
Tiempo (meses)

b) Pronostique las ventas para enero usando cada una de las técnicas siguientes:

- Método intuitivo

Considerando los incrementos y decrementos graduales se puede decir que los datos se ajustan
a una serie tiempo cíclico por lo cual de manera intuitiva pronosticaremos ventas iguales a 21
para enero del próximo año

- Un promedio móvil de 3 meses.

Se deben considerar las últimas ventas previas al mes de enero, por tanto tomamos las ventas
correspondientes a los meses de octubre, noviembre y diciembre.

20 + 21 + 23
𝐹𝐸𝑛𝑒𝑟𝑜 = = 21,33
3
- Suavizamiento exponencial con α = .3 y un pronóstico para septiembre de 18.

Ejemplo de cálculo para octubre:

𝐹𝑂𝑐𝑡𝑢𝑏𝑟𝑒 = 18 + 0.3(20 − 18) = 18.6

Tabla 4 Pronostico en base a suavizamiento exponencial

Mes Ventas Intuitivo

Septiembre 20 18
Octubre 20 18.6
Noviembre 21 19.02
Diciembre 23 19.61
Enero 20.63
c) Con los datos proporcionados, ¿qué método le permitiría elaborar el pronóstico de ventas para
el próximo mes de marzo?

Ventas Real Pronóstico MAD

Intuitivo 20 21 1
PM 20 21.33 1.33
Suavizamiento 20 20.63 0.63

Se determina que el método cuya desviación media absoluta es menor corresponde al método
de suavizamiento exponencial por lo cual sería recomendable utilizar este método para
elaborar el pronóstico del próximo mes de marzo.

8. Las temperaturas máximas diarias en Saint Louis durante la última semana fueron las
siguientes: 93, 94, 93, 95, 96, 88, 90 (ayer).

a) Pronostique la temperatura máxima para hoy usando un promedio móvil de 3 días

96 + 88 + 90
𝐹𝐻𝑜𝑦 = = 91,33
3

b) Pronostique la temperatura máxima para hoy usando un promedio móvil de 2 días

88 + 90
𝐹𝐻𝑜𝑦 = = 89
2

c) Calcule la desviación absoluta media con base en un promedio móvil de 2 días

0.5 + 1.5 + 2 + 7,5 + 2

𝑀𝐴𝐷 = = 2.7
5

d) Calcule el error cuadrático medio para un promedio móvil de 2 días

0.25 + 2.25 + 5 + 56.25 + 4

𝑀𝑆𝐸 = = 13.35
5

e) Calcule el error porcentual absoluto medio para el promedio móvil de 2 días

0.54 + 1.58 + 2.08 + 8.52 + 2.22

𝑀𝐴𝑃𝐸 = = 2.99
5

Tabla 5 Calculo de errores en base a promedio móvil de dos días

Día Temperatura Pronóstico Et Et2 (|Et|/Dt)*100

1 93
2 94
3 93 93.5 0.5 0.25 0.54
4 95 93.5 1.5 2.25 1.58
 5 96 94 2 4 2.08
6 88 95.5 7.5 56.25 8.52
7 90 92 2 4 2.22
HOY 89 MAD MSE MAPE
2.7 13.35 2.99

25. Mark Cotteleer posee una compañía que fabrica lanchas. Las demandas reales de las lanchas
de Mark durante cada temporada desde 2004 hasta 2007 fueron como sigue:

Año

Temporada 2004 2005 2006 2007

Invierno 1,400 1,200 1,000 900

Primavera 1,500 1,400 1,600 1,500

Verano 1,000 2,100 2,000 1,900

Otoño 600 750 650 500

Mark ha pronosticado que la demanda anual de sus lanchas en 2009 será igual a 5,600. Con base en
estos datos y el modelo estacional multiplicativo, ¿cuál será el nivel de la demanda para las lanchas de
Mark en la primavera de 2009?

Tabla 6 Pronostico en base al modelo estacional multiplicativo

IE IE IE IE FEP
Temporada/Año 2004 2005 2006 2007 2009
Invierno 1400 1.244 1200 0.881 1000 0.762 900 0.750 0.91 1272.98
Primavera 1500 1.333 1400 1.028 1600 1.219 1500 1.250 1.21 1690.47
Verano 1000 0.889 2100 1.541 2000 1.524 1900 1.583 1.38 1938.06
Otoño 600 0.533 750 0.550 650 0.495 500 0.417 0.50 698.49
Demanda Total 4500 5450 5250 4800 5600
Demanda Promedio 1125 1362.5 1312.5 1200 1400

El nivel de demanda para las lanchas en la primavera del 2009 será de 1690,47 lanchas.

26. La asistencia al nuevo parque tipo Disney en Los Ángeles, VacationWorld, ha sido la
siguiente:

Trimestre Asistentes (en miles) Trimestre Asistentes (en miles)

Invierno 2005 73 Verano 2006 124

Primavera 2005 104 Otoño 2006 52

 Verano 2005 168 Invierno 2007 89

Otoño 2005 74 Primavera 2007 146

Invierno 2006 65 Verano 2007 205

Primavera 2006 82 Otoño 2007 98

Calcule los índices estacionales usando todos los datos

Tabla 7 Calculo de índices estacionales

2005 2006 2007

Asistentes Asistentes Asistentes
Trimestre IE IE IE IEP
(en miles) (en miles) (en miles)
Invierno 2005 73 0.697 65 0.805 89 0.662 0.721
Primavera 2005 104 0.993 82 1.015 146 1.086 1.031
Verano 2005 168 1.604 124 1.536 205 1.524 1.555
Otoño 2005 74 0.706 52 0.644 98 0.729 0.693
Asistencia total 419 323 538
Asistencia promedio 104.75 80.75 134.5

35. Las ventas de las pasadas 10 semanas registradas en la tienda de música Johnny Ho en
Columbus, Ohio, se muestran en la tabla siguiente. Pronostique la demanda para cada semana,
incluyendo la semana 10, usando suavizamiento exponencial con α = .5 (pronóstico inicial = 20).

Semana Demanda Semana Demanda

1 20 6 29
2 21 7 36
3 28 8 22
4 37 9 25
5 25 10 28

a) Calcule la MAD.

Error
Semana Demanda Pronostico Error absoluto
1 20 20.000 0.000 0.000
2 21 20.000 1.000 1.000
3 28 20.500 7.500 7.500
4 37 24.250 12.750 12.750
5 25 30.625 -5.625 5.625
6 29 27.813 1.188 1.188
 7 36 28.406 7.594 7.594
8 22 32.203 -10.203 10.203
9 25 27.102 -2.102 2.102
10 28 26.051 1.949 1.949
CFE MAD
14.051 4.991

b) Calcule la señal de control.

𝐶𝐹𝐸 14.051
𝑆𝑒ñ𝑎𝑙 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 = = = 2.81
𝑀𝐴𝐷 4.991