Enero 118

Febrero 134
Marzo 180
Abril 272 144
Mayo 332 195
Junio 289 261
Julio 177 298
Agosto 209 266
Septiembr 327 225
Octubre 374 238
Noviembr 230 303
Diciembre 141 310
Enero 118 z * dmarzo + y * dfebrero + x
Febrero 134 x+y+z
Marzo 180
Abril 272 153.8
Mayo 332 216.8
Junio 289 283.6
Julio 177 298.5
Agosto 209 241.6
Septiembr 327 215.4
Octubre 374 261.6
Noviembr 230 326.9
Diciembre 141 292.6
 SMA 2p
+ y * dfebrero + x denero Enero 30
x+y+z Febrero 31
z 50% Marzo 25 30.500
y 30% Abril 24 28.000
x 20% Mayo 23 24.500
Junio 26 23.500
Julio 27 24.500
Agosto 28 26.500
Septiembre 30 27.500
Octubre 30 29.000
Noviembre 31 30.000
Diciembre 33 30.500
Enero 28.1667 32.000
SMA 3p PMP

z 50%
y 40%
28.6667 27.9 x 10%
26.6667 25.1
24 23.6
24.3333 24.6
25.3333 26.2
27 27.4
28.3333 28.9
29.3333 29.8
30.3333 30.5
31.3333 31.9
 Modelo de suavización exponencial:

Recordemos que este método de estimación utiliza el último dato calculado como pronóstico y se ajusta a una tasa o fracción del erro
periodo anterior.
La ecuación de este modélo es la siguiente:

F t = F t -1 + α (A t -1 - F t -1 )

Donde:
Ft Que viene de forecasting (pronóstico), entonces pronóstico para el periodo t y este va a ser igual al:
Ft -1 Pronóstico para el periodo de t-1 (anterior a t) +
α Fracción o tasa de respuesta al error, que multiplica a la diferencia entre:
At -1 Valor real del periodo t - 1 menos el valor que se pronosticó, ambos del periodo inmediatamente anterior.
EJEMPLO:
Para el mismo caso, pero utilizando el método de promedio movil exponencial, suponiendo que contamos con un pronóstic
periodo inicial de 32 unidades, es decir, esperamos vender en enero 32.000 unidades y una constante de error al pronóstic
de α = 9%. Determinar las ventas esperadas para enero del siguiente año.

Pronóstico
Ventas en
t con
Periodo miles de
suavización
Alfa = 0.09
unidades
exponencial
1 Ene 30 32
2 Feb 31 31.82 3.1574827
3 Mar 25 31.7462 3.02305952
4 Abr 24 31.139042
5 May 23 30.49652822 10.73%
6 Jun 26 29.82184068
7 Jul 27 29.47787502
8 Ago 28 29.25486627
9 Sep 30 29.1419283
10 Oct 30 29.21915476
11 Nov 31 29.28943083
12 Dic 33 29.44338205
13 Ene sgte. Año No disponible 29.76347767
28.1666667
Este ejemplo en Win QSB se haria de la siguiente manera:

Solve and analyze - perform forecasting

Single exponential smoothing (SES) (Suavisamiento exponencial simple)
Number of periods to forecasting 1
Smoothing constant alpha 0.1
Initial value F (0) if known (vr. Inicial si se conoce) 22
ok - arroja un resultado de 19,68 igual al resultado hallado con fórmula
a una tasa o fracción del error en el

erior.

ontamos con un pronóstico para el

ante de error al pronóstico anterior
 MS EMA
Enero 118
Febrero 134
Marzo 180 144.0 144.0
Abril 272 195.3 195.2
Mayo 332 261.3 249.9
Junio 289 297.7 265.6
Julio 177 266.0 230.1
Agosto 209 225.0 221.7
Septiemb 327 237.7 263.8
Octubre 374 303.3 307.9
Noviembr 230 310.3 276.7
Diciembr 141 248.3 222.4
EMA = PrecioHoy * K + EMAayer * (1-k)
K = 2/(N+1)
N = número de periodos en la media movil exponencial
0.400