FACULTAD DE INGENIERIAS Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL

TRABAJO PRÁCTICO

“TENDENCIA CÍCLICA, VARIACIONES

ESTACIONALES Y SUAVIZACIÓN”

CURSO

PLANEAMIENTO Y CONTROL DE OPERACIONES

SEMESTRE

VII

DOCENTE

ING. ELIZABETH FERNÁNDEZ GUTIÉRREZ

PRESENTADO POR
CAHUANA TURPO KATHY
CHACNAMA CHACNAMA ESTEFANI
CHÁVEZ GUTIERREZ VANESSA
DÍAZ SILVA ANDREE
MAMANI LOZANO MARY
MOROCO APAZA JIMENA
VILLAVICENCIO MÁRQUEZ JOSSELYN

AREQUIPA - PERÚ
2017
1
 PARTICIPACIÓN DE INTEGRANTES

PORCENTAJE (0-100%)
PARTICIPACION DE LOS INTEGRANTES

1 CAHUANA TURPO KATHY

2 CHACNAMA CHACNAMA ESTEFANI

3 CHÁVEZ GUTIERREZ VANESSA

4 DÍAZ SILVA ANDREE

5 MAMANI LOZANO MARY

6 MOROCO APAZA JIMENA

2
 ÍNDICE

ÍNDICE................................................................................................................................................3
INTRODUCCIÓN..................................................................................................................................5
I. OBJETIVOS:.................................................................................................................................6
1.1. Objetivos Generales:...............................................................................................................6
1.2. Objetivos Específicos:..............................................................................................................6
II. DESARROLLO DEL TEMA:................................................................................................6
1. SERIES DE TIEMPO: Con frecuencia se realizan observaciones de datos a través del
tiempo. Cualquier variable que conste de datos reunidos, registrados u observados sobre
incrementos sucesivos de tiempo se denomina serie de tiempo......................................................6
2. COMPONENTES DE UNA SERIE DE TIEMPO:................................................................7
2.1. TENDENCIA CICLICA:...............................................................................................8
2.1.1. Determinación de las tendencias cíclicas:...............................................................9
Ejemplo:.............................................................................................................................9
2.2. VARIACION ESTACIONAL......................................................................................11
A. ANÁLISIS DE VARIACIONES ESTACIONALES....................................................12
 LA ESTACIONALIDAD: se da cuando una serie temporal presenta patrones de
comportamiento repetitivos cada cierto periodo...............................................................12
 DESESTACIONALIDAD: es aquella en la que mediante un método matemático se
ha extraído el componente estacional de la serie de tal forma que muestre su
comportamiento sin los picos que genere estacionalidad..................................................12
 ESQUEMA ADITIVO: Los valores observados de cualquier serie temporal son el
resultado de la suma de sus cuatro componentes:.............................................................12
 ESQUEMA MULTIPLICATIVO: Los valores observados de cualquier serie
temporal son el resultado de la multiplicación de los cuatro componentes...................12
B. DETERMINACIÓN DE LAS VARIACIONES ESTACIONALES............................12
 Método de la razón a la media móvil........................................................................12
EJEMPLO............................................................................................................................13
DESESTACIONALIZACIÓN (aplicando el método a la razón a la media móvil)..........17
2.3. SUAVIZACIÓN EXPONENCIAL SIMPLE...............................................................21
CONCEPTO............................................................................................................................21
CARACTERISTICAS..........................................................................................................21
¿CUÁNDO UTILIZAR UN PRONÓSTICO DE SUAVIZACIÓN EXPONENCIAL
SIMPLE?..........................................................................................................................22
FÓRMULA......................................................................................................................23
¿Cuándo utilizar un pronóstico de suavización exponencial doble?.....................................28

3
 Fórmulas:.................................................................................................................................29
Ejemplo 1:....................................................................................................................................30
Solución...................................................................................................................................30
Suavización Exponencial Doble Método de Brown  Ajuste a la Tendencia.........................33
CONCLUSIONES:...............................................................................................................................35
RECOMENDACIONES:.......................................................................................................................36

4
 INTRODUCCIÓN

Toda institución, ya sea grande o pequeña, tiene que hacer planes para el futuro, requieren

conocer el comportamiento futuro de ciertos fenómenos con el fin de planificar, prever y

prevenir. La planificación exige prever los sucesos del futuro que probablemente vayan a

ocurrir. La prevención, a su vez, se suele basaren lo que ocurrió en el pasado.

Uno de los problemas que intenta resolver las series de tiempo es la predicción, ya que

estas refieren a los datos estadísticos que se recopilan, observan o registran en intervalos de

tiempos regulares(diarios, semanal, anual, entre otros ).

El termino serie de tiempo se aplica por ejemplo a datos registrados en forma periódica que

muestran, por ejemplo, las ventas trimestrales de una empresa, la numero mensual de

accidentes en cierta área de producción, numero de exportaciones anuales efectuadas, con

base en la información pasada. Por ejemplo:

 Las cifras de ventas recopiladas durante las últimas seis semanas se pueden usar para

pronosticar las ventas durante la séptima semana.

 Las cifras de ventas trimestrales recopiladas durante los últimos años se pueden

utilizar para pronosticar los trimestres futuros.

Aun cuando ambos ejemplos contienen ventas, es probable que se utilicen distintos
modelos de series de tiempo para pronosticar.

5
 I. OBJETIVOS:

1.1. Objetivos Generales:

 Estudiar y evaluar los métodos de desarrollo de las series de tiempo y sus
componentes.
1.2. Objetivos Específicos:
 Desarrollar con teoría y ejemplos la tendencia cíclica.
 Desarrollar con teoría y ejemplos la variación estacional.
 Desarrollar con teoría y ejemplos la suavización.

II. DESARROLLO DEL TEMA:

1. SERIES DE TIEMPO: Con frecuencia se realizan observaciones de datos a través del

tiempo. Cualquier variable que conste de datos reunidos, registrados u observados sobre

incrementos sucesivos de tiempo se denomina serie de tiempo.

Se representa por medio de una gráfica de líneas sobre cuyo eje horizontal se representa

los periodos, y cuyo eje vertical se muestran los valores de la serie de tiempo.

6
 El primer paso para analizar una serie de tiempo es graficarla, esto permite: identificar la

tendencia, la estacionalidad, las variaciones irregulares (componente aleatoria). Un

modelo clásico para una serie de tiempo, puede ser expresada como suma o producto de

tres componentes: tendencia, estacional y un término de error aleatorio.

Son innumerables las aplicaciones que se pueden citar, en distintas áreas del

conocimiento, tales como, en economía, física, geofísica, química, electricidad, en

demografía, en marketing, en telecomunicaciones, en transporte, etc

2. COMPONENTES DE UNA SERIE DE TIEMPO:

Se identifican cuatro componentes

 Tendencia

 Variación cíclica

 Variación estacional

 Variación irregular

7
2.1. TENDENCIA CICLICA:
Aunque una serie de tiempo pueda presentar una tendencia a través de periodos
grandes, sus valores no caerán con exactitud sobre la línea de tendencia. De hecho
con frecuencia estas series temporales presentaran secuencias alternas de puntos
abajo y arriba de la línea de tendencia. Un ejemplo de este tipo de variación son los
ciclos comerciales cuyos periodos recurrentes dependen de la prosperidad, recesión,
depresión y recuperación, las cuales no dependen de factores como el clima o las
costumbres sociales.
Afecta por lo regular por las condiciones económicas generales. Los patrones cíclicos
tienden a repetirse en los datos aproximadamente cada dos, tres o más años. Es
común que las fluctuaciones cíclicas estén influidas por cambios de expansión y

8
 contracción económicas, a los que comúnmente se hace referencia como el ciclo de
los negocios.
Se refieren a las oscilaciones de larga duración alrededor de la curva de tendencia, los
cuales pueden o no ser periódicos, es decir, pueden o no seguir caminos análogos en
intervalos de tiempo iguales. Se caracterizan por tener lapsos de expansión y
contracción.
En general, los movimientos se consideran cíclicos solo si se produce en un intervalo
de tiempo superior al año. En el Gráfico los movimientos cíclicos alrededor de la
curva de tendencia están trazados en negrita.

Concretamente, el componente cíclico puede identificarse como el, que persistiría en

los datos luego de eliminada la influencia del componente de tendencia. Esta
eliminación se realiza dividiendo cada uno de los valores observados entre su valor de
tendencia correspondiente, mediante la siguiente fórmula:

2.1.1. Determinación de las tendencias cíclicas:

Ejemplo:
En la siguiente tabla se muestran los datos de las ventas de los últimos cinco años de
una empresa alimentarias:

9
 AÑO VENTAS (MILLONES DE SOLES)
2011 7
2012 10
2013 9
2014 11
2015 13

a) estima sus ciclos relativos

b) construye su gráfica de ciclos
c) interpreta los resultados

a) Para estimar los ciclo relativos, construir una tabla con los cálculos necesarios:

b) Construye tu gráfica:

c) Interpreta:
Los años 1(2011), 3(2013) y 4(2014) tienen menor influencia cíclica que los años
2(2012) y 5(2015) que tienen una mayor influencia cíclica

2.2. VARIACION ESTACIONAL

10
El componente de la serie de tiempo que representa la variabilidad en los datos
debida a influencias de las estaciones, se llama componente estacional. Esta variación
corresponde a los movimientos de la serie que recurren año tras año en los mismos
meses (o en los mismos trimestres) del año poco más o menos con la misma
intensidad. Por ejemplo: Un fabricante de albercas inflables espera poca actividad de
ventas durante los meses de otoño e invierno y tiene ventas máximas en los de
primavera y verano, mientras que los fabricantes de equipo para la nieve y ropa de
abrigo esperan un comportamiento anual opuesto al del fabricante de albercas.
Se refieren a las fluctuaciones periódicas que se observan en series de tiempo cuya
frecuencia es menor a un año (trimestral, mensual, diaria, etc.), aproximadamente en
las mismas fechas y casi con la misma intensidad. Por ejemplo, el mayor monto de
recaudación del Impuesto a la Renta se observa en el mes de marzo de todos los años
o la mayor brecha entre el tipo de cambio de compra y venta se produce los días
viernes década semana o la mayor cotización de los títulos que se mueven en la Bolsa
de Valores de Lima se observa diariamente entre las 11 a.m. y 12 m.
Las variaciones estacionales, como veremos, responden fundamentalmente a factores
relacionados al clima, lo institucional o las expectativas y no a factores de tipo
económico. En el Gráfico no se observa ningún movimiento estacional, puesto que se
trata de una serie anual.

Las principales fuerzas que causan una variación estacional son las condiciones del
tiempo, como por ejemplo:

1) En invierno las ventas de helado

2) En verano la venta de lana
3) Exportación de fruta en marzo.

Todos estos fenómenos presentan un comportamiento estacional (anual, semanal,

etc.)

11
A. ANÁLISIS DE VARIACIONES ESTACIONALES
 LA ESTACIONALIDAD: se da cuando una serie temporal presenta patrones de
comportamiento repetitivos cada cierto periodo
 DESESTACIONALIDAD: es aquella en la que mediante un método
matemático se ha extraído el componente estacional de la serie de tal forma que
muestre su comportamiento sin los picos que genere estacionalidad
En el estudio clásico de las series temporales se han manejado dos hipótesis de
trabajo
 ESQUEMA ADITIVO: Los valores observados de cualquier serie temporal son
el resultado de la suma de sus cuatro componentes:
Y t = Tt +Ct +Et+ Rt
 ESQUEMA MULTIPLICATIVO: Los valores observados de cualquier serie
temporal son el resultado de la multiplicación de los cuatro componentes
Y t = Tt *Ct* Et* Rt
B. DETERMINACIÓN DE LAS VARIACIONES ESTACIONALES
 Método de la razón a la media móvil
Se determina la tendencia por el método de las medias centradas en los períodos
(Yt) (estamos aplicando cuatro observaciones para el cálculo de la media
aritmética)
Cómo este método se basa en la hipótesis multiplicativa, si dividimos la serie
observada Yt, por su correspondiente media móvil centrada, eliminamos de
forma conjunta las componentes del largo plazo ( tendencia y ciclo ), pero la
serie seguirá manteniendo el efecto de la componente estacional.
Para eliminar el efecto de la componente estacional, calcularemos las medias
aritméticas a nivel de cada estación (cuatrimestre). Estas medias representan de
forma aislada la importancia de la componente estacional.
Calcularemos los índices de variación estacional, para lo que previamente
calcularemos la media aritmética anual de las medias estacionales ( M1, M2, M3,
M4 ) , que será la base de los índices de variación estacional. Existirán tantos
índices como estaciones o medias estacionales tengan las observaciones.

12
 Una vez obtenidos los índices de variación estacional puede desestacionalizarse
la serie observada, dividiendo cada valor de la correspondiente estación por su
correspondiente índice.
EJEMPLO
En la tabla adjunta se reflejan las ventas trimestrales de una empresa en millones de
soles
Desestacionalizar la serie por el método de las medias móviles

PRIMER PASO.- Para calcular la tendencia secular de la serie por el método de las

medias móviles, se obtiene primero las medias móviles de tamaño 4 (período de las

variaciones estacionales), que al ser un número par, serán descentradas y

corresponderán a los períodos intermedios entre cada dos trimestres consecutivos

 Cálculo de las medias móviles:

13
 Serie no centrada de las medias móviles

 Para centrar la serie hay que calcular la media aritmética de cada dos observaciones

sucesivas, de este modo, las medias que irán apareciendo, respectivamente, serán

 Serie centrada por el método de las medias móviles

14
Al aplicar el método de las medias móviles, en el esquema multiplicativo Yit = Tit

.Eit .Cit .Ait, lo que realmente se obtiene en la serie cronológica es una

aproximación de Tit .Cit , quedando sin analizar las componentes estacional (Eit ) y

accidental (Ait )

SEGUNDO PASO.- La tendencia y la componente cíclica se eliminarán dividiendo

cada dato de la serie original por la correspondiente media móvil

TERCER PASO.- Se elimina la componente accidental Ait con el cálculo de las

medias aritméticas trimestrales, es decir, la media aritmética de cada fila de la tabla

anterior (donde solo aparecía el producto de Eit .Ait )

15
 o Se calcula la media aritmética de los cuatro valores obtenidos anteriormente

CUARTO PASO.- Se calculan los Índices de Variación Estacional (IVE),

expresando para ello cada uno de los valores anteriores en forma de porcentaje sobre

la media anual, obteniendo

 Sobre un nivel medio de ventas, la influencia de la variación estacional produce:

1º Trimestre: (79,01 - 100 = - 20,99), un descenso de ventas del 20,99%

16
 2º Trimestre: (104,10 - 100 = 4,10), un aumento de ventas del 4,10%

3º Trimestre: (127,87 - 100 = 27,87), un aumento de ventas del 27,87%

4º Trimestre: (89,11 - 100 = - 10,89), un descenso de ventas del 10,89%

DESESTACIONALIZACIÓN (aplicando el método a la razón a la media móvil)

El proceso consiste en dividir cada valor de la serie original por cada Índice de
Variación Estacional correspondiente, esto es

5 YT
Tt
4 YT/IVE
3

2
17
1

0
I II III VI I II III VI I II III VI I II III VI I II III VI
Ejemplo 2

esquema aditivo Yt=Tt+Ct+Et+Rt

P 4

CE
M1 -0.84375 CE1 -0.828125
M2 0.1875 CE2 0.1875
M3 1.15625 CE3 1.15625 18
M4 -0.5625 CE4 -0.5625

MA -0.015625
 Método de la Tendencia por Ajuste Mínimo-Cuadrático

El objetivo sigue siendo aislar la componente estacional de la serie por eliminación

sucesiva de todos los demás. La diferencia con el método anterior es que, en este

caso, las componentes a l/p (tendencia-ciclo) las obtenemos mediante un ajuste

mínimo cuadrático de las medias aritméticas anuales yt calculándose bajo la

hipótesis aditiva

Sigue los siguientes pasos:

 Se calculan las medias anuales de los datos observados y las observaciones

son trimestrales estas medias se obtienen con 4 datos, si son mensuales con

12 datos, etc. para el caso de que el periodo de repetición sea el año

 Se ajusta una recta por mínimos cuadrados y a b t t = + que nos representa,

como sabemos, la tendencia, siendo el coeficiente angular de la recta el

incremento medio anual de la tendencia, que influirá de forma distinta al

pasar de una estación a otra

 Se calculan, con los datos observados, las medias estacionales (M1, M2, M3,

...) con objeto de eliminar la componente accidental. Estas medias son brutas

pues siguen incluyendo los componentes a l/p (tendencia-ciclo) que deben

someterse a una corrección.

 Empleando el incremento medio anual dado por el coeficiente, se obtienen

las medias estacionales corregidas de las componentes a largo plazo (M’1,

M’2, M’3, ...) bajo el esquema aditivo

 Los índices de variación estacional se obtienen con la misma sistemática del

método anterior: con las medias estacionales corregidas se obtiene la media

aritmética anual M’A que sirve de base para calcular los índices
19
 Obtenidos estos índices, podemos desestacionalizar la serie como en el método

anterior.

2.3. SUAVIZACIÓN EXPONENCIAL SIMPLE

CONCEPTO

20
El método de suavización o suaviza miento exponencial simple puede considerarse

como una evolución del método de promedio móvil ponderado, en éste caso se calcula

el promedio de una serie de tiempo con un mecanismo de autocorrección que busca

ajustar los pronósticos en dirección opuesta a las desviaciones del pasado mediante una

corrección que se ve afectada por un coeficiente de suavización.

La suavización exponencial es la más utilizada de las técnicas de prXonóstico. Es parte

integral de casi todos los programas de pronóstico por computadora, y se usa con

mucha frecuencia al ordenar el inventario en las empresas minoristas, las compañías

mayoristas y las agencias de servicios.

CARACTERISTICAS
Las técnicas de suavización exponencial se han aceptado en forma generalizada por seis

razones principales:

1. Los modelos exponenciales son sorprendentemente precisos.

2. Formular un modelo exponencial es relativamente fácil.

3. El usuario puede entender cómo funciona el modelo.

4. Se requieren muy pocos cálculos para utilizar el modelo.

5. Los requerimientos de almacenamiento en la computadora son bajos debido al uso

limitado de datos históricos.

6. Es fácil calcular las pruebas de precisión relacionadas con el desempeño del modelo

Así entonces, este modelo de pronóstico precisa tan sólo de tres tipos de datos:

el pronóstico del último período, la demanda del último período y el coeficiente de

suavización.

Esta constante de suavización determina el nivel de uniformidad y la velocidad de

reacción a las diferencias entre los pronósticos y las ocurrencias reales. El valor de una

constante se determina tanto por la naturaleza del producto como por el sentido del

gerente de lo que constituye un buen índice de respuesta. Por ejemplo, si una empresa

21
produjo un artículo estándar con una demanda relativamente estable, el índice de

reacción a las diferencias entre la demanda real y pronosticada presentarían una

tendencia a ser pequeñas, quizá de sólo 5 o 10 puntos porcentuales. No obstante, si la

empresa experimentara un crecimiento, sería mejor tener un índice de reacción más

alto, quizá de 15 o 30 puntos porcentuales, para dar mayor importancia a la experiencia

de crecimiento reciente. Mientras más rápido sea el crecimiento, más alto deberá ser el

índice de reacción. En ocasiones, los usuarios del promedio móvil simple cambian a la

suavización exponencial pero conservan las proyecciones similares a las del promedio

móvil simple. En este caso, α se calcula 2 ÷ (n + 1), donde n es el número de periodos.

¿CUÁNDO UTILIZAR UN PRONÓSTICO DE SUAVIZACIÓN

EXPONENCIAL SIMPLE?
El pronóstico de suavización exponencial simple es óptimo para patrones de demanda

aleatorios o nivelados donde se pretende eliminar el impacto de los elementos

irregulares históricos mediante un enfoque en períodos de demanda reciente, este posee

una ventaja sobre el modelo de promedio móvil ponderado ya que no requiere de una

gran cantidad de períodos y de ponderaciones para lograr óptimos resultados.

FÓRMULA
La ecuación para un solo pronóstico de uniformidad exponencial es simplemente

22
 Pt = Pt-1 + α*(At-1 – Pt-1) PT= α*At-1 + (1- α)*Pt-1

Dónde:

Pt = El pronóstico suavizado exponencialmente para el periodo t

Pt-1 = El pronóstico suavizado exponencialmente para el periodo anterior

At-1 = La demanda real para el periodo anterior

α = El índice de respuesta deseado, o la constante de suavización

Esta ecuación establece que el nuevo pronóstico es igual al pronóstico anterior más

una porción del error (la diferencia entre el pronóstico anterior y lo que ocurrió

realmente).

EJEMPLOS

 Para demostrar el método, suponga que la demanda a largo plazo para el producto

sujeto a estudio es relativamente estable y una constante de suavización (α) de 0.05

se considera apropiada. Si el método exponencial se hubiera usado como una

política de continuidad, se habría hecho un pronóstico para el mes pasado.3

Suponga que el pronóstico del mes pasado (Ft–1) fue de 1 050 unidades. Si la

demanda real fue de 1000, en lugar de 1 050, el pronóstico para este mes sería

Pt = Pt-1 + α*(At-1 – Pt-1)

PT= 1 050 + 0.05*(1 000 − 1 050)

PT = 1 050 + 0.05*(−50)

PT = 1 047.5 unidades

 En Enero un vendedor de vehículos estimó unas ventas de 142 automóviles para el

mes siguiente. En Febrero las ventas reales fueron de 153 automóviles. Utilizando
23
 una constante de suavización exponencial de 0.20 presupueste las ventas del mes de

Marzo.

Solución:

Pt = Pt-1 + α*(At-1 – Pt-1)

PT =142 + (0.2*(153-142))

PT =144

 Una empresa de consumo masivo lleva registro de la demanda mensual de uno de

sus productos emblemáticos para un período de un año. Dicha información se

presenta en la columna etiquetada Demanda en la imagen a continuación. Se

requiere utilizar el método de suavizamiento exponencial simple considerando tres

valores para el parámetro de suavizamiento alfa: 0,1; 0,5 y 0,9. Obtener el

pronóstico del período 13 (mes de Enero del año siguiente) y evaluar el ajuste del

método para cada uno de los valores de alfa propuestos.

24
 Luz Verde es una empresa de seguros que ha decidido expandir su mercado a la

ciudad capital de un país. Por ser la ciudad que congrega más habitantes, han

decidido comenzar ofreciendo servicio de seguro para coches.Como ejercicio

inicial, la empresa desea pronosticar cuántos seguros de vehículo serán contratados

por las personas de la ciudad capital, para lo cual usarán como dato inicial los

seguros de vehículos contratados en otra ciudad con menos habitantes pero con

mayor posicionamiento en el mercado.El pronóstico de demanda del período 1 es

2869 seguros de carro adquiridos por personas, pero la demanda para ese periodo

fue de 3200. La compañía según su criterio asigna α=0,35.

25
 La demanda del próximo periodo es:

Pt= 2869+0.35*(3200-2869)=2984.85

Según la demanda de la segunda columna, la predicción de ventas de seguros es la

siguiente:

Gráficamente, esa tabla sería algo como esto:

 ELECCIÓN DEL VALOR APROPIADO PARA ALFA

26
 La suavización exponencial requiere de dar a la constante de suavización alfa (α) un

valor entre 0 y 1. Si la demanda real es estable (como la demanda de electricidad o

alimentos), sería deseable una alfa pequeña para reducir los efectos de los cambios a corto

plazo o aleatorios. Si la demanda real aumenta o disminuye con rapidez (como en los

artículos de moda o los aparatos electrodomésticos menores), se quisiera una alfa alta para

tratar de seguirle el paso al cambio. Sería ideal poder proyectar qué alfa se debe usar. Por

desgracia, hay dos elementos en contra.

En primer lugar, tomaría tiempo determinar la constante alfa que se adapte mejor a

los datos reales y el proceso sería tedioso. En segundo lugar, como la demanda cambia,

quizá pronto sea necesario revisar la constante alfa que se eligió esta semana. Por lo tanto,

se necesita un método automático para rastrear y cambiar los valores alfa.

Hay dos estrategias para controlar el valor de alfa. Una de ellas utiliza distintos valores de

alfa y la otra una señal de seguimiento:

1) Dos o más valores predeterminados de alfa. Se mide la cantidad de error entre el

pronóstico y la demanda real. Dependiendo del grado de error, se utilizan distintos

valores de alfa. Si el error es grande, alfa es 0.8; si el error es pequeño, alfa es 0.2.

2) Valores calculados de alfa. Una constante de rastreo alfa calcula si el pronóstico

sigue el paso a los cambios genuinos hacia arriba o hacia abajo en la demanda (en

contraste con los cambios aleatorios). En esta aplicación, la constante de rastreo alfa

se define como el error real suavizado exponencialmente dividido entre el error

absoluto suavizado exponencialmente. Alfa cambia de un periodo a otro en el rango

posible de 0 a 1.

27
SUAVIZACION EXPONENCIAL DOBLE:

Es una manera de pronosticar la demanda de un producto en un periodo dado.

Si se tuviera que pronosticar un modelo con tendencia usando suavización exponencial
simple, el pronóstico tendría una reacción retrasada al crecimiento. Entonces, el
pronóstico tendría a subestimar la demanda real. Para corregir esto se puede estimar la
pendiente y multiplicar la estimación por el número de periodos futuros que se quieren
pronosticar.

Una simple estimación de la pendiente daría la diferencia entre las demandas en dos
periodos sucesivos; sin embargo, la variación aleatoria inherente hace que esta
estimación sea mala. Para reducir el efecto de aleatoriedad se puede usar la diferencia
entre los promedios calculados en dos periodos sucesivos.

¿Cuándo utilizar un pronóstico de suavización exponencial doble?

Se aplica cuando se tiene una serie de tiempo las cuales son conjuntos de datos u
observaciones que están ordenados en función del tiempo.

Método Brown: Se utiliza para un solo parámetro.

Método Holt: Se utiliza para dos parámetros

El pronóstico de suavización exponencial simple es óptimo para patrones de demanda

que presentan una tendencia, al menos localmente, y un patrón estacional constante, en
el que se pretende eliminar el impacto de los elementos irregulares históricos mediante
un enfoque en períodos de demanda reciente.

28
Los modelos de suavización exponencial ajustada tienen todas las ventajas de los
modelos de suavización exponencial simple; además, proyectan en el futuro (por
ejemplo para el periodo t + 1) agregando un incremento de corrección de tendencia Tt,
para el promedio suavizado del promedio suavizado del periodo presente F.

Fórmulas:
El método de suavización exponencial doble o método de Holt usa tres ecuaciones
fundamentales:
Pronóstico del período t

La serie suavizada exponencialmente (primera suavización)

El estimado de la tendencia

Pronóstico del período t

Pronóstico del período t-1

Suavización exponencial del período t

Suavización exponencial del período t-1

Tendencia del período t

29
 Tendencia del período t-1

Coeficiente de suavización (entre 0,0 y 1,0)

Coeficiente de suavización para la tendencia (entre 0,0 y 1,0)

Ejemplo 1:
La firma de control ambiental "Mauricio Galindez" usa suavización exponencial doble
para pronosticar la demanda de un equipo para el control de contaminación, demanda
que aparentemente presenta una tendencia creciente.
Mes Demanda
1 12 
2 17
3 ?
Según la experiencia de sus ingenieros de planeación se sugiere unos coeficientes de alfa
= 0,2 y beta 0,4. Suponer que el pronóstico para el mes 1 fue de 11 unidades y la
tendencia durante el mismo período fue de 2 unidades. Con base en lo anterior,
determinar el pronóstico del mes 3.
Solución
El primer paso consiste en hallar el Suavizamiento exponencial del período 2, dicho
cálculo se efectúa así:

El segundo paso consiste en hallar el estimado de la tendencia, dicho cálculo se efectúa

así:

El tercer paso consiste en hallar el pronóstico del período 2, dicho cálculo se efectúa así:

Ahora procedemos a efectuar los mismos cálculos para el período siguiente, de esta
manera:

30
Podemos así determinar que el pronóstico de ventas para el período 3 es equivalente a
17,28, al tratarse de unidades enteras se hace necesario redondear, y es decisión del
encargado de planeación determinar si lo hace por exceso o por defecto.

Ejemplo2.

Desarrolle un pronóstico para las ventas de papel de computadora para los meses 25 y
30. Si la demanda del mes 25 es 259, actualice los parámetros y proporcione los
pronósticos para los meses 26 y 30.
Considere los datos de la siguiente tabla, que representa las ventas de papel de
computadora en cajas.

M Ven M Ven M Ven

1 116 9 163 1 210
2 133 1 163 1 207
3 139 1 164 1 225
0 8
4 157 1 191 2 223
5 154 1 201 2 257
6 159 1 219 2 232
7 162 1 207 2 240
8 172 1 205 2 241
6 4
Primero se calculan los promedios de los meses 1 a 12 y 13 a 24.
Estos se muestran en la tabla.
Mes 1 2
1 116 201

31
 2 133 219
3 139 207
4 157 205
5 154 210
6 159 207
7 162 225
8 172 223
9 163 257
10 163 232
11 164 240
12 191 241
Promedio 156.0833 222.25
Promedio 189.1666

El incremento en las ventas promedio para el periodo de 12 meses es 222.25 –

156.08 =
66.17.
Al dividir este número entre doce se obtiene el incremento promedio por mes = 5.51
Así la estimación de la pendiente en el tiempo 24 será B24
= 5.51
Para obtener una estimación de la ordenada, se calcula el promedio global de los 24
datos como se ve en la tabla superior. Es 189.16.
Este promedio será centrado en el mes 12.5 (concepto de mediana en intervalos). Para
moverlo al tiempo actual se suma el ajuste por tendencia de 5.51 cajas por mes
multiplicado por (24-12.5).
La estimación de la ordenada es
S24 = 189.16 + 5.51 (24-12.5) = 252.52
Una vez que se tienen los valores iniciales, se pueden pronosticar periodos futuros. El
pronóstico para el periodo 25 es
F25 = S24 + 1 x B24 = 252.52 + 1 x 5.51 = 258
De manera similar, el pronóstico para el mes 30 es
F30 = 252.52 + 6 x B24 = 252.52 + 6 x 5.51 = 286
89.16 + 5.51 (24-12.5) = 252.52
Ahora se actualizan las estimaciones con α y β α = 0.1 y β = 0.1
ST = α dT + (1- α) (ST-1 + BT-1) S25 = α d25 + (1- α ) (S24 + B24)

32
S25 = 0.1 x d25 + (1- 0.1) (S24 + B24)

S25 = 0.1 x 258 + (1 – 0.1) x ( 252.52 + 5.51) = 258.09

La nueva estimación de la pendiente será

BT = β (ST - ST-1) + (1- β) BT-1

B25 = β (S25 - S24) + (1- β) B24
B25= 0.1 (258.09 - 258) + (1- 0.1) x 5.51 = 4.96

El pronóstico para el periodo 26 estará dado por:

FT+K = ST + k BT
F26 = 258.09 + 1 x 4.96 = 263.05
F30 = 258.09 + 5 x 4.96 = 282.89

Suavización Exponencial Doble Método de Brown 

Ajuste a la Tendencia
Este método consiste en realizar dos suavizaciones exponenciales, a partir de las cuales se
obtendrá el valor estimado, o pronóstico que buscamos realizar, mediante un cálculo realizado
con una expresión sencilla. La primera se aplica a los valores observados en la serie de tiempo
y la segunda a la serie atenuada obtenida mediante la primera atenuación.

Debido a que los valores calculados al realizar las dos primeras atenuaciones no son los datos
estimados a obtener, es decir, que constituirán las inferencias de los valores que se espera que
tome la serie de tiempo en el futuro cercano, usaremos una notación distinta a la de la
expresión final con la cual se calculan los valores que constituyen en realidad el pronóstico.
Las expresiones son las siguientes: 
  

 
donde m representa el número de periodos hacia el futuro del que se pretende hacer el
pronostico. 
Valores Pronosticados con la Suavización Exponencial Doble Método de Brown.
Grafica de Líneas de la Serie de Tiempo y de su Pronostico Obtenido con la Suavización
Exponencial Doble por el Método de Brown.
Medidas de Precisión Obtenidas al Aplicar el Método de la Suavización Exponencial Doble
con el Método de Brown.
Al utilizar este método se obtienen valores estimados de la tendencia que son muy sensibles a
las variaciones aleatorias, debido a que se utiliza una sola constante de atenuación. Esta

34
 situación que no es deseable que se presente es la que Holt intenta resolver al proponer el
siguiente modelo.

CONCLUSIONES:

 Atravez de la variacion estacional podemos concluir q el producto a fabricar en cada

empresa se guía entorno al periodo en el que se encuentre, ya sea festivo o días
especiales q varían según la temporada es así q se debe de tomar en muy en cuenta la
relación con el cliente para así poder conseguir ventas.
 A partir de las fórmulas de tendencia cíclica podemos hallar el pronóstico cuando existen
fluctuaciones (movimientos ascendentes y descendentes) en una serie de tiempo.
 Demostramos la idea de que es posible utilizar información relacionada con la demanda
pasada para predecir la demanda futura través de métodos de serie de tiempo como la
suavización

35
RECOMENDACIONES:

 A las empresas q quieren q su empresa tenga éxito se debe de considerar al cliente como
pilar de nesesidades para ser satisfechas y tomar muy encuenta las variaciones
estacionales
 Tener en cuenta que la tendencia cíclica corresponde a los movimientos en una serie de
tiempo, que ocurren año tras años en los mismos meses o periodos del año.
 Recomendamos utilizar suavización exponencial cuando los puntos de datos recientes se
ponderan más y la ponderación sufre una reducción exponencial conforme los datos se
vuelven más antiguos.

36
III. BIBLIOGRAFIA

 Richard Chase, Nicholas Aquilano, (2009).Administración de operaciones: Producción y

cadena de suministros. México: mcgraw-hill / interamericana de mexico

 https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-

industrial/pron%C3%B3stico-de-ventas/suavizaci%C3%B3n-exponencial-simple/

 https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-

industrial/pron%C3%B3stico-de-ventas/suavizaci%C3%B3n-exponencial-doble/

 https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-

industrial/pron%C3%B3stico-de-ventas/variaci%C3%B3n-estacional-o-c%C3%ADclica/

 http://renanquispellanos.com/recursos/Aporte%20Intelectual/Tecnicas

%20Prediccion/12.unidad9.pdf

 http://www.seduca2.uaemex.mx/ckfinder/uploads/files/u3tema_3_series_de_t.pdf

37