Libro: Métodos Cuantitativos para los negocios. Edición 11.

Hacer el ejercicio 11
Resumen de capítulos:
5.4 y 5.5
Página 166 a la 175
César Alberto Serrato Sosa
17/08/2020

Suavizamiento exponencial es un método de pronósticos de uso sencillo y

se maneja con eficiencia en la computadora. Aunque es un tipo de técnica de
promedio móvil, necesita llevar un registro de los datos pasados. La fórmula
básica para el suavizamiento exponencial es: Nuevo pronóstico del último
periodo
(demanda real del último periodo – pronóstico del último periodo) donde es
un peso (o).
constante de suavizamiento
Que tiene un valor entre 0 y 1, inclusive el concepto no es complejo. La
última estimación de la demanda es igual a la estimación previa ajustada por
una fracción del error (la demanda real del último periodo menos la
estimación anterior). La constante de suavizamiento se puede
modificar para dar más peso a los datos recientes con un valor alto
o a los datos pasados cuando es bajo. Por ejemplo, si 0.5, se puede
demostrar matemáticamente que el nuevo pronóstico se basa casi
por completo en la demanda de los tres últimos periodos. Cuando 0.1,
el pronóstico asigna poco peso a cualquier periodo, incluso en el
más reciente, y toma en cuenta muchos periodos de valores históricos
(cerca de 19).
Variaciones estacionales
El pronóstico de series de tiempo como en el ejemplo de Midwestern
Manufacturing requiere observar la Tendencia de los datos en una serie
de momentos. Sin embargo, algunas veces las variaciones
recurrentes en ciertas estaciones del año hacen necesario un ajuste
estacional e n e l p r o n ó s t i c o d e l a recta de tendencia. La demanda de
carbón y combustible, por ejemplo, suele tener su pico durante los meses de
invierno; mientras que la demanda de palos de golf o lociones bronceadoras
suele ser mayoren verano. Analizar los datos en términos de meses o
trimestres facilita la detección de los patrones estacionales. Con
frecuencia se emplea un índice estacional en los modelos de
pronósticos con ser i e s d e t i e m p o m u l t i p l i c a t i v a s , p a r a r e a l i z a r
u n a j u s t e e n e l p r o n ó s t i c o c u a n d o e x i s t e u n a c o m p o n ente
estacional. Una alternativa es usar un modelo aditivo como el
modelo de regresión que se introducirá en una sección posterior.
Un índice estacional
indica la comparación de una estación dada (como mes o trimestre) y una
estación promedio. Cuando no hay una tendencia, el índice se
determina dividiendo el valor promedio para una estación específica
entre el promedio de todos los datos.  Así, un índice de 1 significa
que la estación es promedio. Por ejemplo, si las ventas promedio en enero
fueran de 120 y las ventas promedio en todos los meses fueran de 200, el
índice estacional para enero sería de 120/200 0.60, de manera que enero está
abajo del promedio.

Pasos para determinar los índices estacionales basados en los PMC

1. Calcular el PMC para cada observación (cuando sea posible).
2. Calcular la razón estacional observación/PMC para esa observación.
3. Promediar las razones estacionales para obtener los índices estacionales.
4. Si los índices estacionales no suman el número de estaciones, multiplicar
cada índice por (número de estaciones) / (suma de índices).

Pasos para desarrollar un pronóstico usando el método de descomposición

1. Calcular los índices estacionales usando los PMC.
2. Eliminar la estacionalidad de los datos dividiendo cada número entre su
índice estacional.
3. Encontrar la ecuación de la recta de tendencia empleando los datos sin
estacionalidad.
4. Pronosticar para periodos futuros con la recta de tendencia.
5. Multiplicar el pronóstico de la recta de tendencia por el índice estacional
adecuado.