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.