Planeamiento y Control de

Operaciones
Unidad 1: Estrategia de Operaciones y
Gestión de la Demanda
4. Gestión de la Demanda – Parte 2
Logro de la Unidad
Al finalizar la unidad el estudiante analiza diversos esquemas de procesos de distintos
tipos de empresas definiendo el valor que se agrega al producto en cada proceso, analiza
la estrategia de procesos de una empresa tomando decisiones sobre los mismos
diferenciando los procesos de servicios con los de manufactura y propone el método
adecuado para la elaboración del mejor pronóstico, utilizando herramientas para elaborar
distintos escenarios de comportamiento de demanda futura. Asimismo analiza y decide la
mejor localización de la planta.
Gestión de la Demanda – Parte 2

• Promedios Móviles Simple

• Promedios Móviles Doble y Ponderado

• Atenuación Exponencial Simple

• Atenuación Exponencial Doble (Brown)

Criterios en la Evaluación de los Pronósticos
• La selección de un método de pronósticos se realiza
con base en el análisis y la intuición del pronosticador
acerca de la naturaleza de los datos.
• El conjunto de datos se divide en dos secciones: una
sección de inicio o de ajuste y una sección de prueba o de
pronóstico.
• La técnica seleccionada de pronóstico se usa para
desarrollar valores de ajuste con la primera parte de los
datos.
• La técnica se usa para pronosticar la segunda sección, los
pronósticos obtenidos se comparan con los datos y se
evalúa el error de pronóstico.
• Se toma una decisión. La decisión puede ser usar la
técnica en su forma actual, modificarla o desarrollar un
pronóstico usando otra técnica y comparar los resultados.
 Etapas y Pasos en la Estimación de un Pronóstico
Etapa 1: Recopilación de Datos
1. Identificar la fuente de datos apropiada (interna o externa)
2. Definir el tipo de datos a usar ($, t, m3, etc.)
3. Definir el tipo de periodo a usar (años, trimestres, meses, etc.)
4. Seleccionar el número de periodos históricos relevantes a usar
para la estimación futura.
Etapa 3: Construcción de Modelos
10. En base al patrón identificado, seleccionar los modelos
adecuados para las estimaciones.
11. Usar independientemente los modelos seleccionados para
calcular las estimaciones de los periodos históricos.
12. Calcular los errores de las estimaciones realizadas para cada
modelo usado (DAM, ECM, RECM, EPAM , EPM).
13. Optimizar las estimaciones de los modelos para minimizar un
error de pronóstico adecuado (en caso el método lo permita
usar el SOLVER).
14. Analizar los errores: Comparación de métodos, sesgo, etc.
Etapa 2: Análisis de Datos
5. Identificar el patrón de datos en los periodos históricos
seleccionados:
6. Graficar los datos históricos y visualizar alguna señal del patrón.
7. Calcular el coeficiente de auto correlación para los desfases
necesarios, analizar y comprobar el patrón observado.
8. En caso no se tenga claro el patrón volver al paso 2.
9. Con el patrón de datos identificado, establecer la línea base de
los datos históricos a usar en las estimaciones.
Etapa 4: Extrapolación de Resultados
15. Usar los modelos optimizados para estimar el pronóstico futuro
de los periodos adecuados.
16. Calcular los intervalos de confianza para el pronostico de cada
modelo usado. (definir que tipo error y el nivel de confianza se
usara).
17. Comparar y analizar errores para identificar el mejor método
18. Analizar los rangos de los intervalos calculados y ajustar las
estimaciones encontrando el intervalo común de todos los
métodos usados.
19. Analizar datos y proponer la mejor estimación probalística futura
(pronostico)
Promedio Móvil Simple
• El promedio móvil para el periodo de tiempo t es la media aritmética de las k
observaciones más recientes.
• Se asignan pesos iguales a cada observación.
• Conforme está disponible, cada nuevo punto de datos se incluye en el promedio y el
punto de datos más antiguo se descarta.
• El valor del promedio móvil más reciente indicará el pronóstico del siguiente
periodo.

M t  Yˆt 1 
Yt  Yt 1  Yt 2    Yt n1 
n
Mt : promedio móvil en el periodo t
Ŷ t+1: valor del pronóstico para el siguiente periodo
Yt : valor real en el periodo t
N: número de términos del promedio móvil
Promedio Móvil Simple
k= 5

t Galones Mt Yt+1 et
1 275 Promedio Móvil
2 291 Promedio
310
3 307
4 281
300
5 295 289.8
6 268 288.4 289.8 -21.8
290
7 252 280.6 288.4 -36.4
8 279 275 280.6 -1.6

Galones
280
9 264 271.6 275 -11
10 288 270.2 271.6 16.4
270
11 302 277 270.2 31.8
12 287 284 277 10
260
13 290 286.2 284 6
14 311 295.6 286.2 24.8
250
15 277 293.4 295.6 -18.6
16 245 282 293.4 -48.4
17 282 281 282 0 240
1 4 7 10 13 16 19 22 25 28 31
18 277 278.4 281 -4
19 298 275.8 278.4 19.6 Semanas
20 303 281 275.8 27.2
21 310 294 281 29 Galones Pronóstico
22 299 297.4 294 5
23 285 299 297.4 -12.4
24 250 289.4 299 -49
25 260 280.8 289.4 -29.4

Yt  Yt 1  Yt 2    Yt n1 
26 245 267.8 280.8 -35.8
27 271 262.2 267.8 3.2
28
29
282
302
261.6
272
262.2
261.6
19.8
40.4
ˆ
M t  Yt 1 
30 285 277 272 13 n
31 285 277
Gestión de la Demanda – Parte 2

• Promedios Móviles Simple

• Promedios Móviles Doble y Ponderado

• Atenuación Exponencial Simple

• Atenuación Exponencial Doble (Brown)

Promedio Móvil Doble
• Se utiliza cuando la serie de tiempo tiene tendencia lineal.
• Primero se realiza una serie de promedios móviles simple.
• Luego sobre esta serie se realiza otra serie de promedios móviles.

ˆ
M t  Yt 1 
Yt  Yt 1  Yt  2    Yt  n 1 
n
M t 
M t  M t 1  M t  2    M t  n 1 
n
at  2M t  M t

bt 
2
M t  M t 
n 1
Yˆt  p  at  bt p n = número de periodos en el promedio móvil
p = número de periodos futuros por pronosticar
 Promedio Móvil Doble
Promedio 730
Promedio Pronostico
Movil 720
Movil
t Yt de 3 Valor de a Valor de b et e t2 p 710
Doble Yt+p = at + btp
semanas
M't (p=1) 700

Rentas
Mt
690
1 654 1 680
2 658 2
670
3 665 659 3
660
4 672 665 4
650
5 673 670 665 675 5 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
6 671 672 669 675 3 681 -10 93 Semana
7 693 679 674 684 5 678 15 225
8 694 686 679 693 7 690 4 19 Yt Promedio Movil Promedio Movil
9 701 696 687 705 9 700 1 1 de 3 semanas Doble
10 703 699 694 705 6 714 -11 121 Mt M't

11 702 702 699 705 3 710 -8 71

12 710 705 702 708 3 708 2 5 750
13 712 708 705 711 3 711 1 1 740
14 711 711 708 714 3 714 -3 9 730
15 728 717 712 722 5 717 11 121 720

Y  Y  Y    Yt n1 
16 727 710

Rentas
17 M t  Yˆt 1  t t 1 t  2 732 700
18 n 737 690
19
M t 
M t  M t 1  M t 2    M t n1  742 680
667 670
n
660
at  2M t  M t EMC= 67
650
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
bt 
2
M t  M t  Semana
n 1
Yˆt  p  at  bt p Real Pronóstico
Promedio Móvil Ponderado
• Es una variación del promedio móvil. Mientras, en el
promedio móvil simple se le asigna igual importancia a
cada uno de los datos que componen dicho promedio, en
el promedio móvil ponderado podemos asignar
cualquier importancia (peso) a cualquier dato del
promedio (siempre que la sumatoria de las
ponderaciones sean equivalentes al 100%).

• Es una práctica regular aplicar el factor de ponderación

(porcentaje) mayor al dato más reciente.

• 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, dicho enfoque
es superior al del promedio móvil simple.
 Promedio Móvil Ponderado
Mt = Yt*Poderaciont + Yt-1*Ponderaciont-1 + Yt-2*¨Ponderaciont-2
Mt = 750*0.6 + 1,300*0.25 + 560*0.15
Mt = 859
k=3
t Yt Mt Yt+1 et
Promedio Pronóstico Yt - Yt |Yt - Yt|
Periodo Demanda
Móvil de 3 Periodos de 3 Periodos Error Error Absoluto
Ponderación

Enero 560 t-2 0.15

Febrero 1,300 t-1 0.25
Marzo 750 859.0 t 0.60
Abril 1,465 1,261.5 859.0 606.0 606.0 Suma 1
Mayo 725 913.8 1,261.5 -536.5 536.5
Junio 675 806.0 913.8 -238.8 238.8
Julio 575 622.5 806.0 -231.0 231.0
Agosto 815 734.0 622.5 192.5 192.5
Setiembre 1,275 1,055.0 734.0 541.0 541.0
Octubre 1,385 1,272.0 1,055.0 330.0 330.0
Noviembre 950 1,107.5 1,272.0 -322.0 322.0
Diciembre 1,425 1,300.3 1,107.5 317.5 317.5
Enero 1,300.3
Total 11,900
Media 991.7
Sesgo 658.8
Sesgo Medio 73.2
Desviación Absoluta 3,315.3
Desviación Absoluta Media 368.4
Gestión de la Demanda – Parte 2

• Promedios Móviles Simple

• Promedios Móviles Doble y Ponderado

• Atenuación Exponencial Simple

• Atenuación Exponencial Doble (Brown)

Atenuación Exponencial Simple
• El método de promedios móviles toma en cuenta sólo las observaciones más recientes, la
suavización exponencial simple ofrece un promedio móvil con peso exponencial para todos los
valores previos observados.
• Adecuado para datos que no tienen una tendencia predecible ascendente o descendente.
• Revisa continuamente un estimado a la luz de las experiencias más recientes.
• Se basa en promediar (suavizar) valores pasados de una serie de manera exponencialmente
decreciente.
Atenuación Exponencial Simple
• La observación más reciente recibe el peso más grande, α (donde 0 < α <1); la siguiente
observación más reciente recibe menos peso, α(1 - α); la observación de dos periodos en el
pasado recibe incluso menos peso, α(1 - α)2; y así sucesiva-mente.
• En una representación de suavización exponencial, el nuevo pronóstico (para el tiempo t + 1)
puede considerarse como la suma ponderada de la nueva observación (en el tiempo t) y el
antiguo pronóstico (para el tiempo t). Se asigna el peso α (0 < α <1) al nuevo valor observado, y
el peso ((1 - α) al último pronóstico.

Yˆt 1  Yt  1   Yˆt

Ŷ t+1 : nuevo valor atenuado o valor de pronóstico para el
siguiente periodo.
α : constante de atenuación ( 0< α < 1)
Y t : nueva observación o valor real de la serie en el periodo t
Ŷ t : valor atenuado anterior o experiencia promedio de la serie
atenuada al periodo t-1

Ŷ t = Y t para el primer valor

Atenuación Exponencial Simple

Yˆt 1  Yt  1   Yˆt  Yt  Yˆt  Yˆt

Yˆt 1  Yˆt   Yt  Yˆt 

El nuevo pronóstico (Yt+1) es el viejo (Yt),
ajustado en α veces el error ^(Yt - Yt) en el
pronostico antiguo.

• La constante de suavización α , sirve como el factor de ponderación. Determina el grado con el

cual la observación actual influye en el pronóstico de la siguiente observación.

• Cuando α es cercano a 1, el nuevo pronóstico será, en esencia, la observación actual.

• Cuando α es cercano a 0, el nuevo pronóstico será muy similar al pronóstico anterior, y la

observación actual tendrá muy poco efecto.
Atenuación Exponencial Simple

Para t: Yˆt  Yt 1  (1   )Yˆt 1

Yˆt 1  Yt  1   Yˆt  Yt  (1   )Yt 1  (1   )Yˆt 1 

Yˆt 1  Yt   (1   )Yt 1  (1   ) 2 Yˆt 1

Yˆt 1  Yt   (1   )Yt 1   (1   ) 2 Yt  2   (1   ) 3 Yt 3  ...

^
Es decir, Yt + 1 es un valor suavizado exponencialmente. La rapidez con la cual las
observaciones pasadas pierden su efecto depende del valor de α
Atenuación Exponencial Simple

• El valor asignado a α es la clave del análisis.

• Si se desea que las predicciones sean estables

y las variaciones se suavicen, se requiere un
valor pequeño de α.

• Si se desea una respuesta rápida a un cambio

real en el patrón de observaciones, un valor
mas grande de α es el apropiado.

• Un método para estimar α es un procedimiento

iterativo que minimiza el error cuadrático
medio ECM.
Atenuación Exponencial Simple
0.1 * 500 + (1 - 0.1) * 500 Yˆt 1  Yt  1   Yˆt
α= 0.1
Tiempo Valor Real Valor Suavizado Error Abs.
^ ^
Año Trimestres Yt Yt (α=0.1) |et| (Yt - Yt)2 |et|/Yt
2000 1 500 500 0.0 0 0.0
Valores Reales
2 350 500.0 150.0 22,500 0.4
3 250 485.0 235.0 55,225 0.9 900
4 400 461.5 61.5 3,782 0.2 800
2001 5 450 455.4 5.4 29 0.0 700
6 350 454.8 104.8 10,986 0.3 600
7 200 444.3 244.3 59,699 1.2
500

Ventas
8 300 419.9 119.9 14,376 0.4
400
2002 9 350 407.9 57.9 3,354 0.2
300
10 200 402.1 202.1 40,852 1.0
200
11 150 381.9 231.9 53,781 1.5
12 400 358.7 41.3 1,704 0.1 100

2003 13 550 362.8 187.2 35,027 0.3 0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
14 350 381.6 31.6 996 0.1
Trimestres
15 250 378.4 128.4 16,488 0.5
16 550 365.6 184.4 34,017 0.3
Valor Real
2004 17 550 384.0 166.0 27,554 0.3
18 400 400.6 0.6 0 0.0
19 350 400.5 50.5 2,555 0.1
20 600 395.5 204.5 41,824 0.3
2005 21 750 415.9 334.1 111,595 0.4
22 500 449.3 50.7 2,566 0.1
23 400 454.4 54.4 2,961 0.1
24 650 449.0 201.0 40,412 0.3
2006 25 850 469.1
Promedios 127.0 24,262 38.9%
DAM ECM EPAM

0.1 * 650 + (1 - 0.1) * 449

Atenuación Exponencial Simple
0.1 * 500 + (1 - 0.1) * 500 Yˆt 1  Yt  1   Yˆt
α= 0.1 α= 0.6
Tiempo Valor Real Valor Suavizado Error Abs. Valor Suavizado Error Abs.
^ ^ ^ ^ 2
Año Trimestres Yt Yt (α=0.1) |et| (Yt - Yt)2 |et|/Yt Y t (α=0.6) |et| (Yt - Y t) |et|/Yt
2000 1 500 500 0.0 0 0.0 500 0.0 0 0.0
2 350 500.0 150.0 22,500 0.4 500.0 150.0 22,500 0.4
3 250 485.0 235.0 55,225 0.9 410.0 160.0 25,600 0.6
4 400 461.5 61.5 3,782 0.2 314.0 86.0 7,396 0.2
2001 5 450 455.4 5.4 29 0.0 365.6 84.4 7,123 0.2
6 350 454.8 104.8 10,986 0.3 416.2 66.2 4,388 0.2
7 200 444.3 244.3 59,699 1.2 376.5 176.5 31,151 0.9
8 300 419.9 119.9 14,376 0.4 270.6 29.4 864 0.1
2002 9 350 407.9 57.9 3,354 0.2 288.2 61.8 3,814 0.2
10 200 402.1 202.1 40,852 1.0 325.3 125.3 15,699 0.6
11 150 381.9 231.9 53,781 1.5 250.1 100.1 10,024 0.7
12 400 358.7 41.3 1,704 0.1 190.0 210.0 44,080 0.5
2003 13 550 362.8 187.2 35,027 0.3 316.0 234.0 54,747 0.4
14 350 381.6 31.6 996 0.1 456.4 106.4 11,323 0.3
15 250 378.4 128.4 16,488 0.5 392.6 142.6 20,324 0.6
16 550 365.6 184.4 34,017 0.3 307.0 243.0 59,037 0.4
2004 17 550 384.0 166.0 27,554 0.3 452.8 97.2 9,446 0.2
18 400 400.6 0.6 0 0.0 511.1 111.1 12,349 0.3
19 350 400.5 50.5 2,555 0.1 444.4 94.4 8,921 0.3
20 600 395.5 204.5 41,824 0.3 387.8 212.2 45,037 0.4
2005 21 750 415.9 334.1 111,595 0.4 515.1 234.9 55,172 0.3
22 500 449.3 50.7 2,566 0.1 656.0 156.0 24,350 0.3
23 400 454.4 54.4 2,961 0.1 562.4 162.4 26,380 0.4
24 650 449.0 201.0 40,412 0.3 465.0 185.0 34,237 0.3
2006 25 850 469.1 576.0
Promedios 127.0 24,262 38.9% 134.5 22,248 36.5%
DAM ECM EPAM DAM ECM EPAM

0.1 * 650 + (1 - 0.1) * 449

 Atenuación Exponencial Simple: Optimización
Yˆt 1  Yt  1   Yˆt Yˆt 1  Yt  1   Yˆt
α= 0.23 α= 0.34
Tiempo Valor Real Valor Suavizado Error Abs. Tiempo Valor Real Valor Suavizado Error Abs.
^ ^ ^ ^
Año Trimestres Yt Yt (α=0.1) |et| (Yt - Yt )2 |et|/Yt Año Trimestres Yt Yt (α=0.1) |et| (Yt - Yt)2 |et|/Yt
2000 1 500 500 0.0 0 0.0 2000 1 500 500 0.0 0 0.0
2 350 500.0 150.0 22,500 0.4 2 350 500.0 150.0 22,500 0.4
3 250 466.0 216.0 46,674 0.9 3 250 449.7 199.7 39,876 0.8
4 400 417.1 17.1 293 0.0 4 400 382.7 17.3 299 0.0
2001 5 450 413.3 36.7 1,350 0.1 2001 5 450 388.5 61.5 3,781 0.1
6 350 421.6 71.6 5,123 0.2 6 350 409.1 59.1 3,497 0.2
7 200 405.4 205.4 42,176 1.0 7 200 389.3 189.3 35,835 0.9
8 300 358.9 58.9 3,466 0.2 8 300 325.8 25.8 666 0.1
2002 9 350 345.5 4.5 20 0.0 2002 9 350 317.2 32.8 1,079 0.1
10 200 346.6 146.6 21,478 0.7 10 200 328.2 128.2 16,427 0.6
11 150 313.4 163.4 26,692 1.1 11 150 285.2 135.2 18,274 0.9
12 400 276.4 123.6 15,280 0.3 12 400 239.8 160.2 25,651 0.4
2003 13 550 304.4 245.6 60,332 0.4 2003 13 550 293.6 256.4 65,762 0.5
14 350 360.0 10.0 100 0.0 14 350 379.6 29.6 874 0.1
15 250 357.7 107.7 11,604 0.4 15 250 369.7 119.7 14,317 0.5
16 550 333.3 216.7 46,944 0.4 16 550 329.5 220.5 48,611 0.4
2004 17 550 382.4 167.6 28,095 0.3 2004 17 550 403.5 146.5 21,471 0.3
18 400 420.3 20.3 413 0.1 18 400 452.6 52.6 2,769 0.1
19 350 415.7 65.7 4,320 0.2 19 350 435.0 85.0 7,220 0.2
20 600 400.8 199.2 39,661 0.3 20 600 406.5 193.5 37,454 0.3
2005 21 750 445.9 304.1 92,456 0.4 2005 21 750 471.4 278.6 77,628 0.4
22 500 514.8 14.8 218 0.0 22 500 564.8 64.8 4,203 0.1
23 400 511.4 111.4 12,416 0.3 23 400 543.1 143.1 20,474 0.4
24 650 486.2 163.8 26,830 0.3 24 650 495.1 154.9 23,996 0.2
2006 25 850 523.3 2006 25 850 547.1
Menor DAM 117.5 21,185 33.9% Menor ECM 121.0 20,528 33.9%
DAM ECM EPAM DAM ECM EPAM
Atenuación Exponencial Simple
Atenuación α=0.1 Atenuación α=0.6
900 900
800 800
700 700
600 600
Ventas

Ventas
500 500
400 400
300 300
200 200
100 100
0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Trimestres Trimestres

Valor Real Pronóstico Valor Real Pronóstico

Atenuación α=0.23 Minimo DAM Atenuación α=0.34 Minimo ECM

900 900

800 800

700 700

600 600

500 500
Ventas

Ventas
400 400

300 300

200 200

100 100

0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Trimestres Trimestres
Gestión de la Demanda – Parte 2

• Promedios Móviles Simple

• Promedios Móviles Doble y Ponderado

• Atenuación Exponencial Simple

• Atenuación Exponencial Doble (Brown)

Atenuación Exponencial Doble: Brown
Esta técnica, también conocida como Método de Brown, se usa para pronosticar series de
tiempo que tienen una tendencia lineal.

At  Yt  1    At 1
At  At  1    At1
at  2 At  At

bt   At  At  Yt = Real

1
At = Valor atenuado exponencialmente de Yt en el periodo t
A´t= Valor doblemente atenuado exponencialmente de Yt en el
periodo t
Yˆt  p  at  bt p at = Similar a la medición de la intersección de la ordenada con
una recta que cambia durante la serie de tiempo.
bt = Similar a la medición de la pendiente de una recta que
cambia durante una serie de tiempo.
Yt+p = Pronostico
α = Constante de atenuación
p = periodos en el futuro
 Atenuación Exponencial Doble: Brown
0.2 * 1303 + (1 - 0.2) * 1277

0.2 * 1297 + (1 - 0.2) * 1274 2 * 1377 - 1320 0.2/0.8 * (1377 – 1320)

0<α<1
t Yt At A´t at bt ^Y |et| p α
t+p

1 1274 1274 1274 1274 0 1 0.2

2 1297 1279 1275 1282 1 1274 23
3 1317 1286 1277 1295 2 1283 34
4 1370 1303 1282 1324 5 1298 72
5 1447 1332 1292 1371 10 1329 118
6 1485 1362 1306 1419 14 1381 104
7 1433 1377 1320 1433 14 1433 0
8 1561 1413 1339 1488 19 1447 114
1764 + 37 * 1
9 1699 1471 1365 1576 26 1507 192
10 1711 1519 1396 1641 31 1602 109
11 1746 1564 1430 1699 34 1672 74
12 1820 1615 1467 1764 37 1732 88
13 Pronóstico p=1 1801 Atenuación Doble p=1 α=0.2
DAM = 84.41 1900

At  Yt  1    At 1
1800
1700
1600

At  At  1    At1

Valor Y
1500
1400

at  2 At  At
1300
1200


1100

 At  At 
1000
bt  1 2 3 4 5 6 7 8 9 10 11 12 13

1 Periodo

Yˆt  p  at  bt p Real Pronóstico

Atenuación Exponencial Doble: Brown
0<α<1
t Yt At A´t at bt ^Y |et| p α
t+p

1 1274 1274 1274 1274 0 1 0.41

2 1297 1283 1278 1289 4 1274 23 2
3 1317 1297 1286 1308 8 1293 24 3
4 1370 1327 1302 1351 17 1316 54
5 1447 1376 1332 1419 30 1368 79
6 1485 1420 1368 1472 36 1449 36
7 1433 1425 1391 1459 23 1508 75
8 1561 1480 1427 1533 36 1483 78
1816 + 56 * 1
9 1699 1569 1485 1653 58 1570 129
10 1711 1627 1543 1711 58 1711 0 1816 + 56 * 2
11 1746 1675 1596 1754 54 1769 23 1816 + 56 * 3
12 1820 1734 1652 1816 56 1808 12
13 Pronóstico p=1 1872
13 Pronóstico p=2 1927
Atenuación Doble p=1,2,3 α=0.41 Minimo DAM
13 Pronóstico p=3 1983
Minimo DAM = 48.53 2200

2000

1800

Valor Y
1600

1400

1200

1000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Periodo

Real Pronóstico
Conclusiones
• Los métodos de promedios móviles son útiles para el corto plazo y solo pronostican un
periodo más. Solo el método de promedios móviles doble pronostica más de un periodo.

• El método de atenuación exponencial es de corto plazo y toma en cuenta el pronóstico del

periodo anterior para pronosticar el actual.
Próxima Clase
• Lectura Pronósticos en los Negocios. 9na edición. Capitulo 4 - Métodos de Promedios
Móviles y de Suavización (2010). John E. Hanke, Dean W. Wichern Pag. 107-136
• Desarrollar y presentar:
• Ejercicios Promedios Móviles
• Ejercicios Atenuación Exponencial Simple y Brown