Planeamiento y Control de

Operaciones
Unidad 1: Estrategia de Operaciones y
Gestión de la Demanda
5. Gestión de la Demanda – Parte 3
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 3

• Atenuación Exponencial Doble (Brown)

• Atenuación Exponencial de Holt

• Atenuación Exponencial de Winters

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
Gestión de la Demanda – Parte 3

• Atenuación Exponencial Doble (Brown)

• Atenuación Exponencial de Holt

• Atenuación Exponencial de Winters

Atenuación Exponencial Ajustada a la Tendencia (Holt)
• En la suavización exponencial simple, se supone que el nivel
de las series de tiempo varía ocasionalmente, y se requiere un
estimado del nivel actual.

• En algunas situaciones, los datos observados tienen una

tendencia clara y contienen información que permite anticipar
movimientos futuros ascendentes.

• Cuando éste es el caso, se necesita una función de tendencia

lineal del pronóstico.

• Una técnica para manejar una tendencia lineal se denomina

Método de Dos Parámetros de Holt, el cual, toma en cuenta la
evolución local lineal de las tendencias en una serie de
tiempo.

• Una de las ventajas es que ofrece un alto grado de flexibilidad

en la selección de coeficientes con los cuales se controla el
nivel y la tendencia.
Atenuación Exponencial Ajustada a la Tendencia (Holt)

At = Yt + (1 −  )( At −1 + Tt −1 )
Tt =  ( At − At −1 ) + (1 −  )Tt −1
Yˆt + p = At + pTt

At: nuevo valor atenuado (estimado del Nivel Actual)

α : constante de atenuación de los datos para el Nivel (0 < α < 1)
Yt: nueva observación o valor real de la serie en el periodo t
β : constante de atenuación de la estimación de la tendencia (0 < β < 1)
Tt: estimación de la tendencia
p: periodos a pronosticar en el futuro
Ŷ t+p : pronóstico para el periodos p en el futuro
Atenuación Exponencial Ajustada a la Tendencia (Holt)
• Al igual que en la suavización exponencial simple, las constantes de suavización α y β pueden
seleccionarse subjetivamente o generarse minimizando una medida de error de pronóstico
tal como el MSE.

• Pesos grandes tienen como resultado cambios más rápidos en el componente; pesos
pequeños tienen como resultado cambios menos rápidos.

• Cuanto mayores son los pesos, los valores de suavizamiento seguirán más a los datos;
cuanto menores son los pesos, los valores de suavizamiento seguirán más a los valores de
suavizamiento previos.

• Si α = β (cantidades iguales de suavización para el nivel y la tendencia), el método de Holt es

igual que la suavización exponencial doble de Brown.

• Para iniciar, se deben determinar los valores iniciales de At y Tt , un enfoque consiste en fijar la
primera estimación del nivel suavizado igual a la primera observación, luego se considera
la tendencia igual a cero.
 Atenuación Exponencial de Holt: Ejemplo 1
0.3 * 350 – (1-0.3) * (500 + 0)
0.1 * (455 – 500) + (1-0.1) * 0

α= 0.3 p= 1 455 – 4.5 * 1

β= 0.1
Tiempo Valor Real At Tt Error Abs.
( α = 0.3 ) ( β = 0.1 ) ^ ^
Año Trimestres Yt Yt+p |et| (Yt - Yt)2 |et|/Yt
2000 1 500 500 0.0

At = Yt + (1 −  )( At −1 + Tt −1 )
2 350 455.0 -4.5 500.0 150.0 22,500 0.4
3 250 390.4 -10.5 450.5 200.5 40,200 0.8

Tt =  ( At − At −1 ) + (1 −  )Tt −1
4 400 385.9 -9.9 379.8 20.2 407 0.1
2001 5 450 398.2 -7.7 376.0 74.0 5,480 0.2
6 350 378.3 -8.9 390.5 40.5 1,640 0.1
7 200 318.6 -14.0 369.4 169.4 28,710 0.8 Yˆt + p = At + pTt
8 300 303.2 -14.1 304.6 4.6 21 0.0
2002 9 350 307.4 -12.3 289.1 60.9 3,708 0.2
10 200 266.6 -15.2 295.1 95.1 9,040 0.5
11
12
150
400
221.0
262.0
-18.2
-12.3
251.4
202.8
101.4
197.2
10,282
38,893
0.7
0.5
Atenuación Holt α = 0.3 β = 0.1
2003 13 550 339.8 -3.3 249.7 300.3 90,195 0.5 900
14 350 340.6 -2.9 336.5 13.5 182 0.0 800
15 250 311.4 -5.5 337.7 87.7 7,690 0.4 700
16 550 379.1 1.8 305.9 244.1 59,590 0.4 600

Ventas
2004 17 550 431.7 6.9 381.0 169.0 28,577 0.3 500
18 400 427.0 5.7 438.6 38.6 1,488 0.1 400
19 350 407.9 3.3 432.7 82.7 6,846 0.2 300
20 600 467.8 8.9 411.2 188.8 35,652 0.3 200
2005 21 750 558.7 17.1 476.8 273.2 74,664 0.4 100
22 500 553.1 14.8 575.9 75.9 5,753 0.2 0
23 400 517.6 9.8 567.9 167.9 28,205 0.4 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
24 650 564.2 13.5 527.4 122.6 15,038 0.2
Trimestres
2006 25 850 577.6
Promedios 125.1 22380.9 33.5%
Valor Real Pronóstico
DAM ECM EPAM
 Atenuación Exponencial de Holt: Ejemplo 2
At = Yt + (1 −  )( At −1 + Tt −1 )
Atenuación Holt - α=0.42, β=0.3
Tt =  ( At − At −1 ) + (1 −  )Tt −1
2000
Yˆt + p = At + pTt 1800

Valor Real
1600

1400
p= 1 p= 1
α= 0.42 2 α= 0.64 2 1200
β= 0.30 3 β= 0.99 3
1000
^ ^
t Yt At Tt Yt+p Error t Yt At Tt Y t+p Error 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 1254 1254 0 1 1254 1254 0 Pronóstico
2 1297 1272 5 1254 43 2 1297 1281 27 1254 43
3 1317 1294 10 1277 40 3 1317 1314 32 1308 9 Real Pronóstico
4 1370 1332 19 1304 66 4 1370 1361 47 1346 24
5 1347 1349 18 1351 4 5 1347 1369 9 1409 62
6 1435 1396 27 1367 68 6 1435 1414 44 1378 57
Atenuación Optimizda Holt - α=0.64, β=0.99
7 1433 1427 28 1422 11 7 1433 1442 28 1459 26 2200
8 1471 1462 30 1455 16 8 1471 1471 29 1471 0 2000
9 1529 1507 35 1492 37 9 1529 1518 47 1499 30 1800

Valor Real
10 1571 1554 38 1542 29 10 1571 1569 51 1565 6
1600
11 1646 1615 45 1593 53 11 1646 1636 67 1620 26
1400
12 1750 1698 56 1660 90 12 1750 1733 96 1704 46
1200
13 Pronóstico p = 1 1754 13 Pronóstico p = 1 1830
14 Pronóstico p = 2 1811 14 Pronóstico p = 2 1926 1000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
15 Pronóstico p = 3 1867 15 Pronóstico p = 3 2022
Pronóstico
DAM 41.4 Minimo DAM 29.8

Real Pronóstico Optimizado

Gestión de la Demanda – Parte 3

• Atenuación Exponencial Doble (Brown)

• Atenuación Exponencial de Holt

• Atenuación Exponencial de Winters

Atenuación Exponencial Ajustada a la Tendencia y a la
Variación Estacional (Winters)

• El método de suavización exponencial lineal y estacional de tres parámetros de Winters, es una

extensión del método de Holt, que podría representar mejor los datos y reducir el error de
pronóstico.

• En el método de Winters, se emplea una ecuación adicional para estimar la estacionalidad.

• Al igual que en la suavización exponencial lineal de Holt, los pesos α, β y ϒ pueden

seleccionarse subjetivamente o generarse al minimizar una medida de error de pronóstico,
como el MSE.

• Para iniciar se deben establecer los valores iniciales para las series suavizadas, At, la tendencia
Tt y los índices estacionales St. Un método consiste en igualar la primera estimación de la serie
suavizada (nivel) a la primera observación. Luego, la tendencia se iguala a cero y cada
índice estacional se fija en 1.0.
Atenuación Exponencial Ajustada a la Tendencia y a la
Variación Estacional (Winters)

+ (1 −  )( At −1 + Tt −1 )
Yt
At = 
St − L
Tt =  ( At − At −1 ) + (1 −  )Tt −1

+ (1 −  )St − L
Yt
St = 
At
Yˆt + p = ( At + pTt ) S t − L + p At: nuevo valor atenuado (estimado de nivel actual)
α : constante de atenuación del nivel de los datos ( 0 < α <1 )
Yt: nueva observación o valor real de la serie en el periodo t ( 0 < β < 1 )
β : constante de atenuación de la estimación de la tendencia
Tt: estimación de la tendencia
γ : constante de atenuación de la estimación de la estacionalidad ( 0 < γ < 1)
St : estimación de la estacionalidad
L: longitud de la estacionalidad
p: periodos a pronosticar en el futuro
Ŷ t+p : pronóstico de p periodos en el futuro
 Atenuación Exponencial de Winters: Ejemplo 1
0.4 (350/1) + (1-0.4) * (500 +0)
+ (1 −  )( At −1 + Tt −1 )
Yt
At = 
0.1 * (440 – 500) + (1-0.1) * 0 St − L
Tt =  ( At − At −1 ) + (1 −  )Tt −1
α= 0.4 p= 1
β= 0.1 p= 2
0.3 * (350/440) + (1-0.3) * 1
ϒ= 0.3 p= 3

+ (1 −  )St − L
L= 4 p= 4 Yt
Tiempo Valor Real At Tt St Error Abs. St = 
Año Trimestres Yt ( α = 0.4) ( β = 0.1 ) ( ϒ = 0.3 ) Yt+p |et| (Yt - Yt)2 |et|/Yt (440 + 1 * (-6) ) * 1 At
Yˆt + p = ( At + pTt ) S t − L + p
-2 1.0
-1 1.0
0 1.0
2000 1 500 500 0.0 1.0
2 350 440.0 -6.0 0.9 500.0 150.0 22,500 0.4
3 250 360.4 -13.4 0.9 434.0 184.0 33,856 0.7
4 400 368.2 -11.2 1.0 347.0 53.0 2,805 0.1
2001 5 450 394.2 -7.5 1.0 357.0 93.0 8,652 0.2 Atenuación Winter - α=0.4, β=0.1, ϒ=0.3
6 350 381.2 -8.1 0.9 362.9 12.9 167 0.0
7 200 311.9 -14.2 0.8 338.8 138.8 19,264 0.7 900
8 300 295.6 -14.4 1.0 305.5 5.5 30 0.0
2002 9 350 303.0 -12.2 1.1 293.2 56.8 3,229 0.2 800
10 200 260.3 -15.3 0.9 271.2 71.2 5,068 0.4
11 150 219.5 -17.8 0.8 202.9 52.9 2,795 0.4
700
12 400 277.5 -10.2 1.1 206.2 193.8 37,563 0.5
2003 13 550 364.7 -0.5 1.2 287.6 262.4 68,865 0.5
600

Valor Real
14 350 377.0 0.8 0.9 321.7 28.3 799 0.1
15 250 354.1 -1.6 0.8 296.5 46.5 2,160 0.2
500
16 550 403.1 3.5 1.2 404.9 145.1 21,068 0.3
400
2004 17 550 426.4 5.5 1.2 490.3 59.7 3,569 0.1
18 400 437.5 6.0 0.9 387.3 12.7 161 0.0
300
19 350 450.1 6.7 0.8 337.6 12.4 155 0.0
20 600 471.9 8.2 1.2 554.1 45.9 2,105 0.1
200
2005 21 750 531.8 13.4 1.3 591.0 159.0 25,289 0.2
22 500 548.8 13.7 0.9 491.7 8.3 69 0.0
100
23 400 546.4 12.1 0.8 430.9 30.9 955 0.1
24 650 546.4 10.9 1.2 687.3 37.3 1,391 0.1 0
2006 25 850 Pronóstico p=1 716.0
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 26 27 28
25 600 Pronóstico p=2 514.0
25 450 Pronóstico p=3 437.7 Trimestre
28 700 Pronóstico p=4 718.8
Promedios 80.9 11,414 22.7%
Real Pronóstico
DAM ECM EPAM
 Atenuación Exponencial de Winters: Ejemplo 2
α= 0.10 p= 1 α= 0.217 p= 1
β= 0.20 2 β= 0.246 2
ϒ= 0.70 3 ϒ= 0.693 3
L= 4 4 L= 4 4
Mes t Yt At Tt St Yt+p Error Mes t Yt At Tt St Yt+p Error
-2 1 -2 1
-1 1 -1 1
0 1 0 1
Ene-17 1 77 77 0 1 Ene-17 1 77 77 0 1
Feb-17 2 105 79.8 1 1.2 77 28.0 Feb-17 2 105 83 1 1.2 77 28.0
Mar-17 3 89 81 1 1.1 80 8.6 Mar-17 3 89 86 2 1.0 85 4.4
Abr-17 4 135 87 2 1.4 82 53.0 Abr-17 4 135 98 4 1.3 87 47.7
May-17 5 100 90 2 1.1 89 10.9 May-17 5 100 101 4 1.0 102 1.9
Jun-17 6 125 93 2 1.3 113 12.5 Jun-17 6 125 106 4 1.2 125 0.0
Jul-17 7 115 97 2 1.2 102 13.2 Jul-17 7 115 110 4 1.0 113 2.1
Ago-17 8 155 100 3 1.5 137 17.9 Ago-17 8 155 116 5 1.3 145 10.0
Set-17 9 120 104 3 1.1 111 9.0 Set-17 9 120 121 5 1.0 120 0.2
Oct-17 10 145 107 3 1.3 139 5.5 Oct-17 10 145 125 5 1.2 149 3.8
Nov-17 11 135 111 3 1.2 127 7.9 Nov-17 11 135 130 5 1.0 135 0.4
Dic-17 12 170 114 3 1.5 171 0.6 Dic-17 12 170 133 4 1.3 176 6.2
Ene-18 13 Pronóstico p=1 132 Ene-18 13 Pronóstico p=1 136
Feb-18 14 Pronóstico p=2 161 Feb-18 14 Pronóstico p=2 166
Mar-18 15 Pronóstico p=3 148 Mar-18 15 Pronóstico p=3 152
Abr-18 16 Pronóstico p=4 189 Abr-18 16 Pronóstico p=4 194
DAM 15 Minimo DAM 10
 Atenuación Exponencial de Winters: Ejemplo 2

Atenuación - Winter (α=0.1, β=0.32 ϒ=0.7) Atenuación Optimizada - Winter (α=0.217, β=0.246
200 ϒ=0.693)
200
180
180
160
160
140
140
Ventas

Ventas
120
120
100
100
80 80

60 60

40 40
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Meses Meses

Real Pronóstico Real Pronóstico Optimizado

Conclusiones
• Los métodos de HOLT y WINTER requieren que la serie de tiempo tenga
tendencia marcada o tendencia y estacionalidad a la vez.
• El método de pronóstico empleado deberá estar siempre en función de la
conformación de los datos que se tienen.
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 Brown, Holt y Winters