INSTITUTO TECNOLÓGICO DE MÉRIDA

TECNOLOGICO NACIONAL DE MEXICO INGENIERÍA INDUSTRIAL

Curso:

ADMINISTRACIÓN DE OPERACIONES I

TEMA 2 Nombre del Tema: pronósticos de la demanda Fecha: 31-mar-23

Abreu Suarez María Eugenia

Actividad 3 Participante: Ek Chan Karen Asunción Semestre y Grupo:

Puc Noh Genny Beatriz

Página 1 de 42 Profesor(a): Alfredo Diaz Mendoza 511

PROBLEMAS (LIBRO DE RENDER)

4.1 La tabla siguiente da el número de litros de sangre tipo B que el hospital

Woodlawn utilizó en las últimas 6 semanas:
SEMANA DE LITROS USADOS
Agosto 31 360
Septiembre 7 389
Septiembre 14 410
Septiembre 21 381
Septiembre 28 368
Octubre 5 374
Gráfica con el comportamiento de la demanda:

LITROS USADOS
420
400
380
360
340
320
ago-31 sep-07 sep-14 sep-21 sep-28 oct-05
 a) Pronostique la demanda para la semana del 12 de octubre usando un
promedio móvil de 3 semanas.
SEMANA LITROS
n=3
DE USADOS
ago-31 360
sep-07 389
sep-14 410
sep-21 381 386.33
sep-28 368 393.33
oct-05 374 386.33
oct-12 374.33

Con base al promedio móvil aplicado el pronóstico para la semana del 12 de octubre
es de 374.33 litros de sangre
b) Utilice un promedio móvil ponderado de tres semanas, con ponderaciones de
0.1, 0.3 y 0.6, usando .6 para la semana más reciente. Pronostique la
demanda para la semana del 12 de octubre.
n=3
Sem 1 = 0.1
SEMANA DE LITROS USADOS
sem 2 = 0.3 y
sem 3 = 0.6
ago-31 360
sep-07 389
sep-14 410
sep-21 381 398.70
sep-28 368 390.50
oct-05 374 376.10
oct-12 372.90

Con base al promedio móvil ponderado obtenemos que el pronóstico para la semana
del 12 de octubre es de 372.90 litros de sangre
 c) Calcule el pronóstico para la semana del 12 de octubre usando suavización
exponencial con un pronóstico de 360 para el 31 de agosto y α= 0 .2.

SEMANA LITROS
Pronóstico
DE USADOS
con a= 0.2
ago-31 360 360
sep-07 389 360
sep-14 410 366
sep-21 381 375
sep-28 368 376
oct-05 374 374
oct-12 374

Con base a la suavización exponencial aplicada obtenemos que el pronóstico para

la semana del 12 de octubre es de 374 litros de sangre

4.3 Regrese al problema 4.2. Desarrolle un pronóstico para los años 2 al 12

usando suavización exponencial con a = 0 .4 y un pronóstico para el año 1 de
6. Grafique su nuevo pronóstico junto con los datos reales y un pronóstico
intuitivo. Con base en una inspección visual, ¿cuál pronóstico es mejor?

Pronóstico
AÑO DEMANDA
con a= 0.4

1 7 6.00
2 9 6.40
3 5 7.44
4 9 6.46
5 13 7.48
6 8 9.69
7 12 9.01
8 13 10.21
9 9 11.32
 10 11 10.39
11 7 10.64
12 9.18
Gráfica del comportamiento de la demanda:

DEMANDA
14
12
10
8
6
4
2
0
1 2 3 4 5 6 7 8 9 10 11
Año

DEMANDA

Pronósticos
14
12
10
8
6
4
2
0
1 2 3 4 5 6 7 8 9 10 11 12

DEMANDA Pronóstico con a= 0.4 Pronóstico intuitivo

Con base a la gráfica, podemos notar que el pronóstico intuitivo queda por debajo
del pronóstico con alfa igual a 0.4, teniendo 7 como demanda esperada, en cambio
en el año 12 con la aplicación de alfa se esperan 9 de demanda.
 4.6 Las ventas mensuales en Yazici Batteries, Inc., fueron las siguientes:

a) Grafique los datos de las ventas mensuales.

b) Pronostique las ventas para enero usando cada una de las técnicas
siguientes:

i) Método intuitivo.

ii) Un promedio móvil de 3 meses.

iii) Un promedio móvil ponderado de 6 meses empleando 0.1, 0.1, 0.1, 0.2, 0.2 y

0.3, con las ponderaciones más altas para los meses más recientes. iv)
Suavización exponencial con a= 0.3 y un pronóstico para septiembre de 18.
Pronósti Promedi n=6 Mes 1 = 0.1,
Pronóstico con
MES VENTAS co o Móvil Mes 2 = 0.1, Mes 3 =
a= 0.3
Intuitivo n= 3 0.1, Mes 4 = 0.2, Mes 5=
 0.2 y Mes 6= 0.3

Enero 20
Febrero 21 20
Marzo 15 21
Abril 14 15 18.67
Mayo 13 14 16.67
Junio 16 13 14.00
Julio 17 16 14.33 15.80
Agosto 18 17 15.33 15.90
Septiemb
re 20 18 17.00 16.20 18
Octubre 20 20 18.33 17.30 18.6
Noviembr
e 21 20 19.33 18.20 19.02
Diciembr
e 23 21 20.33 19.40 19.614
Pron. Enero 23 21.33 20.60 20.6298
Con base a los pronósticos obtenidos con los diversos criterios solicitados, se puede
observar que el que indica un mayor pronóstico para el mes de enero es el intuitivo
y por el otro lado, el pronóstico con menor valor es el ponderado.

v) Una proyección de tendencia.

VENTAS
MES(x) x^2 xy
(y)
1 20 1 20
2 21 4 42
3 15 9 45
4 14 16 56
5 13 25 65
6 16 36 96
 7 17 49 119
8 18 64 144
9 20 81 180
10 20 100 200
11 21 121 231
12 23 144 276
78 218 650 1474

Ecuación de mínimos cuadrados para la tendencia es 𝑦̅ = 15.63 + 0.39𝑥

Para proyectar la demanda del mes de enero x=13

Demanda de Enero (mes 13) = 15.63 + 0.39 (13) = 20.7

c) Con los datos proporcionados, ¿qué método le permitiría elaborar el

pronóstico de ventas para el próximo mes de marzo?

Con los datos proporcionados anteriormente se puede elaborar el pronóstico con el

método de proyección de tendencia, debido a que los otros métodos involucran a la
venta real.

Aplicando la proyección de tendencia: 𝑦̅ = 15.63 + 0.39𝑥

Demanda para el mes de Marzo (mes 15) = 15.63 +0.39 (15) = 21.48

4.22 Retome el problema 4.21. Complete los cálculos del pronóstico de suavización
exponencial con ajuste de tendencia para los periodos 7, 8 y 9. Confirme que sus
cifras para Ft, Tt y FITt correspondan a las de la tabla 4.1 (pág. 118).
Continuando con los cálculos de los tres periodos siguientes se obtiene lo siguiente,
así mismo se anexa la tabla con los datos para la comprobación de cada dato
calculado

Se inicia con los cálculos del mes 7:

➔ Promedio para el mes 7:

𝐹7 = 𝛼𝐴6 + (1 − 𝛼)(𝐹6 + 𝑇6)

𝐹7 = (0.2)(21) + (1 − 0.2)(22.51 + 2.38)

= 4.2 + (0.8)(24.89) = 24.11 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠

Tendencia del Período 7:
𝑇7 = 𝛽(𝐹7 − 𝐹6) + (1 − 𝛽)𝑇6

= 0.4(24.11 − 22.51) + (1 − 0.4)2.38

= 0.4(1.6) + (0.6)2.38 = 2.068

Pronóstico incluyendo la tendencia:
𝐹𝐼𝑇7 = 𝐹7 + 𝑇7
= 24.11 + 2.068
= 26.18 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠

Se inicia con los cálculos del mes 8:

➔ Promedio para el mes 8:

𝐹8 = 𝛼𝐴7 + (1 − 𝛼)(𝐹7 + 𝑇7)

𝐹7 = (0.2)(31) + (1 − 0.2)(24.11 + 2.068)

= 6.2 + (0.8)(26.18) = 27.14 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠

Tendencia del Período 8:
𝑇8 = 𝛽(𝐹8 − 𝐹7) + (1 − 𝛽)𝑇7

= 0.4(27.14 − 24.11) + (1 − 0.4)2.068

= 0.4(3.03) + (0.6)2.068 = 2.45

Pronóstico incluyendo la tendencia:
 𝐹𝐼𝑇7 = 𝐹7 + 𝑇7
= 27.14 + 2.45
= 29.59 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
Se inicia con los cálculos del mes 9:

➔ Promedio para el mes 9:

𝐹9 = 𝛼𝐴8 + (1 − 𝛼)(𝐹8 + 𝑇8)

𝐹7 = (0.2)(28) + (1 − 0.2)(27.14 + 2.45)

= 5.6 + (0.8)(29.59) = 29.27 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠

Tendencia del Período 9:
𝑇9 = 𝛽(𝐹9 − 𝐹8) + (1 − 𝛽)𝑇8

= 0.4(29.27 − 27.14) + (1 − 0.4)2.45

= 0.4(2.132) + (0.6)2.45 = 2.32

Pronóstico incluyendo la tendencia:
𝐹𝐼𝑇7 = 𝐹7 + 𝑇7
= 29.27 + 2.32
= 31.60 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠

Gráfica del comportamiento de la demanda real:

 Demanda real
40
30
20
10
0
1 2 3 4 5 6 7 8 9

Demanda real

4.33 En la tabla siguiente se muestra el número de unidades de disco internas (en

millones) fabricadas en una planta de Taiwán durante los últimos 5 años:

Gráfica del comportamiento de las unidades de disco internas fabricadas:

Unidades de Disco (y)

250
200
150
100
50
0
1 2 3 4 5

Unidades de Disco (y)

a) Usando una regresión lineal, pronostique el número de unidades de disco que

se fabricará el próximo año.
Unidades
Año (x) de Disco x^2 xy
(y)
1 140 1 140
2 160 4 320
 3 190 9 570
4 200 16 800
5 210 25 1050
15 900 55 2880

La ecuación de regresión estimada es:

𝑦̅ = 126 + 18𝑥

Para calcular el número de unidades de disco para el próximo año, tenemos lo

siguiente:

𝑈𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒 𝑑𝑖𝑠𝑐𝑜 = 126 + 18(6)

𝑈𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒 𝑑𝑖𝑠𝑐𝑜 = 234 𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠

b) Calcule el error cuadrático medio (MSE) al utilizar la regresión lineal.

Unidades
Año (x) de Disco Pronóstico Error Error^2
(y)
1 140 144 -4 16
2 160 162 -2 4
3 190 180 10 100
4 200 198 2 4
5 210 216 -6 36
 6 - 234
MSE 32
El error cuadrático medio (MSE) obtenido con la regresión lineal como método de
pronóstico es de 32 unidades.

c) Calcule el error porcentual absoluto medio (MAPE).

Unidades
Año (x) de Disco Pronóstico Porcentaje
(y)
1 140 144 2.86
2 160 162 1.25
3 190 180 5.26
4 200 198 1.00
5 210 216 2.86
6 - 234
MAPE 2.65
El error porcentual absoluto medio es de 2.65

4.40 Con los datos del problema 4.39, aplique una regresión lineal para estudiar la
relación que hay entre el índice de robos y la carga de pacientes de la doctora Fok.
Si el índice de robos se incrementa a 131.2 en el año 11, ¿cuántos pacientes con
fobia atenderá la doctora Fok? Si el índice de robos cae a 90.6, ¿cuál es la
proyección de pacientes?

Gráfica con el comportamiento de los números de pacientes y el índice de robos por

año:
 Número de pacientes e índice de robos
140
120
100
80
60
40
20
0
1 2 3 4 5 6 7 8 9 10
Año

Número de pacientes (y) índice de robos (x)

Número
de índice de
Año x^2 xy
pacientes robos (x)
(y)

1 36 58.3 3,398.89 2,098.80

2 33 61.1 3,733.21 2,016.30

3 40 73.4 5,387.56 2,936.00

4 41 75.7 5,730.49 3,103.70

5 40 81.1 6,577.21 3,244.00

6 55 89 7,921.00 4,895.00

7 60 101.1 10,221.21 6,066.00

8 54 94.8 8,987.04 5,119.20

9 58 103.3
 10,670.89 5,991.40

10 61 116.2 13,502.44 7,088.20

55 478 854 76129.94 42558.6

La ecuación de regresión estimada es:

𝑦̅ = 1.684 + 0.54𝑥

1. Si el índice de robos se incrementa a 131.2 en el año 11, ¿cuántos pacientes

con fobia atenderá la doctora Fok?
Sustituimos en la ecuación de regresión lineal:

Número de pacientes = 1.684+0.54(131.2) = 72.532 pacientes

2. Si el índice de robos cae a 90.6, ¿cuál es la proyección de pacientes?

Número de pacientes = 1.684 + 0.54 (90.6) = 50.608 pacientes

PROBLEMAS COMPLEMENTARIOS (LIBRO NAHMIAS Y HEIZER)

Problema 43: Repita los cálculos en el problema 42 usando suavizamiento

exponencial simple, y considere que la constante de suavizamiento α es una
variable; esto es, la constante debe tener una dirección de celda. Experimentando
con distintos valores de α determine el valor que parece minimizar.
 Error
mes Ventas Pronóstico Error Error^2 MAPE DAM ECM EPAM
Absoluto
1 238 225.00 13.00 13.00 169.00 5.46
2 220 227.31 -7.31 7.31 53.45 3.32
3 195 226.01 -31.01 31.01 961.71 15.90 75.73 10861.80 35.04
4 245 220.50 24.50 24.50 600.35 10.00
5 345 224.85 120.15 120.15 14435.03 34.82
6 380 246.21 133.79 133.79 17898.54 35.21 Alfa
7 270 270.00 0.00 0.00 0.00 0.00 0.18
8 220 270.00 -50.00 50.00 2500.00 22.73
9 280 261.11 18.89 18.89 356.81 6.75
-
10 120 264.47 144.47 20871.27 120.39
144.47
-
11 110 238.78 128.78 16585.35 117.08
128.78
-
12 85 215.89 130.89 17131.63 153.99
130.89
13 135 192.62 -57.62 57.62 3319.79 42.68
14 145 182.37 -37.37 37.37 1396.81 25.78
15 185 175.73 9.27 9.27 85.95 5.01
16 219 177.38 41.62 41.62 1732.43 19.01
17 240 184.78 55.22 55.22 3049.53 23.01
18 420 194.60 225.40 225.40 50807.25 53.67
19 520 234.67 285.33 285.33 81413.47 54.87
20 410 285.40 124.60 124.60 15525.70 30.39
21 380 307.55 72.45 72.45 5248.92 19.07
22 320 320.43 -0.43 0.43 0.19 0.13
23 290 320.35 -30.35 30.35 921.40 10.47
24 240 314.96 -74.96 74.96 5618.68 31.23

431.03 1817.42 260683.25 840.96

 COMPORTAMIENTO DE LA DEMANDA
600

500

400

300

200

100

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
MES

Como se puede apreciar, el comportamiento de la demanda no parece presentar ni

cicilidad, ni estacionalidad, pero sí cierta tendencia al decrecimiento y al crecimiento
en algunos meses. A) DAM: 75.73

B) ECM: 10861.80

C) EPAM: 35.04

600
PRONÓSTICO DE LA DEMANDA
500

400

300

200

100

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

Ventas Pronostico

Con el método de suavización exponencial aplicado podemos encontrar que la

mejor alfa o el que mejor pronostica los valores reales de la demanda es un alfa de
0.18, esto ocurre principalmente por la regla de determinación de alfa, si
encontramos gran variabilidad en los datos, un alfa pequeña será más útil.
Problema 48:

Trigg y Leach (1967) sugieren el siguiente método de suavizamiento exponencial

adaptativo a la rapidez de respuesta. Junto con el suavizamiento de la serie original,
suavice también el error 𝑒𝑡 y el error absoluto |𝑒𝑡| de acuerdo con las ecuaciones
siguientes:

𝐸𝑡 = 𝛽𝑒𝑡 + (1 − 𝛽)𝐸𝑡−1

𝑀𝑡 = 𝛽|𝑒𝑡| + (1 − 𝛽)𝑀𝑡−1

y defina la constante de suavizamiento que se usará para pronosticar la serie en el

período t como:

El pronóstico hecho en el período t, para el período t + 1, se obtiene con la ecuación

normal de suavizamiento exponencial, usando αt como la constante de
suavizamiento. Esto es:

𝐹𝑡+1 = 𝑎𝑡𝐷𝑡 + (1 − 𝑎𝑡)𝐹𝑡

El fundamento del método es que cuando la magnitud 𝐸𝑡 se acerca a 𝑀𝑡 es posible

que los pronóstico estén sesgados. En ese caso los resultados obtenidos con un
mayor valor de la constante de suavizamiento hacen que el suavizamiento
exponencial responda más rápido a los cambios repentinos en la serie.

a) Aplique el método de Trigg y Leach a los datos del problema 22. Use las
desviaciones absolutas medias para comparar la exactitud de esos
pronósticos con los obtenidos en el problema 22, con suavizamiento
exponencial simple. Suponga que 𝐸𝑡 = 𝑒1 (el error observado en enero) y que
𝑀1 = |𝑒1|. Use 𝛽 = 0.1

Solución al ejercicio 22:

 PRONÓSTICOS DE LA DEMANDA
80

70

60

50

40

30

20

10

0
1 2 3 4

Ventas Pronóstico con α=.15 Pronóstico Trigg

Haciendo la comparativa entre los pronósticos y con el MAD el método aplicado en

el ejercicio 22 es más adecuado para describir el comportamiento de esta demanda
que parece presentar una tendencia al decrecimiento.

a) ¿para qué tipos de series de tiempo dará pronósticos más precisos el método
de Trigg Leach de rapidez de respuesta adaptativa, y bajo qué circunstancias
dará pronósticos menos precisos. Comente la conveniencia de usar ese
 método en casos en los que los pronósticos no se vigilan o monitorean
estrechamente:
Para el método de Trigg-Leach se necesita un sistema de tiempo agrupados o en
trimestres para una mayor precisión de pronostico pues no se vigilan estrechamente
 PROBLEMAS COMPLEMENTARIOS (LIBRO SCHROEDER)

1. Ace Hardware maneja refacciones para cegadoras de césped. Se recopilaron

los siguientes datos para una semana del mes de mayo cuando las navajas de
reemplazo de las cegadoras tenían una demanda muy alta:

a) Simule un pronóstico para la semana, empezando con 𝐹1 = 10, 𝑇0 = 2, 𝛼 = 0.2

y 𝛽 = 0.4. Usar modelo de tendencia.

COMPORTAMIENTO DE LA DEMANDA
25

20

15

10

0
1 2 3 4 5 6 7
DÍA

Pronóstico Tendencia Pronóstico

Suavizado Suavizada con
DÍA DEMANDA
Ft Tt tendencia
(FIT)

1 10 11 2 13

2 12 12.40 1.76 14.16

3 13 13.73 1.59 15.32

4 15 14.85 1.40 16.25

 5 17 16.00 1.30 17.30

6 20 17.24 1.28 18.52

7 21 18.82 1.40 20.21

PRONÓSTICO DE LA DEMANDA
25

20

15

10

0
1 2 3 4 5 6 7
DÍA

DEMANDA Pronóstico con tendencia (FIT)

Con los resultados propuestos por el pronóstico, podemos ver que sí hay cierto
ajuste con la demanda real, incluso ambos siguen una tendencia creciente y como
debe ocurrir, los datos pronosticados se encuentran entre los límites de la demanda
real.

b) Calcule el valor de MAD y la señal de seguimiento para los datos. Utilice valor
de 𝑀𝐴𝐷0 = 0.

Pronóstico Tendencia Pronóstico

DÍA DEMANDA Suavizado Suavizada con tendencia ERROR MAD TS
Ft Tt (FIT)

1 10 11 2 13 3.000 0.60 5.000

2 12 12.40 1.76 14.16 2.160 0.91 2.368

3 13 13.73 1.59 15.32 2.315 1.19 1.941

4 15 14.85 1.40 16.25 1.254 1.20 1.041

5 17 16.00 1.30 17.30 0.305 1.02 0.298

6 20 17.24 1.28 18.52 1.479 1.12 1.325

7 21 18.82 1.40 20.21 0.787 1.05 0.750

c) ¿Se encuentran dentro de tolerancias el valor de MAD y la señal de

seguimiento? La mayoría de los datos se encuentran fuera de las
tolerancias (3.75MAD), estos días son el 3, 4, 5, 6 y 7.

d) Simule un pronóstico empleando una suavización simple para la semana

empezando con con 𝐹1 = 10 y 𝛼 = 0.2. Presente el pronóstico y los datos en
una gráfica. Observe la manera en la que el pronóstico va por detrás de los
datos.

DÍA DEMANDA PRONÓSTICO (Ft)

1 10 10.00

2 12 10.00

3 13 10.40

4 15 10.92

5 17 11.74

6 20 12.79

7 21 14.23

25 PRONÓSTICO DE LA DEMANDA

20

15

10

5 2 3 4 5

0 DÍAS
1
DEMANDA PRONÓSTICO (Ft) 6 7
 Si se emplea un método de suavización simple para pronosticar estos datos,
efectivamente encontraremos que nuestros pronósticos siempre estarán por
debajo de la demanda real y que no debemos utilizarlo porque, en un hipotético
caso donde utilicemos esto y decidamos producir esta cantidad de cegadoras no
satisfaceremos la demanda del mercado y ahí habría un costo de oportunidad,
pues otra empresa podría producir las cegadoras necesarias y ganarnos el
mercado.

2. Se registró la demanda diaria de donas de chocolate de Donut-Hole Shop

durante el período de dos semanas:

COMPORTAMIENTO DE LA DEMANDA
140

120

100

80

60

40

20

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14
DÍAS

Como podemos ver en el gráfico no parece haber mucha estabilidad en la

demanda por lo que quizá la suavización exponencial no sea el método más
adecuado para pronosticar, aunque, la gráfica parece presentar cierta ciclicidad,
pues en el primer día de la semana tiene un ascenso y a partir del tercer día
comienza a bajar.

a) Simule un pronóstico de la demanda con una suavización exponencial

ajustada por la tendencia con los siguientes valores: 𝐴0 = 90, 𝑇0 = 25, 𝛼 = 𝛽 =
0.2.

Pronóstico Tendencia Pronóstico

Suavizado Suavizada con
Día Demanda
Ft Tt tendencia
(FIT)

1 80 90 25 115

2 95 108.00 23.60 131.60

3 120 124.28 22.14 146.42

4 110 141.13 21.08 162.21

5 75 151.77 18.99 170.76

6 60 151.61 15.16 166.77

7 50 145.42 10.89 156.30

8 85 135.04 6.64 141.68

9 99 130.35 4.37 134.72

10 110 127.57 2.94 130.51

11 90 126.41 2.12 128.53

12 80 120.83 0.58 121.41

13 65 113.12 -1.08 112.05

14 50 102.64 -2.96 99.68

 b) Presente los datos y el pronóstico en una gráfica.

PRONÓSTICO PARA LA DEMANDA

180

160

140

120

100

80

60

40

20

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14
DÍAS

Demanda Pronóstico con tendencia (FIT)

C. ¿Será éste un buen modelo para los datos? No, de hecho, los pronósticos
están por arriba de la demanda real, esto ocurre por la gran variación que hay en la
demanda de un día a otro y dado que la suavización exponencial toma los valores
de la demanda y pronósticos del período anterior, se desajusta y nos recomienda
siempre producir más de lo que se demanda, a la larga utilizar este pronóstico para
la demanda nos generará costos mayores y desperdicios en los productos porque,
las donas son alimento que como todos tiene su ciclo de vida y se pudren, al haber
sobreproducción nadie las comprará y si se quedan para vender al siguiente día
perdería calidad y la empresa se ganaría una mala reputación.

La recomendación del equipo será que se utilice un método de promedios móviles

con 2 días, así los pronósticos tendrán un ajuste más cercano a la demanda real y
en caso de sobras por donas en algun día, estas pueden refrigerarse o cambiar
ingredientes con la finalidad de aumentar su duración.
Pronóstico
Día Demanda Pronóstico (PM) Día Demanda
(PM)
1 80 8 85 55
2 95 9 99 50
 3 120 87.5 10 110 92
4 110 107.5 11 90 104.5
5 75 115 12 80 100
6 60 92.5 13 65 85
7 50 67.5 14 50 72.5

140
PRONÓSTICO CON PM
120

100

80

60
40 3 4 5 6 7 8 9 10 11 12 13

20 DÍAS
0
Demanda Pronóstico (PM)
1 2 14
3. The SureGrip Tire Company produce llantas de distintos tamaños y formas. La
demanda de las llantas tiende a seguir un patrón estacional trimestral con una
tendencia. Para un tipo particular de llantas, las estimaciones actuales de la
compañía son como sigue: 𝐴0 = 10,000, 𝑇0 = 1,000, 𝑅0 = 0.8, 𝑅−1 = 1.2, 𝑅−2 =
1.5 y 𝑅−3 = 0.75

a) La empresa acaba de observar el primer trimestre de la demanda 𝐷1 = 6,000 y

le gustaría actualizar su pronóstico para cada uno de los siguientes con , 𝛼 = 𝛽
= 𝛾 = 0.4.

Dt At Tt Rt (Razón Ft Dt-Ft
t
(Demanda) (Promedio) (Tendencia) Estacional) (Pronóstico) (Error)

-3 0.75

-2 1.5

-1 1.2

0 10,000 1,000 0.8

 1 6,000 9800 520 0.695 7740 -1,740

Dado que no se presenta el valor de la demanda para los períodos trimestrales

siguientes, no es posible pronosticarlos con el método propuesto por el libro
(Suavización exponencial con estacionalidad de Winsters), sin embargo, del período
siguiente a los conocidos, se pronostica un valor de 7,530 unidades con un error de
-1530, por lo que el pronóstico excedió la demanda real que hubo de llantas.

b) Cuando se observó la demanda para el segundo trimestre 𝐷2 = 15,000, ¿Qué

cantidad de error había en el pronóstico?

Dt At Tt Rt (Razón Ft Dt-Ft
t
(Demanda) (Promedio) (Tendencia) Estacional) (Pronóstico) (Error)

-3 0.75

-2 1.5

-1 1.2

0 10,000 1,000 0.8

1 6,000 9800 520 0.695 7740 -1,740

2 15,000 10192 468.8 1.489 15991.2 -991

Con la demanda D2 de 15,000, el error que podemos encontrar con el pronóstico y

aplicación de este método es de -991, hubo un excedente en la cantidad
pronosticada, aunque no es tan grande este error si se compara con el del período
anterior, lo que nos indica que podemos estar por el camino adecuado en el método.

c) Actualice de nuevo los pronósticos para el año siguiente retomando los datos de
las demandas del segundo trimestre.

Dt At Tt Rt (Razón Ft Dt-Ft
t
(Demanda) (Promedio) (Tendencia) Estacional) (Pronóstico) (Error)

-3 0.75

-2 1.5

-1 1.2
 0 10,000 1,000 0.8

1 6,000 9800 520 0.695 7740 -1,740

2 15,000 10192 468.8 1.489 16694.4 -1694.4

3 11396.48 763.07 1.246 16,422.83

4 14795.73 1,817.54 0.866 17,652.72

5 18,602.32 2,613.16 0.739 22,006.13

PRONÓSTICO DE LA DEMANDA
25,000

20,000

15,000

10,000

5,000

0
1 2 3 4 5
PERÍODO

Demanda Pronóstico

Como podemos ver, el pronóstico para los dos primeros meses con la demanda que
se conoce, es cercana, pero tenemos un pequeño exceso en el error, por lo que los
pronósticos están ligeramente sobreestimados.
4. La administración considera que existe un patrón estacional en los datos
anteriores para Donut-Hole Shop (problema 2), y que los dos primeros días de
una semana representan un primer nivel: el tercero y cuarto días, un segundo
nivel, y el quinto, sexto y séptimo un tercer nivel; por lo tanto, se han sugerido
tres factores estaciones: 𝑅0 = 0.9, 𝑅−1 = 1.3, 𝑅−2 = 0.8
 COMPORTAMIENTO DE LA DEMANDA
140

120

100
80

60

40

20

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14
DÍAS

a) Simule un pronóstico de la demanda para los días 1 a 7 usando, 𝐴0 = 85, 𝑇0

= 0 y 𝛼 = 𝛽 = 𝛾 = 0.1. Aplique el método de Winters que se presentó en este
capítulo.

At Tt Rt (Razón Ft Dt-Ft
Día Demanda
(Promedio) (Tendencia) Estacional) (Pronóstico) (Error)
-2 0.8
-1 1.3
0 85 0 0.9
1 80 86.50 0.15 0.812 69.32 10.68
2 95 85.29 0.014 1.281 110.899 -15.899
3 120 90.11 0.495 0.943 81.544 38.456
4 110 95.08 0.942 0.847 78.019 31.981
5 75 92.28 0.567 1.235 118.967 -43.967
6 60 89.92 0.275 0.916 85.069 -25.069
7 50 87.08 -0.036 0.820 73.719 -23.719
8 85 85.22 -0.218 1.211 104.941 -19.941
9 99 87.32 0.013 0.937 79.958 19.042
10 110 92.02 0.482 0.857 75.817 34.183
11 90 90.68 0.300 1.189 110.162 -20.162
12 80 90.42 0.244 0.932 84.987 -4.987
13 65 89.18 0.095 0.844 76.528 -11.528
14 50 84.55 -0.377 1.129 100.081 -50.081

PRONÓSTICO DE LA DEMANDA PARA DÍA 1 A 7

140

120

100

80

60

40

20

0
1 2 3 4 5 6 7
DÍA

Demanda Ft (Pronóstico)

b) Comente acerca de la idoneidad de los pronósticos desarrollados.

 De acuerdo a los pronósticos y cantidades de demandas reales que obtuvimos
tenemos:

• Día 1: El pronóstico fue menor en 10.68 unidades a la demanda real.

• Día 2: Hubo una sobreestimación en el pronóstico, pues se obtuvo 15.899

unidades adicionales a las demandas realmente.
• Día 3: Hubo una subestimación del pronóstico, faltando 38.45 unidades
para alcanzar la demanda real.
• Día 4: También hubo una subestimación en el pronóstico, ahora siendo
de 31.98 unidades faltantes para la demanda real.
• Día 5: Hubo una sobreestimación en la demanda de 43.96 unidades
adicionales a la demanda real.
• Día 6: Hubo otra sobreestimación en la demanda por 25.06 unidades.

• Día 7: Hubo otra sobreestimación en la demanda ahora por 23.71

unidades.

El método aplicado en general sí es útil para acercarnos a la demanda real, como

se puede ver los pronósticos no fueron tan alejados de la demanda real, hubo un
error promedio de -3.94 unidades, así que aunque es cierto que en algunos puntos
el error fue mayor que en otros, el modelo sí es idóneo para el comportamiento de
la demanda que tenemos, puede que haya otro mejor porque si notamos la gráfica
que describe el comportamiento de la demanda sí podemos ver cierta
estacionalidad, pero no está muy marcada, comparando los dos métodos usados
para pronosticar esta demanda, definitivamente este método es más adecuado.

5. La administración de ABC Floral Shop considera que sus ventas son de

naturaleza estacional con un patrón estacional mensual y sin ninguna tendencia.
 Los datos de la demanda y las razones estacionales para los tres años anteriores
son como se describen abajo:

COMPORTAMIENTO DE LA DEMANDA
30,000

25,000

20,000

15,000

10,000

5,000

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 29 30 31 32 33 34 35 36
MES

Como podemos apreciar en nuestra gráfica, el comportamiento de la demanda de

los 36 meses conocidos tiene una estacionalidad muy marcada durante cada
término de período (anual).
a) Calcule un pronóstico para el año pasado utilizando 𝐴0 = 15,000, 𝛼 = 𝛾 = 0.3,
y las razones estacionales que se mostraron antes. Para cada período,
calcule el pronóstico y la razón estacional actualizada.
 Dt At Rt (Razón Ft Dt-Ft
Mes t
(Demanda) (Promedio) Estacional) (Pronóstico) (Error)

Enero - 0.8
12

Febrero - 1.8
11

Marzo - 0.9
10

Abril -9 1.6

Mayo -8 2

Junio -7 1

Julio -6 0.7

Agosto -5 0.6

Septiembre -4 0.7

Octubre -3 1.2

Noviembre -2 0.9

Diciembre -1 0.6

0 15,000

Enero 1 12,400 15150 0.806 12120.81 279.194

Febrero 2 23,000 14438.33333 1.738 25991.54 -

2,991.538

Marzo 3 15,800 15373.5 0.938 13838.89 1,961.112

Abril 4 20,500 14605.2 1.541 23370.76 -

2,870.761

Mayo 5 25,100 13988.64 1.938 27980.82 -

2,880.818

Junio 6 16,200 14652.048 1.032 14655.08 1,544.920

Julio 7 12,000 15399.29074 0.724 10781.23 1,218.773

 Agosto 8 10,300 15929.50352 0.614 9559.02 740.984

Septiembre 9 11,800 16207.79532 0.708 11346.77 453.235

Octubre 10 14,000 14845.45672 1.123 17816.37 -

3,816.371

Noviembre 11 10,700 13958.48637 0.860 12564.70 -

1,864.698

Diciembre 12 7,600 13570.94046 0.588 8144.05 -544.052

Enero 13 11,800 13894.2011 0.819 11193.82 606.183

Febrero 14 24,111 18705.33236 0.951 15070.67 9,040.333

Marzo 15 16,500 15942.00682 1.527 27707.99 -

11,207.991

Abril 16 21,000 17873.51238 1.009 16773.67 4,226.326

Mayo 17 24,300 17241.89854 1.502 26574.63 -

2,274.635

Junio 18 15,800 14514.77852 1.683 28136.62 -

12,336.622

Julio 19 11,500 13504.35896 0.978 13934.07 -

2,434.071

Agosto 20 10,100 13639.42359 0.729 9873.24 226.756

Septiembre 21 11,000 14922.36722 0.651 9163.39 1,836.610

Octubre 22 14,300 16501.44296 0.756 11691.72 2,608.278

Noviembre 23 10,900 14463.07418 1.012 16242.67 -5,342.673

Diciembre 24 7,200 12635.87438 0.773 10867.80 -3,667.804

Enero 25 13,600 15783.81627 0.670 9282.47 4,317.532

Febrero 26 21,800 19037.2993 0.917 15587.01 6,212.986

Marzo 27 14,900 18028.50962 0.913 17139.95 -2,239.952

Abril 28 19,400 16431.28529 1.423 25093.44 -5,693.442

Mayo 29 26,000 19230.00651 1.112 19411.51 6,588.486

 Junio 30 16,500 16757.56449 1.346 25165.61 -8,665.607

Julio 31 12,400 13940.1487 1.445 23468.84 -

11,068.844

Agosto 32 10,800 13072.1429 0.932 12781.76 -1,981.760

Septiembre 33 12,500 14295.9866 0.772 10420.25 2,079.747

Octubre 34 13,800 16367.31844 0.709 10655.45 3,144.552

Noviembre 35 10,600 15664.21416 0.732 11841.80 -1,241.801

Diciembre 36 8,100 13365.8192 0.890 13529.66 -5,429.655

b) Presente los datos originales y el pronóstico en una gráfica.

c) Calcule las señales de seguimiento para el año pasado empleando 𝑀𝐴𝐷0 =

0.
 Mes t Dt At Rt Ft (Error) MAD TS

Enero - 0.8
12

Febrero - 1.8
11

Marzo - 0.9
10

Abril -9 1.6

Mayo -8 2

Junio -7 1

Julio -6 0.7

Agosto -5 0.6

Septiembre -4 0.7

Octubre -3 1.2

Noviembre -2 0.9

Diciembre -1 0.6

0 15,000

Enero 1 12,400 15150 0.806 12120.81 279.194 83.758 3.333

Febrero 2 23,000 14438.33333 1.738 25991.54 - 956.092 -3.129

2,991.538

Marzo 3 15,800 15373.5 0.938 13838.89 1,961.112 1257.598 0.641

Abril 4 20,500 14605.2 1.541 23370.76 - 1741.547 -0.607

2,870.761

Mayo 5 25,100 13988.64 1.938 27980.82 - 2083.328 -0.723

2,880.818

Junio 6 16,200 14652.048 1.032 14655.08 1,544.920 1921.806 1.244

Julio 7 12,000 15399.29074 0.724 10781.23 1,218.773 1710.896 1.404

Agosto 8 10,300 15929.50352 0.614 9559.02 740.984 1419.922 1.916

Septiembre 9 11,800 16207.79532 0.708 11346.77 453.235 1129.916 2.493

Octubre 10 14,000 14845.45672 1.123 17816.37 - 1935.853 -0.507

3,816.371

Noviembre 11 10,700 13958.48637 0.860 12564.70 - 1914.506 -1.027

1,864.698

Diciembre 12 7,600 13570.94046 0.588 8144.05 -544.052 1503.370 -2.763

Enero 13 11,800 13894.2011 0.819 11193.82 606.183 1234.214 2.036

Febrero 14 24,111 18705.33236 0.951 15070.67 9,040.333 3576.050 0.396

Marzo 15 16,500 15942.00682 1.527 27707.99 - 5865.632 -0.523

11,207.991

Abril 16 21,000 17873.51238 1.009 16773.67 4,226.326 5373.840 1.272

Mayo 17 24,300 17241.89854 1.502 26574.63 - 4444.079 -1.954

2,274.635

Junio 18 15,800 14514.77852 1.683 28136.62 - 6811.842 -0.552

12,336.622

Julio 19 11,500 13504.35896 0.978 13934.07 - 5498.510 -2.259

2,434.071

Agosto 20 10,100 13639.42359 0.729 9873.24 226.756 3916.984 17.274

Septiembre 21 11,000 14922.36722 0.651 9163.39 1,836.610 3292.872 1.793

Octubre 22 14,300 16501.44296 0.756 11691.72 2,608.278 3087.494 1.184

Noviembre 23 10,900 14463.07418 1.012 16242.67 - 3764.047 -0.705

5,342.673

Diciembre 24 7,200 12635.87438 0.773 10867.80 -3,667.804 3735.174 -1.018

Enero 25 13,600 15783.81627 0.670 9282.47 4,317.532 3909.882 0.906

Febrero 26 21,800 19037.2993 0.917 15587.01 6,212.986 4600.813 0.741

Marzo 27 14,900 18028.50962 0.913 17139.95 -2,239.952 3892.555 -1.738

Abril 28 19,400 16431.28529 1.423 25093.44 -5,693.442 4432.821 -0.779

Mayo 29 26,000 19230.00651 1.112 19411.51 6,588.486 5079.521 0.771

 Junio 30 16,500 16757.56449 1.346 25165.61 -8,665.607 6155.347 -0.710

Julio 31 12,400 13940.1487 1.445 23468.84 - 7629.396 -0.689

11,068.844

Agosto 32 10,800 13072.1429 0.932 12781.76 -1,981.760 5935.105 -2.995

Septiembre 33 12,500 14295.9866 0.772 10420.25 2,079.747 4778.497 2.298

Octubre 34 13,800 16367.31844 0.709 10655.45 3,144.552 4288.314 1.364

Noviembre 35 10,600 15664.21416 0.732 11841.80 -1,241.801 3374.360 -2.717

Diciembre 36 8,100 13365.8192 0.890 13529.66 -5,429.655 3990.949 -0.735

¿Están dentro de tolerancias? Sí, todos los pronósticos quedan en el rango de

3.75MAD, por lo que podemos considerar que el modelo es el adecuado para la
descripción del comportamiento de la demanda y que los datos históricos del primer
año son suficientes para pronosticar los siguientes.

d) Con el método de descomposición clásica que se describió en este capítulo,

calcule las razones estacionales provenientes de los datos y determine la
tendencia y los niveles promedio. Utilice estas razones y estimaciones de
tendencia y de nivel para elaborar un pronóstico para el año siguiente.
Promedio Promedio
Dt Móvil móvil para Razón
Mes t
(Demanda) para dos dos estacional
períodos períodos
Enero 1 12,400

Febrero 2 23,000

Marzo 3 15,800

Abril 4 20,500

Mayo 5 25,100

Junio 6 16,200
 Julio 7 12,000 14,950.00 14,925.00 0.803
Agosto 8 10,300 14,900.00 14,946.29 0.690
Septiembre 9 11,800 14,992.58 15,021.75 0.786
Octubre 10 14,000 15,050.92 15,071.75 0.930
Noviembre 11 10,700 15,092.58 15,059.25 0.710
Diciembre 12 7,600 15,025.92 15,009.25 0.506
Enero 13 11,800 14,992.58 14,971.75 0.788
Febrero 14 24,111 14,950.92 14,942.58 1.613
Marzo 15 16,500 14,934.25 14,900.92 1.106
Abril 16 21,000 14,867.58 14,880.08 1.412
Mayo 17 24,300 14,892.58 14,900.92 1.631
Junio 18 15,800 14,909.25 14,892.58 1.060
Julio 19 11,500 14,875.92 14,950.92 0.771
Agosto 20 10,100 15,025.92 14,929.63 0.674
Septiembre 21 11,000 14,833.33 14,766.67 0.743
Octubre 22 14,300 14,700.00 14,633.33 0.975
Noviembre 23 10,900 14,566.67 14,637.50 0.746
Diciembre 24 7,200 14,708.33 14,737.50 0.489
Enero 25 13,600 14,766.67 14,804.17 0.920
Febrero 26 21,800 14,841.67 14,870.83 1.467
Marzo 27 14,900 14,900.00 14,962.50 0.998
Abril 28 19,400 15,025.00 15,004.17 1.292
Mayo 29 26,000 14,983.33 14,970.83 1.736
Junio 30 16,500 14,958.33 14,958.33 1.103
Julio 31 12,400

Agosto 32 10,800

Septiembre 33 12,500

Octubre 34 13,800

Noviembre 35 10,600
 Diciembre 36 8,100

Con ayuda del Excel obtenemos la ecuación de regresión lineal que nos ayudará a
calcular los pronósticos para el año siguiente:

Promedio Factor
t Mes Pronóstico
predicho estacional

37 Enero 14793.4628 0.8 11834.77024

38 Febrero 14787.3672 1.8 26617.26096

39 Marzo 14781.2716 0.9 13303.14444

40 Abril 14775.176 1.6 23640.2816

41 Mayo 14769.0804 2 29538.1608

42 Junio 14762.9848 1 14762.9848

43 Julio 14756.8892 0.7 10329.82244

 44 Agosto 14750.7936 0.6 8850.47616

45 Septiembre 14744.698 0.7 10321.2886

46 Octubre 14738.6024 1.2 17686.32288

47 Noviembre 14732.5068 0.9 13259.25612

48 Diciembre 14726.4112 0.6 8835.84672

Este gráfico representa los datos pronosticados para el siguiente período anual.

PRONÓSTICO DE LOS 4 PERÍODOS ELEGIDOS

35000.00

30000.00

25000.00

20000.00

15000.00

10000.00

5000.00

0.00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
MES
En este gráfico final, como podemos notar, se agrega el período anual 4 y algo que
se debe comentar es el comportamiento que se pronostica, pues tal como años
anteriores, el comportamiento conserva su estacionalidad y aunque no se conocen
los datos reales de la demanda, es posible que sea el mejor ajuste entre todos los
métodos presentados, incluso su comportamiento es muy similar a los del primer
año del cual tenemos datos reales.

Referencias
Jay, R. B. (2014). principios de administracion de operaciones . En
R. B. heizer, principiso de administracion de operaciones
(pág. 180). pearson educacion, 2014 .

Schreoder, R. G. (2011). administracion de operaciones conceptos

y casos contemporaneos . En R. G. Schreoder,
administracion de operaciones conceptos y casos
contemporaneo (pág. 210). Mc Graw Hill .

Steven, N. (2007). analisis de la produccion y las operaciones . En

N. Steven, analisis de la produccion y las operaciones (pág.
190). McGraw- Hill .