CAPÍTULO 5 – LIBRO RENDER:

5.1 Describa brevemente los pasos para desarrollar un sistema de pronósticos.

 Determinar el uso del pronóstico: Cual será el objetivo que queremos lograr
con nuestro pronóstico.
 Seleccionar los artículos o las cantidades que se van a pronosticar: Definir
los datos a pronosticar.
 Determinar el horizonte de tiempo del pronóstico: Definir el tiempo que se
usara en el pronóstico (corto, mediano o largo plazo).
 Seleccionar el modelo o los modelos de pronósticos: Definir a que modelo de
pronóstico se adecua nuestro caso.
 Reunir los datos o la información necesaria para realizar el pronóstico:
Juntar los datos para nuestro pronóstico.
 Validar el modelo del pronóstico: Confirmar que nuestro pronóstico es
correcto.
 Efectuar el pronóstico: Poner en marcha nuestro pronóstico.

5.2 ¿Qué es un modelo de pronósticos de series de tiempo?

El pronóstico de las series de tiempo significa que extendemos los valores históricos al
futuro, donde aún no hay mediciones disponibles. El pronóstico se realiza
generalmente para optimizar áreas como los niveles de inventario, la capacidad de
producción o los niveles de personal.

Existen dos variables estructurales principales que definen un pronóstico de serie de

tiempo:

 El período, que representa el nivel de agregación. Los períodos más comunes son
meses, semanas y días en la cadena de suministro (para la optimización del
inventario). Los centros de atención telefónica utilizan períodos de cuartos de hora
(para la optimización del personal).
 El horizonte, que representa la cantidad de períodos por adelantado que deben ser
pronosticados. En la cadena de suministro, el horizonte es generalmente igual o
mayor que el tiempo de entrega.

5.3 ¿Cuál es la diferencia entre un modelo causal y un modelo de series de tiempo?

 Los modelos de series de tiempo (o temporales) predicen bajo la premisa de que el

futuro es una función del pasado. Es decir, observan lo que ha ocurrido a lo largo de un
período de tiempo y utilizan una serie de datos pasados para realizar el pronóstico. Los
modelos básicos que se utilizan son: - Promedios móviles. - Promedios móviles
ponderados. - Suavización Exponencial.
 Los modelos causales, como la regresión lineal, incorporan variables o factores que
pueden influir sobre el pronóstico. El modelo básico que se utiliza es el Modelo de
regresión lineal.

5.4 ¿Qué es un modelo de pronósticos cualitativo y cuándo es adecuado?

Las técnicas cualitativas se usan cuando los datos son escasos, por ejemplo, cuando
se introduce un producto nuevo al mercado. Estas técnicas incorporan importantes
factores, tales como la intuición, las emociones, experiencias personales y sistema de
valores para realizar el pronóstico, además de ciertas relaciones para transformar
información cualitativa en estimados cuantitativos. Métodos Cuantitativos u Objetivos:
Emplean diferentes modelos matemáticos que utilizan datos históricos y/o variables
causales para prever la demanda.

5.5 ¿Cuáles son algunos problemas y desventajas del modelo de pronósticos de

promedio móvil?

La principal desventaja es que es más lenta para responder a los rápidos cambios que
podrían ocurrir en los datos para el pronóstico.

5.6 ¿Qué efecto tiene el valor de la constante de suavizamiento sobre el peso dado
al pronóstico previo y al valor histórico observado?

El enfoque de suavizamiento exponencial es fácil de usar y se ha aplicado con éxito en

prácticamente todo tipo de negocios. Sin embargo, el valor apropiado de la constante
de suavizamiento, α, puede hacer la diferencia entre un pronóstico preciso y uno
impreciso. Se eligen valores altos de α cuando el promedio subyacente tiene
probabilidades de cambiar. Se emplean valores bajos de α cuando el promedio en que
se basa es bastante estable. Al elegir los valores de la constante de suavizamiento, el
objetivo es obtener el pronóstico más preciso.

5.7 Describa brevemente la técnica Delphi

La técnica Delphi como una acción de prospectiva en la que se plantea y analiza de

forma profunda un escenario futuro en base a la evolución de una serie de factores
presentados, y la interacción de estos con el entorno de la organización.

El funcionamiento consiste en captar a una serie de expertos en una materia intentada

que, a la vez que estos presenten un conocimiento alto de la temática del estudio, este
venga precedido de una perspectiva plural, ya que en este método se pretende una
amplitud importante en las formas de análisis.
5.8 ¿Qué es la DMA y por qué es importante en la selección y el uso de los modelos
de pronósticos?

La desviación media absoluta es una medida que se utiliza para calcular cuánto varían
de su media los valores de un conjunto de datos. También se conoce como desviación
media o desviación absoluta media.

5.9 Explique cómo se determina el número de estación al pronosticar con una

componente estacional

Componente de una serie de tiempo que representa la variabilidad de los datos debido
a influencias estacionales. Se supone de manera usual que este componente se
relaciona con las estaciones del año (primavera, verano, etc.), pero puede tener
duraciones menores (semanal, mensual, etc.)

5.10 Un índice estacional puede ser menor que uno, igual a uno o mayor que uno.
Explique qué significa cada uno de estos valores.

 Un índice estacional arriba de 1 indica un efecto positivo (el dato mayor que el
marcado por la tendencia)
 Un índice estacional de 1 indica que no hay efecto estacional
 Un índice estacional menor que 1 indica un efecto negativo (el dato es menor
que el indicado por la tendencia).

5.11 Explique qué pasaría si la constante de suavizamiento en un modelo de

suavizamiento exponencial fuera igual a cero. Explique qué pasaría si esa
constante fuera igual a uno.

En el modelo de suavización exponencial, la constante de suavización es el peso

dado al valor real de la serie de tiempo en el periodo t, y debe estar entre 0 y 1.

5.12 Explique cuándo debería utilizarse un PMC (en vez de un promedio general)
al calcular un índice estacional. Explique por qué esto es necesario.

El promedio móvil centrado (PMC) se usa siempre que esté presente una tendencia.
Este enfoque previene que una variación causada por la tendencia se interprete
incorrectamente como una variación estacional.

Los promedios móviles centrados sirven para calcular índices estacionales cuando
existe una tendencia.

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.
5.13 Desarrolle un pronóstico con promedio móvil de cuatro meses para Wallace
Garden y calcule la DMA. En la sección sobre promedios móviles de la tabla
5.3, se desarrolló un pronóstico de promedio móvil de tres meses.

MES VENTAS PROMEDIO

MOVIL 4
MESES
ENERO 10 --
FEBRERO 12 --
MARZO 13 --
ABRIL 16 11.67
MAYO 19 13.67
JUNIO 23 16
JULIO 26 19.33
AGOSTO 30 22.67
SETIEMBRE 28 26.33
OCTUBRE 18 28
NOVIEMBRE 16 25.33
DICIEMBRE 14 20.67
ENERO -- 16

5.14 Utilice la DMA para determinar si el pronóstico del problema 5-13 o el

pronóstico en la sección concerniente a Wallace Garden Supply es más exacto.

DMA
=(C7-D7)+(C8-D8)+(C9-D9)+(C10-D10)+(C11-D11)+(C12-D12)+(C13-D13)+(C14-D14)
7,75
=C20/8
0,96875

5.15 Los datos recolectados de la demanda anual de sacos de 50 libras de

fertilizante en Wallace Garden se presentan en la siguiente tabla. Desarrolle un
promedio móvil de 3 años para pronosticar las ventas. Luego, estime la
demanda de nuevo con un promedio móvil ponderado, donde las ventas del año
más reciente tienen un peso de 2 y las ventas en los otros 2 años tienen, cada
una, un peso de 1. ¿Qué método piensa usted que sea mejor?
 AÑO DEMANDA PROMEDIO PROMEDIO MOVIL
FERTILIZANTES MOVIL (3 PONERADO(3AÑOS)
(MILES DE AÑOS)
SACOS)
1 4 -- --
2 6 -- --
3 4 -- --
4 5 4,67 4(2)+6(1)+4(1)/4
5 10 5(2)+4(1)+4(1)/4= 4.5
6 8 6,33 10(2)+5(1)+4(1)/4= 7.25
7 7 7,67 8(2)+10(1)+5(1)/4= 7.25
8 9 8,33 7(2)+8(1)+10(1)/4= 8
9 12 8,00 9(2)+7(1)+8(1)/4= 8.25
10 14 9,33 12(2)+9(1)+7(1)/4= 10
11 15 11,67 14(2)+12(1)+9(1)/4= 12.25

5.16 Desarrolle una recta de tendencia para la demanda de fertilizante en el

problema 5-15, utilizando un software de cómputo.

DEMANDA DE
AÑO FERTILIZANTE
(Miles de sacos)
1 4
2 6
3 4
4 5
5 10
6 8
7 7
8 9
9 12
10 14
11 15
 LINEA DE TENDENCIA - FERTILIZANTE
16 15
14
14
12
12
10
10 9
8
8 7
6
6 5
4 4
4

0
0 2 4 6 8 10 12

5.17 En los problemas 5-15 y 5-16, se desarrollaron tres pronósticos diferentes para
la demanda de fertilizante. Los tres son un promedio móvil de 3 años, un
promedio móvil ponderado y una recta de tendencia. ¿Cuál usaría? Explique su
respuesta.

Utilizaría el Promedio Movil Ponderado ya que es el que más se acerca a los datos
reales de demanda de fertilizante y sus errores no son tan grandes.

5.18 Utilice el suavizamiento exponencial con una constante de suavizamiento

de 0.3 para pronosticar la demanda de fertilizante dada en el problema 5-15.
Suponga que el pronóstico del periodo anterior para el año 1 es de 5,000
sacos para comenzar el procedimiento. ¿Preferiría usar el modelo de
suavizamiento exponencial o el de promedio ponderado desarrollado en el
problema 5-15? Explique su respuesta.

Utilizaría el promedio móvil ponderado ya que es más exacto al valor real.

5.19 Las ventas de acondicionadores de aire Cool-Man han crecido de forma estable
durante los últimos 5 años:

Año Demanda Fertilizantes Pronóstico(suavizamientos)

1 4 5
2 6 5+0,3(4,-5) =4,7
3 4 4,7+0,3(6-4,7) =5,09

4 5 5,09 + 0,3(4-5,09) =4,763

5 10 4,763+0,3(5-4,763) =4,83
6 8 4,83+0,3(10-4,83) =6,38

7 7 6,38 + 0,3(8-6,38) =6,87

8 9 6,87 + 0,3(7-6,87) =6,91

9 12 6,91+ 0,3(9-6,91) =7,54

10 14 7,54 +0,3(12-7,54) =8,88

11 15 8,88+0,3(14-8,88) =10,42

AÑO VENTAS
1 450
2 495
3 518
4 563
5 584
6 ?
El gerente de ventas predijo, antes de iniciar el negocio, que las ventas del año 1
serían de 410 acondicionadores de aire. Utilice suavizamiento exponencial con un
peso de α = 0.30, para desarrollar los pronósticos de los años 2 a 6.

AÑO VENTAS PRONÓSTICO(SUAVIZAMIENTO)

0.3
1 450 410
2 495 410+0.3(450-410)=446
3 518 422+0.3(495-422)=443.9
4 563 443.9+0.3(518-443.9)=466.13

5 584 466.13+0.3(563-466.13)=495.19
6 ? 495.19+0.3(584-495.19)=521.83

5.20 Con constantes de suavizamiento de 0.6 y 0.9, desarrolle pronósticos para las
ventas de acondicionadores de aire Cool-Man (véase el problema 5-19).

PRONÓSTICO (SUAVIZAMIENTO) 0.6 PRONÓSTICO (SUAVIZAMIENTO) 0.9

410 410
410+0.6 (450 - 410) = 434 410+0.9(450-410)=446
434+0.6(495-434)=470.6 446+0.9(495-496)=490.1
470.6(518-470.6)=499.04 490.1+0.9(518-490.1)=515.21

499.04+0.6(563-499.04)=537.42 515.21+0.9 (563-515.21)=558.22

537.42+0.6(584-537.42)=565.37 558.22+0.9(584-558.22)=581.42