ACTIVIDADES EN CLASE

1. Se pronosticó un nivel de demanda de 1,000 unidades para el presente mes. La

demanda real para el mes presente son 950 unidades. El valor de la constante de
ajuste es = 0.3. Calcular el valor esperado para la demanda del siguiente mes.

Pronóstico nuevo = 0.3(950) + (1-0.3)(1,000) = 985 unidades

2. La siguiente información trimestral representa una serie de tiempo de la demanda

para un producto:

Quisiéramos pronosticar la demanda para el tercer trimestre de este año.

Asumiremos que α = 0.2 y que el pronóstico anterior se construye a partir del
promedio de los cuatro trimestres del último año. Calcular el pronóstico del tercer
trimestre.
PROMEDIO PARA EL PRONÓSTICO= Fo= (1,200 + 700 + 9 + 1,100)/4 = 975.
Pronóstico para el primer trimestre:
F1 = 0.2Ao + (1 - 0.2) Fo
F1= 0.2(1,100) + 0.8(975)
F1= 1,000 unidades
El pronóstico para el segundo trimestre de este año es:
F2 =0.2A1 +(1-0.2) F1
F2 = 0.2(1,400) + 0.8(1,000)
F2=1080 unidades
El pronóstico para el tercer trimestre de es
F3 =0.2A 2 +(1-0.2) F2
F3= 0.2(1,000) + 0.8(1,080)
F3= 1,064 unidades
3. Seguimos buscando tener un pronóstico para el tercer periodo de este año, pero
con una corrección por tendencia. Asumiremos que α = 0.2 y que el pronóstico
anterior se construye a partir del promedio de los cuatro trimestres del último año y
Tt=0 (sin tendencia). La constante de ajuste β, se supone 0.3

Utilizando la siguiente fórmula:

PROMEDIO PARA EL PRONÓSTICO= Fo= (1,200 + 700 + 9 + 1,100)/4 = 975.

Pronóstico para el primer trimestre:
S1= 0.2(1100) + (1-0.2)(975+0)= 1000
T1= 0.3(1000-975)+(1-0.3)*0=7.5
F1= 1000+7.5=1007.5 unidades

El pronóstico para el segundo trimestre de este año es:

S2 = 0.2(1,400) + (1-0.2) (1,000 + 7.5) = 1,086
T2 = 0.3(1,086 -1,000) + (1-0.3)* (7.5) = 31.05
F2 = 1,086 + 31.05 = 1,117.05 unidades

El pronóstico para el tercer trimestre de es:

S3 = 0.2(1,000) + 0.8(1,086 + 31.05) = 1,093.64 T3
T3= 0.3(1,093.64 - 1,086) + 0.7(31.05) = 24.03 F3
F3= 1,093.64 + 24.03 = 1,117.67
REDONDEANDO= F3= 1118 unidades
4. Recuerde el pronóstico de "sólo nivel" que tenía la siguiente información y
resultados:

Ahora estimemos el error estándar del pronóstico (Sf) para los dos periodos (N =2)
para los cuales se realizó el pronóstico y los valores de demanda real se encuentran
disponibles. Suponiendo que la demanda se distribuye en forma normal sobre el
pronóstico, podemos desarrollar un intervalo de confianza de 95% alrededor del
pronóstico del tercer trimestre (1064). Estimar el nivel de demanda Y, el rango de
confianza para pronóstico de la demanda actual Y.

Primero hallamos el error estándar del pronóstico:

(1400−1000 )2 + ( 1 0 00−10 8 0 )2
Sf =
√ 2−1
=407.92

Hallamos la demanda real Y para el 3er trimestre:

****Z de 95%= 96
Y= F3+/- z(Sf)
Y= 1064 +/-1.96(407.92)
Y= 1064 +/- 800
Rango de confianza de 95% para el pronóstico de la demanda actual

es 264 < Y < 1864

 ACTIVIDADES DE LA PRÁCTICA:
1.- La compañía ACE Trucking debe determinar el número de conductores y camiones
que tiene disponibles sobre una base semanal. El programa estándar es enviar a los
conductores sobre la ruta de recolección y entrega el lunes y regresarlos al punto
original el viernes. Los requerimientos de camiones pueden determinarse a partir del
volumen total que se desplazara para la semana; sin embargo, ellos deben conocerse
con una semana de anticipación para propósitos de planeación. El volumen para las
últimas 10 semanas se da a continuación:

a) Utilizando el modelo de nivelación exponencial más simple, haga una

predicción sobre el volumen esperado para la siguiente semana. [Nota:
Necesitará estimar una constante de ajuste exponencial (ex) que minimizará
el error de pronóstico. Utilice las cuatro semanas más antiguas de
información para iniciar el proceso de pronóstico, es decir, encuentre Fo, y
busque ex en incrementos de 0.1.]
PROBAMOS CON 0.1:
Primero obtendremos el promedio de las semanas del 6 al 10:
(2056 + 2349 + 1895 + 1514) /4 = 1,953.50---Este valor será el F1
****LA TABLA ESTÁ EXPRESADA EN MILES

REAL
α* Semanas más + (1-α)* Predicción PREDICCIÓN ERROR ERROR AL
Antiguas anterior CUADRADO
F1 = = 1,953.50
F2 = 0.1* 2056 + 0.9* 1,953.50 = 1963.75
F3 = 0.1* 2349 + 0.9* 1963.75 = 2002.275
F4 = 0.1* 1895 + 0.9* 2002.28 = 1991.5475
F5 = 0.1* 1514 + 0.9* 1991.55 = 1943.79275
F6 = 0.1* 1194 + 0.9* 1943.79 = 1868.81348 -749.7928 562189.168
F7 = 0.1* 2268 + 0.9* 1868.81 = 1908.73213 399.1865 159349.882
F8 = 0.1* 2653 + 0.9* 1908.73 = 1983.15891 744.2679 553934.666
F9 = 0.1* 2039 + 0.9* 1983.16 = 1988.74302 55.8411 3118.2268
F10 = 0.1* 2399 + 0.9* 1988.74 = 2029.76872 410.2570 168310.787
F11 = 0.1* 2508 + 0.9* 2029.8 = 2077.5918 478.2313 228705.16
TOTAL 1675608
hallamos el error estándar del pronóstico a partir del total del error al cuadrado:
 1675607.886
Sf =
√ 6
=528.458

PROBAMOS CON 0.05:

****LA TABLA ESTÁ EXPRESADA EN MILES
REAL
α* Semanas más + (1-α)* Predicción PREDICCIÓN ERROR ERROR AL
Antiguas anterior CUADRADO
F1 = = 1,953.50
F2 = 0.05* 2056 + 0.95* 1,953.50 = 1958.625
F3 = 0.05* 2349 + 0.95* 1958.63 = 1978.14375
F4 = 0.05* 1895 + 0.95* 1978.14 = 1973.98656
F5 = 0.05* 1514 + 0.95* 1973.99 = 1950.98723
F6 = 0.05* 1194 + 0.95* 1950.99 = 1913.13787 -756.9872 573029.673
F7 = 0.05* 2268 + 0.95* 1913.14 = 1930.88098 354.8621 125927.129
F8 = 0.05* 2653 + 0.95* 1930.88 = 1966.98693 722.1190 521455.88
F9 = 0.05* 2039 + 0.95* 1966.99 = 1970.58758 72.0131 5185.88224
F10 = 0.05* 2399 + 0.95* 1970.59 = 1992.0082 428.4124 183537.199
F11 = 0.05* 2508 + 0.95* 1992 = 2017.8078 515.9918 266247.53
TOTAL 1675383
hallamos el error estándar del pronóstico a partir del total del error al cuadrado:

1675383.297
Sf =
√ 6
=528.4 2

PROBAMOS CON 0.2:

****LA TABLA ESTÁ EXPRESADA EN MILES
REAL
α* Semanas más + (1-α)* Predicción PREDICCIÓN ERROR ERROR AL
Antiguas anterior CUADRADO
F1 = = 1,953.50
F2 = 0.2* 2056 + 0.8* 1,953.50 = 1974
F3 = 0.2* 2349 + 0.8* 1974 = 2049
F4 = 0.2* 1895 + 0.8* 2049 = 2018.2
F5 = 0.2* 1514 + 0.8* 2018.2 = 1917.36
F6 = 0.2* 1194 + 0.8* 1917.36 = 1772.688 -723.3600 523249.69
F7 = 0.2* 2268 + 0.8* 1772.69 = 1871.7504 495.3120 245333.977
F8 = 0.2* 2653 + 0.8* 1871.75 = 2028.00032 781.2496 610350.938
F9 = 0.2* 2039 + 0.8* 2028 = 2030.20026 10.9997 120.99296
F10 = 0.2* 2399 + 0.8* 2030.2 = 2103.9602 368.7997 136013.251
F11 = 0.2* 2508 + 0.8* 2104 = 2184.77 404.0398 163248
TOTAL 1678317

hallamos el error estándar del pronóstico a partir del total del error al cuadrado:
 1678317.005
Sf =
√ 6
=528.885149

constante de ajuste exponencial (ex) que minimizará el error de pronóstico:

Tenemos los siguientes datos:

α Sf
0.05 528.4226
0.1 528.458
0.2 528.885149

ESCOGEMOS EL 0.05 COMO EL CONSTANTE DE AJUSTE EXPONENCIAL (EX) QUE

MINIMIZARÁ EL ERROR DE PRONÓSTICO.

b) Estime el error de pronóstico (Sf). Utilice los últimos seis periodos semanales

YA SE CALCULÓ ESTO EN LA PREGUNTA A

α Sf
0.05 528.4226

c) Encuentre el rango sobre el cual es más probable que el volumen real varié.
(Sugerencia: Aquí deberá calcular un intervalo de confianza estadística.
Suponga un intervalo de confianza de 95 por ciento y una distribución normal
de los requerimientos).

Haremos la suposición de que, Y es el actual volumen en el periodo 11, y

tenemos un α de 0.05, Usaremos el valor de Y y Sf hallado con el α de 0.05 que
hallamos como el de menos error en la pregunta a)

Y= F11 +Z* Sf
Y= 2017.81+1.96*528.42
RANGO:

982.11 ≤ Y ≤ 3,053.51
2. Suponga que la información del problema anterior fuera:

Utilizando el modelo de nivelación exponencial más simple:

a. Pronostique el volumen de la siguiente semana con un α = 0.2.

****LA TABLA ESTÁ EXPRESADA EN MILES

VALORES PREDICCIÓN
F1 1567 1567
F2 1709 1567
F3 1651 1595.4
F4 1778 1606.52
F5 1897 1640.816
F6 2056 1692.0528
F7 2088 1764.84224
F8 1970 1829.473792
F9 1925 1857.579034
F10 2003 1871.063227
F11 1897.45

b. Estime el error en el pronóstico anterior (Sf). Utilice los últimos seis periodos
semanales.

c. Construya un intervalo de confianza de 95% sobre el pronóstico suponiendo

una distribución normal en los requerimientos.

Utilizando la versión de tendencia corregida del modelo de nivelación exponencial

d. Pronostique el volumen de la siguiente semana. En este caso con un α = β =
0.2

e. Estime el error en el pronóstico anterior (Sf). Utilice los últimos seis periodos
semanales.
f. Construya un intervalo de confianza de 95% sobre el pronóstico suponiendo
una distribución normal de los requerimientos.
EJERCICIOS PROPUESTOS

1. La compañía High-Volt Electric tiene dificultades para predecir las ventas trimestrales para
su línea de aire acondicionado para habitaciones, debido a la sustancial estacionalidad en la
venta del producto. La información de ventas trimestrales para los últimos tres años se
muestra a continuación:

a. Determine la mejor tendencia de línea recta utilizando análisis de regresión simple.

Valor de ÍNDICE
VENTAS, V t V*T tendencia, V1 ESTACIONAL
27000 1 27000 1 41807 0.66
70000 2 140000 4 41192 1.7
41000 3 123000 9 41298 0.99
13000 4 52000 16 41403 0.32
30000 5 150000 25 41508 0.72
73000 6 438000 36 41613 1.75
48000 7 336000 49 41719 1.15
15000 8 120000 64 41824 0.36
34000 9 306000 81 41929 0.81
82000 10 820000 100 42035 1.95
51000 11 561000 121 42140 1.21
16000 12 192000 144 42245 0.38
500000 78 3265000 650

Sumando los t del cuadro de arriba, tenemos 78 periodos, entonces t promedio=

78/12= 6.5. N=12 y S= 500000(TOTAL DE VENTAS) /12 = 41666, los coeficientes b y a
de la regresión serían los siguientes:

V∗t−N∗V́∗t́ 3265000−12∗41666∗6.5
b= 2
t −N∗t −2
=¿
650−12∗6.52
=105.3

a=V́ −b∗t́=40981.6+105.3∗6.5=40981.6
Por lo tanto, el valor de tendencia St para cualquier período t sería:
Vi= 40981.6 +105.3*t
b. Determine los índices estacionales para cada trimestre utilizando los valores de línea
de tendencia en sus cálculos de índices estacionales.
 ÍNDICE
VENTAS, V t ESTACIONAL
27000 1 0.66
70000 2 1.7
41000 3 0.99
13000 4 0.32
30000 5 0.72
73000 6 1.75
48000 7 1.15
15000 8 0.36
34000 9 0.81
82000 10 1.95
51000 11 1.21
16000 12 0.38
500000 78

c. Mediante la descomposición clásica de series de tiempo, pronostique las ventas para

los siguientes cuatro trimestres.

t Ventas ÍNDICE PREDICCIÓN

ESTACIONAL
13 42351 0.81 34304
14 42456 1.95 82789
15 42561 1.21 51499
16 42666 0.38 16213
2.-La agente de compras de un hospital ha reunido información de los últimos cinco años
sobre los precios unitarios mensuales promedio para un artículo Quirúrgico de frecuente
uso.

Ella cree que un pronóstico preciso del precio le ayudaría a mejorar la oportunidad de sus
compras. Utilizando el más antiguo de los 4 años de información como dato base, y
guardando la información más reciente (último año) para verificar la precisión del
pronóstico, realice los siguiente:

a. Grafique la información ¿Qué observaciones importantes puede hacer acerca de la

información que serían útiles para el pronóstico?

El gráfico muestra que hay un componente estacional con un

Tendencia leve a los datos, así como alguna variación aleatoria o inexplicable.

b. Construya un modelo de pronóstico de descomposición clásica de series de tiempo y

calcule el error de pronóstico (Sf).

Por lo general, un modelo de series de tiempo solo implicará dos componentes:

tendencia y
 estacionalidad. El uso de datos de 2 años debería ser suficiente para establecer una
tendencia precisa
línea y los índices estacionales. Podemos desarrollar la siguiente tabla para calcular un
línea de regresión e índices estacionales.

Usaremos el año 3 y el año 2.

ÍNDICE
PRECIOS TIEMPO P*T TENDENCIA St
ESTACIONAL

211 1 211 1 232.4 0.908

210 2 420 4 232.4 0.900
214 3 642 9 232.4 0.820
208 4 832 16 232.4 0.900
276 5 1380 25 232.2 1.190
269 6 1614 36 232.3 1.160
265 7 1855 49 232.3 1.140
253 8 2024 64 232.3 1.090
244 9 2196 81 232.3 1.050
202 10 2020 100 232.3 0.870
221 11 2431 121 232.3 0.950
210 12 2520 144 232.2 0.900
215 13 2795 169 232.3 0.930 0.920
225 14 3150 196 232.2 0.970 0.930
230 15 3450 225 232.3 0.990 0.96
214 16 3424 256 232.3 0.920 0.91
276 17 4692 289 232.2 1.190 1.19
261 18 4698 324 232.2 1.120 1.14
250 19 4750 361 232.2 1.080 1.11
248 20 4960 400 232.2 1.070 1.08
229 21 4809 441 232.2 0.990 1.02
221 22 4862 484 232.2 0.950 0.91
209 23 4807 529 232.2 0.900 0.92
214 24 5136 576 232.2 0.920 0.91
5575 300 69678 4900

ENTONCES TENEMOS LOS SIGUIENTES DATOS: N=24 , t promedio= 300/24=12.5, y Los

precios promedio= 5575/24= 232.29

∑ . Precios∗t iempo−N∗Precios∗
´ t iempo
´ 69678−24∗232.29∗12.5
b= =¿
4900−24∗12.52
=
∑ . t2 −N∗t−2
-0.008

´
a= Precio−b∗ t́=232.29+(−0.008∗12. 5)=232.39
Por lo tanto, el valor de tendencia St para cualquier período t sería:
Pi= 232.29 -0.008*t
***El índice estacional es el resultado de dividir Pt por Tt para cada
 período t. Los índices se promedian para los períodos correspondientes que están
separados por un año. La previsión para el quinto año muestra el error potencial en el
método. Es decir, para
Enero del quinto año, la previsión es
Ft = Tt × St-12, o F25 = [232,39 - 0,008 × 25] [0,92]= 213,6.
Repitiendo para cada método, tenemos:

Precio Precio Error de Error al Revisión

t
actual predecido predicción cuadrado Estacional

25 210 213.6 -3.6 12.96 0.91

26 223 215.6 7.4 54.76
27 204 222.9 -18.9 357.21
28 244 211.3 32.7 1069.29
29 274 276.3 -2.3 5.29
30 246 264.6 -18.6 345.96
31 237 257.7 -20.7 428.49
32 267 250.7 16.3 265.69
33 212 236.8 -24.8 615.04
34 211 211.2 -0.2 0.04
35 188 213.5 -25.5 650.25
36 188 211.2 -23.2 538.24
TOTAL 4343.22

Para hallar el punto de revisión estacional=(0.92+0.9)/2= 0.91

ERROR ESTÁNDAR:

Sf=√ 4343.22/(12−2)=20.84 , entonces la predicción para el t 37 sería:

F37 = (232.39 -0.008*37 )( 0.91 ) =211.21

c. Construya un modelo de ajuste exponencial (α = 0.14, β = 0.01, γ = 0.7) con

componentes de tendencia, nivel y estacionalidad, y calcule Sf para el último año.
SUAVIZAMIENTO HOLT WINTERS (ESTACIONALIDAD)
ALFA BETA OMEGA

Año Xt 0.14 0.01 0.7

X Y Et Tt St Ft+1 MAD
1 210 210 0 1
2 223 211.8 0.02 1.04 210 13
3 204 209.6 0 0.99 220.3136 16.3
4 244 214.8 0.05 1.09 207.5436 36.5
5 274 220 0.1 1.2 234.1865 39.8
6 246 218 0.08 1.15 264.072 18.1
7 237 216.4 0.06 1.11 250.7345 13.7
8 267 219.8 0.09 1.18 240.2262 26.8
9 212 214.3 0.03 1.05 259.4702 47.5
10 211 212.4 0.01 1.01 225.0045 14
11 188 208.8 -0.03 0.93 214.5543 26.6
12 188 207.8 -0.04 0.91 194.1096 6.11
13 215 211.8 0 0.98 189.0616 25.9
14 225 214.3 0.03 1.03 207.515 17.5
15 230 215.5 0.04 1.06 220.7084 9.29
16 214 213.7 0.02 1.02 228.5148 14.5
17 276 221.7 0.1 1.18 217.9536 58
18 261 221.7 0.1 1.18 261.665 0.66
19 250 220.4 0.09 1.15 261.6886 11.7
20 248 219.8 0.08 1.13 253.5405 5.54
21 229 217.5 0.06 1.08 248.4644 19.5
22 221 215.7 0.04 1.04 234.9324 13.9
23 209 213.7 0.02 1 224.3904 15.4
24 214 213.8 0.02 1 213.71 0.29
25 211 213.4 0.02 0.99 213.77 2.77
26 210 213.2 0.02 0.99 211.266 1.27
27 214 213.7 0.02 1 211.1076 2.89
28 208 212.9 0.01 0.98 213.67 5.67
29 276 222.5 0.11 1.16 208.6322 67.4
30 269 223.9 0.12 1.19 258.2392 10.8
31 265 223.9 0.12 1.19 266.6076 1.61
32 253 222.4 0.1 1.15 266.5243 13.5
33 244 221 0.09 1.12 255.852 11.9
34 202 215.4 0.03 0.99 247.6656 45.7
35 221 216.5 0.04 1.01 213.2955 7.7
36 210 215.4 0.03 0.99 218.7458 8.75
37 187 211.7 -0.01 0.92 213.246 26.2
38 196 211.9 -0.01 0.92 194.7456 1.25
39 195 211.9 -0.01 0.92 194.9112 0.09
40 246 219.6 0.07 1.06 194.9112 51.1
41 266 224.1 0.11 1.15 232.882 33.1
42 228 220.6 0.07 1.07 257.807 29.8
43 257 223.4 0.1 1.13 236.0634 20.9
44 233 221 0.08 1.08 252.5098 19.5
45 227 219.6 0.06 1.05 238.8096 11.8
46 188 214 0 0.93 230.6325 42.6
47 195 213.4 -0.01 0.92 198.9921 3.99
48 191 212.6 -0.02 0.91 196.2912 5.29
49 201 213.7 -0.01 0.93 193.4023 7.6
50 205 214.6 0 0.95 198.7317 6.27
51 235 219.2 0.05 1.04 203.8985 31.1
52 243 221.3 0.07 1.08 228.0304 15
53 250 222.8 0.08 1.11 239.058 10.9
54 234 221.2 0.06 1.07 247.3635 13.4
55 256 223.7 0.09 1.12 236.7054 19.3
56 231 221.4 0.07 1.07 250.6896 19.7
57 229 220.4 0.06 1.05 236.9408 7.94
58 185 214.3 0 0.92 231.483 46.5
59 187 212.7 -0.02 0.89 197.1192 10.1
60 189 212.7 -0.02 0.89 189.303 0.3
61 183 -0 0.27 189.24 189 PRONÓSTICO= 201.26,
 d. Desarrolle un modelo ponderado promedio que combine ambos tipos de modelos.

Cada modelo debe combinarse de acuerdo con su capacidad para pronosticar con
precisión. Nosotros
puede dar a cada uno un peso en proporción a su error de pronóstico, o error estándar
de la
pronóstico (SF). Por tanto, se puede desarrollar la siguiente tabla:

.(1) .(2)=(1)/36.61 .(3)=1/(2) .(4)=(3)/4.013

Error de Proporción de Inverso del error Peso del
Tipo de modelo predicción error total de proporción modelo
Regresión 19.34 0.58 1.894 0.472
Suavización exponencial 17.27 0.472 2.119 0.528
TOTAL 36.61 1.052 4.013 1

Por lo tanto, cada uno de los resultados del modelo se pondera de acuerdo con las
ponderaciones del modelo. La previsión ponderada para el próximo mes de enero
sería:
.(1) .(2) .(3)=1*(2)
Peso Ponderado
Tipo de modelo Predicción del modelo de proporción
Regresión 211.21 0.472 99.69112
Suavización exponencial 201.26 0.528 106.26528
TOTAL 205.9564

De manera similar, podemos ponderar las variaciones del error de pronóstico para
obtener una error de pronóstico ponderado desviación estándar SFw. Es decir:

Sf=√ 0.472∗19.34 2+ 0.528∗17.27=18.28

A 95 percent confidence band using the combined results might be constructed as:

Y = 205.96 ± z×18.28

where z is 1.96 for 95 percent of the area under the normal distribution.

Y = 205.96 ± 1.96×18.28

Hence, we can be 95 percent sure that the actual price Y will be within the following range:
170.13 ≤ Y ≤ 241.79