ASIGNATURA : OPTIMIZACION DE LA PRODUCCION EN LA INDUSTRIA ALIMENTARIA UNJFSC - 2017

PRACTICA N 06
TEMA: ADMINISTRACION Y PRONOSTICO DE LA DEMANDA

I. ADMINISTRACIN DE LA DEMANDA
El propsito del manejo de la demanda es coordinar y controlar todas las fuentes de la demanda,
con el fin de poder usar con eficiencia el sistema productivo y entregar el producto a tiempo. De
dnde proviene la demanda del producto o servicio de una empresa? y qu puede hacer una
compaa para administrarla? Existen dos fuentes bsicas de la demanda: dependiente e
independiente.

La demanda dependiente es la demanda de un producto o servicio provocada por la demanda de

otros productos o servicios. Por ejemplo, si una empresa vende 1 000 triciclos, entonces se van a
necesitar 1000 ruedas delanteras y 2000 traseras. Este tipo de demanda interna no necesita un
pronstico, sino slo una tabulacin. La cantidad de triciclos que la empresa podra vender es la
demanda independiente porque no se deriva directamente de la demanda de otros productos.

Una empresa no puede hacer mucho respecto de la demanda dependiente. Es preciso cubrirla
(aunque el producto o servicio se pueda comprar en lugar de producirlo en forma interna). Pero s
hay mucho que una empresa puede hacer en cuanto a la demanda independiente, si as lo desea.
La compaa puede:

1. Adoptar un papel activo para influir en la demanda. La empresa puede presionar a su

fuerza de ventas, ofrecer incentivos tanto a los clientes como a su personal, crear
campaas para vender sus productos y bajar precios. Estas acciones pueden incrementar
la demanda. Por el contrario, es posible disminuir la demanda mediante aumentos de
precios o la reduccin de los esfuerzos de ventas.

2. Adoptar un papel pasivo y simplemente responder a la demanda. Existen varias razones

por las que una empresa no trata de cambiar la demanda sino que la acepta tal como
llega. Si una compaa funciona a toda su capacidad, tal vez no quiera hacer nada en
cuanto a la demanda. Otras razones pueden ser que la compaa no tenga el poder de
cambiar la demanda debido al gasto en publicidad; es probable que el mercado sea fijo y
esttico; o que la demanda est fuera de su control (como en el caso de un proveedor
nico). Existen otras razones competitivas, legales, ambientales, ticas y morales por las
que la demanda del mercado se acepta de manera pasiva.

II. TIPOS DE PRONSTICOS

El pronstico se puede clasificar en cuatro tipos bsicos: cualitativo, anlisis de series de tiempo,
relaciones causales y simulacin.

Las tcnicas cualitativas son subjetivas y se basan en estimados y opiniones.

El anlisis de series de tiempo, se basa en la idea de que es posible utilizar informacin
relacionada con la demanda pasada para predecir la demanda futura. La informacin anterior
puede incluir varios componentes, como influencias de tendencias, estacionales o cclicas.
El pronstico causal, que se analiza utilizando la tcnica de la regresin lineal, supone que la
demanda se relaciona con algn factor subyacente en el ambiente.
Los modelos de simulacin permiten al encargado del pronstico manejar varias suposiciones
acerca de la condicin del pronstico. El siguiente cuadro describe una variedad de los cuatro
tipos bsicos de modelos de pronstico.

1
ASIGNATURA : OPTIMIZACION DE LA PRODUCCION EN LA INDUSTRIA ALIMENTARIA UNJFSC - 2017

TCNICAS DE PRONSTICO Y MODELOS COMUNES

I. Cualitativo Subjetivas; de juicio. Basadas en estimados y opiniones.

Deriva un pronstico a travs de la compilacin de las entradas de aquellos que se encuentran al final de la
Tcnicas
jerarqua y que tratan con lo que se pronostica. Por ejemplo, un pronstico general de las ventas se puede
acumulativas
derivar combinando las entradas de cada uno de los vendedores que estn ms cerca de su territorio.
Investigacin de
Se establece para recopilar datos de varias formas (encuestas, entrevistas, etc.) con el fin de comprobar
mercados
hiptesis acerca del mercado. Por lo general, se usa para pronosticar ventas a largo plazo y de nuevos
productos.
Intercambio libre en las juntas. La idea es que la discusin en grupo produzca mejores pronsticos que
Grupos de consenso
cualquier individuo. Los participantes pueden ser ejecutivos, vendedores o clientes.
Relaciona lo pronosticado con un artculo similar. Es importante al planear nuevos productos en los que las
Analoga histrica
proyecciones se pueden derivar mediante el uso del historial de un producto similar.
Un grupo de expertos responde un cuestionario. Un moderador recopila los resultados y formula un
cuestionario nuevo que se presenta al grupo. Por lo tanto, existe un proceso de aprendizaje para el grupo
Mtodo de Delfos
mientras recibe informacin nueva y no existe ninguna influencia por la presin del grupo o individuos
dominantes.
II. Anlisis de series Con base en la idea de que el historial de los eventos a travs del tiempo se puede utilizar para proyectar el
de tiempo futuro.
Promedio mvil Se calcula el promedio de un periodo que contiene varios puntos de datos dividiendo la suma de los valores de
simple los puntos entre el nmero de stos. Por lo tanto, cada uno tiene la misma influencia.
Promedio mvil
Puede ser que algunos puntos especficos se ponderen ms o menos que los otros, segn la experiencia.
ponderado
Suavizacin Los puntos de datos recientes se ponderan ms y la ponderacin sufre una reduccin exponencial conforme los
exponencial datos se vuelven ms antiguos.
Ajusta una recta a los datos pasados casi siempre en relacin con el valor de los datos. La tcnica de ajuste ms
Anlisis de regresin
comn es la de los mnimos cuadrados.
Tcnica Box Jenkins Muy complicada, pero al parecer la tcnica estadstica ms exacta que existe. Relaciona una clase de modelos
posteriores. estadsticos con los datos y ajusta el modelo con las series de tiempo utilizando distribuciones bayesianas
(Se conoce tambin como X-11). Desarrollada por Julius Shiskin de la Oficina del Censo. Un mtodo efectivo
Series de tiempo
para dividir una serie temporal en temporadas, tendencias e irregular. Necesita un historial por lo menos de 3
Shiskin
aos. Muy eficiente para identificar los cambios, por ejemplo, en las ventas de una compaa.
Proyecciones de
Ajusta una recta matemtica de tendencias a los puntos de datos y la proyecta en el futuro.
tendencias
Trata de entender el sistema subyacente y que rodea al elemento que se va a pronosticar. Por ejemplo, las
III. Causal ventas se pueden ver afectadas por la publicidad, la calidad y los competidores.
Similar al mtodo de los mnimos cuadrados en las series de tiempo, pero puede contener diversas variables. La
Anlisis de regresin
base es que el pronstico se desarrolla por la ocurrencia de otros eventos.
Modelos
Intentos por describir algn sector de la economa mediante una serie de ecuaciones interdependientes.
economtricos
Modelos de Se enfoca en las ventas de cada industria a otros gobiernos y empresas. Indica los cambios en las ventas que
entrada/salida una industria productora puede esperar debido a los cambios en las compras por parte de otra industria.
Principales Estadsticas que se mueven en la misma direccin que la serie a pronosticar, pero antes que sta, como un
indicadores incremento en el precio de la gasolina que indica una baja futura en la venta de autos grandes.
Modelos dinmicos, casi siempre por computadora, que permiten al encargado de las proyecciones hacer
IV. Modelos de suposiciones acerca de las variables internas y el ambiente externo en el modelo. Dependiendo de las variables
simulacin en el modelo, el encargado de los pronsticos puede hacer preguntas como: Qu sucedera con mi pronstico
si el precio aumentara 10%? Qu efecto tendra una recesin nacional leve sobre mi pronstico?

2
 ASIGNATURA : OPTIMIZACION DE LA PRODUCCION EN LA INDUSTRIA ALIMENTARIA UNJFSC - 2017

III. ANLISIS DE SERIES DE TIEMPO

Los modelos de pronsticos de series de tiempo tratan de predecir el futuro con base en la
informacin pasada. Por ejemplo, las cifras de ventas recopiladas durante las ltimas seis semanas
se pueden usar para pronosticar las ventas durante la sptima semana. Las cifras de ventas
trimestrales recopiladas durante los ltimos aos se pueden utilizar para pronosticar los trimestres
futuros. Aun cuando ambos ejemplos contienen ventas, es probable que se utilicen distintos
modelos de series de tiempo para pronosticar.

3.1. PROMEDIO MVIL SIMPLE

Cuando la demanda de un producto no crece ni baja con rapidez, y si no tiene
caractersticas estacionales, un promedio mvil puede ser til para eliminar las
fluctuaciones aleatorias del pronstico. Aunque los promedios de movimientos casi
siempre son centrados, es ms conveniente utilizar datos pasados para predecir el periodo
siguiente de manera directa. Para ilustrar, un promedio centrado de cinco meses de enero,
febrero, marzo, abril y mayo da un promedio centrado en marzo. Sin embargo, los cinco
meses de datos deben existir. Si el objetivo es pronosticar para junio, se debe proyectar el
promedio de movimientos de marzo a junio. Si el promedio no est centrado sino que se
encuentra en un extremo, se puede pronosticar con mayor facilidad, aunque quiz se
pierda cierta precisin. Por lo tanto, si se quiere pronosticar para junio con un promedio
mvil de cinco meses, puede tomarse el promedio de enero, febrero, marzo, abril y mayo.
Cuando pase junio, el pronstico para julio ser el promedio de febrero, marzo, abril,
mayo y junio.

1 + 2 + 3 +. . . +
=

Donde:
Ft = Pronstico para el siguiente periodo
n = Nmero de periodos para promediar
At1 = Ocurrencia real en el periodo pasado
At2, At3 y Atn = Ocurrencias reales hace dos periodos, hace tres periodos, y as
sucesivamente, hasta hace n periodos

EJEMPLO:
Promedio mvil simple; periodos de tres (n=3) y nueve semanas (n=9):

3
ASIGNATURA : OPTIMIZACION DE LA PRODUCCION EN LA INDUSTRIA ALIMENTARIA UNJFSC - 2017

ANALISIS: En la grfica se muestra los efectos de las

distintas duraciones de un periodo de un promedio
mvil. Se ve que la tendencia de crecimiento se
nivela alrededor de la semana 23. El promedio de
movimientos de tres semanas responde mejor al
seguir este cambio que el promedio de nueve
semanas, aunque en general, el promedio de nueve
semanas es ms uniforme. La principal desventaja al
calcular un promedio mvil es que todos los
elementos individuales se deben manejar como
informacin porque un nuevo periodo de pronstico
comprende agregar datos nuevos y eliminar los
primeros.

3.2. PROMEDIO MVIL PONDERADO

Mientras que el promedio mvil simple da igual importancia a cada uno de los
componentes de la base de datos del promedio mvil, un promedio mvil ponderado
permite asignar cualquier importancia a cada elemento, siempre y cuando la suma de
todas las ponderaciones sea igual a uno.
La frmula para un promedio mvil ponderado es:

Ft = w1At1 + w2At2 + + wnAtn

Donde
w1 = Ponderacin dada a la ocurrencia real para el periodo t 1
w2 = Ponderacin dada a la ocurrencia real para el periodo t 2
wn = Ponderacin dada a la ocurrencia real para el periodo t n
n = Nmero total de periodos en el pronstico
Aunque quiz se ignoren muchos periodos (es decir, sus ponderaciones son de cero) y el
esquema de ponderacin puede estar en cualquier orden (por ejemplo, los datos ms
distantes pueden tener ponderaciones ms altas que los ms recientes), la suma de todas
las ponderaciones debe ser igual a uno.

wi = 1
i=1

EJEMPLO:
Un Supermercado local se da cuenta de que en un periodo de cuatro meses, el mejor
pronstico se deriva utilizando 40% de las ventas reales durante el mes ms reciente, 30%
de dos meses antes, 20% de tres meses antes y 10% de hace cuatro meses. Si las ventas
reales fueron:

MES 1 MES 2 MES 3 MES 4 MES 5

100 90 105 95 ?

El pronstico para el mes 5 sera

F5 = 0.40(95) + 0.30(105) + 0.20(90) + 0.10(100)

F5 = 38 + 31.5 + 18 + 10
F5 = 97.5

4
ASIGNATURA : OPTIMIZACION DE LA PRODUCCION EN LA INDUSTRIA ALIMENTARIA UNJFSC - 2017

3.3. SUAVIZACIN EXPONENCIAL

Es probable que el mtodo ms lgico y fcil sea la suavizacin exponencial. La razn por
la que se llama suavizacin exponencial es que cada incremento en el pasado se reduce
(1). La suavizacin exponencial es la ms utilizada de las tcnicas de pronstico. Es parte
integral de casi todos los programas de pronstico por computadora, y se usa con mucha
frecuencia al ordenar el inventario en las empresas minoristas, las compaas mayoristas y
las agencias de servicios. Las tcnicas de suavizacin exponencial se han aceptado en
forma generalizada por seis razones principales:

a. Los modelos exponenciales son sorprendentemente precisos.

b. Formular un modelo exponencial es relativamente fcil.
c. El usuario puede entender cmo funciona el modelo.
d. Se requieren muy pocos clculos para utilizar el modelo.
e. Los requerimientos de almacenamiento en la computadora son bajos debido al uso
limitado de datos histricos.
f. Es fcil calcular las pruebas de precisin relacionadas con el desempeo del modelo.

En el mtodo de suavizacin exponencial, slo se necesitan tres piezas de datos para

pronosticar el futuro: el pronstico ms reciente, la demanda real que ocurri durante el
periodo de pronstico y una constante de uniformidad alfa (). Esta constante de
suavizacin determina el nivel de uniformidad y la velocidad de reaccin a las diferencias
entre los pronsticos y las ocurrencias reales. El valor de una constante se determina tanto
por la naturaleza del producto como por el sentido del gerente de lo que constituye un
buen ndice de respuesta. Por ejemplo, si una empresa produjo un artculo estndar con
una demanda relativamente estable, el ndice de reaccin a las diferencias entre la
demanda real y pronosticada presentaran una tendencia a ser pequeas, quiz de slo 5 o
10 puntos porcentuales. No obstante, si la empresa experimentara un crecimiento, sera
mejor tener un ndice de reaccin ms alto, quiz de 15 o 30 puntos porcentuales, para
dar mayor importancia a la experiencia de crecimiento reciente. Mientras ms rpido sea
el crecimiento, ms alto deber ser el ndice de reaccin. En ocasiones, los usuarios del
promedio mvil simple cambian a la suavizacin exponencial pero conservan las
proyecciones similares a las del promedio mvil simple. En este caso, se calcula 2(n+1),
donde n es el nmero de periodos.

La ecuacin para un solo pronstico de uniformidad exponencial es simplemente:

Ft = Ft1 + (At1 Ft1)

Dnde:
Ft = El pronstico suavizado exponencialmente para el periodo t
Ft1 = El pronstico suavizado exponencialmente para el periodo anterior
At1 = La demanda real para el periodo anterior
= El ndice de respuesta deseado, o la constante de suavizacin

Esta ecuacin establece que el nuevo pronstico es igual al pronstico anterior ms una
porcin del error (la diferencia entre el pronstico anterior y lo que ocurri realmente).

5
ASIGNATURA : OPTIMIZACION DE LA PRODUCCION EN LA INDUSTRIA ALIMENTARIA UNJFSC - 2017

EJEMPLO:
La demanda a largo plazo para el producto sujeto a estudio es relativamente estable y una
constante de suavizacin () de 0.05 se considera apropiada. Si el mtodo exponencial se
hubiera usado como una poltica de continuidad, se habra hecho un pronstico para el
mes pasado. Suponga que el pronstico del mes pasado (Ft1) fue de 1050 unidades. Si la
demanda real fue de 1000, en lugar de 1050, el pronstico para este mes sera:

Ft = Ft1 + (At1 Ft1)

Ft = 1050 + 0.05(1 000 1 050)
Ft = 1050 + 0.05(50)
Como el coeficiente de suavizacin es bajo, la reaccin del nuevo pronstico a un error de
50 unidades es reducir el pronstico del prximo mes en slo 2 unidades.

ELECCIN DEL VALOR APROPIADO PARA ALFA

La suavizacin exponencial requiere de dar a la constante de suavizacin alfa () un valor
entre 0 y 1. Si la demanda real es estable (como la demanda de electricidad o alimentos),
sera deseable una alfa pequea para reducir los efectos de los cambios a corto plazo o
aleatorios. Si la demanda real aumenta o disminuye con rapidez (como en los artculos de
moda o los aparatos electrodomsticos menores), se quisiera una alfa alta para tratar de
seguirle el paso al cambio. Sera ideal poder proyectar qu alfa se debe usar.
Por desgracia, hay dos elementos en contra. En primer lugar, tomara tiempo determinar
la constante alfa que se adapte mejor a los datos reales y el proceso sera tedioso. En
segundo lugar, como la demanda cambia, quiz pronto sea necesario revisar la constante
alfa que se eligi esta semana. Por lo tanto, se necesita un mtodo automtico para
rastrear y cambiar los valores alfa.
Hay dos estrategias para controlar el valor de alfa. Una de ellas utiliza distintos valores de
alfa y la otra una seal de seguimiento.
1. Dos o ms valores predeterminados de alfa. Se mide la cantidad de error entre el
pronstico y la demanda real. Dependiendo del grado de error, se utilizan distintos
valores de alfa. Si el error es grande, alfa es 0.8; si el error es pequeo, alfa es 0.2
2. Valores calculados de alfa. Una constante de rastreo alfa calcula si el pronstico sigue
el paso a los cambios genuinos hacia arriba o hacia abajo en la demanda (en contraste
con los cambios aleatorios). En esta aplicacin, la constante de rastreo alfa se define
como el error real suavizado exponencialmente dividido entre el error absoluto
suavizado exponencialmente. Alfa cambia de un periodo a otro en el rango posible de 0
a 1.

6
ASIGNATURA : OPTIMIZACION DE LA PRODUCCION EN LA INDUSTRIA ALIMENTARIA UNJFSC - 2017

3.4. MEDICIN DE ERRORES

Un aspecto clave cuando se realiza un Pronstico de Demanda es evaluar ste en cuanto a
su ajuste respecto a la informacin real que se dispone. Para ello se introduce el concepto
error que bsicamente mide la diferencia entre el valor real y el valor pronosticado para
un perodo especfico.

Formalmente el error de un pronstico et se define como et = At - Ft donde At es la

demanda real u observada en el perodo t y Ft es la demanda pronosticada para el mismo
perodo. De esta forma, si por ejemplo, para un perodo dado (digamos por ejemplo,
perodo 1), la demanda real es de 150 unidades y nuestro pronstico para el mismo
perodo fue 100 unidades, entonces e1 = A1 - F1 = 150 100 = 50 > 0, entonces tenemos una
subestimacin de la demanda real de una magnitud de 50 unidades.

De forma anloga, si la demanda real es de 150 unidades pero nuestro pronstico para el
mismo perodo, es, por ejemplo, 250 unidades el error correspondiente es e1 = A1 - F1 =
150 250 = -100 < 0, por tanto en este caso tenemos una sobrestimacin de la demanda
real de una magnitud de 100 unidades.

En este contexto se pueden identificar 2 tipos de errores: error sistemtico el cual

depende del mtodo de pronstico que utilizamos y el error aleatorio el cual es propio de
la variacin inherente de la situacin que se modela. Luego, nos interesa minimizar la
presencia y magnitud del error sistemtico.

Para ello utilizamos 2 indicadores que generalmente se analizan en forma conjunta para
tener una visin ms objetiva de lo adecuado (o no) de un pronstico de demanda. Dichos
indicadores son el MAD y la Seal de Rastreo (TS).

En este contexto a continuacin se presentan las frmulas para el clculo del MAD y la
Seal de Rastreo para un pronstico de demanda haciendo uso de un mtodo de series de
tiempo.

MAD (Error Absoluto Medio): Que proporciona una medicin del error promedio del
pronstico (en valor absoluto) y queda definido matemticamente por:

=| |
=

Donde:
t = Nmero del periodo
A = Demanda real para el periodo
F = Demanda pronosticada para el periodo
n = Nmero total de periodos
| |= Smbolo utilizado para indicar el valor absoluto sin tomar en cuenta los signos
positivos y negativos.

7
ASIGNATURA : OPTIMIZACION DE LA PRODUCCION EN LA INDUSTRIA ALIMENTARIA UNJFSC - 2017

Seal de Rastreo (TS Tracking Signal): Mide la desviacin del pronstico respecto a la
variacin de la demanda.

Donde:
RSFE = La suma corriente de los errores pronosticados, considerando la naturaleza del
error (por ejemplo, los errores negativos cancelan los errores positivos, y
viceversa).
MAD = El promedio de todos los errores pronosticados (sin importar si las desviaciones
son positivas o negativas). Es el promedio de las desviaciones absolutas.

EJEMPLO:
A continuacin se presenta el clculo del MAD y la Seal de Rastreo para el pronstico de
demanda de un producto determinado utilizando Media Mvil Simple con n=3. Notar que
At corresponde a la demanda real (observada) para el perodo (mes) t y Ft es la demanda
pronosticada para el mes t (obtenido a travs del mtodo de media mvil segn lo
sealado anteriormente).

At Ft Error Suma Error Error Suma Error

Periodo MAD TS
(Demanda) (Pronstico) Abs. Abs. Nor. Nor.
Ene 200
Feb 230
Mar 260
Abr 180 230 50 50 50.00 -50 -50 -1.00
May 270 223 47 97 48.50 47 -3 -0.06
Jun 240 237 3 100 33.33 3 0 0.00
Jul 250 230 20 120 30.00 20 20 0.67
Ago 300 253 47 167 33.40 47 67 2.01
Sep 320 263 57 224 37.33 57 124 3.32
Oct 350 290 60 284 40.57 60 184 4.54
Nov 240 323 83 367 45.88 -83 101 2.20
Dic 210 303 93 460 51.11 -93 8 0.16

8
ASIGNATURA : OPTIMIZACION DE LA PRODUCCION EN LA INDUSTRIA ALIMENTARIA UNJFSC - 2017

EJERCICIOS N 1:
1. DUNKIN DONUTS vende donas en una cadena de tiendas de alimentos. Debido a errores
de los pronsticos ha tenido una produccin excesiva o insuficiente. Los siguientes datos
son su demanda de docenas de donas en las ltimas cuatro semanas. Las donas se hacen
para el da siguiente; por ejemplo, la produccin de donas del domingo es para las ventas
del lunes, la produccin de donas del lunes es para las ventas del martes, etc., la panadera
cierra los sbados, de modo que la produccin del viernes debe satisfacer la demanda de
sbado y domingo.
HACE 4 SEMANAS HACE 3 SEMANAS HACE 2 SEMANAS SEMANA PASADA
LUNES 2200 2400 2300 2400
MARTES 2000 2100 2200 2200
MIERCOLES 2300 2400 2300 2500
JUEVES 1800 1900 1800 2000
VIERNES 1900 1800 2100 2000
SABADO
DOMINGO 2800 2700 3000 2900

Haga un pronstico para esta semana segn este esquema:

a. Diario, con un promedio mvil de cuatro semanas.
b. Diario, con un promedio mvil ponderado de 0.40, 0.30, 0.20 y 0.10 para las ltimas
cuatro semanas.
c. DUNKIN DONUTS tambin planea sus compras de ingredientes para la produccin de
pan. Si la semana pasada se pronostic una demanda de pan de 22 000 hogazas y
slo se demandaron 21 000, cul debe ser la demanda que pronostique DUNKIN
DONUTS para esta semana, con una suavizacin exponencial de = 0.10?
d. Supngase, con el pronstico hecho en c), que la demanda de esta semana resulta ser
ms bien de 22 500 hogazas. Cul debe ser el pronstico de la demanda siguiente?

RESPUESTA: a. Lun= 2325, Mar= 2125, Mie= 2375, Jue=1875, Vie=1950, Sb

y dom= 2850 doc / b. Lun= 2350, Mar= 2160, Mie= 2400, Jue=1900,
Vie=1980, Sb y dom= 2880 doc / c. 21900 hogazas / d. 21960 hogazas

2. Se us un modelo de pronstico especfico para adelantar la demanda de un producto. Los

pronsticos y la demanda correspondiente que se presentaron a continuacin se dan en la
tabla. Use las tcnicas MAD y de seal de seguimiento para evaluar la exactitud del
modelo de pronstico.

MESES REAL PRONOSTICADA

OCTUBRE 700 660
NOVIEMBRE 760 840
DICIEMBRE 780 750
ENERO 790 835
FEBRERO 850 910
MARZO 950 890

RESPUESTA: MAD= 52.5 y Seal de seguimiento = 1.05

9
ASIGNATURA : OPTIMIZACION DE LA PRODUCCION EN LA INDUSTRIA ALIMENTARIA UNJFSC - 2017

EJERCICIOS N 2:
1. La demanda histrica del producto es:

PERIODO DEMANDA
Enero 12
Febrero 11
Marzo 15
Abril 12
Mayo 16
Junio 15

a. Usando un promedio mvil ponderado con pesos de 0.60, 0.30 y 0.10, calcule el
pronstico de julio.
b. Con el promedio mvil simple a tres meses, determine el pronstico de julio.
b. Mediante suavizacin exponencial simple con = 0.2 y un pronstico para junio de 13,
calcule el pronstico de julio. Haga todas las suposiciones que quiera.
c. Con un anlisis de regresin lineal simple, calcule la ecuacin de relacin de los datos
precedentes de la demanda.
a. Con la ecuacin de regresin del punto d), calcule el pronstico para julio.

2. Las siguientes tabulaciones son ventas unitarias reales para seis meses y un pronstico
inicial para enero.
a. Calcule los pronsticos para los cinco meses restantes con suavizacin exponencial
simple con = 0.2.
b. Calcule el MAD de los pronsticos.

PERIODO REAL PRONOSTICO

Enero 100 80
Febrero 94
Marzo 106
Abril 80
Mayo 68
Junio 94

3. EBA S.A.C. tiene un modelo de pronstico simple: se toma la demanda real del mismo
mes del ao anterior y se divide entre el nmero de semanas de ese mes. Esto da una
demanda semanal promedio para el mes. El promedio de esta semana se usa como
pronstico semanal del mismo mes este ao. La tcnica se us para pronosticar ocho
semanas de este ao, que se muestran a continuacin junto con la demanda real. Las
siguientes ocho semanas muestran el pronstico (basado en el ao pasado) y la demanda
real:
DEMANDA DEMANDA DEMANDA DEMANDA
SEMANA SEMANA
PRONOSTICADA REAL PRONOSTICADA REAL
1 140 137 5 140 180
2 140 133 6 150 170
3 140 150 7 150 185
4 140 160 8 150 205

a. Calcule la MAD de los errores de pronstico.

b. Con RSFE, calcule la seal de seguimiento.

10