INDICE

Contenido
INTRODUCCIÓN:................................................................................................... 3
AUDÍFONOS ............................................................................................................... 4
DISPOSITIVO ELECTRÓNICO ...................................................................................... 7
CAJA DE VELOCIDADES .............................................................................................. 8
ZEUS COMPUTER ..................................................................................................... 11
MANTENIMIENTO AUTOMOTRIZ ............................................................................ 15
MUEBLES PARA EL HOGAR ...................................................................................... 18
TUCSON MACHINERY .............................................................................................. 21
No se........................................................................................................................ 24
ACCESORIO DE COMPUTADORA ............................................................................. 26
. ACCESORIO PARA COMPUTADORA ....................................................................... 28
CONCLUSIÓN ........................................................................................................... 29
 INTRODUCCIÓN:

Los pronósticos son una herramienta esencial en la toma de

decisiones tanto en el ámbito empresarial como en otros contextos.
Permiten anticipar eventos futuros, tomar medidas preventivas y
planificar estrategias con mayor precisión. En este contexto, llevar a
cabo una práctica de problemas de pronósticos con diferentes
métodos se convierte en una actividad fundamental para desarrollar
habilidades en la predicción y la toma de decisiones informadas.

Los pronósticos se basan en la idea de que podemos utilizar datos

históricos y patrones para prever eventos futuros. Sin embargo, no
existe un enfoque único que sea adecuado para todas las
situaciones, y aquí es donde entran en juego los diferentes métodos
de pronóstico. Estos métodos pueden ser cualitativos o cuantitativos,
y su elección depende en gran medida de la naturaleza de los datos
y el contexto en el que se aplicarán.

Los métodos cualitativos se basan en la experiencia y el juicio de

expertos para realizar pronósticos. Son útiles cuando se carece de
datos históricos confiables o cuando los factores cualitativos
desempeñan un papel crucial en las predicciones.

Por otro lado, los métodos cuantitativos se basan en datos

numéricos y estadísticas. Estos métodos incluyen técnicas como el
promedio móvil, el suavizado exponencial, los modelos de regresión
y las series temporales. Son ideales cuando se dispone de datos
históricos y se busca una predicción basada en patrones observados
en esos datos.
 AUDÍFONOS

La demanda de audífonos para estereofónicos y reproductores de

discos compactos para trotadores ha llevado a Nina Industries a
crecer casi 50% en el año pasado. El número de trotadores sigue en
aumento, así que Nina espera que la demanda también se
incremente, porque, hasta ahora, no se han promulgado leyes de
seguridad que impidan que los trotadores usen audífonos. La
demanda de estéreos del año pasado fue la siguiente:

• Resolver a mano y con Excel o STATGRAPHICS y/o SPSSS

• Graficar los datos históricos,

7000
6000
5000
4000
3000
2000
1000
0
0 2 4 6 8 10 12 14

• Con un análisis de regresión por mínimos cuadrados, ¿cuál

estimaría que fuera la demanda de cada mes del año
entrante? Graficar proyección y generar conclusiones
Regresión Simple - demanda vs. mes
Variable dependiente: demanda
Variable independiente: mes
Lineal: Y = a + b*X

Coeficientes
Mínimos Estánd Estadísti
Cuadrados ar co
Parámet Estimado Error T Valor-
ro P
Intercept 3766.67 166.08 22.6794 0.0000
o 3
Pendient 192.308 22.566 8.52193 0.0000
e 2

Análisis de Varianza
Fuente Suma de Gl Cuadrado Razón- Valor-P
Cuadrados Medio F
Modelo 5.28846E6 1 5.28846E6 72.62 0.0000
Residuo 728205. 10 72820.5
Total 6.01667E6 11
(Corr.)

Coeficiente de Correlación = 0.937533

R-cuadrada = 87.8969 porciento
R-cuadrado (ajustado para g.l.) = 86.6866 porciento
Error estándar del est. = 269.853
Error absoluto medio = 212.821
Estadístico Durbin-Watson = 2.38188 (P=0.6311)
Autocorrelación de residuos en retraso 1 = -0.234624

El StatAdvisor
La salida muestra los resultados de ajustar un modelo lineal para
describir la relación entre demanda y mes. La ecuación del modelo
ajustado es

demanda = 3766.67 + 192.308*mes

Puesto que el valor-P en la tabla ANOVA es menor que 0.1, existe

una relación estadísticamente significativa entre demanda y mes con
un nivel de confianza del 90.0%.

El estadístico R-Cuadrada indica que el modelo ajustado explica

87.8969% de la variabilidad en demanda. El coeficiente de
correlación es igual a 0.937533, indicando una relación relativamente
fuerte entre las variables. El error estándar del estimado indica que
la desviación estándar de los residuos es 269.853. Este valor puede
usarse para construir límites de predicción para nuevas
observaciones, seleccionando la opción de Pronósticos del menú de
texto.

El error absoluto medio (MAE) de 212.821 es el valor promedio de

los residuos. El estadístico de Durbin-Watson (DW) examina los
residuos para determinar si hay alguna correlación significativa
basada en el orden en el que se presentan en el archivo de datos.
Puesto que el valor-P es mayor que 0.1, no hay indicación de una
autocorrelación serial en los residuos con un nivel de confianza del
90.0%.
 DISPOSITIVO ELECTRÓNICO

La demanda histórica de 6 meses de un dispositivo electrónico está

en lasiguiente tabla

• Resolver a con el uso de la calculadora (manualmente) y con

Excel o cualquiersoftware
• Grafique los datos históricos

• Usando un promedio móvil, calcule el pronóstico de julio.

Para calcular el pronóstico de julio utilizando un promedio móvil,

primero debemos calcular el promedio de la demanda histórica de
los últimos meses.
• Calcula el promedio de los últimos 3 meses (abril, mayo y
junio):
Promedio = (12 + 16 + 15) / 3 = 43 / 3 = 14.33 (redondeado a
dos decimales)
 CAJA DE VELOCIDADES

Las siguientes tabulaciones son ventas unitarias reales para seis

meses en piezas para una empresa refaccionaria y un pronóstico
inicial para enero de cajas de velocidades:

• Grafique los datos históricos

Título del gráfico
120

100

80

60

40

20

0
0 1 2 3 4 5 6 7

real pronostico (a=0.2)

• Calcule los pronósticos para los cinco meses restantes con

suavización exponencialsimple con α = 0.2. y pruebe para dos
valores de α al doble y al triple de la original.

Para calcular los pronósticos para los cinco meses restantes

utilizando el método de suavización exponencial simple
con diferentes valores de α (alfa), puedes seguir estos
pasos. Dado que ya tienes un pronóstico inicial para enero
de 80, comenzaremos con febrero.
La fórmula general para el método de suavización exponencial
simple es:

Pronóstico de t+1 = α * Ventas reales de t + (1 - α) * Pronóstico

de t

Donde:

Pronóstico de t+1 es el pronóstico para el próximo período.

Ventas reales de t es la demanda real en el período actual.
Pronóstico de t es el pronóstico anterior.
Dado el pronóstico inicial de enero (Pronóstico de enero = 80),
puedes calcular los pronósticos para febrero, marzo, abril,
mayo y junio con α = 0.2, 0.4 (doble de α original), y 0.6
(triple de α original) de la siguiente manera:

Con α = 0.2 (original):

Pronóstico de febrero = 0.2 * 94 + 0.8 * 80 = 18.8 + 64 = 82.8

Pronóstico de marzo = 0.2 * 106 + 0.8 * 82.8 = 21.2 + 66.24 =
87.44
Pronóstico de abril = 0.2 * 80 + 0.8 * 87.44 = 16 + 69.952 =
85.952
Pronóstico de mayo = 0.2 * 68 + 0.8 * 85.952 = 13.6 + 68.7616
= 82.3616
Pronóstico de junio = 0.2 * 94 + 0.8 * 82.3616 = 18.8 + 65.88928
= 84.68928
Con α = 0.4 (doble de α original):

Pronóstico de febrero = 0.4 * 94 + 0.6 * 80 = 37.6 + 48 = 85.6

Pronóstico de marzo = 0.4 * 106 + 0.6 * 85.6 = 42.4 + 51.36 =
93.76
Pronóstico de abril = 0.4 * 80 + 0.6 * 93.76 = 32 + 56.256 =
88.256
Pronóstico de mayo = 0.4 * 68 + 0.6 * 88.256 = 27.2 + 52.9536
= 80.1536
Pronóstico de junio = 0.4 * 94 + 0.6 * 80.1536 = 37.6 + 48.09216
= 85.69216
Con α = 0.6 (triple de α original):
 Pronóstico de febrero = 0.6 * 94 + 0.4 * 80 = 56.4 + 32 = 88.4
Pronóstico de marzo = 0.6 * 106 + 0.4 * 88.4 = 63.6 + 35.36 =
98.96
Pronóstico de abril = 0.6 * 80 + 0.4 * 98.96 = 48 + 39.584 =
87.584
Pronóstico de mayo = 0.6 * 68 + 0.4 * 87.584 = 40.8 + 35.0336
= 75.8336
Pronóstico de junio = 0.6 * 94 + 0.4 * 75.8336 = 56.4 + 30.33344
= 86.73344

• Grafique el pronóstico, genere conclusiones

 ZEUS COMPUTER

Zeus Computer Chips, Inc., tenía contratos importantes para producir

microprocesadores tipo Pentium. El mercado ha ido a la baja en los
últimos 3 años por
los chips dual-core, que Zeus no produce, así que tiene la penosa
tarea de pronosticar el año entrante. La tarea es penosa porque la
empresa no ha podido encontrar chips sustitutos para sus líneas de
productos. Aquí está la demanda de los últimos 12 trimestres:

Graficar los datos históricos y usando

tendencia lineal de crecimiento para pronosticar los cuatro trimestres
de 2008 y grafiqueel pronóstico
Promedios móviles para pronosticar los cuatro trimestres de 2008 y
grafique el
pronóstico
Compare los pronósticos y genere conclusiones.
año Ventas trimestrales (miles de unidades)
Q1 Q2 Q3 Q4 Total
suma
anual
2005 4800 3500 4300 3000 15600
2006 3500 2700 3500 2400 12100
2007 3200 2100 2700 1700 9700
totales 11500 8300 10500 7100 37400
 ∑ 𝑸𝟏
𝑿𝑸𝟏 𝑷𝑹𝑶𝑴𝑬𝑫𝑰𝑶 =
𝒏𝑸𝟏
∑ 𝑸𝟐
𝑿𝑸𝟐 𝑷𝑹𝑶𝑴𝑬𝑫𝑰𝑶 =
𝒏𝑸𝟐

∑ 𝑸𝟑
𝑿𝑸𝟑 𝑷𝑹𝑶𝑴𝑬𝑫𝑰𝑶 =
𝒏𝑸𝟑
XQ1 XQ2 XQ3 XQ4
PROMEDIO PROMEDIO PROMEDIO PROMEDIO
3833.3 2766.7 3500.0 2366.7

∑ 𝒕𝒐𝒕𝒂𝒍 𝒔𝒖𝒎𝒂 𝒂𝒏𝒖𝒂𝒍

𝑰=
𝒏𝒅𝒂𝒕𝒐𝒔
𝟑𝟕𝟒𝟎𝟎
𝑰=
𝟏𝟐
𝑰 = 𝟑𝟏𝟏𝟔. 𝟔𝟔𝟕

𝑿𝑸 𝑷𝑹𝑶𝑴𝑬𝑫𝑰𝑶
𝒊𝒏𝒅𝒊𝒄𝒆 𝒆𝒔𝒕𝒂𝒄𝒊𝒐𝒏𝒂𝒍 =
𝑰

Q1 Q2 Q3 Q4
INDICE 1.2299 0.8877 1.1230 0.7594
ESTACIONAL

Desestacionalización de los datos diviendo el valor de cada

periodo para el índice estacional
𝒅𝒂𝒕𝒐
𝑫𝒆𝒔𝒆𝒔𝒕𝒂𝒄𝒊𝒐𝒏𝒂𝒍𝒊𝒄𝒂𝒄𝒊𝒐𝒏 =
í𝒏𝒅𝒊𝒄𝒆 𝒆𝒔𝒕𝒂𝒄𝒊𝒐𝒏𝒂𝒍 𝒓𝒆𝒔𝒑𝒆𝒄𝒕𝒊𝒗𝒐

AÑO VENTAS TRIMESTRALES (MILES DE UNIDADES)

Q1 Q2 Q3 Q4
2005 3902.6087 3942.7711 3829.0476 3950.7042
2006 2845.6422 3041.5663 3116.6667 3160.5634
2007 2601.7391 2365.6627 2404.2857 2238.7324
Obteniendo la ecuación de la recta:
PERIODO TRIMESTRE X Y X2 Y2 XY
8 Q1 1 3903 1 15230355 3903
8 Q2 2 3943 4 15545444 7886
8 Q3 3 3829 9 14661606 11487
8 Q4 4 3951 16 15608064 15803
9 Q1 5 2846 25 8097736 14228
9 Q2 6 3042 36 9251125 18249
9 Q3 7 3117 49 9713611 21817
9 Q4 8 3161 64 9989161 25285
10 Q1 9 2602 81 6769047 23416
10 Q2 10 2366 100 5596360 23657
10 Q3 11 2404 121 5780590 26447
10 Q4 12 2239 144 5011923 26865
SUMATORIA 78 37400 650 121255020 219041

∑ 𝒙𝟐 ∑ 𝒚 − ∑ 𝒙 ∑ 𝒙𝒚
𝒂=
𝒏 ∑ 𝒙𝟐 − (∑ 𝒙)𝟐
𝟔𝟓𝟎(𝟑𝟕𝟒𝟎𝟎) − 𝟕𝟖(𝟐𝟏𝟗𝟎𝟒𝟏)
𝒂=
𝟏𝟐(𝟔𝟓𝟎) − (𝟕𝟖)𝟐
𝒂 = 𝟒𝟐𝟏𝟎. 𝟐𝟓𝟎𝟔𝟐

𝒏(∑ 𝒙𝒚) − ∑ 𝒙 (∑ 𝒚)
𝒃=
𝒏 ∑ 𝒙𝟐 − (∑ 𝒙)𝟐
𝟏𝟐(𝟐𝟏𝟗𝟎𝟒𝟏) − 𝟕𝟖(𝟑𝟕𝟒𝟎𝟎)
𝒃=
𝟏𝟐(𝟔𝟓𝟎) − (𝟕𝟖)𝟐
𝒃 = − 𝟏𝟔𝟖. 𝟐𝟒
Y= = 𝟒𝟐𝟏𝟎. 𝟐𝟓𝟎𝟔𝟐 − 𝟏𝟔𝟖. 𝟐𝟒𝒙
Pronostico:
X Y INDICE Y*INDICE
ESTACIONAL ESTACIONAL
13 2023.13062 1.2299 2488.24835
14 1854.89062 0.8877 1646.5864
15 1686.65062 1.123 1894.10865
16 1518.41062 0.7594 1153.08102
 MANTENIMIENTO AUTOMOTRIZ

Los datos de ventas de 2 años son los siguientes, de una empresa

de servicios de mantenimiento automotriz. Los datos están
acumulados con dos meses de ventas encada “periodo”.

Trace la gráfica de datos histórico

Determine el pronóstico para los siguientes dos meses mediante la
tendencia lineal decrecimiento
Determinar el pronóstico por promedios móviles
Grafique el pronóstico y genere conclusiones
 X Y X*X X*Y Y*Y
1 109 1 109 11881
2 104 4 208 10816
3 150 9 450 22500
4 170 16 680 28900
5 120 25 600 14400
6 100 36 600 10000
7 115 49 805 13225
8 112 64 896 12544
9 159 81 1431 25281
10 182 100 1820 33124
11 126 121 1386 15876
12 106 114 1272 11236
sumatoria 78 1553 650 10257 209783
∑ 𝒙𝟐 ∑ 𝒚 − ∑ 𝒙 ∗ ∑ 𝒙𝒚
𝒂=
𝒏 ∑ 𝒙𝟐 − (∑ 𝒙)𝟐
𝟔𝟓𝟎(𝟏𝟓𝟓𝟑𝟑) − 𝟕𝟖(𝟏𝟎𝟐𝟓)
𝒂=
𝟏𝟐(𝟔𝟓𝟎) − (𝟕𝟖)𝟐
𝒂 = 𝟏𝟐𝟐. 𝟎𝟑𝟎𝟑

𝒏(∑ 𝒙𝒚) − ∑ 𝒙 (∑ 𝒚)
𝒃=
𝒏 ∑ 𝒙𝟐 − (∑ 𝒙)𝟐
𝟏𝟐(𝟏𝟎𝟐𝟓𝟕) − 𝟕𝟖(𝟏𝟓𝟓𝟑)
𝒃=
𝟏𝟐(𝟔𝟓𝟎) − (𝟕𝟖)𝟐
𝒃 = 𝟏. 𝟏𝟑𝟔𝟒
Y= = 𝟏𝟐𝟐. 𝟎𝟑𝟎𝟑 + 𝟏. 𝟏𝟒𝒙

𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑟=
√[𝑛 ∑ 𝑥 2 − (∑ 𝑥)2 ][𝑛 ∑ 𝑦 2 − (∑ 𝑦)2 ]

12 ∗ 10257 − 78 ∗ 1553
𝑟= = 0.14
√[12 ∗ 650 − (78)2 ][12 ∗ 209783 − (1553)2 ]
PRONOSTICO
VENTAS
ENERO-FEBREBRO 123.1703
MARZO-ABRIL 124.3103
MAYO-JUNIO 125.4503
JULIO-AGOSTO 126.5903
SEPTIEMBRE- 127.7303
OCTUBRE
NOVIEMBRE- 128.8703
DICIEMBRE
 MUEBLES PARA EL HOGAR

En la tabla siguiente se muestran los 2 años previos de información

de las ventas trimestrales de muebles para el hogar. Supóngase que
hay tendencias y factores estacionales y que el ciclo estacional es de

1 año.
Grafique los datos históricos
• Use series de tiempo mediante tendencia lineal para
pronosticar las ventas trimestralesdel año siguiente.
• Grafique los datos pronosticados
• Realice un análisis y genere conclusiones del caso.

Factores estacionales:
160 + 215
𝑃𝑉1 = = 187.5
2
195 + 240
𝑃𝑉2 = = 217.5
2
150 + 205
𝑃𝑉3 = = 177.5
2
 140 + 190
𝑃𝑉4 = = 165
2
∑ 𝑣𝑒𝑛𝑡𝑎𝑠 𝑟𝑒𝑎𝑙𝑒𝑠
𝑉𝑒𝑛𝑡𝑎𝑠 𝑝𝑟𝑜𝑚 =
𝑛 𝑑𝑒 𝑡𝑟𝑖𝑚𝑒𝑠𝑡𝑟𝑒𝑠
1495 𝑣𝑒𝑛𝑡𝑎𝑠
𝑉𝑒𝑛𝑡𝑎𝑠 𝑝𝑟𝑜𝑚 =
8 𝑡𝑟𝑖𝑚𝑒𝑠𝑡𝑟𝑒𝑠

𝑉𝑒𝑛𝑡𝑎𝑠 𝑝𝑟𝑜𝑚 = 186,875

𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑣𝑒𝑛𝑡𝑎𝑠 𝑝𝑎𝑠𝑎𝑑𝑎𝑠
𝐹𝑒 =
𝑉𝑒𝑛𝑡𝑎𝑠 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑝𝑜𝑟 𝑎ñ𝑜
Promedio de Ventas Factor
ventas promedio estacional fe
pasadas
Estación 1 187.5 186,875 1,0033
Estación 2 217.5 186,875 1,1639
Estación 3 177.5 186,875 0,9498
Estación 4 165 186,875 0,8829
Descontando las variaciones de temporada:
Ventas reales Factor Demanda no
estacional estacional yd
160 1,0033 159,473737

195 1,1639 167,540167

150 0,9498 157,927985

140 0,8829 158,568354

215 1,0033 214,292834

240 1,1639 206,203282
205 0,9498 215,834913
190 0,8829 215,199909
Ajuste por mínimos cuadrados:

Trimestre (x) yd X2 X*yd

1 159,473737 1 159,473737
2 167,540167 4 335,080334
3 157,927985 9 473,783955
4 158,568354 16 634,273416
5 214,292834 25 1071,46417
6 206,203282 36 1237,21969
7 215,834913 49 1510,84439
8 215,199909 64 1721,59927
36 1495,04118 204 7143,73897

Ecuación general:
𝑌 = 𝑚𝑥 + 𝑏
Pendiente de la recta de tendencia:

𝒏(∑ 𝒙𝒚) − ∑ 𝒙 (∑ 𝒚)
𝒎=
𝒏 ∑ 𝒙𝟐 − (∑ 𝒙)𝟐
𝟖(𝟕𝟏𝟒𝟑, 𝟕𝟑𝟖𝟗𝟕) − 𝟑𝟔(𝟏𝟒𝟗𝟓, 𝟎𝟒𝟏𝟏𝟖)
𝒎=
𝟖(𝟐𝟎𝟒) − (𝟑𝟔)𝟐
𝒎 = 𝟗, 𝟗𝟎𝟔
Intercepto en el eje y
∑ 𝒙𝟐 ∑ 𝒚 − ∑ 𝒙 ∗ ∑ 𝒙𝒚
𝒃=
𝒏 ∑ 𝒙𝟐 − (∑ 𝒙)𝟐
𝟐𝟎𝟒(𝟏𝟒𝟗𝟓, 𝟎𝟒𝟏𝟏𝟖) − 𝟑𝟔(𝟕𝟏𝟒𝟑, 𝟕𝟑𝟖𝟗𝟕)
𝒃=
𝟖(𝟐𝟎𝟒) − (𝟑𝟔)𝟐
𝒂 = 𝟏𝟒𝟐, 𝟑

Remplazando en la ecuación general:

𝑌 = 9,906 + 142,3

Calculando los promedios de ventas de los siguientes cuatro

trimestres:
Trimestre 1:
𝑌 = 9,906 + 142,3
𝑌 = 9,906(9) + 142,3
𝑌 = 231 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠

Trimestre 2:
𝑌 = 9,906 + 142,3
𝑌 = 9,906(10) + 142,3
𝑌 = 241 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠

Trimestre 3:
𝑌 = 9,906 + 142,3
𝑌 = 9,906(11) + 142,3
𝑌 = 251 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠

Trimestre 4:
𝑌 = 9,906 + 142,3
𝑌 = 9,906(9) + 142,3
𝑌 = 261 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠

TUCSON MACHINERY

Tucson Machinery, Inc., fabrica máquinas para ensamble de

celulares que son controladas numéricamente, se venden a un precio
promedio de 0.5 millones de dólares cada una. Las ventas, en
unidades de estas máquinas durante los 2 años anteriores son:

2006
2007

b) Factores estacionales y demanda no estacional: Para encontrar

los factores estacionales y la demanda no estacional, primero
calcularemos el promedio de las ventas para cada trimestre durante
los dos años.

Promedio de ventas para cada trimestre:

Trimestre I: (12 + 16) / 2 = 14 unidades

Trimestre II: (18 + 24) / 2 = 21 unidades
Trimestre III: (26 + 28) / 2 = 27 unidades
Trimestre IV: (16 + 18) / 2 = 17 unidades

Ahora, calcularemos los factores estacionales dividiendo las ventas

reales por el promedio de ventas correspondiente:

Factor estacional para el Trimestre I (FS1) = Ventas reales /

Promedio = 12 / 14 ≈ 0.857
Factor estacional para el Trimestre II (FS2) = 18 / 21 ≈ 0.857
Factor estacional para el Trimestre III (FS3) = 26 / 27 ≈ 0.963
Factor estacional para el Trimestre IV (FS4) = 16 / 17 ≈ 0.941

La demanda no estacional se obtiene tomando el promedio de los

factores estacionales:

Demanda no estacional = (FS1 + FS2 + FS3 + FS4) / 4 = (0.857 +

0.857 + 0.963 + 0.941) / 4 ≈ 0.905

c) Pronóstico para el año 2008 mediante descomposición: Para

pronosticar las ventas para el año 2008, primero calcularemos los
factores estacionales para cada trimestre de 2008. Luego,
multiplicaremos estos factores estacionales por la demanda no
estacional para obtener las previsiones.

Factores estacionales para 2008 (supongamos que los patrones

estacionales se mantienen):

Trimestre I (FS1) = 0.857

Trimestre II (FS2) = 0.857
Trimestre III (FS3) = 0.963
Trimestre IV (FS4) = 0.941

Pronóstico de ventas para 2008:

Trimestre I: Demanda no estacional * FS1 = 0.905 * 0.857 ≈ 0.776

millones de dólares
Trimestre II: Demanda no estacional * FS2 = 0.905 * 0.857 ≈ 0.776
millones de dólares
Trimestre III: Demanda no estacional * FS3 = 0.905 * 0.963 ≈ 0.872
millones de dólares
Trimestre IV: Demanda no estacional * FS4 = 0.905 * 0.941 ≈ 0.851
millones de dólares

Estos son los pronósticos de ventas para Tucson Machinery, Inc. en

el año 2008 para cada trimestre.
 No se
Dada la siguiente historia, aplique un pronóstico enfocado al tercer
trimestre de este año. Use tres estrategias diferentes de pronóstico

enfocado.

• Grafique los datos históricos

• Utilice tres técnicas de pronósticos que usted considere

Grafique la proyección.

Promedio Móvil (Promedio móvil de 3 meses):

Proyección para julio: (200 + 190 + 190) / 3 = 193.33

Proyección para agosto: (190 + 190 + 193.33) / 3 = 191.11
Proyección para septiembre: (190 + 193.33 + 191.11) / 3 = 191.48
Proyección para octubre: (193.33 + 191.11 + 191.48) / 3 = 192.31
Proyección para noviembre: (191.11 + 191.48 + 192.31) / 3 = 191.97
Proyección para diciembre: (191.48 + 192.31 + 191.97) / 3 = 191.92

Suavizado Exponencial:

Estimación inicial (S0) = 200 (dato de junio)

Factor de suavizado (α) = 0.2 (puede ajustarse según la preferencia)
Proyección para julio: S1 = α * Valor observado + (1 - α) * S0 = 0.2 *
190 + 0.8 * 200 = 198
Proyección para agosto: S2 = α * Valor observado + (1 - α) * S1 = 0.2
* 190 + 0.8 * 198 = 197.6
Proyección para septiembre: S3 = α * Valor observado + (1 - α) * S2
= 0.2 * 190 + 0.8 * 197.6 = 197.52
Proyección para octubre: S4 = α * Valor observado + (1 - α) * S3 =
0.2 * 191.48 + 0.8 * 197.52 = 196.15
Proyección para noviembre: S5 = α * Valor observado + (1 - α) * S4 =
0.2 * 191.97 + 0.8 * 196.15 = 195.35
Proyección para diciembre: S6 = α * Valor observado + (1 - α) * S5 =
0.2 * 191.92 + 0.8 * 195.35 = 194.76

• Genere conclusiones comparando los resultados de los

pronósticos.
 ACCESORIO DE COMPUTADORA

A continuación, se da la demanda tabulada actual de un accesorio

para computadora durante un periodo de nueve meses (de enero a
septiembre). Su supervisor quiere probar dos métodos de prueba
para ver cuál resultó mejor enel perio0do.

• Grafique los datos históricos

real
200
180
160
140
120
100
80
60
40
20
0
0 2 4 6 8 10

• Pronostique de abril a septiembre con un promedio móvil a

tres meses.

• Mediante suavización exponencial simple con una alfa de 0.3,

calcule de abril aseptiembre.
Aplica la fórmula para calcular las proyecciones de mayo a
septiembre, utilizando los valores conocidos de demanda real
y las proyecciones anteriores:

Para mayo: Pronóstico(5) = 0.3 * 160 + 0.7 * 170 = 48 + 119 = 167

Para junio: Pronóstico(6) = 0.3 * 180 + 0.7 * 167 = 54 + 116.9 ≈
171.9
Para julio: Pronóstico(7) = 0.3 * 140 + 0.7 * 171.9 ≈ 42 + 120.33 ≈
162.33
Para agosto: Pronóstico(8) = 0.3 * 130 + 0.7 * 162.33 ≈ 39 +
113.63 ≈ 152.63
Para septiembre: Pronóstico(9) = 0.3 * 140 + 0.7 * 152.63 ≈ 42 +
106.84 ≈ 148.84

• Grafique ambos resultados de pronósticos y concluya cual se

adapta mejor.
 . ACCESORIO PARA COMPUTADORA

A continuación, se da la demanda tabulada actual de un accesorio

para computadora durante un periodo de nueve meses (de enero a
septiembre). Su supervisor quiere probar dos métodos de prueba
para ver cuál resultó mejor enel periodo.

• Calcule el pronóstico con suavización exponencial simple de

estos datos con una α de 0.30 y un pronóstico inicial (F1) de
31.
• Calcule el pronóstico de suavización exponencial con
tendencia para estos datos, con una α de 0.30, B de 0.30, un
pronóstico de tendencias inicial (T1) de 1 y un pronóstico
uniforme exponencial inicial de 30.

Pronóstico de Suavización Exponencial Simple (α = 0.30, F1 =

31):
Aquí está la tabla con los cálculos de MAD para cada mes:

Mes Demanda Pronóstico Desviación

Real Absoluta
Enero 31 31 0
Febrero 34 31.3 2.7
Marzo 33 31.91 1.09
Abril 35 32.637 2.363
Mayo 37 33.8469 3.1531
Junio 36 34.38483 1.61517
Julio 38 35.489381 2.510619
Agosto 40 37.342567 2.657433
Septiembre 40 38.1397969 1.8602031
Octubre 41 39.84985783 1.15014217
MAD Total - - 1.925094362
Pronóstico de Suavización Exponencial con Tendencia (α = 0.30,
B = 0.30, F1 = 31, T1 = 0):
 Mes Demanda Pronóstico Desviación
Real Absoluta
Enero 31 31 0
Febrero 34 31.2 2.8
Marzo 33 31.74 1.26
Abril 35 32.718 2.282
Mayo 37 34.0034 2.9966
Junio 36 34.60238 1.39762
Julio 38 35.621666 2.378334
Agosto 40 36.9351662 3.0648332
Septiembre 40 37.85461634 2.1453838
Octubre 41 38.79823144 2.20176883
MAD Total - - 2.1235

• Calcule la desviación absoluta media de cada pronóstico.

¿Cuál es el mejor?
• MAD para Suavización Exponencial Simple: 1.9251
• MAD para Suavización Exponencial con Tendencia: 2.1235
•
El método de Suavización Exponencial Simple tiene un MAD total de
1.9251, mientras que el método de Suavización Exponencial con
Tendencia tiene un MAD total de 2.1235.

En este caso, el método de Suavización Exponencial Simple tiene

una Desviación Absoluta Media (MAD) total menor, lo que indica que
es ligeramente mejor en términos de precisión en la predicción para
estos datos específicos.

CONCLUSIÓN

La práctica de problemas de pronósticos con diversos métodos es

una actividad fundamental para desarrollar habilidades esenciales en
la toma de decisiones basadas en predicciones. Los pronósticos
desempeñan un papel crucial en la planificación estratégica y la
gestión eficiente de recursos en una amplia gama de campos, desde
los negocios hasta la administración pública.

Durante esta práctica, hemos explorado la importancia de los

pronósticos y cómo diferentes enfoques cualitativos y cuantitativos
pueden ser aplicados en función de las circunstancias y los datos
disponibles. Los métodos cualitativos se basan en la experiencia y el
juicio experto, mientras que los cuantitativos utilizan datos numéricos
y estadísticas para realizar predicciones.

Es importante destacar que no existe un método único que sea

adecuado para todas las situaciones, y la elección del enfoque
correcto depende de factores como la disponibilidad de datos
históricos, la naturaleza de los datos y el contexto específico del
problema a resolver.

Al llevar a cabo esta práctica, hemos adquirido conocimientos y

habilidades valiosas para evaluar la precisión de nuestras
predicciones, lo que nos permite tomar decisiones más informadas y
estratégicas en el futuro. La capacidad de anticipar eventos futuros y
planificar en consecuencia es esencial en un mundo caracterizado
por la incertidumbre y la competencia constante.

En última instancia, la práctica de problemas de pronósticos nos ha

permitido mejorar nuestras habilidades analíticas y de toma de
decisiones, lo que nos convierte en profesionales más preparados y
eficaces en una amplia variedad de campos. Los pronósticos bien
fundamentados son la base de una toma de decisiones exitosa, y
esta práctica nos ha brindado las herramientas necesarias para
enfrentar desafíos futuros con confianza y precisión.