INSTITUTO TECNOLÓGICO DE

VERACRUZ

ADMINISTRACIÓN DE LAS OPERACIONES I

SUAVIZAMIENTO EXPONENCIAL Y
ERRORES DE PRONÓSTICO

ESPECIALIDAD:
INGENIERÍA INDUSTRIAL

ALUMNOS :

MATIAS SANCHEZ JESUS

ORTIZ YEPEZ JESSICA
ROCHA DIANA
PALACIOS IVAN
ÍNDICE

ÍNDICE ......................................................................................................................... 2

INTRODUCCIÓN ........................................................................................................ 3

SUAVIZACIÓN EXPONENCIAL ................................................................................ 4

ERRORES DE PRONÓSTICO ................................................................................. 11

FUENTES DE ERROR ............................................................................................. 11

MEDICIÓN DE ERRORES ....................................................................................... 11

EJERCICIO ............................................................................................................... 14

CONCLUSIÓN .......................................................................................................... 18

REFERENCIA BIBLIOGRÁFICA ............................................................................. 19

Página 2 de 19
INTRODUCCIÓN

El método de Suavizamiento Exponencial Simple (conocido también

como Alisamiento Exponencial o Suavización Exponencial Simple) corresponde a
una de las metodologías más populares para realizar pronósticos de demanda al
disponer de una serie de tiempo. En este contexto en el artículo Pronóstico de
Demanda con Alisamiento Exponencial para distintos valores de Alfa se detalla la
aplicación de este método simulando su comportamiento y ajuste a los datos de la
demanda real para distintos valores del parámetro de suavización alfa (α). El
pronóstico del período t ( ) será igual al pronóstico del período anterior, es decir,
del período t-1 ( ) más alfa (α) por el error del período anterior ( ),
según se muestra en la fórmula a continuación:

Los errores de pronostico El término error se refiere a la diferencia entre el valor de

pronóstico y lo que ocurrió en realidad, los impactos de estos errores se analizan
para encontrar un objetivo y una medición adecuada del pronóstico que cuente con
las características y necesidades de una empresa.
En estadística, estos errores se conocen como residuales. Siempre y cuando el
valor del pronóstico se encuentre dentro de los límites de confianza, como se verá
más adelante en “Medición del error”, éste no es realmente un error. Pero el uso
común se refiere a la diferencia como un error.
Los errores pueden provenir de diversas fuentes. Una fuente común de la que no
están conscientes muchos encargados de elaborar los pronósticos es el pronóstico
de las tendencias pasadas en el futuro.
Los errores se pueden clasificar como sesgados o aleatorios. Los errores sesgados
ocurren cuando se comete un error consistente. Las fuentes de sesgo incluyen el
hecho de no incluir las variables correctas; el uso de las relaciones equivocadas
entre las variables; el uso de la recta de tendencia errónea; un cambio equivocado
en la demanda estacional desde el punto donde normalmente ocurre; y la existencia
de alguna tendencia secular no detectada. Los errores aleatorios se definen como
aquellos que el modelo de pronóstico utilizado no puede explicar.

Página 3 de 19
SUAVIZACIÓN EXPONENCIAL

El método de suavización o suavizamiento exponencial simple puede considerarse

como una evolución del método de promedio móvil ponderado.
Se calcula el promedio de una serie de tiempo con un mecanismo de autocorrección
que busca ajustar los pronósticos en dirección opuesta a las desviaciones del
pasado mediante una corrección que se ve afectada por un coeficiente de
suavización.
Así entonces, este modelo de pronóstico precisa tan sólo de tres tipos de datos: el
pronóstico del último período, la demanda del último período y el coeficiente de
suavización.
El pronóstico de suavización exponencial simple es óptimo para patrones de
demanda aleatorios o nivelados donde se pretende eliminar el impacto de los
elementos irregulares históricos mediante un enfoque en períodos de demanda
reciente, este posee una ventaja sobre el modelo de promedio móvil ponderado ya
que no requiere de una gran cantidad de períodos y de ponderaciones para lograr
óptimos resultados.

La razón por la que se llama suavización exponencial es que cada incremento en el

pasado se reduce (1 − α). Por ejemplo, si α es 0.05, las ponderaciones para los
distintos periodos serían las siguientes (α se define a continuación):

Página 4 de 19
Por lo tanto, los exponentes 0, 1, 2, 3,…, etc. le dan su nombre.
La suavización exponencial es la más utilizada de las técnicas de pronóstico. Es
parte integral de casi todos los programas de pronóstico por computadora, y se usa
con mucha frecuencia al ordenar el inventario en las empresas minoristas, las
compañías mayoristas y las agencias de servicios.
Las técnicas de suavización exponencial se han aceptado en forma generalizada
por seis razones principales:
1. Los modelos exponenciales son sorprendentemente precisos.
2. Formular un modelo exponencial es relativamente fácil.
3. El usuario puede entender cómo funciona el modelo.
4. Se requieren muy pocos cálculos para utilizar el modelo.
5. Los requerimientos de almacenamiento en la computadora son bajos debido
al uso limitado de datos históricos.
6. Es fácil calcular las pruebas de precisión relacionadas con el desempeño del
modelo.

Algunas de las ventajas de este método son:

 Formulación es sencilla, pues solo requiere el pronóstico anterior, la
demanda real del periodo de pronóstico y la constante de suavización, como
ya lo veremos más adelante.
 No requiere de gran volumen de datos históricos.
 Al ser un modelo exponencial, es más preciso.
 Es flexible al conseguir darle más importancia a la demanda más reciente o
a la antigua.
Su desventaja, al igual que los métodos de promedio móvil, es la respuesta a la
tendencia. Aun cuando un valor de alfa (α) logra responder frente a cambios en el
promedio, cambios sistemáticos de este harán más grande el error de pronóstico.
Es tan así, que cuando se está aplicando un alfa mayor a 0.5 con buenos resultados,
optar por el alisado exponencial doble suele ser mejor idea.
El cálculo es simple. Se requiere del pronóstico anterior, la demanda real del periodo
de pronóstico y la constante de suavización. Si es la primera vez que se usa el
método, el pronóstico anterior puede ser un estimado o el resultado de un promedio
simple, por ejemplo.
La fórmula de suavizamiento exponencial es la siguiente:

Donde:

Página 5 de 19
  Ft= Nuevo pronóstico
 Ft-1= Pronóstico del periodo anterior
 α = constante de suavización
 At-1= demanda real del periodo anterior

Ejemplo:
Luz Verde es una empresa de seguros que ha decidido expandir su mercado a la
ciudad capital de un país. Por ser la ciudad que congrega más habitantes, han
decidido comenzar ofreciendo servicio de seguro para coches.

Como ejercicio inicial, la empresa desea pronosticar cuántos seguros de vehículo

serán contratados por las personas de la ciudad capital, para lo cual usarán como
dato inicial los seguros de vehículos contratados en otra ciudad con menos
habitantes, pero con mayor posicionamiento en el mercado.

El pronóstico de demanda del período 1 es 2869 seguros de carro adquiridos por

personas, pero la demanda para ese periodo fue de 3200. La compañía según su
criterio asigna α=0,35.

La demanda del próximo periodo es:

Ft= 2869+0.35 (3200-2869) =2984.85

Según la demanda de la segunda columna, la predicción de ventas de seguros es

la siguiente:

Página 6 de 19
Gráficamente, esa tabla sería algo como esto:

En el método de suavización exponencial, sólo se necesitan tres piezas de datos

para pronosticar el futuro: el pronóstico más reciente, la demanda real que ocurrió
durante el periodo de pronóstico y una constante de uniformidad alfa (α). Esta
constante de suavización determina el nivel de uniformidad y la velocidad de
reacción a las diferencias entre los pronósticos 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 índice de respuesta. Por ejemplo, si una
empresa produjo un artículo estándar con una demanda relativamente estable, el
índice de reacción a las diferencias entre la demanda real y pronosticada
presentarían una tendencia a ser pequeñas, quizá de sólo 5 o 10 puntos
porcentuales. No obstante, si la empresa experimentara un crecimiento, sería mejor
tener un índice de reacción más alto, quizá de 15 o 30 puntos porcentuales, para
dar mayor importancia a la experiencia de crecimiento reciente. Mientras más rápido
sea el crecimiento, más alto deberá ser el índice de reacción. En ocasiones, los
usuarios del promedio móvil simple cambian a la suavización exponencial pero
conservan las proyecciones similares a las del promedio móvil simple. En este caso,
α se calcula 2 ÷ (n + 1), donde n es el número de periodos.

La ecuación para un solo pronóstico de uniformidad exponencial es simplemente

Ft = Ft−1 + α(At−1 − Ft−1)
donde
Ft = El pronóstico suavizado exponencialmente para el periodo t
Ft–1 = El pronóstico suavizado exponencialmente para el periodo anterior
At–1 = La demanda real para el periodo anterior
α = El índice de respuesta deseado, o la constante de suavización

Página 7 de 19
Esta ecuación establece que el nuevo pronóstico es igual al pronóstico anterior más
una porción del error (la diferencia entre el pronóstico anterior y lo que ocurrió
realmente).

Para demostrar el método, suponga que la demanda a largo plazo para el producto
sujeto a estudio es relativamente estable y una constante de suavización (α) de 0.05
se considera apropiada. Si el método exponencial se hubiera usado como una
política de continuidad, se habría hecho un pronóstico para el mes pasado. Suponga
que el pronóstico del mes pasado (Ft–1) fue de 1 050 unidades. Si la demanda real
fue de 1 000, en lugar de 1 050, el pronóstico para este mes sería
Ft = Ft−1 + α(At−1 − Ft−1)
= 1 050 + 0.05(1 000 − 1 050)
= 1 050 + 0.05(−50)
= 1 047.5 unidades

Como el coeficiente de suavización es bajo, la reacción del nuevo pronóstico a un

error de 50 unidades es reducir el pronóstico del próximo mes en sólo 2½ unidades.

Pronósticos exponenciales versus demanda real de las unidades de un producto a

través del tiempo mostrando una demora en el pronóstico

Página 8 de 19
La suavización exponencial simple tiene la desventaja de retrasar los cambios en la
demanda. El pronóstico se retrasa durante un incremento o un decremento pero se
dispara cuando ocurre un cambio en la dirección. Observe que mientras más alto
sea el valor de alfa, el pronóstico será más cercano a la realidad. Y mientras más
se acerque a la demanda real, es probable sumar un factor de tendencia. También
resulta útil ajustar el valor de alfa. Esto se conoce como pronóstico adaptativo.

Efectos de la tendencia en la suavización exponencial Recuerde que una tendencia

hacia arriba o hacia abajo en los datos recopilados durante una secuencia de
periodos hace que el pronóstico exponencial siempre se quede por debajo o atrás
de la ocurrencia real. Los pronósticos suavizados exponencialmente se pueden
corregir agregando un ajuste a las tendencias. Para corregir la tendencia, se
necesitan dos constantes de suavización. Además de la constante de suavización
α, la ecuación de la tendencia utiliza una constante de suavización delta (δ). La delta
reduce el impacto del error que ocurre entre la realidad y el pronóstico. Si no se
incluyen ni alfa ni delta, la tendencia reacciona en forma exagerada ante los errores.

Para continuar con la ecuación de la tendencia, la primera vez que se utiliza es

preciso capturar el valor manualmente. Este valor de la tendencia inicial puede ser
una adivinanza informada o un cálculo basado en los datos pasados observados.

La ecuación para calcular el pronóstico incluida la tendencia (FIT, forecast including

trend) es
FITt = Ft + Tt
Ft = FITt−1 + α(At−1 − FITt−1)
Tt = Tt−1 + δ(Ft − FITt−1)
donde
Ft = El pronóstico suavizado exponencialmente para el periodo t
Tt = La tendencia suavizada exponencialmente para el periodo t
FITt = El pronóstico incluida la tendencia para el periodo t
FITt–1 = El pronóstico incluida la tendencia hecha para el periodo anterior
At–1 = La demanda real para el periodo anterior
α = Constante de suavización
δ = Constante de suavización

Elección del valor apropiado para alfa

La suavización exponencial requiere de dar a la constante de suavización alfa (α)

un valor entre 0 y 1. Si la demanda real es estable (como la demanda de electricidad
o alimentos), sería deseable una alfa pequeña para reducir los efectos de los
Página 9 de 19
cambios a corto plazo o aleatorios. Si la demanda real aumenta o disminuye con
rapidez (como en los artículos de moda o los aparatos electrodomésticos menores),
se quisiera una alfa alta para tratar de seguirle el paso al cambio. Sería ideal poder
proyectar qué alfa se debe usar. Por desgracia, hay dos elementos en contra. En
primer lugar, tomaría tiempo determinar la constante alfa que se adapte mejor a los
datos reales y el proceso sería tedioso. En segundo lugar, como la demanda
cambia, quizá pronto sea necesario revisar la constante alfa que se eligió esta
semana. Por lo tanto, se necesita un método automático 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 señal de seguimiento.
1. Dos o más valores predeterminados de alfa. Se mide la cantidad de error entre el
pronóstico 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 pequeño, alfa es 0.2.
2. Valores calculados de alfa. Una constante de rastreo alfa calcula si el pronóstico
sigue el paso a los cambios genuinos hacia arriba o hacia abajo en la demanda (en
contraste con los cambios aleatorios). En esta aplicación, la constante de rastreo
alfa se defi ne 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.

Página 10 de 19
ERRORES DE PRONÓSTICO
El término error se refiere a la diferencia entre el valor de pronóstico y lo que ocurrió
en realidad. En estadística, estos errores se conocen como residuales. Siempre y
cuando el valor del pronóstico se encuentre dentro de los límites de confianza, éste
no es realmente un error. Pero el uso común se refiere a la diferencia como un error.
La demanda de un producto se genera mediante la interacción de varios factores
demasiado complejos para describirlos con precisión en un modelo. Por lo tanto,
todas las proyecciones contienen algún error. Al analizar los errores de pronóstico,
es conveniente distinguir entre las fuentes de error y la medición de errores.

FUENTES DE ERROR
Los errores pueden provenir de diversas fuentes. Una fuente común de la que no
están conscientes muchos encargados de elaborar los pronósticos es el pronóstico
de las tendencias pasadas en el futuro. Por ejemplo, al hablar de errores
estadísticos en el análisis de regresión, se hace referencia a las desviaciones de las
observaciones de la recta de la regresión. Es común relacionar una banda de
confianza (es decir, límites de control estadístico) con la recta de la regresión para
reducir el error sin explicar. Pero cuando se utiliza esta recta de la regresión como
dispositivo de pronóstico, es probable que el error no se defina de manera correcta
mediante la banda de confianza proyectada. Esto se debe a que el intervalo de
confianza se basa en los datos pasados; quizá no tome en cuenta los puntos de
datos proyectados y por lo tanto no se puede utilizar con la misma confianza. De
hecho, la experiencia ha demostrado que los errores reales suelen ser mayores que
los proyectados a partir de modelos de pronóstico.
Los errores se pueden clasificar como sesgados o aleatorios.
Los errores sesgados ocurren cuando se comete un error consistente. Las fuentes
de sesgo incluyen el hecho de no incluir las variables correctas; el uso de las
relaciones equivocadas entre las variables; el uso de la recta de tendencia errónea;
un cambio equivocado en la demanda estacional desde el punto donde
normalmente ocurre; y la existencia de alguna tendencia secular no detectada.
Los errores aleatorios se definen como aquellos que el modelo de pronóstico
utilizado no puede explicar.

MEDICIÓN DE ERRORES
Varios términos comunes empleados para describir el grado de error son error
estándar, error cuadrado medio (o varianza) y desviación absoluta media. Además,
es posible usar señales de rastreo para indicar cualquier sesgo positivo o negativo
en el pronóstico.

Página 11 de 19
El error estándar se estudia en regresión lineal. Como el error estándar es la raíz
cuadrada de una función, a menudo es más conveniente utilizar la función misma.
Esto se conoce como error cuadrado medio o varianza.

La desviación absoluta media (DAM; mean absolute deviation) se utilizaba con

mucha frecuencia en el pasado, pero posteriormente fue reemplazada por la
desviación estándar y las medidas de error estándar. En años recientes, la DAM
regresó por su simplicidad y utilidad al obtener señales de rastreo. La DAM es el
error promedio en los pronósticos, mediante el uso de valores absolutos. Es valiosa
porque, al igual que la desviación estándar, mide la dispersión de un valor
observado en relación con un valor esperado.

La DAM se calcula utilizando las diferencias entre la demanda real y la demanda

pronosticada sin importar el signo. Es igual a la suma de las desviaciones absolutas
dividida entre el número de puntos de datos o, en forma de ecuación:
∑𝑛𝑖=1|𝐴𝑡 − 𝐹𝑡 |
𝐷𝐴𝑀 =
𝑛
donde
t = Número del periodo
A = Demanda real para el periodo
F = Demanda pronosticada para el periodo
n = Número total de periodos
| | = Símbolo utilizado para indicar el valor absoluto sin tomar en cuenta los signos
positivos y negativos

1 DAM= 0.8 desviaciones estándar

La desviación estándar es la medida más grande. Si la DAM de un conjunto de
puntos es 60 unidades, la desviación estándar es 75 unidades. En la manera
estadística normal, si los límites de control se establecen en más o menos 3
desviaciones estándar (o ± 3.75 DAM), entonces 99.7% de los puntos caerían
dentro de estos límites.

Una medida adicional de error con frecuencia útil es el Error porcentual absoluto
medio (EPAM). Esta medida determina el error respecto del promedio de demanda.
El EPAM se calcula al tomar el DAM y dividir entre el promedio de demanda.
𝐷𝐴𝑀
𝐸𝑃𝐴𝑀 =
𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑑𝑒𝑚𝑎𝑛𝑑𝑎

Esta es una medida útil porque es una estimación de cuento error se espera con un
pronóstico.

Página 12 de 19
Una señal de seguimiento es una medida que indica si el promedio pronosticado
sigue el paso de cualquier cambio hacia arriba o hacia abajo en la demanda. Como
se utiliza en el pronóstico, la señal de seguimiento es el número de desviaciones
absolutas medias que el valor pronosticado se encuentra por encima o por debajo
de la ocurrencia real.

Una señal de seguimiento se calcula (SS) con la suma aritmética de las

desviaciones pronosticadas dividida entre la desviación absoluta media:

𝑆𝐶𝐸𝑃
𝑆𝑆 =
𝐷𝐴𝑀
Donde
SCEP: Suma corriente de los errores pronosticados considerando la naturaleza del
error (los errores negativos cancelan los errores positivos y viceversa).
DAM: Promedio
de todos los errores pronosticados

Página 13 de 19
 TRIMESTRE VENTAS α=0.0 DAM EPAM DESVIACION SCEP SS α=0.1 DAM EPAM DESVIACION SCEP SS
1 12
2 16 12 4 33.33% 4 4 1.00 12 4.00 33.33% 4.00 4.00 1.00

Página 14 de 19
3 20 12 8 66.67% 8 12 1.50 12.40 7.60 61.29% 7.60 11.60 1.53
4 34 12 22 183.33% 22 34 1.55 13.16 20.84 158.36% 20.84 32.44 1.56
5 23 12 11 91.67% 11 45 4.09 15.24 7.76 50.88% 7.76 40.20 5.18
6 19 12 7 58.33% 7 52 7.43 16.02 2.98 18.60% 2.98 43.18 14.49
7 20 12 8 66.67% 8 60 7.50 16.32 3.68 22.57% 3.68 46.86 12.73
8 35 12 23 191.67% 23 83 3.61 16.69 18.31 109.76% 18.31 65.17 3.56
9 11 12 1 8.33% -1 82 82.00 18.52 7.52 40.60% -7.52 57.66 7.67
10 19 12 7 58.33% 7 89 12.71 17.77 1.23 6.95% 1.23 58.89 47.71
11 24 12 12 100.00% 12 101 8.42 17.89 6.11 34.16% 6.11 65.00 10.64
12 36 12 24 200.00% 24 125 5.21 18.50 17.50 94.59% 17.50 82.50 4.71
13
22.42 11.00 10.58 14.54 8.13
EJERCICIO
α=0.2 DAM EPAM DESVIACION SCEP SS α=0.3 DAM EPAM DESVIACION SCEP SS
12 4.00 33.33% 4.00 4.00 1.00 12 4.00 33.33% 4.00 4.00 1.00
12.80 7.20 56.25% 7.20 11.20 1.56 13.20 6.80 51.52% 6.80 10.80 1.59

Página 15 de 19
14.24 19.76 138.76% 19.76 30.96 1.57 15.24 18.76 123.10% 18.76 29.56 1.58
18.19 4.81 26.43% 4.81 35.77 7.44 20.87 2.13 10.22% 2.13 31.69 14.86
19.15 0.15 0.80% -0.15 35.61 231.86 21.51 2.51 11.66% -2.51 29.18 11.64
19.12 0.88 4.59% 0.88 36.49 41.60 20.76 0.76 3.64% -0.76 28.43 37.64
19.30 15.70 81.36% 15.70 52.19 3.32 20.53 14.47 70.49% 14.47 42.90 2.96
22.44 11.44 50.98% -11.44 40.75 3.56 24.87 13.87 55.77% -13.87 29.03 2.09
20.15 1.15 5.71% -1.15 39.60 34.41 20.71 1.71 8.25% -1.71 27.32 15.99
19.92 4.08 20.48% 4.08 43.68 10.71 20.20 3.80 18.83% 3.80 31.12 8.18
20.74 15.26 73.61% 15.26 58.95 3.86 21.34 14.66 68.72% 14.66 45.79 3.12
16.50 7.04 17.60 6.96
α=0.4 DAM EPAM DESVIACION SCEP SS α=0.5 DAM EPAM DESVIACION SCEP SS
12 4.00 33.33% 4.00 4.00 1.00 12 4.00 33.33% 4.00 4.00 1.00
13.60 6.40 47.06% 6.40 10.40 1.63 14.00 6.00 42.86% 6.00 10.00 1.67
16.16 17.84 110.40% 17.84 28.24 1.58 17.00 17.00 100.00% 17.00 27.00 1.59
23.30 0.30 1.27% -0.30 27.94 94.41 25.50 2.50 9.80% -2.50 24.50 9.80
23.18 4.18 18.02% -4.18 23.77 5.69 24.25 5.25 21.65% -5.25 19.25 3.67

Página 16 de 19
21.51 1.51 7.01% -1.51 22.26 14.78 21.63 1.63 7.51% -1.63 17.63 10.85
20.90 14.10 67.43% 14.10 36.36 2.58 20.81 14.19 68.17% 14.19 31.81 2.24
26.54 15.54 58.56% -15.54 20.81 1.34 27.91 16.91 60.58% -16.91 14.91 0.88
20.33 1.33 6.52% -1.33 19.49 14.70 19.45 0.45 2.33% -0.45 14.45 31.90
19.80 4.20 21.24% 4.20 23.69 5.63 19.23 4.77 24.83% 4.77 19.23 4.03
21.48 14.52 67.62% 14.52 38.22 2.63 21.61 14.39 66.56% 14.39 33.61 2.34
18.23 6.99 18.62 7.26
Página 17 de 19
CONCLUSIÓN

En general el método de Suavizamiento de Exponencial Simple tiene un mejor

desempeño cuando la serie de tiempo no presenta tendencia ni estacionalidad
marcada. En el caso de evidenciar alguno de estos componentes en la serie de
tiempo (o ambos de forma simultánea) se recomienda explorar otros métodos de
pronóstico como el Método de Suavizamiento Exponencial Ajustado a la Tendencia
(Suavización Exponencial Doble) o el Método de Descomposición (entre otros).
Al manejar una constante suavizadora, definida en forma arbitraria por los expertos
en proyecciones de demanda, se tiene un mayor control interno para efectos de
enfatizar con mayor peso los datos más recientes.
El suavizador exponencial tiene la capacidad para enfatizar información reciente,
mientras que una constante suavizadora, en un rango de valor entre 0 y 1, puede
proveer estabilidad o una respuesta más rápida a los cambios recientes en las
ventas. Cuando se tienen datos históricos de venta, el analista puede seleccionar
una constante suavizadora, probando diferentes valores para observar cuál es el
mejor pronóstico.
La evaluación del impacto de los errores de pronóstico es importante pero
desafiante, debido a su alto nivel de complejidad.
La complejidad y las interrelaciones en los procesos de planificación dificultan la
separación de los impactos de los errores de pronósticos en otros planes, por lo
tanto, se necesita analizar el flujo del plan total para crear una visión general sobre
todo el proceso de pronosticar, incluyendo las interrelaciones con los planes de
producción y el manejo del inventario.

Página 18 de 19
REFERENCIA BIBLIOGRÁFICA

https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-
industrial/pron%C3%B3stico-de-ventas/suavizaci%C3%B3n-exponencial-simple

https://ingenioempresa.com/suavizacion-exponencial-simple/

file:///C:/Users/Karem/Downloads/Administracion%20de%20Operaciones%20(1).p
df

http://rochichan.blogspot.mx/2013/05/introduccion-la-administracion-de.html

https://www.gestiopolis.com/la-administracion-de-operaciones/

http://www.eumed.net/libros-gratis/2013a/1321/conclusion.html

https://sites.google.com/site/aolucina/home

https://sites.google.com/site/aolucina/unidad-3-planeacion-de-la-capacidad

https://prezi.com/yzbxz9lfwbfz/edit/#4_95982358

http://nulan.mdp.edu.ar/1613/1/08_diseno_procesos.pdf

https://books.google.com.mx/books?id=edZx_26yf64C&pg=PA299&lpg=PA299&d
q=planeacion+de+productos+administracion+de+operaciones&source=bl&ots=ZF1
zLIgLlo&sig=J0crAtql_V_tpSYeo0Cd6F_Kn4g&hl=es&sa=X&ved=0ahUKEwi7kNG
kiNjUAhUn74MKHVlbDloQ6AEIWzAJ#v=onepage&q&f=false

Página 19 de 19