📈 Planeación y coordinación de la demanda

1. En el método de promedio móvil simple para pronosticar la demanda, el pronóstico del siguiente periodo se obtiene calculando:

1. La suma de todas las demandas históricas registradas dividida entre el número total de periodos transcurridos
2. La demanda del periodo inmediato anterior ajustada por una constante de suavización entre 0 y 1
3. La media aritmética de las n demandas reales más recientes, asignando el mismo peso a cada una de ellas
4. La demanda promedio de los periodos de mayor venta detectados en la tendencia histórica

El promedio móvil simple pondera por igual las n observaciones más recientes de demanda (Ft = suma de las n demandas más recientes / n); la opción con constante de suavización confunde el método con la suavización exponencial. (Heizer, J. y Render, B., Administración de operaciones, Pearson, cap. de pronósticos.)

2. La demanda mensual real de un artículo fue: marzo 120 unidades, abril 135 unidades, mayo 128 unidades y junio 142 unidades. Utilizando un promedio móvil simple de 4 periodos, ¿cuál es el pronóstico de la demanda para julio?

1. 175.00 unidades
2. 131.25 unidades
3. 135.00 unidades
4. 127.67 unidades

El pronóstico es (120+135+128+142)/4 = 131.25 unidades; 135.00 resulta de promediar solo los tres meses más recientes (omitiendo marzo) y 175.00 de dividir la suma de los cuatro meses (525) entre 3 en lugar de entre 4. (Heizer, J. y Render, B., Administración de operaciones, Pearson, cap. de pronósticos (promedio móvil simple).)

3. A diferencia del promedio móvil simple, el promedio móvil ponderado permite:

1. Asignar un mayor peso relativo a las observaciones de demanda más recientes dentro del cálculo del pronóstico
2. Incluir de manera automática el componente de tendencia sin necesidad de definir pesos adicionales
3. Prescindir de que la suma de los pesos asignados a cada periodo sea igual a la unidad
4. Utilizar un número menor de periodos históricos que el promedio móvil simple para lograr la misma exactitud

El promedio móvil ponderado asigna pesos mayores (que deben sumar 1) a las observaciones más recientes; no captura tendencia de forma automática ni exige menos periodos históricos por sí mismo. (Heizer, J. y Render, B., Administración de operaciones, Pearson, cap. de pronósticos.)

4. Un planeador de demanda utiliza un promedio móvil ponderado de 3 meses, asignando un peso de 0.5 al mes más reciente, 0.3 al mes anterior y 0.2 al mes más antiguo de los tres. La demanda real fue de 100 unidades hace dos meses, 110 unidades el mes pasado y 120 unidades el mes más reciente. ¿Cuál es el pronóstico para el siguiente mes?

1. 107 unidades
2. 116 unidades
3. 113 unidades
4. 110 unidades

El pronóstico correcto es 0.5(120)+0.3(110)+0.2(100) = 113 unidades; 107 resulta de invertir los pesos, asignando 0.5 al mes más antiguo en vez de al más reciente, y 110 de promediar sin ponderar. (Heizer, J. y Render, B., Administración de operaciones, Pearson, cap. de pronósticos (promedio móvil ponderado).)

5. La desviación media absoluta (MAD) empleada para evaluar la exactitud de un pronóstico de demanda se define como:

1. El porcentaje promedio que representa el error del pronóstico respecto a la demanda real observada
2. El promedio de los valores absolutos de las diferencias entre la demanda real y el pronóstico en cada periodo
3. El promedio de las diferencias al cuadrado entre la demanda real y el pronóstico en cada periodo
4. La suma acumulada de los errores del pronóstico dividida entre la desviación estándar de la serie

MAD = Σ|At − Ft| / n; la opción del porcentaje corresponde al MAPE y la de las diferencias al cuadrado corresponde al MSE, medidas de error distintas. (Heizer, J. y Render, B., Administración de operaciones, Pearson, cap. de pronósticos.)

6. Durante cuatro periodos, un producto tuvo los siguientes errores de pronóstico (demanda real menos pronóstico): +10, −5, +5 y −5 unidades. ¿Cuál es la desviación media absoluta (MAD) de estos cuatro periodos?

1. 6.25 unidades
2. 1.25 unidades
3. 8.33 unidades
4. 43.75 unidades

MAD = (10+5+5+5)/4 = 6.25 unidades usando el valor absoluto de cada error; 1.25 resulta de sumar los errores con su signo en lugar de su valor absoluto, y 43.75 corresponde a promediar los errores al cuadrado (MSE). (Heizer, J. y Render, B., Administración de operaciones, Pearson, cap. de pronósticos.)

7. Un analista de la cadena de suministro necesita elegir una medida de error de pronóstico que penalice de forma más severa los faltantes ocasionales muy grandes en un artículo crítico, en comparación con muchos errores pequeños y frecuentes. ¿Qué medida de error resulta más adecuada para este propósito?

1. La desviación media absoluta (MAD)
2. El error porcentual absoluto medio (MAPE)
3. La señal de rastreo (tracking signal)
4. El error cuadrático medio (MSE)

Al elevar cada error al cuadrado, el MSE amplifica el peso relativo de los errores grandes frente a los pequeños, a diferencia de la MAD, que los pondera de forma lineal. (Hanke, J. E. y Wichern, D. W., Pronósticos en los negocios, Pearson.)

8. Una ventaja del error porcentual absoluto medio (MAPE) frente a la MAD como medida de exactitud del pronóstico es que el MAPE:

1. Elimina la necesidad de conocer la demanda real para calcular el error del pronóstico
2. Penaliza en mayor medida los errores absolutos grandes que el error cuadrático medio
3. Expresa el error en términos porcentuales, lo que facilita comparar artículos con distinta escala de demanda
4. Requiere que la demanda del artículo sea constante durante todo el año para poder calcularse correctamente

Al ser una medida porcentual, el MAPE permite comparar la exactitud del pronóstico entre artículos con unidades o volúmenes muy diferentes; no reemplaza el uso de la demanda real ni requiere demanda constante. (Hanke, J. E. y Wichern, D. W., Pronósticos en los negocios, Pearson.)

9. Una empresa calcula cada mes la señal de rastreo del pronóstico de un componente clave. Durante seis meses consecutivos, la señal de rastreo se ha mantenido en valores cercanos a +5 MAD. ¿Cuál es la acción más apropiada para el analista de planeación de la demanda?

1. Aumentar la constante de suavización α por encima de 1, para que el pronóstico reaccione con mayor rapidez a la demanda reciente
2. No tomar ninguna acción, ya que una señal de rastreo positiva indica que el pronóstico sobreestima la demanda y el error tiende a corregirse por sí solo
3. Cambiar de inmediato el modelo de pronóstico a uno causal, sin analizar primero la causa del desvío detectado en la señal de rastreo
4. Revisar y ajustar el modelo de pronóstico, dado que el valor está fuera del límite de control habitual de ±4 MAD y refleja un sesgo a subestimar la demanda

Un valor de +5 MAD excede el límite de control comúnmente usado (±4 MAD) y una señal persistentemente positiva indica que el pronóstico subestima la demanda real, por lo que debe revisarse el modelo; la constante α nunca puede exceder 1. (Heizer, J. y Render, B., Administración de operaciones, Pearson, cap. de pronósticos (señal de rastreo y límites de control).)

10. De las siguientes afirmaciones sobre el promedio móvil simple como método de pronóstico, ¿cuál es INCORRECTA?

1. Asigna el mismo peso a cada una de las observaciones de demanda incluidas en el cálculo
2. Se ajusta de manera automática para reflejar la tendencia y la estacionalidad presentes en la serie de demanda
3. Requiere almacenar las n observaciones de demanda más recientes para poder actualizar el pronóstico
4. Al aumentar el número de periodos n utilizados, el pronóstico se vuelve más estable pero menos sensible a los cambios recientes

El promedio móvil simple no captura tendencia ni estacionalidad, ya que promedia por igual observaciones pasadas y se rezaga frente a cambios sistemáticos de la demanda; las demás afirmaciones sí describen correctamente el método. (Heizer, J. y Render, B., Administración de operaciones, Pearson, cap. de pronósticos.)

11. En los modelos de pronóstico de series de tiempo, la demanda observada se descompone típicamente en:

1. Un componente de oferta y un componente de demanda que se combinan para estimar el pronóstico final
2. Un componente sistemático, que incluye nivel, tendencia y estacionalidad, y un componente aleatorio no pronosticable
3. Un componente cíclico y un componente estacional, sin considerar el nivel promedio de la demanda
4. Un componente de tendencia y un componente de error de medición, sin incluir la estacionalidad

La demanda se modela como componente sistemático (nivel, tendencia, estacionalidad) más un componente aleatorio o ruido; las demás opciones omiten alguno de estos elementos. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson, cap. de pronóstico de la demanda.)

12. Dentro de los componentes sistemáticos de la demanda, el componente de tendencia se refiere específicamente a:

1. Las variaciones de la demanda que no siguen ningún patrón identificable y por ello no pueden pronosticarse
2. Las fluctuaciones de la demanda asociadas a los ciclos de expansión y contracción de la economía
3. Las variaciones repetitivas y predecibles de la demanda que ocurren en momentos específicos dentro de un mismo año
4. El incremento o decremento gradual y sostenido en el nivel promedio de la demanda a lo largo de varios periodos

La tendencia describe el cambio gradual y sostenido del nivel promedio de la demanda; las otras opciones describen, en orden, el componente aleatorio, el cíclico y el estacional. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson, cap. de pronóstico de la demanda.)

13. Un fabricante de equipo para albercas observa que sus ventas aumentan de manera marcada cada año entre abril y julio, y disminuyen en los meses de invierno, repitiéndose este patrón año con año. Este comportamiento de la demanda corresponde principalmente a:

1. El componente de tendencia
2. El componente cíclico
3. El componente de estacionalidad
4. El componente aleatorio

Un patrón que se repite en las mismas fechas cada año corresponde a estacionalidad; el componente cíclico abarca varios años y no está ligado a un mismo periodo del calendario anual. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson, cap. de pronóstico de la demanda.)

14. El promedio general de la demanda trimestral de una empresa es de 200 unidades, mientras que el promedio de la demanda observada específicamente en el trimestre de invierno durante los últimos años ha sido de 150 unidades. Si el pronóstico desestacionalizado (sin ajustar por estación) para el próximo trimestre de invierno es de 240 unidades, ¿cuál es el pronóstico final ajustado por estacionalidad para ese trimestre?

1. 320 unidades
2. 190 unidades
3. 240 unidades
4. 180 unidades

El índice estacional es 150/200 = 0.75, por lo que el pronóstico ajustado es 240 × 0.75 = 180 unidades; 320 resulta de invertir el índice (dividir en vez de multiplicar) y 240 de omitir el ajuste estacional. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson, cap. de pronóstico de la demanda (índices estacionales).)

15. Cuando una serie de demanda presenta tanto tendencia como estacionalidad, el método de suavización exponencial más adecuado para capturar ambos componentes de manera simultánea es:

1. La suavización exponencial simple
2. El promedio móvil ponderado
3. El método de Holt
4. El método de Winters

El método de Winters incorpora nivel, tendencia y estacionalidad; el método de Holt solo modela nivel y tendencia, y la suavización simple no captura ninguno de los dos componentes. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson; Nahmias, S., Análisis de la producción y las operaciones, McGraw-Hill.)

16. En un modelo de descomposición multiplicativo de series de tiempo, la demanda pronosticada para un periodo específico se obtiene al:

1. Restar el componente aleatorio del valor de la tendencia y después sumar el índice estacional
2. Multiplicar el nivel o la tendencia estimada por el índice estacional correspondiente a ese periodo
3. Dividir la demanda real observada entre el índice estacional del periodo inmediato anterior
4. Sumar el índice estacional del periodo a la tendencia estimada para ese mismo periodo

En el modelo multiplicativo, el pronóstico se obtiene multiplicando el nivel o la tendencia por el índice estacional del periodo; sumar el índice a la tendencia corresponde, en cambio, al modelo aditivo. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson, cap. de pronóstico de la demanda.)

17. Un fabricante de maquinaria pesada para la construcción observa que sus ventas se incrementan y disminuyen en periodos de entre 5 y 7 años, coincidiendo con las fases de expansión y contracción de la economía nacional, sin que el patrón se repita dentro de un mismo año calendario. Este comportamiento de la demanda corresponde principalmente a:

1. El componente de tendencia
2. El componente aleatorio
3. El componente de estacionalidad
4. El componente cíclico

Las oscilaciones de varios años ligadas a la actividad económica general corresponden al componente cíclico, distinto de la estacionalidad, que se repite dentro de cada año calendario. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson, cap. de pronóstico de la demanda.)

18. Para eliminar el efecto de la estacionalidad de una serie de demanda y poder analizar mejor la tendencia subyacente, una técnica adecuada consiste en:

1. Sustituir cada valor observado de la demanda por el promedio general de toda la serie histórica
2. Eliminar del análisis todos los periodos en los que se presentó estacionalidad marcada
3. Dividir cada valor observado de la demanda entre su índice estacional correspondiente
4. Aplicar directamente una regresión lineal sobre los datos brutos sin realizar ningún ajuste previo

Desestacionalizar la serie dividiendo cada valor entre su índice estacional permite aislar el efecto de la tendencia; ajustar una regresión sobre datos brutos sin corrección sesga la pendiente estimada. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson, cap. de pronóstico de la demanda.)

19. Un principio fundamental en la administración de pronósticos dentro de la cadena de suministro establece que todo pronóstico de demanda es, por naturaleza, erróneo. Por ello, un pronóstico bien elaborado debe incluir:

1. Reportar el valor esperado de la demanda, calculado con el método más sofisticado disponible, sin una medida de error asociada
2. La demanda real del periodo anterior ajustada por la tasa de crecimiento anual de la empresa
3. Un rango de valores posibles sin ningún valor puntual esperado, para no comprometerse con una cifra
4. El valor esperado de la demanda junto con una medida del error asociado, como su desviación estándar

Dado que todo pronóstico contiene error, debe reportarse junto con una medida de ese error (por ejemplo, la desviación estándar), y no solo el valor puntual esperado. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson, cap. de pronóstico de la demanda.)

20. Un gerente de planeación debe decidir con qué frecuencia actualizar el pronóstico de demanda que utiliza para coordinar los pedidos con sus proveedores. Con base en el comportamiento típico del error de pronóstico según el horizonte de tiempo, ¿qué recomendación es más adecuada?

1. Reducir la frecuencia de actualización del pronóstico conforme aumenta la incertidumbre de la demanda, para evitar cambios constantes en los pedidos
2. Utilizar exclusivamente pronósticos de largo plazo para todas las decisiones, incluidas las órdenes de reabastecimiento semanales
3. Actualizar el pronóstico con la mayor frecuencia posible y basar las decisiones operativas de corto plazo en los pronósticos más recientes
4. Fijar el pronóstico una sola vez al inicio del año y mantenerlo sin cambios durante todo el periodo

El error del pronóstico crece conforme se amplía el horizonte de tiempo, por lo que conviene actualizarlo con frecuencia y usar los pronósticos más recientes para las decisiones de corto plazo, en vez de fijarlo una sola vez. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson, cap. de pronóstico de la demanda.)

21. Una empresa fabrica varios modelos de un mismo producto que vende en distintas regiones. Al comparar la exactitud de sus pronósticos, observa que el pronóstico agregado de la demanda total (todos los modelos, todas las regiones) es más preciso que los pronósticos realizados por modelo individual en cada región. Esto se debe principalmente a que:

1. El horizonte de tiempo del pronóstico agregado es menor que el de los pronósticos desagregados, lo que reduce su error
2. Los pronósticos desagregados utilizan típicamente métodos cualitativos, mientras que los agregados utilizan métodos cuantitativos
3. El pronóstico agregado ignora por completo la demanda de los productos individuales con menor volumen de ventas en cada región
4. El pronóstico agregado presenta un menor coeficiente de variación, ya que la variabilidad individual tiende a compensarse al sumar las demandas

Al sumar demandas de distintos modelos y regiones, las variaciones individuales tienden a compensarse entre sí, reduciendo el coeficiente de variación del pronóstico agregado; esto no depende del horizonte de tiempo ni implica excluir productos. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson, cap. de pronóstico de la demanda.)

22. Los métodos utilizados para pronosticar la demanda en una cadena de suministro se clasifican, de manera general, en cuatro categorías:

1. Determinísticos, probabilísticos, estocásticos y de series de tiempo
2. Cualitativos, de series de tiempo, causales y de simulación
3. De corto plazo, de mediano plazo, de largo plazo y de muy largo plazo
4. Cuantitativos, cualitativos, subjetivos y estadísticos

La clasificación estándar de los métodos de pronóstico es cualitativos, de series de tiempo, causales y de simulación; las otras opciones mezclan criterios de horizonte de tiempo o terminología imprecisa. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson, cap. de pronóstico de la demanda.)

23. En una cadena de suministro de varios niveles (fabricante, distribuidor, minorista) se observa que las fluctuaciones en los pedidos se amplifican conforme se avanza del minorista hacia el fabricante, aun cuando la demanda del consumidor final se mantiene relativamente estable. Este fenómeno se conoce como:

1. El ciclo de vida del producto
2. La estacionalidad de la demanda
3. La señal de rastreo fuera de control
4. El efecto látigo (bullwhip effect)

La amplificación de la variabilidad de los pedidos conforme se avanza hacia los eslabones más alejados del consumidor final es la definición del efecto látigo, un obstáculo clásico para la coordinación de la cadena de suministro. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson, cap. de coordinación en una cadena de suministro (efecto látigo).)

24. Entre las causas reconocidas del efecto látigo (bullwhip) dentro de una cadena de suministro se encuentra:

1. La reducción del tiempo de entrega (lead time) entre los distintos eslabones de toda la cadena de suministro
2. El intercambio de información de punto de venta (POS) en tiempo real entre todos los socios de la cadena de suministro
3. El procesamiento de la señal de demanda, al actualizar el pronóstico con los pedidos recibidos en vez de con la demanda real del consumidor
4. La consolidación de los pedidos de reabastecimiento en lotes más pequeños y con mayor frecuencia de entrega entre los eslabones

El procesamiento de la señal de demanda (usar los pedidos recibidos, y no la demanda real del consumidor, para actualizar el pronóstico) es una causa reconocida del efecto látigo; las otras opciones describen, en cambio, prácticas que ayudan a reducirlo. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson, cap. de coordinación en una cadena de suministro.)

25. Un fabricante, un distribuidor y varias tiendas minoristas de una misma cadena de suministro deciden implementar un esquema formal de colaboración en el que comparten información de ventas, planean conjuntamente los pronósticos de demanda y coordinan el reabastecimiento entre todos los socios. Este esquema de colaboración se conoce como:

1. La manufactura esbelta (Lean manufacturing)
2. La planeación de requerimientos de materiales (MRP)
3. El sistema justo a tiempo (JIT, por sus siglas en inglés)
4. La planeación, pronóstico y reabastecimiento colaborativo (CPFR)

El esquema descrito, en el que los socios comparten información y planean conjuntamente pronósticos y reabastecimiento, corresponde a CPFR; JIT, MRP y manufactura esbelta son técnicas de producción e inventario con un enfoque distinto. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson, cap. de coordinación en una cadena de suministro (CPFR).)

26. En una cadena de suministro, el fabricante ofrece descuentos por volumen y promociones de precio a sus distribuidores en ciertos periodos del año. Como consecuencia, los distribuidores realizan compras adelantadas y en cantidades mucho mayores a las que necesitan para la demanda real de ese periodo, distorsionando la información que recibe el fabricante. Este obstáculo para la coordinación de la cadena de suministro se clasifica principalmente como:

1. Un obstáculo operativo
2. Un obstáculo de información
3. Un obstáculo de precios
4. Un obstáculo de incentivos

Las promociones y descuentos que provocan compras adelantadas en lotes mayores a la necesidad real son un obstáculo de precios; los obstáculos operativos y de información se refieren, en cambio, a los lotes de producción o al manejo de datos de demanda. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson, cap. de coordinación en una cadena de suministro (obstáculos a la coordinación).)

27. La falta de coordinación de la demanda entre los distintos eslabones de una cadena de suministro (fabricante, distribuidor, minorista) provoca principalmente:

1. Un incremento generalizado en la exactitud de los pronósticos de demanda en todos los eslabones de la cadena de suministro
2. Una disminución notable en la variabilidad de los pedidos conforme estos se transmiten hacia los proveedores de la cadena
3. Que cada eslabón base sus pedidos en información distorsionada del eslabón siguiente, en lugar de en la demanda real del consumidor final
4. Una reducción generalizada en los costos totales de inventario a lo largo de toda la cadena de suministro y sus proveedores

La descoordinación hace que cada eslabón pronostique con base en los pedidos distorsionados que recibe, en vez de la demanda real, lo que típicamente incrementa costos y variabilidad, no los reduce. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson, cap. de coordinación en una cadena de suministro.)

28. ¿Cuál es la expresión correcta del pronóstico mediante suavizamiento exponencial simple para el periodo t+1, donde Ft es el pronóstico vigente, At la demanda real observada y α la constante de suavización?

1. Ft+1 = At + α(Ft − At), con α acotada entre 0 y 1
2. Ft+1 = (Ft + At) / 2, ponderando por igual el pronóstico y la demanda real
3. Ft+1 = Ft + α(At − Ft), con α acotada entre 0 y 1
4. Ft+1 = Ft + α(At − Ft−1), con α acotada entre 0 y 1

La fórmula del suavizamiento exponencial simple ajusta el pronóstico previo con una fracción α del error más reciente (At − Ft); las demás opciones invierten los términos o usan el pronóstico de un periodo incorrecto. (Heizer, J. y Render, B., Administración de operaciones, Pearson; Nahmias, S., Análisis de la producción y las operaciones, McGraw-Hill)

29. En el suavizamiento exponencial simple, ¿en qué intervalo debe ubicarse la constante de suavización α?

1. Entre -1 y 1, inclusive
2. Entre 0 y 1, inclusive
3. Entre 0 y el número total de periodos observados
4. Entre 1 y 100, expresada como porcentaje entero

Por definición, α debe estar acotada entre 0 y 1, ya que representa el peso relativo entre la demanda reciente y el pronóstico anterior. (Heizer, J. y Render, B., Administración de operaciones, Pearson, cap. de pronósticos)

30. El gerente de planeación de la demanda de una fábrica de electrodomésticos observa que la demanda de un producto maduro ha sido relativamente estable durante los últimos dos años, con variaciones aleatorias mínimas de una semana a otra. Para evitar que el pronóstico reaccione de forma exagerada a esas fluctuaciones aleatorias, ¿qué valor de α conviene elegir?

1. Un valor de α igual a 1, para que el pronóstico sea idéntico a la demanda de la semana anterior
2. Un valor alto de α, para que el pronóstico reaccione de inmediato a cada variación semanal
3. Un valor de α igual a 0.5, sin considerar el comportamiento histórico de la demanda
4. Un valor bajo de α, para dar mayor peso al historial y suavizar el efecto de las fluctuaciones aleatorias

Una α baja da más peso al pronóstico anterior (al historial estable) y amortigua el ruido aleatorio; una α alta o igual a 1 haría que el pronóstico persiguiera cada variación aleatoria. (Nahmias, S., Análisis de la producción y las operaciones, McGraw-Hill; Hanke, J. E. y Wichern, D. W., Pronósticos en los negocios, Pearson)

31. ¿Qué componente adicional de la demanda incorpora el método de Holt (suavizamiento exponencial doble) respecto al suavizamiento exponencial simple?

1. La tendencia, mediante una segunda constante de suavización
2. La estacionalidad, mediante una tercera constante de suavización
3. El componente aleatorio, mediante el cálculo explícito del ruido
4. La relación causal entre la demanda y variables externas, como el precio

El método de Holt agrega una segunda ecuación de suavizamiento para estimar la tendencia; incorporar además la estacionalidad corresponde al método de Winters, no al de Holt. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson; Nahmias, S., Análisis de la producción y las operaciones, McGraw-Hill)

32. Una tienda departamental identifica que la venta de artículos escolares muestra una tendencia de crecimiento anual y, además, picos marcados cada agosto por el regreso a clases. ¿Qué método de suavizamiento resulta más adecuado para pronosticar esta demanda?

1. El suavizamiento exponencial simple, ya que su enfoque se limita a modelar el nivel de la demanda
2. El método de Holt, ya que su función principal es modelar la estacionalidad de la demanda
3. El método de Winters, ya que modela tendencia y estacionalidad de forma simultánea
4. El promedio móvil ponderado, ya que asigna mayor peso a los periodos estacionales

El método de Winters (suavizamiento exponencial triple) incorpora nivel, tendencia y estacionalidad; Holt solo modela tendencia, no estacionalidad. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson; Nahmias, S., Análisis de la producción y las operaciones, McGraw-Hill)

33. En el método de promedio móvil simple con n periodos, ¿qué peso relativo recibe cada una de las n demandas reales más recientes al calcular el pronóstico del siguiente periodo?

1. Un peso decreciente conforme la observación es más antigua dentro de la ventana de n periodos
2. El mismo peso, ya que el pronóstico se calcula como la media aritmética simple de esas n observaciones
3. Un peso proporcional a la constante de suavización α asignada a cada periodo
4. Un peso nulo para las observaciones anteriores, excepto la más reciente

El promedio móvil simple asigna igual peso a las n demandas más recientes, a diferencia del suavizamiento exponencial, que da mayor peso a las observaciones recientes mediante α. (Heizer, J. y Render, B., Administración de operaciones, Pearson, cap. de pronósticos)

34. El pronóstico de un producto para marzo era de 300 unidades y la demanda real de marzo fue de 330 unidades. Usando suavizamiento exponencial simple con α = 0.4, el planificador calculó el pronóstico de abril y, al conocer que la demanda real de abril fue de 320 unidades, calculó después el pronóstico de mayo. ¿Cuál es el pronóstico correcto para mayo?

1. 315.2 unidades
2. 312 unidades
3. 308 unidades
4. 316.8 unidades

F_abril = 300 + 0.4(330−300) = 312; F_mayo = 312 + 0.4(320−312) = 315.2. Detenerse en 312 omite el segundo paso, y 308 resulta de no actualizar el pronóstico base con el valor de abril. (Heizer, J. y Render, B., Administración de operaciones, Pearson, cap. de pronósticos)

35. ¿Por qué, como principio general de los pronósticos de demanda en una cadena de suministro, los pronósticos de largo plazo suelen ser menos precisos que los de corto plazo?

1. Porque los métodos cualitativos son los más recomendables para horizontes de planeación largos
2. Porque la demanda agregada tiende a presentar mayor variabilidad que la demanda desagregada
3. Porque la constante de suavización α debe fijarse en un valor cercano a 1 para horizontes largos
4. Porque el error de pronóstico tiende a crecer conforme se amplía el horizonte de tiempo pronosticado

A mayor horizonte de pronóstico, mayor incertidumbre acumulada y, por tanto, mayor error esperado; la demanda agregada, de hecho, suele ser menos variable que la desagregada, no más. (Chopra, S. y Meindl, P., Administración de la cadena de suministro, Pearson, cap. de pronóstico de la demanda)