Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Pronósticos
Pronósticos
Definicin
La formulacin de pronsticos (o
proyeccin) es una tcnica para utilizar
experiencias pasadas con la finalidad
de predecir expectativas del futuro
3 o ms aos
Planear la fabricacin de nuevos productos,
gastos de capital, utilizacin o expansin de las
instalaciones y para investigacin y desarrollo.
Introduccin
Mejor perodo
para mejorar la
participacin de
mercado
La ingeniera de
investigacin y
desarrollo es
crtica
Vent
as
Crecimiento
Prctico para el
cambio del precio
o de la imagen
de la calidad
Fortalecimiento
del nicho
Dispositivos de
bsqueda en Internet
TVs LCD &
plasma
iPods
Xbox
360
Madurez
Declinacin
Restaurantes
con servicio
en automvil
Discos
flexibl
es 3
1/2
Figure 2.5
Estratgias y aspectos de la
Administracin de Operaciones
Crecimiento
El pronstico es
crtico.
Confiabilidad
del producto y
del proceso.
Mejoras y
alternativas del
producto
competitivo.
Aumento de la
capacidad.
Cambio hacia
el enfoque del
producto.
Mejoras de la
distribucin.
Madurez
Estandarizaci
n.
Menos cambios
rpidos al
producto ms
cambios
menores.
Capacidad
ptima.
Creciente
estabilidad del
proceso.
Corridas de
produccin
largas.
Mejoras al
producto y
reduccin de
costos.
Declinacin
Poca
diferenciaci
n del
producto.
Minimizacin
de costos.
Sobrecapaci
dad en la
industria.
Purga de la
lnea para
eliminar
artculos con
margen de
rendimiento
malo.
Reduccin
de la
capacidad.
Figure 2.5
Categoras de Pronstico
Pronsticos Cualitativos se emplean cuando no hay
informacin histrica.
Se basan en un juicio personal o en informacin
cualitativa externa.
Es subjetivo, se desarrolla a partir de la
experiencia de las personas involucradas y
sesgado segn la posicin optimista o pesimista
de la persona.
Permite obtener algunos resultados con bastante
rapidez.
En algunos casos es importante porque puede
constituir el nico mtodo disponible.
Se utilizan para productos individuales o familias
de productos y rara vez para mercados completos.
Ing. Ricardo Serrano C.
Pronsticos cualitativos
Encuestas de mercado
Pronsticos Delphi o consenso
de panel
Analoga por ciclo de vida (punto
de partida cuando no se cuenta
con una historia de la demanda)
Valoracin o juicio informado
(diagnstico de varios
vendedores).
Ing. Ricardo Serrano C.
Pronsticos cuantitativos
METODO CAUSAL
Se basa en la relacin entre variables.
Supone que la variable causal
(indicador lder) puede ser medida de
manera precisa.
Con indicadores lderes apropiados se
obtienen pronsticos con buenos
resultados.
Rara vez se emplea para un producto,
sino para la industria completa.
Su aplicacin implica tiempo y costo.
Ing. Ricardo Serrano C.
10
11
Pronsticos cuantitativos
SERIES DE TIEMPO
Se basa en que la demanda pasada sigue
cierto patrn y que se pueden hacer
proyecciones para la demanda futura.
La variable independiente es el tiempo.
Es el ms utilizado para hacer los planes
de produccin.
Tratan de capturar los patrones
subyacentes de la demanda pasada,
como el patrn aleatorio, de tendencia,
estacional.
Ing. Ricardo Serrano C.
12
Ciclos
Estacion
al
Aleatori
a
Componentes de la Demanda
Componentes
de la tendencia
Picos estacionales
Demanda
real
Variacin
aleatoria
|
1
|
2
|
3
Aos
Demanda
promedio
durante 4
aos
|
4
Figure 4.1
Series de tiempo
15
Componentes de la tendencia
Los datos son persistentes, hacia
arriba o hacia abajo, en el tiempo.
Cambios debido a la poblacin,
distribucin de edades,
tecnologas, cultura, etc.
Tipicamente con duracin de
algunos aos.
Componentes de estacionalidad
Patron regular de los datos con
fluctuaciones hacia arriba y hacia
abajo.
Debido a estaciones, etc.
Occure dentro de un slo ao.
Perodo
Duracin
Semana
Mes
Mes
Ao
Ao
Ao
Da
Semana
Da
Trimestre
Mes
Semana
Nmero de
Estaciones
7
4-4.5
28-31
4
12
52
Componente Cclico
Repeticin de movimientos hacia
arriba y hacia abajo.
Afectados por el ciclo econmico,
poltico, y los factores econmicos
Multiples aos de duracin.
A menudo, las relaciones causales
o asociativas
10
15
20
Componente aleatorio
Fluctuaciones errticas, no
sistemticas o residuales
Debido a los acontecimientos al
azar o variacin imprevista
Corta duracin y no
repetitiva.
F = Pronstico
t= Perodo de tiempo actual
At= Demanda real en el perodo t.
n= nmero de perodos que se
utiliza.
Ing. Ricardo Serrano C.
20
Ventas Reales
de cobertizos
Promedio mvil
de 3 meses
10
12
13
16
19
23
26
(10 + 12 + 13)/3 =
(12 + 13 + 16)/3 =
(13 + 16 + 19)/3 =
(16 + 19 + 23)/3 =
19 1/3
Ventas de cobertizos
Pronstico de
Promedio
Mvil
Ventas
Reales
|
E
|
F
|
M
|
A
|
M
|
J
|
J
|
A
|
S
|
O
|
N
|
D
donde:
23
El
valor de est comprendido entre
0 y 1.
Para que los datos sean consistentes
hay que hacer una aproximacin
entre el valor de el nmero de
observaciones utilizados para
obtener los promedios mviles.
,o
Ing. Ricardo Serrano C.
24
Ultimo mes
Promedio Mvil32 Ponderado
Hace dos meses
1
6
ventas reales
Mes
Enero
Febrero
Marzo
Abril
121/6
Mayo
141/3
Junio
Julio
17
10
12
13
16
19
23
26
30
Sales demand
25
20
Ventas
Reales
15
Promedio
Mvil
10
5
|
Figure 4.2
|
F
|
M
|
A
|
M
|
J
|
J
|
A
|
S
|
O
|
N
|
D
Perodo 2 Perodo
Ms
ms
Ms
Constante de reciente Reciente
Reciente
Suavizamiento()
(1 - )
(1 - )4
= .1
0.066
0.1
0.09
= .5
0.031
0.5
0.25
3er Perodo
4to perodo
Ms
Ms
Reciente
(1 - )2
0.081
0.125
Reciente
(1 - )3
0.073
0.063
Impacto de Diferentes
225
Demanda
200
= .5
Demanda
real
175
150
= .1
|
1
|
2
|
3
|
4
|
5
Trimestre
|
6
|
7
|
8
|
9
Impacto de Diferentes
225
Demand
200
Actual
Elija valores altodemand
de
cuando el promedio
subyacente
es probable
175
que cambie.
Elija valores bajo de
150
cuando el promedio
|
|
|
|
subyacente
es| estable.
Trimestre
= .5
= .1
|
6
|
7
|
8
|
9
Demanda
24
26
22
25
24.0
19
24.3
31
22.0
26
25.0
18
25.3
29
25.0
10
24
24.3
11
30
23.7
12
23
27.7
13
Pronstico de Promedio
mvil
(24+26+22)/
3
25.7
33
Demanda
13
15
18
22
15.3
27
18.3
31
22.3
36
26.7
41
31.3
45
36.0
10
52
40.7
11
57
46.0
12
Pronstico de Promedio
mvil
(13+15+18)/
3
51.3
34
Demanda
24
26
22
25
23.6
19
24.3
31
21.4
26
26.2
18
26.1
29
23
10
24
25.1
11
30
24.3
12
23
28
13
Pronstico de Promedio
mvil Ponderado
(22x0.5+26x0.3+24
x0.2)
25.3
35
Demanda
24
26
22
25
24.4
19
24.5
31
23.4
26
24.9
18
25.1
29
23.7
10
24
24.8
11
30
24.6
12
23
25.7
13
Pronstico ( = 0.2)
((24+26)/2)+0.2(22((24+26)/2))
25.2
36
Demanda
24
26
22
25
23.5
19
24.3
31
21.6
26
26.3
18
26.2
29
22.1
10
24
25.5
11
30
24.8
12
23
27.4
13
Pronstico ( = 0.5)
25.2
37
Demanda
24
26
22
25
22.6
19
24.5
31
20.1
26
28.8
18
26.6
29
19.7
10
24
27.1
11
30
24.6
12
23
28.9
13
Pronstico ( = 0.8)
24.2
38
i100|Real
i - Pronsticoi|/Reali
=1
MAPE =
1
2
3
4
5
6
7
8
180
168
159
175
190
205
180
182
175
175.5
174.75
173.18
173.36
175.02
178.02
178.22
5.00
7.50
15.75
1.82
16.64
29.98
1.98
3.78
82.45
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62
real
TrimestreDescargado
con
= .10
para
= .10
Para
=
.10
1
180
175
5.00
2
168= 82.45/8
175.5 = 7.50
10.31
3
4
Para
5
6
7
8
159
174.75
175
= .50 173.18
190
173.36
205= 98.62/8
175.02
180
178.02
182
178.22
15.75
1.82
16.64
=29.98
12.33
1.98
3.78
82.45
Desviacin
Pronstico Absoluta
con
para
= .50
= .50
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62
41
real
TrimestreDescargado
con
= .10
para
= .10
Para
=
.10
1
180
175
5.00
2
168
175.5 = 7.50
=
1,526.54/8
190.82
3
4
Para
5
6
7
8
159
174.75
175
= .50 173.18
190
173.36
=205
1,561.91/8
175.02
180
178.02
182
178.22
MAD
15.75
1.82
16.64
=29.98
195.24
1.98
3.78
82.45
10.31
con
= .50
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
Desviacin
Absoluta
para
= .50
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62
12.33
Comparacin
del error de pronstico
n
i =100|desviacin
i|/reali
1
Desviacin
Desviacin
Pronstico
n Absoluta Pronstico Absoluta
real
con
para
con
para
TrimestreDescargado = .10
= .10
= .50
= .50
MAPE Tonelaje
=
Para
=
.10
1
180
175
5.00
2
168 = 44.75/8
175.5
=7.50
5.59%
3
159
174.75 15.75
4 Para 175
= .50173.18 1.82
5
190
173.36 16.64
6.76%
6
205 = 54.05/8
175.02 =
29.98
7
180
178.02
1.98
8
182
178.22
3.78
82.45
MAD
10.31
MSE
190.82
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62
12.33
195.24
1
2
3
4
5
6
7
8
180
168
159
175
190
205
180
182
175
175.5
174.75
173.18
173.36
175.02
178.02
178.22
MAD
MSE
MAPE
5.00
7.50
15.75
1.82
16.64
29.98
1.98
3.78
82.45
10.31
190.82
5.59%
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62
12.33
195.24
6.76%
Pronstico
suavizado
(Ft) +
Exponencialmente
Tendencia
suavizada
(Tt)
exponencialmente
Ejemplo de Suavizamiento
exponencial con ajuste de tendencia
Mes (t)
1
2
3
4
5
6
7
8
9
10
Table 4.1
Demanda
Real(At)
12
17
20
19
24
21
31
28
36
Pronstico
Pronstico
Tendencia Incluyendo
Suavizado, Ft Suavizada, TtTendencia, FITt
11
13.00
Ejemplo de Suavizamiento
exponencial con ajuste de tendencia
Mes (t)
1
2
3
4
5
6
7
8
9
10
Table 4.1
Demanda
Real (At)
12
17
20
19
24Paso
21
31
28
36
Pronstico
Pronstico
Tendencia Incluyendo
Suavizado, Ft Suavizada, TtTendencia, FITt
11
13.00
Ejemplo de Suavizamiento
exponencial con ajuste de tendencia
Mes (t)
1
2
3
4
5
6
7
8
9
10
Table 4.1
Demanda
Real (At)
Pronstico
Pronstico
Tendencia Incluyendo
Suavizado, Ft Suavizada, TtTendencia, FITt
12
11
2
13.00
17
12.80
20
19
24 Paso 2: Tendencia suavizada para el mes
21
T2 = (F2 - F1) + (1 - )T1
31
28
T2 = (.4)(12.8 - 11) + (1 - .4)(2)
36
Ejemplo de Suavizamiento
exponencial con ajuste de tendencia
Mes (t)
1
2
3
4
5
6
7
8
9
10
Table 4.1
Demanda
Real (At)
12
17
20
19
24
21
31
28
36
Pronstico
Pronstico
Tendencia Incluyendo
Suavizado, Ft Suavizada, TtTendencia, FITt
11
12.80
2
1.92
13.00
Ejemplo de Suavizamiento
exponencial con ajuste de tendencia
Mes (t)
1
2
3
4
5
6
7
8
9
10
Table 4.1
Demanda
real (At)
12
17
20
19
24
21
31
28
36
Pronstico
Pronstico
Tendencia Incluyendo
Suavizado, Ft Suavizada, TtTendencia, FITt
11
12.80
15.18
17.82
19.91
22.51
24.11
27.14
29.28
32.48
2
1.92
2.10
2.32
2.23
2.38
2.07
2.45
2.32
2.68
13.00
14.72
17.28
20.14
22.14
24.89
26.18
29.59
31.60
35.16
Ejemplo de Suavizamiento
exponencial con ajuste de tendencia
35
Product demand
5
0
|
1
|
2
|
3
|
4
|
5
|
6
Time (month)
|
7
|
8
|
9
Figure 4.3
Deviation7
Deviation5
Deviation6
Deviation3
Deviation4
Deviation1
(error)
Deviation2
Time period
Figure 4.4
Deviation7
Deviation5
Deviation3
Deviation6
Deviation1
Deviation2
Perodo de Tiempo
Figure 4.4
y = a + bx
xy n x y
b=
x2 - nx2
a = y - bx
Ao
2001
2002
2003
2004
2005
2005
2007
1
2
3
4
5
6
7
x = 28
x=4
b=
74
79
80
90
105
142
122
y = 692
y = 98.86
x2
xy
1
4
9
16
25
36
49
x2 = 140
74
158
240
360
525
852
854
xy = 3,063
xy n x y 3,063 - (7)(4)(98.86)
=
140 - (7)(42)
x2 n x2
= 10.54
1999
1
74
2000
2
79
La lnea 3de tendencia
2001
80 es:
2002
4
90
^
2003
y =5 56.70 + 105
10.54x
2004
6
142
2005
7
122
x = 28
y = 692
x2 =
x=4
y = 98.86
x2
xy
1
4
9
16
25
36
49
140
74
158
240
360
525
852
854
xy = 3,063
Demanda de energa
160
150
140
130
120
110
100
90
80
70
60
50
Lnea de tendencia,
y^
= 56.70 + 10.54x
|
|
|
|
|
|
|
|
|
2001 2002 2003 2004 2005 2006 2007 2008 2009
Ao
Pasos en el proceso:
1. Encontrar la demanda histrica
promedio de cada estacin.
2. Calcular la demanda promedio de todos
los meses.
3. Calcular un ndice estacional para cada
estacin.
4. Estimar la demanda total para el
siguiente ao.
5. Dividir esta estimacin de la demanda
total entre el nmero de estaciones,
despus multiplicarla por el ndice
Demanda
2005 2006 2007
80
70
80
90
113
110
100
88
85
77
75
82
85
85
93
95
125
115
102
102
90
78
72
78
105
85
82
115
131
120
113
110
95
85
83
80
Promedio
2005-2007
90
80
85
100
123
115
105
100
90
80
80
80
Promedio
ndice
Mensual Estacional
94
94
94
94
94
94
94
94
94
94
94
94
Demanda
2005 2006 2007
Promedio
2005-2007
Promedio
ndice
Mensual Estacional
0.957
Ene
80
85 105
90
94
Feb
70
85
85
80
94
Demanda
2005-2007
Mar
80
93
82 promedio
85 mensual 94
ndice
Apr Estacional
90
95= 115
100
94
Demanda Promedio
mensual
May
113 125 131
123
94
= 90/94 = 0.957
Jun
110 115 120
115
94
Jul
100 102 113
105
94
Aug
88 102 110
100
94
Sept
85
90
95
90
94
Oct
77
78
85
80
94
Nov
75
72
83
80
94
Dic
82
78
80
80
94
Demanda
2005 2006 2007
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sept
Oct
Nov
Dic
80
70
80
90
113
110
100
88
85
77
75
82
85
85
93
95
125
115
102
102
90
78
72
78
105
85
82
115
131
120
113
110
95
85
83
80
Promedio
2005-2007
90
80
85
100
123
115
105
100
90
80
80
80
Promediio
ndice
Mensual Estacional
94
94
94
94
94
94
94
94
94
94
94
94
0.957
0.851
0.904
1.064
1.309
1.223
1.117
1.064
0.957
0.851
0.851
0.851
Average
2005-2007
Average
Monthly
80
85 105
90
94
para
70
85Pronstico
85
80 2008 94
80
93
82
85
94
Demanda
90
95 anual
115 esperada
100 = 1,200
94
113 125 131
123
94
110 115 120 1,200 115
94
Ene 113
x105
.957 = 96 94
100 102
12
88 102 110
100
94
1,200 90
85
90
95
Feb
x .851 = 85 94
77
78
85 12
80
94
75
72
83
80
94
82
78
80
80
94
Seasonal
Index
unid
0.957
0.851
0.904
1.064
1.309
1.223
1.117
1.064
0.957
0.851
0.851
0.851
140
130
Demand
120
Forecast
Demand
Demand
Demand
110
100
90
80
70
|
J
|
F
|
M
|
A
|
M
|
J
|
J
Time
|
A
|
S
|
O
|
N
|
D
Deman
da
Pronsti
co
256
287.1
312
305.9
426
324.7
278
343.5
298
362.3
387
381.1
517
399.9
349
418.7
Y= b0 +
b 1X
437.5
XY y X
b1
X2 xX
b0 y b1 x
Trim Dem.
.
Pron
st.
Proporci
n
Dem /
Pron
256
287.1
0.89
312
305.9
1.02
426
324.7
1.31
278
343.5
0.81
298
362.3
0.82
387
381.1
1.02
517
399.9
1.29
349
418.7
0.83
437.5
65
or
estacional
ajustado
256
287.1
0.86
246.1
312
305.9
1.02
311.3
426
324.7
1.30
422.9
278
343.5
0.82
282.2
298
362.3
0.86
310.5
387
381.1
102
387.8
517
399.9
1.30
520.8
349
418.7
0.82
343.9
437.5
0.86
376.3
66
67
16.2
17.3
14.6
16.1
Martes
12.2
11.5
13.1
11.8
Mircoles
14.2
15.0
13.0
12.9
Jueves
17.3
17.6
16.9
16.6
Viernes
22.5
23.5
21.9
24.3
Promedio de Observaciones =
= 16.425
Observacin / Valor
promedio
0.986
1.053
0.889
0.980
0.743
0.700
0.798
0.718
0.865
0.913
0.791
0.785
1.503
1.072
1.029
1.011
1.370
1.431
1.333
Promed Pronstic
io
o
Factore Estacional
s
Lunes
0.98
16.1
Martes
0.74
12.1
0.84
13.8
Mircole
Ing. Ricardo Serrano C.
1.479
s
68
Dem.
Pronstico
ajustado
Error
% Error
1
2
3
4
5
6
7
8
256
312
426
278
298
387
517
349
246.1
311.3
422.9
282.2
310.5
387.8
520.8
343.9
9.9
0.7
3.1
-4.2
-12.5
-0.8
.-3.8
5.1
4
0
1
-1
-4
0
-1
1
69
Errores de Pronstico
Error Promedio de
Pronstico (MFE
Mean Forecast Error)
Representa la
diferencia entre la
demanda real y el
pronstico.
Indica el nivel de
sesgo que hay entre el
pronstico y la
demanda real
Tri
m
Deman
da (A)
Pronsti
co (F)
Error
(A-F)
1
2
3
4
5
6
12
15
13
16
14
11
14
13
12
13
15
14
-2
2
1
3
-1
-3
70
Errores de Pronstico
Desviacin Media
Absoluta (MAD Mean
Absolute Deviation)
Representa el promedio
de las desviaciones
absolutas de los errores
de pronstico.
Indica el error de
pronstico promedio
(siempre positivo)
Tri
m
Deman
da (A)
Pronsti
co (F)
Error
(A-F)
1
2
3
4
5
6
12
15
13
16
14
11
14
13
12
13
15
14
2
2
1
3
1
3
71
Caso de Aplicacin
La demanda de un producto durante los 10
trimestres anteriores son: 130, 115, 120,
125, 115, 110, 135, 115, 125 y 120.
Pronostique la demanda del trimestre 11,
utilizando los siguientes mtodos
Promedio mvil de 3 trimestre.
Promedio mvil ponderado de 3 trimestres con
pesos de 0.2, 0.3 y 0.5.
Suavizacin exponencial con =0.3.
Regresin lineal.
72
Ventas
Ventas
planilla Local
Millones de $), y(Billones de $), x
2.0
1
3.0
3
2.5
4
2.0
2
2.0
1
3.5
7
4.0
3.0
2.0
1.0
|
1
|
2
|
|
|
|
3 4 5 6
Planilla del rea
|
7
x2
1
9
16
4
1
49
80 xy =
xy
2.0
9.0
10.0
4.0
2.0
24.5
51.5
51.5 - (6)(3)(2.5)
xy - nxy
=
2
2
80 - (6)(32)
x - nx
= 0 .25
Ventas
Si la planilla para
el prximo ao
es estimada en
$6 billones,
entonces:
Ventas = 1.75 + .25(6)
Ventas = $3,250,000
2.0
1.0
|
1
|
2
|
|
|
|
3 4 5 6
Planilla del real
|
7
Ventas
0
Figure 4.9
|
1
|
2
|
|
|
|
3 4 5 6
Planilla del Area
|
7
(y - yc)2
n-2
Sy,x = 0.306
4.0
3.0
3.25
El error estndar
de la estimacin
es $306,000 en
ventas
Ventas
y,x
y2 - ay - bxy
n-2
2.0
1.0
|
1
|
2
|
|
|
|
3 4 5 6
Planilla del rea
|
7
Coeficientes de Correlacin
Qu tan fuerte es la relacin
lineal entre las variables?
La correlacin no
necesariamente implica
casualidad!
Coeficiente de correlacin, r,
miden el grado de asociacin
entre dos variables
Rango de valores es entre -1 y +1
Coeficiente de Correlacin
El valor del coeficiente de correlacin,
r, se determina mediante la
siguiente expresin:
r=
nxy - xy
[nx2 - (x)2][ny2 - (y)2]
(a) Correlacin
positiva
perfecta:
r = +1
(b) Correlacin
positiva:
0<r<1
(c) No hay
correlacin:
r=0
(d) Correlacin
negativa perfecta:
Coeficiente de Correlacin
Coeficiente of Determinacin, r2,
mide el porcentaje de cambio en el
pronstico debido al cambio en el
valor de x
Rango de valores entre 0 y 1
Fcil de interpretar
Para el ejemplo:
r = .901
r2 = .81
Seal de = RSFE
control
MAD
(Demanda real del perodo i pronosticada del perodo i)
Seal de Demanda
=
|Real - Pronstico|/n)
control
Seal de Control
La seal excedi el lmite
+
Seal de control
Lmite superior de control
0 MADs
Intervalo
aceptado
Error
absoluto
Demanda Demanda
Absoluto acumulado
Trim real Pronost. Error RSFE de Pronostdel pronostMAD
1
2
3
4
5
6
90
95
115
100
125
140
100 -10
100
-5
100 +15
110 -10
110 +15
110 +30
-10
-15
0
-10
+5
+35
10
5
15
10
15
30
10
15
30
40
55
85
10.0
7.5
10.0
10.0
11.0
14.2
Error
absoluto
Seal
de Control
Demanda
Demanda
Absoluto acumulado
Trim(RSFE/MAD)
real Pornost. Error RSFE del Pronostdel pronostMAD
1 -10/10
90 =100
-10
-1
2 -15/7.5
95 =100
-5
-2
3 0/10
115 = 100
+15
0
4 -10/10
100 =110
-10
-1
5+5/11
125= +0.5
110 +15
6 140 =110
+30
+35/14.2
+2.5
-10
-15
0
-10
+5
+35
10
5
15
10
15
30
10
15
30
40
55
85
10.0
7.5
10.0
10.0
11.0
14.2