PLANIFICACION DE LA

PRODUCCION:
PRONOSTICOS
Dr. Carlos L. Jave Gutirrez

Universidad San Martn de Porras

2010 - 2

PLANIFICACION DE LA PRODUCCION
Son variados y similares los enfoques que con respecto al
proceso de planificacin, programacin y control de la
produccin han sido tratados por diversos autores, quienes
establecen, en trminos generales, que este se inicia con las
previsiones, de las cuales se desprenden los planes a largo,
mediano y corto plazo.
Este enfoque, como hemos visto tiene algunas fallas, ya que
carece del concepto integrador que en el sentido vertical, debe
comenzar en la estrategia empresarial y que en el sentido
horizontal, debe relacionarse con los dems subsistemas de la
organizacin.
Domnguez Machuca, J.A. et. al [1995]: Direccin de
operaciones. Aspectos tcticos y operativos en la produccin y
los servicios. Editorial Mc Graw Hill, Madrid.
Heizer, J. & Render, B. [1997]: Direccin de la produccin.
Decisiones tcticas. 4. Ed., Editorial Prentice Hall, Madrid.

PLANIFICACION DE LA PRODUCCION
Vollmann y Domnguez Machuca, consideran la integracin en
ambos sentidos. Al respecto, este ltimo autor afirma que, el
proceso de planificacin y control de la produccin debe seguir
un enfoque jerrquico, en el que se logre una integracin
vertical entre los objetivos estratgicos, tcticos y operativos y
adems se establezca su relacin horizontal con las otras reas
funcionales de la compaa.
Bsicamente las cinco fases que componen el proceso de
planificacin y control de la produccin son:

Planificacin estratgica o a largo plazo.

Planificacin agregada o a medio plazo.
Programacin maestra.
Programacin de componentes.
Ejecucin y control.

PLANIFICACION DE LA PRODUCCION

PRONOSTICOS
Los pronsticos son el primer paso dentro del proceso de
planificacin de la produccin y estos sirven como punto de
partida, no solo para la elaboracin de los planes estratgicos,
sino adems, para el diseo de los planes a mediano y corto plazo,
lo cual permite a las organizaciones, visualizar de manera
aproximada los acontecimientos futuros y eliminar en gran parte
la incertidumbre y reaccionar con rapidez a las condiciones
cambiantes con algn grado de precisin.
Predicciones: se basan meramente en la consideracin de
aspectos subjetivos dentro del proceso de estimacin de eventos
futuros
Pronsticos: se desarrollan a travs de procedimientos
cientficos, basados en datos histricos, que son procesados
mediante mtodos cuantitativos.

PRONOSTICAR
Pronosticar. Es emitir un enunciado sobre lo que es probable que
ocurra en el futuro, basndose en anlisis y en consideraciones de
juicio. Se desarrollan a travs de
procedimientos cientficos,
basados en datos histricos, que son procesados mediante mtodos
cuantitativos..
Propsito. Hacer un pronstico es obtener conocimiento sobre
eventos inciertos que son importantes en la toma de decisiones
presentes.
Las tcnicas de pronsticos disminuyen la incertidumbre sobre el
futuro, permitiendo estructurar planes y acciones congruentes con
los objetivos de la organizacin y permiten tambin tomar acciones
correctivas apropiadas y a tiempo cuando ocurren situaciones fuera
de lo pronosticado.

USOS DE LOS PRONOSTICOS

Mercadotecnia.

Tamao del mercado.

Participacin en el mercado.

Tendencia de precios.

Desarrollo de nuevos
productos.
Produccin.

Costo de materia prima.

Costo de mano de obra.

Disponibilidad de materia
prima.

Disponibilidad de mano de
obra.

Requerimientos de
mantenimiento.

Capacidad disponible de la
planta para
la produccin.

Finanzas.

Tasas de inters.

Cuentas de pagos lentos.
Recursos Humanos.

Nmero de trabajadores.

Rotacin de personal.

Tendencias de ausentismo.

Tendencia de llegadas tarde.
Planeacin Estratgica.

Factores econmicos.

Cambios de precios.

Costos.

Crecimiento de lneas de
productos

TIPOS DE PRONOSTICOS
Estos pueden ser clasificados de acuerdo a tres criterios:

Segn el horizonte de tiempo. Pueden ser de largo plazo,
mediano plazo o corto plazo y su empleo va desde la
elaboracin de los planes a nivel estratgico hasta los de nivel
operativo.

Segn el entorno econmico abarcado. Pueden ser de tipo
micro o de tipo macro y se definen de acuerdo al grado en que
intervienen pequeos detalles vs. grandes valores resumidos.

Segn el procedimiento empleado. Pueden ser de tipo
puramente cualitativo, en aquellos casos en que no se
requiere de una abierta manipulacin de datos y solo se utiliza
el juicio o la intuicin de quien pronostica o puramente
cuantitativos, cuando se utilizan procedimientos matemticos
y estadsticos que no requieren los elementos del juicio.

TIPOS DE PRONOSTICOS
De a acuerdo a la ltima clasificacin tenemos:

Mtodos Cualitativos: Mtodo Delphi, mtodo del juicio
informado, mtodo de la analoga de los ciclos de vida y mtodo
de la investigacin de mercados.

Mtodos Cuantitativos: Mtodos por series de tiempo y
mtodos causales.

TIPOS DE PRONOSTICOS
Nombre

Horizonte de prediccin

No formales

Corto plazo

Promedio simple

Corto plazo

Promedio mvil

Corto plazo

Suavizacin exponencial

Corto plazo

Suavizacin exponencial lineal

Corto plazo

Suavizacin exponencial cuadrtica

Corto plazo

Suavizacin exponencial estacional

Corto plazo

Filtracin adaptiva

Corto plazo

Descomposicin clsica

Corto plazo

Modelos de tendencia exponencial

Mediano y largo plazo

Ajuste de curva S

Mediano y largo plazo

Modelo de Gompertz

Mediano y largo plazo

Curvas de crecimiento

Mediano y largo plazo

Census II

Corto plazo

Box-Jenkins

Corto plazo

METODOS CUANTITATIVOS
(TIPO SERIE DE TIEMPO)

10

TIPOS DE PRONOSTICOS

Nombre

Horizonte de prediccin

Regresin simple

Mediano plazo

Regresin mltiple

Mediano plazo

Indicadores principales

Corto plazo

Modelos economtricos

Corto plazo

Regresin mltiple de series de tiempo

Mediano y largo plazo

METODOS CUANTITATIVOS
(TIPO CAUSALES)

11

ANALISIS DE REGRESION
Un objetivo comn en muchas aplicaciones estadsticas es examinar
la relacin que existe entre dos variables numricas.
El objeto de un anlisis de regresin es investigar la relacin
estadstica que existe entre una variable dependiente (Y) y una o
ms variables independientes (X1, X2, X3 ... ).
DIAGRAMAS DE DISPERSION:
Un estudio de la relacin entre variables empieza con el caso ms
simple, el de la relacin entre dos variables.
Un diagrama de dispersin mapea en dos dimensiones los valores de
X a lo largo del eje horizontal y los valores de Y en el eje vertical. El
diagrama de dispersin ayuda a ilustrar lo que la intuicin
sugiere: la relacin entre X e Y.
12

ANALISIS DE REGRESION

DIAGRAMAS DE
DISPERSION:

13

ANALISIS DE REGRESION
El diagrama (a) de la figura sugiere lo que se denomina relacin
perfecta lineal positiva. Conforme X se incrementa, Y tambin, de
una manera predecible. Es decir, X e Y parecen comportarse en
torno a una lnea recta. El diagrama (b) sugiere una relacin
perfecta lineal negativa. Es decir, conforme X se incrementa, Y
decrece de una manera predecible.

a)

b)

14

ANALISIS DE REGRESION

15

ANALISIS DE REGRESION
Las figuras (c) y (d) ilustran una relacin imperfecta lineal
positiva y negativa, respectivamente, pero no de una manera
predecible. As, Y puede ser ligeramente superior o inferior a lo
esperado. Es decir, los puntos X - Y no se comportan como una lnea
recta.

c)

d)

16

ANALISIS DE REGRESION

Los diagramas de dispersin de las figuras (c) y (d) muestran lo que

se conoce como relaciones lineales. La relacin X - Y, sea perfecta o
imperfecta, puede ser resumida por una lnea recta. En
comparacin, una relacin de curva aparece en el diagrama (e).

e)

17

ANALISIS DE REGRESION
Finalmente, el diagrama de la figura (f), sugiere que no existe
relacin de ningn tipo entre las variables X e Y. Si X se incrementa,
Y no parece incrementarse o decrementarse de una manera
predecible. Sobre la base de la evidencia muestral que aparece en el
diagrama, se puede concluir que en la poblacin de todos los puntos
X - Y, no existe relacin lineal o de otro tipo entre las variables X, Y.

f)

18

ANALISIS DE REGRESION

19

ANALISIS DE REGRESION
Ahora considrense los dos diagramas de dispersin de la figura.
Ambos diagramas sugieren relaciones imperfectas lineales positivas
entre X e Y. La diferencia es que esta relacin parece ms fuerte en
la figura (a) debido a que los datos estn ms cerca a la lnea recta
que pasa a travs de ellos. En la figura (b) se sugiere una relacin
ms dbil. Los puntos de los datos estn ms lejos de la lnea recta
que pasa por ellos, sugiriendo que la relacin entre X e Y es menos
lineal.

a)

b)

20

ANALISIS DE REGRESION

REGRESION LINEAL:
El anlisis de regresin es una tcnica de pronstico que establece
una relacin entre variables. Se considera en este momento la
situacin de regresin ms sencilla slo para dos variables y para
una relacin funcional lineal entre ellas.
El pronstico para la demanda del periodo siguiente Ft se puede
expresar mediante:
Ft = a + b*Xt

Y = a + b*X

Donde Ft es el pronstico para el periodo t, dado el valor de la

variable X en el periodo t. Los coeficientes a y b son constantes; a
es la ordenada al origen de la variable (F) y b es la pendiente de la
recta.
21

ANALISIS DE REGRESION
REGRESION LINEAL:
Se ha sustituido F por Y para indicar que F es el valor pronosticado,
la demanda pronosticada Ft indica el futuro. Para encontrar los
coeficientes a y b se utiliza la demanda anterior (o histrica) en vez
del pronstico anterior. Se emplea Dt para indicar la demanda
histrica y para encontrar los coeficientes a y b. Entonces, cuando se
desea pronosticar la nueva demanda, se emplea Ft para representar
el pronstico de la demanda. Los coeficientes a y b pueden
calcularse mediante las dos ecuaciones siguientes:

en donde:
D = a + b*X
22

ANALISIS DE REGRESION
REGRESION LINEAL MULTIPLE:
En forma general:
Y = a + b1X1 + b2X2 + + bnXn
Donde:
X1, X2, Xn : Variables Independientes
a
b1
bn

: Es la ordenada del punto de interseccin con el eje Y.

: Coeficiente de Regresin (es la variacin neta en Y por
cada unidad de variacin en X1.).
: Coeficiente de Regresin (es el cambio neto en Y para
cada cambio unitario en Xn).

23

ANALISIS DE REGRESION

REGRESION LINEAL:
Caso:
Una empresa que fabrica cajas de cartn hace cajas de pizzas. El
departamento de planeacin de operaciones sabe que un
pronstico adecuado y preciso de cajas de pizza de un cliente est
en relacin estrecha con los gastos de promocin de ste, el cual
se puede obtener por adelantado antes de realizar el gasto. El
departamento de planeacin de operaciones est interesado en
establecer la relacin entre la promocin de la empresa de pizzas
y las ventas. Una vez que eso se haya establecido, las rdenes de
compra de las cajas para pizzas, en dlares, pueden expresarse
como porcentaje fijo de ventas.

24

ANALISIS DE REGRESION

Trimestre

Publicidad ($
100,000)

Ventas ($ Millones)

10

15

12

16

10

10

2
25

ANALISIS DE REGRESION
Haciendo el clculo de b y a, donde la publicidad es Xt para el
trimestre t, las ventas son Dt para el trimestre t y Ft es el pronstico
para el futuro periodo t.
Trimestre

Publicidad
(X)

Ventas (D)

X2

D2

X*D

16

10

100

16

40

15

225

25

75

12

144

16

48

64

24

16

256

16

64

25

10

49

81

16

36

10

10

100

20

96

30

1060

108

328
26

ANALISIS DE REGRESION

10*(328) (96)*30
b=

30 0.29*(96)
= 0.29

a=

10*(1060) (96)2

= 0.22
10

Por lo tanto, la recta estimada de regresin, la relacin entre las

ventas futuras (Ft) y la publicidad (Xi) es:
Ft = 0.22 + 0.29Xt
En el ejemplo, quien hace la planeacin de las operaciones puede
investigar los gastos planeados en publicidad y sobre esas ventas
puede hacer el pronstico. Por ejemplo, la publicidad del prximo
trimestre se espera que tenga un monto de 1100,000 dlares.
Sustituyendo 11 para Xt en la ecuacin anterior se tendr:
Ft = 0.22 + 0.29(11) = 3.41
27

ANALISIS DE REGRESION
El pronstico de las ventas es de 3.41 millones de dlares.
Si los pedidos de cajas representan el 5 % de las ventas, quien
planea las operaciones podra esperar que un monto total por
concepto de pedidos sera de $ 170500 para el trimestre (0.05 x
3.41).

Tal estimacin puede ser de gran utilidad en la planeacin global

de las operaciones.

28

ANALISIS DE REGRESION

COEFICIENTE DE CORRELACION:
El coeficiente de correlacin lineal nos permite determinar
si, efectivamente, existe relacin entre las dos variables.
Una vez que se concluye que s existe relacin, la regresin
nos permite definir la recta que mejor se ajusta a esta nube
de puntos.
Dos variables con una relacin perfecta lineal negativa tienen un
coeficiente de correlacin igual a -1. En el otro extremo, dos
variables con una relacin perfecta positiva tienen un coeficiente
de correlacin de +1. Por lo tanto, el coeficiente de correlacin
vara entre -1 y +1 incluyndolos.

29

ANALISIS DE REGRESION

COEFICIENTE DE CORRELACION:
El diagrama de dispersin (a) de la
figura ilustra una situacin que
producira
un
coeficiente
de
correlacin de +1. El diagrama de
dispersin (b) de esa misma figura
tiene un coeficiente de correlacin
de -1. Los diagramas (e) y (f)
muestran dos variables que no
estn linealmente relacionadas. El
coeficiente de correlacin para esta
relacin es igual a 0, es decir, no
hay relacin lineal presente.

a)

b)

e)

f)

30

ANALISIS DE REGRESION

COEFICIENTE DE CORRELACION:
Es importante tambin distinguir entre dos grupos de datos en los
cuales est interesado el analista. En la poblacin que contiene
todos los datos X - Y de inters, existe un coeficiente de
correlacin cuyo smbolo es . Si se toma una muestra aleatoria
de los datos X - Y el coeficiente correlacin de esta muestra es r.
Un resumen de estas importantes caractersticas de y r se da en
la tabla.

31

ANALISIS DE REGRESION

COEFICIENTE DE CORRELACION:
Cuando se toma una muestra aleatoria de datos n de una
poblacin bajo investigacin. La frmula para el coeficiente de
correlacin es:

Muestra
Coeficiente de correlacin: r (-1 r + 1)
R = -1 correlacin perfecta negativa
R = 0 no hay correlacin
R = + 1 correlacin perfecta positiva

32

OTRAS TECNICAS DE PRONOSTICOS

Promedio simple:
Un promedio simple (PS) es un promedio de los datos del pasado en
el cul las demandas de todos los perodos anteriores tienen el
mismo peso relativo.

Donde:
D1 = demanda del periodo ms reciente.
D2 = demanda que ocurri hace dos periodos.
Dk = demanda que ocurri hace k periodos.
33

OTRAS TECNICAS DE PRONOSTICOS

Media mvil simple :
Una medida mvil simple (MMS) combina los datos de demanda de la
mayor parte de los periodos recientes, siendo su promedio el pronstico
para el periodo siguiente.
El promedio se mueve en el tiempo en el sentido de que al transcurrir un
periodo, la demanda del periodo ms antiguo se descarta, y se agrega la
demanda para el periodo ms reciente para la siguiente operacin.

Donde:
t = 1 es el periodo ms antiguo en el promedio de n periodos.
t = n es el periodo ms reciente.

34

OTRAS TECNICAS DE PRONOSTICOS

Caso 1:
LG Company ha experimentado la siguiente demanda de productos
para sus neveras durante los ltimos seis meses:
Mes

Demanda total de neveras

Enero

200

Febrero

300

Marzo

200

Abril

400

Mayo

500

Junio

600

El gerente de planta ha solicitado que se prepare un pronstico

usando una media mvil de seis periodos para pronosticar las ventas
del mes de Julio. El 2 de Julio est por dar principio la corrida de
produccin de neveras.
35

OTRAS TECNICAS DE PRONOSTICOS

Caso 1:

= 367
Usando una media mvil de seis meses el pronstico para julio es de
367. Si se examinan los datos, es posible que una media mvil de
tres meses pudiera ser mejor que una de seis meses. Si se toman
en cuenta tres meses obtenemos:

= 500
36

OTRAS TECNICAS DE PRONOSTICOS

Caso 2:
Si se hubiera utilizado una media mvil de un mes, las ventas del
mes siguiente seran iguales a la demanda real del ltimo mes y el
pronstico para julio sera de 600.
Es necesario hacer una recomendacin al gerente de planta:
Basta recomendar usar una medida mvil de tres meses de 500
neveras para Julio, pues el nmero parece ser mas representativo
de la serie de tiempo que una media mvil de seis meses y se basa
en ms datos que en el caso de una media mvil de un mes.

37

OTRAS TECNICAS DE PRONOSTICOS

Media mvil ponderada:
Algunas veces quien hace los pronsticos desea utilizar una media
mvil pero no quiere que todos los n periodos tengan el mismo
peso. Una medida mvil ponderada (MMP) es un modelo de media
mvil que incorpora algn peso de la demanda anterior distinto a un
peso igual para todos los periodos anteriores bajo consideracin, la
representacin de este modelo es el siguiente:
MMP = Demanda de cada periodo por un peso determinado, sumada
a los largo de todos los Periodos en la media mvil.

38

OTRAS TECNICAS DE PRONOSTICOS

Donde:

0 <= Ct <= 1.0

Este es un modelo que permite un peso desigual de la demanda. Si

son tres periodos, es posible dar peso al periodo ms reciente del
doble de los otros periodos, al hacer C1 = 0.25, C2 = 0.25 y C3 =
0.50

39

OTRAS TECNICAS DE PRONOSTICOS

Caso 3:
Para LG Company, un pronstico de la demanda para julio usando un
modelo de tres periodos en donde la demanda del periodo ms
reciente tenga un peso del doble de los dos periodos anteriores,
tendr la siguiente forma.

= 525

40

OTRAS TECNICAS DE PRONOSTICOS

Suavizado Exponencial:
Este modelo permite efectuar compensaciones para algunas
tendencias o para cierta temporada al calcular cuidadosamente los
coeficientes Ct. Si se desea se puede dar a los meses ms recientes
pesos mayores y amortiguar en parte los efectos del ruido al dar
pesos pequeos a las demandas ms antiguas.
El suavizado exponencial se distingue por la manera tan especial de
dar pesos a cada una de las demandas anteriores al calcular el
promedio. El modelo de los pesos es de forma exponencial. La
demanda de los periodos ms recientes recibe un peso mayor; los
pesos de los periodos sucesivamente anteriores decaen de una
manera exponencial.

41

OTRAS TECNICAS DE PRONOSTICOS

Suavizado exponencial de primer orden:

La ecuacin para crear un pronstico nuevo o actualizado utiliza dos
fuentes de informacin:

La demanda real para el periodo ms reciente y,

El pronstico ms reciente.
A medida que termina cada periodo se realiza un nuevo pronstico.

42

OTRAS TECNICAS DE PRONOSTICOS

Caso: 4
El hospital general de Phoenix ha experimentado una demanda
irregular y a menudo creciente de material mdico desechable en
todo el hospital. La demanda de tubos desechables durante los dos
ltimos meses ha sido de 300 unidades en setiembre y de 350
unidades en octubre. El antiguo procedimiento de pronstico
consisti en utilizar la demanda promedio del ao anterior como
pronstico para cada uno de los meses de ese ao. La demanda
mensual del ao anterior fue de 200 unidades. Utilizando 200
unidades como el pronstico de la demanda de setiembre y un
coeficiente de suavizacin de 0.7 para dar un mayor peso a la
demanda ms reciente, el pronstico para el mes de octubre debera
haber sido (t = octubre):
F t = Dt-1 + (1 ) F

t-1

= 0.7(300) + (1 - 0.7)200 = 210 + 60 = 270

43

OTRAS TECNICAS DE PRONOSTICOS

El pronstico para el mes de noviembre sera (t = noviembre)

F

= Dt-1 + (1 ) F

t-1

= 0.7(350) + (1 - 0.7)270
= 245 + 81
= 326
En vez de la demanda mensual del ao pasado de 200 unidades, el
pronstico para el mes de noviembre es de 326 unidades.
Gran diferencia: 326 200 = 126

44

OTRAS TECNICAS DE PRONOSTICOS

Seleccin del coeficiente de suavizacin:
Un valor elevado de da un gran peso a la demanda ms reciente y un
valor bajo de dar un peso menor a la demanda mas reciente.
Para los nuevos productos o para casos en los que la demanda subyacente
est en proceso de cambio (sta es dinmica, o bien inestable):
puede ser : 0,7, 0.8 0.9
Si la demanda es muy estable y se piensa que puede ser representativa
del futuro, el pronosticador podr optar por un valor bajo de para
disminuir cualquier ruido que hubiera podido presentarse en forma sbita.
puede ser : 0.1, 0.2, 0.3
Cuando la demanda es ligeramente inestable, coeficientes de suavizacin
de 0.4, 0.5, 0.6 pueden proporcionar datos ms precisos.

45

OTRAS TECNICAS DE PRONOSTICOS

Doble suavizado exponencial:
El doble suavizado exponencial tiende a suavizar el ruido en
series de demanda estables.
El modelo es directo, suaviza el pronstico obtenido con un
modelo de suavizado exponencial de primer orden y el pronstico
obtenido mediante un modelo de suavizado exponencial doble.

FD1 = F t + (1 )FD

t-1

46

OTRAS TECNICAS DE PRONOSTICOS

Caso: 5
Milo Inc. tiene un modelo de suavizado exponencial que ha
proporcionado un pronstico de sembrado de 103,500 hectreas
para un trigo de grado # 3 del ao anterior, en el mes de junio,
fue de 70,500 hectreas. Esta cifra emplear como estimacin de
pronstico ms reciente obtenida mediante un suavizado
exponencial doble. Dado que = 0.20, parece ser un buen
coeficiente de suavizado para Milo Inc., obtener un pronstico con
un modelo exponencial doble para el mes de julio.
Sea: t = julio
Entonces: FD1 = F t + (1 )FD

t-1

= 0.2(103,500) + (1 - 0.2)(70,500)
= 20,700 + 56,400 = 77,100
El pronstico para julio ser de 77,100 hectreas.

47

OTRAS TECNICAS DE PRONOSTICOS

ERROR EN EL PRONOSTICO: MAD
El error en el pronstico es la diferencia numrica entre la demanda
pronosticada y la real, es la medida que nos indica la efectividad al
utilizar alguno de los mtodos de pronstico.
La desviacin media absoluta (MAD) es una medida de error de
suma importancia y se expresa de la siguiente forma:

48

OTRAS TECNICAS DE PRONOSTICOS

ERROR EN EL PRONOSTICO:
En cada uno de los periodos (i) se compara la demanda actual
contra la pronosticada. Si la prediccin fue perfecta lo que
significa que lo actual es igual a la prediccin, el error es nulo.
Como el pronstico sigue, el grado de error se acumula y se
registra perodo a periodo. El MAD es un promedio de las
desviaciones absolutas esto quiere decir que los errores son
medidos sin tomar en consideracin el signo algebraico, el MAD
slo expresa la dimensin pero no la direccin del error.
La desviacin media absoluta suavizada (SMAD) puede emplearse
para calcular la desviacin estndar. La relacin se representa
como:
e = 1.25 MAD

49

OTRAS TECNICAS DE PRONOSTICOS

ERROR EN EL PRONOSTICO: SESGO

El sesgo es una medida de error que se utiliza con menor
frecuencia. A diferencia de MAD, el sesgo indica la tendencia
direccional de los errores de prediccin. Si el procedimiento de
prediccin sobreestima constantemente la demanda actual, el
sesgo tendr un valor positivo; si la subestimacin muestra una
tendencia constante, entonces el sesgo tendr un valor negativo.

50

OTRAS TECNICAS DE PRONOSTICOS

Caso: 6
Una mquina para extrusin de aluminio pronostica que la demanda
de cabezas para regaderas de bao es de 500 por mes para cada
uno de los tres meses prximos. Posteriormente la demanda real
resulto ser de 400, 560 y 700. Los errores de prediccin son
calculados a continuacin por los mtodos de la MAD y el sesgo.

= 120

= -53
51

OTRAS TECNICAS DE PRONOSTICOS

Caso: 6
Del resultado de la MAD se puede decir que la empresa no cuenta
con un modelo muy preciso ya que la MAD es una medida de la
precisin global del mtodo de pronstico, el error absoluto
promedio es alto ya que representa el 24 % (120 / 500) del
nmero de cabezas para regadera. El sesgo indica la tendencia
sub o sobreestimada. En el ejemplo se subestim la demanda
actual en 53 unidades, pues el promedio de sta es de 553
unidades:
553 = (400 + 560 + 700)/3.

52