ADMINISTRACION DE LA PRODUCCION

Enfoques de Pronsticos
Jurado de opinin de Ejecutivos Mtodos Cualitativos Mtodo Delphi Composicin de la fuerza de ventas Encuesta en el mercado de consumo

Enfoque intuitivo Mtodos Cuantitativos Promedios Mviles (*) Suavizamiento exponencial (*) Proyeccin de tendencias (*) Regresin Lineal (*)
Modelo asociativo

Modelos de series de tiempo

1.- Promedios Mviles.

Promedio Mvil =

Demanda en los

n n

periodos anteriores

Promedio Mvil Ponderado =

(ponderacin para periodo n) (demanda en periodo n) ponderaciones

Ejemplo: Las ventas de cobertizos de una empresa X, se muestran en la columna central de la siguiente tabla. A la derecha se da el promedio mvil de tres meses.

Mes
Enero Febrero Marzo Abril Mayo Junio Julio

Ventas Reales de Cobertizos 10 12 13 16 19 23 26

Promedio Mvil de 3 meses

(10+12+13)/3 = 112/3 (12+13+16)/3 = 13 2/3 (13+16+19)/3 = 16 (16+19+23)/3=19 1/3 (19+23+26)/3 = 22 2/3 (23+26+30)/3= 26 1/3 (26+30+28)/3= 28 (30+28+18)/3 = 25 1/3 (28+18+16)/3 = 20 2/3

Agosto
Septiembre Octubre Noviembre Diciembre

30
28 18 16 14

Vemos que el pronstico para diciembre es de 20 2/3 . Para proyectar la demanda de cobertizos en enero prximo, sumamos las ventas de octubre, noviembre y diciembre entre 3: pronstico para enero = (18+16+14)/3 = 16

Siguiendo con el ejemplo anterior. Esta empresa decidi pronosticar las ventas de cobertizos ponderando los ltimos tres meses como sigue:
Ponderacin Aplicada 3 2 1 6 Periodo ltimo mes o ms reciente Hace dos meses Hace tres meses Suma de ponderaciones

Mes
Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre

Ventas Reales de Cobertizos 10 12 13 16 19 23 26 30 28 18 16 14

Promedio Mvil Ponderado de 3 meses

(3x13)+(2x12)+(10) /6 = 12 1/6 (3x16)+(2x13)+(12) /6 = 14 1/3 (3x19)+(2x16)+(13) /6 = 17 (3x23)+(2x19)+(16) /6 = 201/2 (3x26)+(2x23)+(19) /6 = 235/6 (3x30)+(2x26)+(23) /6 = 271/2 (3x28)+(2x30)+(26) /6 = 281/3 (3x18)+(2x28)+(30) /6 = 231/3 (3x16)+(2x18)+(28) /6 = 18 2/3

30 Promedio mvil ponderado 25 Promedio mvil 20 Ventas reales

Demanda de Ventas

15

10

Ene

Feb

Mar

Abr

May

Jun

Jul

Ago

Sep

Oct

Nov

Dic

Mes

2.- Suavizamiento Exponencial.

Nuevo pronstico = pronstico del periodo anterior + (demanda real en

mes anterior pronstico del periodo anterior)

matemticamente, se puede escribir as:

Ft

Ft-1 + (At-1

- Ft-1 )

Ft = nuevo pronstico
F t-1 = pronstico anterior : es la ponderacin, o constante de suavizado, elegida por quien pronostica, que tiene un valor entre 0 y 1.(0 < < 1 ) A t-1 = demanda real en el periodo anterior

Ejemplo: En Enero, un distribuidor de automviles predijo que la demanda para Febrero sera de 142 camionetas Ford. La demanda real de febrero fue de 153 autos. Si empleamos la constante de suavizado que eligi la administracin , = 0,20, podemos pronosticar la demanda de marzo mediante el modelo de suavizamiento exponencial. Sustituyendo los datos del ejemplo en la frmula, obtenemos. (suavizamiento exponencial)

Nuevo pronstico (para la demanda de marzo) = 142 + 0,20 (153 142) = 142 + 2,2 = 144,2 siempre ser dada. Se encuentra en un intervalo entre 0,05 y 0,50.

Si es alta, o sea 0,5 el pronstico se basa en los datos ms recientes. Si es baja, o sea 0,1el pronstico da poca importancia a la demanda reciente y toma en cuenta los valores histricos de muchos perodos.

Error del pronstico

Mide la precisin del modelo de pronstico que se ha usado, comparando los valores pronosticados con los valores reales u observados.

Si Ft denota el pronstico en el periodo t, y At denota la demanda real del periodo t, el error de pronstico (o desviacin) se define como:

Error del Pronstico = demanda real valor pronosticado = A t - Ft

Medidas para calcular el Error Global del pronstico

Desviacin Absoluta Media (MAD): Su valor se calcula sumando los valores absolutos de los errores individuales del pronstico y dividiendo entre el nmero de periodos de datos (n)

MAD =

real - pronstico n

Veamos un ejemplo

Durante los ltimos 8 trimestres, el Puerto de Valparaso ha descargado de los barcos grandes cantidades de grano. El Jefe de Operaciones del puerto quiere probar el uso de suavizamiento exponencial para ver que tan bien funciona la tcnica para predecir el tonelaje descargado. Supone que el pronstico de grano descargado durante el primer trimestre fue 175 toneladas. Se examinan dos valores de . = 0,10 y = 0,50.
La siguiente tabla muestra los clculos detallados slo para = 0,10
Pronstico Pronstico Redondeado con = 0,50
Pronstico del periodo anterior Demanda real en periodo anterior

Trimestre 1 2 3 4 5 6 7 8 9

Toneladas reales descargadas

180 168 159 175 190 205 180 182 ?

Redondeado con = 0,10 175

Pronstico del periodo anterior

175

176 = 175 + 0,10 ( 180 175) 175 = 175,50+0,10 (168 175,50)

178
173 166 170 180 193 186 184

173 = 174,75+0,10 (159-174,75) 173 = 173,18+0,10 (175+173,18) 175 = 173,36+0,10(190-173,36) 178= 175,02+0,10(205-175,02) 178 = 178,02 + 0,10 (180-178,02) 179 = 178,22 + 0,10 (182-178,22)

Para evaluar la precisin de ambas constantes de suavizado, calculamos los errores de pronstico en trminos de desviaciones absolutas y MAD
Toneladas reales Trimestre 1 2 3 4 5 6 7 8 Descargadas 180 168 159 175 190 205 180 182 Pronstico Redondeado con =0,10 175 176 175 173 173 175 178 178 Desviacin Absoluta Para =0,10 5 8 16 2 17 30 2 4 Pronstico Redondeado con =0,50 175 178 173 166 170 180 193 186 Desviacin Absoluta Para =0,50 5 10 14 9 20 25 13 4

Suma de desviaciones absolutas

84

100 12,50

MAD =

desviaciones n

10,50

Con base en este anlisis, una constante de suavizado de =0,10 es preferible a =0,50 por que su MAD es ms pequea. Se debe encontrar la constante de suavizado con el menor error de pronstico.

 Error cuadrtico Medio (MSE): Es una segunda forma de medir el error global del pronstico. El MSE es el promedio de los cuadrados de las diferencias entre los valores pronosticados y observados. Su frmula es:

MSE =

(errores de pronstico)
n

Sigamos con el ejemplo del Puerto de Valparaso para determinar el MSE

Toneladas reales Trimestre Descargadas

Pronstico
Redondeado con =0,10 175 176 175 173 173 175 178 178
2

(Error)
2

1 2 3 4 5 6 7 8

180 168 159 175 190 205 180 182

5 = 25
2 2

(-8) = 64 (-16) = 256 (2)2 = 4 17 30 2 4

2 2 2 2

= 289 = 900 =4 = 16 1.558

Suma de los cuadrados de los errores

MSE =

(errores de pronstico) n

= 1.558 / 8 = 194,75

Usando un = 0,50 se obtendra un MSE de 201,5. Por lo tanto el = 0,10 es una mejor eleccin por que se minimiza el MSE.

 Error porcentual absoluto medio (MAPE): Este se calcula como el promedio de las diferencias absolutas entre los valores pronosticados y los reales y se expresa como porcentaje de los valores reales. Es decir, si hemos pronosticado n periodos y los valores reales corresponden a n periodos, MAPE, se calcula como:

MAPE =

100
i=1

real i - pronstico i / real i

n

Sigamos con el ejemplo del Puerto de Valparaso para determinar el MAPE

Toneladas reales Trimestre Descargadas

Pronstico Redondeado con =0,10 175 176 175 173 173

Error porcentual Absoluto 100 ( error / real)

1 2 3 4 5

180 168 159 175 190

100(5/180) = 2,77% 100(8/168) = 4,76% 100(16/159) = 10,06% 100(2/175) = 1,14% 100(17/190) = 8,95% 100(30/205) = 14,63% 100(2/180) = 1,11% 100(4/182) = 2,20%

6
7 8

205
180 182

175
178 178

Suma de errores porcentuales

= 45,62%

MAPE =

errores porcentuales absolutos = 45,62% = 5,70% n 8

3.- Proyeccin de Tendencias

Mtodo de pronstico de series de tiempo que ajusta una recta de tendencia a una serie de datos histricos y despus proyecta la recta al futuro para pronosticar.
A travs del mtodo de Mnimos Cuadrados, encontramos la recta que mejor se ajuste a las observaciones reales.

Una recta de mnimos cuadrados se describe en trminos de su ordenada o interseccin con el eje y y su pendiente.
Si calculamos la pendiente y la ordenada, expresamos la recta con la siguiente ecuacin:

y = a + y a

b x

y gorro = valor calculado de la variable que debe predecirse (variable dependiente) = ordenada

b = pendiente de la recta de regresin (o la tasa de cambio en y para los cambios dados en x)

X = variable independiente (Ej: tiempo)

Los profesionales de estadsticas han desarrollado ecuaciones que se utilizan para encontrar los valores de a y b para cualquier recta de regresin. La pendiente b se encuentra mediante:

b =

xy - n x y
x - nx
2 2

donde:
b = pendiente de la recta de regresin = signo de suma

x = valores conocidos de la variable independiente

y = valores conocidos de la variable dependiente x = promedio del valor de las x y = promedio del valor de las y n = nmero de datos puntuales u observaciones.

Calculamos la ordenada a cmo sigue:

a=

y - bx

Veamos un ejemplo para aplicar estos conceptos:

A continuacin se muestra la demanda de energa elctrica en la ciudad de Puerto Montt, durante el ao 1997 al 2003, en kilowatt. El Jefe de Operaciones de la empresa SAESA, debe pronosticar la demanda para el 2004 ajustando una recta de tendencia a estos datos.

Ao
1997 1998 1999 2000 2001 2002 2003

Demanda de Energa Elctrica

74 79 80 90 105 142 122

Para simplificar, transformamos los valores de x (tiempo) en nmeros ms sencillos, como 1,2,3,4 Demanda de energa Ao
1997 1998 1999 2000 2001 2002 2003

Periodo (x)
1 2 3 4 5 6 7 X = 28

Elctrica (y)
74 79 80 90 105 142 122 y = 692
2

xy
74 158 240 360 525 852 854

1 4 9 16 25 36 49

x = 140

xy = 3.063

X = 28 =4 X= n 7

y y=

= 692 = 98,86 7

b =

xy - n x y x - nx
2 2

= 3.063 (7) (4) (98,86)

140- (7) ( 4 )

= 295 = 10,54 28

a = y - b x = 98,86 10,54 (4) = 56,70

As, la ecuacin de mnimos cuadrados para la tendencia es y = 56,70 + 10,54 x. Para proyectar la demanda en el 2004, primero denotamos el ao 2004 en el nuevo sistema de cdigos como x = 8.

Demanda en el 2004 = 56,70 + 10,54 (8)

= 141,02, o 141 Kilowatt.

Estimamos la demanda para el 2005 insertando x = 9 en la misma ecuacin: Demanda en el 2005 = 56,70 + 10,54 (9)
= 151,56, o 152 Kilowatt.
Para comprobar la validez del modelo, graficamos la demanda histrica y la recta de tendencia. En este caso debemos tener cuidado y tratar de comprender el cambio en la demanda de 2002 a 2003.
Recta de tendencia y =56,70 + 10,54 x Demanda de energa
160
150

140
130 120 110 100 90 80

Demanda histrica

70 60
50
1997 1998 1999 2000 2001 2002 2003 2004 2005

Ao

4.- Regresin Lineal

Regresin lineal simple:
Podemos usar el mismo modelo matemtico que usamos con el mtodo de mnimos cuadrados para la proyeccin de tendencias, con el fin de realizar un anlisis de regresin lineal. Las variables dependientes que deseamos pronosticar se simbolizan con y. Pero la variable independiente, x, ya no necesita ser el tiempo. Usamos la ecuacin.

y = a + y a

b x

= valor calculado de la variable que debe predecirse (variable dependiente) = ordenada, interseccin con el eje y.

b = pendiente de la recta de regresin X = variable independiente.

Veamos un ejemplo para mostrar cmo usar la regresin lineal.

Los siguientes datos relacionan las cifras de ventas de un bar de un pequeo Hotel, con el nmero de huspedes registrados esa semana:

semana

Huspedes

Ventas del bar

1
2 3 4

16
12 18 14

$330
270 380 300

Ventas del bar

400 350 300 250

200
150

100
50

12

16

20

Huspedes (en miles)

Ventas, y
330
270 380 300 y = 1.280

Huspedes,x
16
12 18 14 X = 60
2

x
256
144 324 196

xy
5.280
3.240 6.840 4.200

x = 920

xy =19.560

X = 60 = 15 X= n 4

y y=

= 1.280 = 320 4

b =

xy - n x y x - nx
2 2

= 19.560 (4) (15) (320)

920- (4) ( 15 )

= 360 = 18 20

a = y - b x = 320 18(15) = 50
La ecuacin de regresin estimada es, por lo tanto,

y = 50 + 18 x

Ventas = 50 + 18 (huspedes)

Si el pronstico es de 20 huspedes la semana siguiente de cunto se esperan que sean las ventas?

y = 50 + 18 x

Ventas = 50 + 18 (huspedes)

Ventas = 50 + 18 (20) = 410

Recta de regresin lineal Simple Ventas del bar

400 350 300 250

Demanda histrica

200
150

100
50

12

16

20

Huspedes (en miles)

 Error estndar de la estimacin S y,x

Medida de la variabilidad alrededor de la recta de regresin, su desviacin estndar. El clculo se llama desviacin estndar de la regresin y mide el error desde la variable dependiente, y, hasta la recta de regresin, en lugar de hasta la media.

S y,x

( y yc ) 2

n-2
donde:
y = valor de y de cada dato puntual yc = valor calculado de la variable dependiente, a partir de la ecuacin de regresin. n = nmero de datos puntuales

Esta ecuacin puede resultar ms fcil de usar. Ambas frmulas entregarn el mismo resultado

S y,x =

y 2 - a y - b xy
n-2

Recta de regresin lineal Simple Ventas del bar

400 350 300 250 200 150 100 50

Demanda histrica

12

16

20

Huspedes (en miles)

Para calcular el error estndar de la estimacin , la nica cifra que necesitamos es y2

y
2

108.900
72.900 144.400 90.000 y = 416.200
2

S y,x =

y 2 - a y - b xy n-2

S y,x =

416.200 50(1.280) 18 ( 19.560) 4-2

60

7,74 $ en ventas

Error estndar de la estimacin

 Coeficiente de correlacin para rectas de regresin

Sirve para medir o evaluar la relacin entre las dos variables de una regresin lineal. Se expresa con la letra r. Para calcular el valor, se utiliza la siguiente frmula:

r=
n
2

n x -

xy 2

x n
2

y
2

y -

El coeficiente de correlacin r puede ser cualquier nmero entre +1 y -1.

Cuatro valores del coeficiente de correlacin.

Correlacin positiva perfecta

Correlacin positiva r= 0< r <1

r= +1

X y y

X
Correlacin negativa perfecta No hay Correlacin r= 0 r= -1

Siguiendo con el ejemplo, calcular el coeficiente de correlacin:

Ventas, y
330 270

Huspedes,x
16 12

x
256 144

xy
5.280 3.240

108.900 72.900 144.400 90.000 y = 416.200

2

380
300 y = 1.280

18
14 X = 60
2

324
196 x = 920

6.840
4.200 xy =19.560

r=

(4) (19.560) - (60) (1.280)

(4) (920)- (60)
2

(4) (416.200)- (1.280)

1.440 1453,27217

1.440 2.112.000

= 0,993619798
Correlacin positiva r= 0< r <1

 Regresin Lineal Mltiple La regresin mltiple es una extensin prctica del modelo simple de regresin que acabamos de ver. Nos permite construir un modelo con varias variables independientes en lugar de slo una variable. Por ejemplo, si en el ejemplo anterior se desea incluir el alza en los pasajes de los huspedes, la ecuacin apropiada sera: y = a + b1 x1 + b2 x2

y a

= variable dependiente, ventas

= una constante

x1 y x2 = valores de las dos variables independientes (Ej: n de huspedes y alza en los

pasajes)

b1 y b2 = coeficientes de las dos variables independientes

Las matemticas de la regresin mltiple son bastante complejas y lo usual es que los clculos se realicen en el computador, por lo cual dejaremos las frmulas para encontrar a, b1 y b2 a los libros de estadstica.

ACEROCAP desea que se le determine el pronostico de ventas para el siguiente Nmeros Aos Venta/ Tendencia ao de acuerdo a: Millones
1 1995 28 0

2
3 4 5

1996
1997 1998 1999

18
50 40 56

-10
+32 -10 +16

CASO PRACTICO I
PV=a +bx
PV = PRONOSTICO DE VENTAS a = PRIMERA CIFRA DE LA SERIE b = PROMEDIO DE LAS VARIACIONES X = NO. DE AOS

CALCULO DEL PROMEDIO DE LAS VARIACIONES

-10+32-10+16=28/4=7
SUSTITUCION:

PV = a + bx PV = 28+(7)(5) PV = 28+35 = 63 Millones PRONOSTICO PARA EL 2000

Precio venta Pronostico Precio venta Real

CASO PRACTICO II
La compaa del Valle conoce la demanda del Jugo de Uva. La gerencia de produccin desea conocer la demanda del mes de Junio de acuerdo a la siguiente informacin.
Mes Enero Febrero Marzo Abril Mayo Sumas Demanda (y) 108 119 110 122 130 589 Tendencia (x) 0 1 2 3 4 10 0 119 220 366 520 1225 XY 0 1 4 9 16 30 (x)(x)

SUSTITUCION DE VALORES EN LAS ECUACIONES: 589 = 5a + 10 b 1225=10a + 30 b RESOLUCION DEL SISTEMA DE ECUACIONES (-2) 589 = 5a + 10 b 1225=10a + 30 b 1178 = -10a - 20b 1125 = 10a + 30b 47 = 10b 47/10= b b= 4.7 SUSTITUCION DE b 589 = 5a + 10(4.7) 589 = 5a +47 589 47 = 5a 542 = 5a 542/5 = a a= 108.4

SUSTITUCION EN LA ECUACIN DEL PRONOSTICO YP = a + bx YP = 108.4 + (4.7)(5) YP = 108.4 +23.5 YP = 131.9, Pronstico mes de Junio
YP
Enero Febrero Marzo

a
108.4 108.4 108.4

b
4,7 4,7 4,7

x
0 1 2

Tendencia

108.4 113.1 117.8

Abril
Mayo Junio Julio
Agosto

108.4
108.4 108.4 108.4
108.4

4,7
4,7 4,7 4,7
4.7

3
4 5 6
7

122.5
127.2 131.9 136.6
141.3

DEMANDA PRONOSTICADA DEMANDA REAL

Administracin de la Demanda Demanda Dependiente: Producto o servicio se debe a la de otros productos o servicios.

Demanda Independiente: No condicionada a la demanda de productos.

est otros

Mtodos de Pronsticos
CUALITATIVOS
Mtodo Delphi
Subjetivos, sentencioso; se basa en estimaciones y opiniones
Un grupo de expertos responde un cuestionario. Un moderador compila los resultados y formula un nuevo cuestionario que se presenta al grupo. De esta manera existe un proceso de aprendizaje para el grupo, al recibir nueva informacin, y no hay influencia de la presin de grupo o de un individuo dominante. Recopila datos de varias maneras (encuestas, entrevistas, etc.) para probar hiptesis formuladas con respecto al mercado. Por lo general se usa para pronosticar ventas a largo plazo y de nuevos productos. Intercambio abierto en reuniones. La idea es que la discusin en grupo producir mejores pronsticos que si lo hace un individuo. Los participantes pueden ser ejecutivos, personal de ventas o clientes.

Investigacin de mercados
Consenso Grupal

Analoga histrica

Relaciona lo que se pronostica con un artculo similar. Es importante para la planificacin de nuevos productos donde se puede derivar un pronstico de la historia de un producto similar. Obtiene un pronstico compilando datos que proporcionan las personas de la parte ms baja de la jerarqua, quienes tienen contacto con lo que se pronostica. Por ejemplo se puede obtener un pronstico global de ventas para combinar la informacin de cada agente de ventas, quien est relacionado con su propio territorio.

Niveles inferiores

ANALISIS DE SERIES DE TIEMPO

Se basa en la idea de que se puede usar la historia de sucesos durante un periodo para hacer pronsticos
Se promedia un periodo que contiene varios puntos de datos, dividiendo la suma de los valores de los puntos entre el nmero de puntos. As, cada punto tiene la misma influencia. Ciertos puntos se ponderan ms o menos que otros, segn se considere conveniente de acuerdo con la experiencia. Ajusta una lnea recta a datos pasados, por lo general relacionando el valor del dato con el tiempo. El mtodo de ajuste ms comn es el de mnimos cuadrados.

Promedio mvil simple Promedio mvil ponderado Anlisis de regresiones Suavizamiento exponencial

Los puntos de datos ms recientes tienen mayor peso; este paso se reduce exponencialmente conforme los datos son ms antiguos.

Tcnica Box Jenkins

Muy complicada, pero al parecer la ms precisa de las tcnicas estadsticas disponibles. Relaciona una clase de modelos estadsticas con los datos y ajusta el modelo a la serie de tiempo por medio de distribuciones bayesianas a posteriori.

Series de tiempo de Shinskin

Es un mtodo eficaz para descomponer, una serie de tiempo en estacionalidad, tendencia e irregulares. Requiere por lo menos tres aos de datos histricos. Muy bueno para identificar puntos de cambio, por ejemplo, en ventas de una compaa.

Proyeccin de tendencias

Ajusta una lnea de tendencia matemtica a puntos de datos y la proyecta hacia el futuro.

CAUSALES Anlisis de regresiones

Modelos economtricos Modelos de entrada / salida Indicadores gua

Trata de comprender el sistema que forma la base y el entorno del artculo que se pronostica. Por ejemplo, las ventas pueden verse afectadas por publicidad, calidad y competencia. Parecido al mtodo de mininos cuadrados que se emplea en el anlisis de serie de tiempo, pero puede contener mas variables. Se basa en que el pronstico se debe a la presentacin de otros fenmenos. Intenta describir un sector de la economa por medio de una serie de ecuaciones interdependientes. Se centra en las ventas de cada industria a otras empresas y al gobierno. Indica los cambios en ventas que puede esperar una industria productora debidos a cambios en las compras de otra industria. Estadsticas que se mueven en la misma direccin que la serie que se pronostica, pero que anteceden a la serie, como sera un aumento en el precio de la gasolina que indica una reduccin en el futuro de las ventas de automviles grandes.

MODELOS DE SIMULACION

Modelos dinmicos, por lo general basados en computadores, que permiten al pronosticador hacer suposiciones sobre las variables internas y el ambiente externo del modelo. Dependiendo de las variables en el modelo, el pronosticador puede plantear preguntas como. Qu pasara con mi pronstico si aumentara el precio en 10%? Qu efecto tendra sobre mi pronstico una leve recesin econmica nacional?

CASO PRACTICO III

Ejemplo Promedios Mviles en Excel
Una empresa desea conocer la tendencia que tendr para el siguiente periodo de la produccin del artculo XX, para lo cual ha obtenido la informacin del sector dentro de su rea de influencia. Se solicita: A. Hallar el pronstico mediante el promedio mvil. B. Calcular el periodo tpico para el periodo 23.

Periodo

1 13
994

3
486

4
854

5
797

6
362

7
594

8
271

9
45

10 11
254 433

Producci n

593 570

12
529

14 15
319 610

16
748

17
832

18 19
193 720

20
415

21
536

22
850

Suavizamiento Exponencial
La ecuacin para un pronstico de suavizamiento exponencial simple es: F1 = Ft-1 + (At-1 + Ft-1) Donde: Ft: El pronostico suavizado exponencialmente para el periodo t Ft-1: El pronostico suavizado exponencialmente para el periodo anterior. At-1: La demanda real para el periodo anterior.

(): La tasa de respuesta deseada o constante de suavizamiento.

EJEMPLO
Supongamos que es relativamente la demanda a largo plazo para el producto que se estudia, y que seria deseable una constante de suavizamiento del 0.05. Si se estuviera utilizando en forma continua el mtodo exponencial, se habra obtenido un pronstico para el mes anterior. Suponga que ste (Ft-1) fue de 1050. Si la demanda real fue 1000, el pronstico para este mes seria:

F1 = Ft-1 + (At-1 + Ft-1) = 1050 + 0.05 (100 - 1050) = 1050 + 0.05 (-50) = 1047.5 unidades.

Errores de Pronostico Al hablar de errores de pronstico, es conveniente establecer la diferencia entre las fuentes de error y la medicin del error.

Critica a los mtodos de pronostico

Presuposicin Tendencia inalterable Lapso de tiempo a que se refiere el pronstico Unidad de medida Estabilidad de las condiciones marco