Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Clase Pronosticos
Clase Pronosticos
FACULTAD DE INGENIERIAS
Programa de Tecnología en Industrial
Modelos de Pronósticos 1
Regresión lineal
Es una técnica que
Actual
establece una relación observation Deviation
entre variables. Una de las
variables se conoce y se
Modelos de Pronósticos 2
Regresión lineal
Este método se utiliza cuando la
gráfica de los datos sugiere que
el patrón subyacente es una
línea recta o casi, además,
cuando los datos son lineales y
estables.
Su desventaja radica en que
requiere muchos datos y además
es costoso, si se realiza las
operaciones aritmética requeridas
periodo por periodo o semanal
para miles de productos
procedentes del proceso
productivo
Modelos de Pronósticos 3
Regresión lineal
Y-intercepto Pendiente
^
Yi = a + bX i
Variable Dependiente Variable independiente
Modelos de Pronósticos 4
Regresión lineal
Hay que tener en cuenta que de acuerdo a la relación que
exista entre las variables el valor de b puede tomar valores
positivos o negativos
Yi a bX i
Y b>0
a
b<0
a
Time, X
Modelos de Pronósticos 6
Regresión lineal
La forma del cálculo es la siguiente:
n ( Xt . Dt ) ( Xt )( Dt )
Regresión Lineal Y = a + bX b
Donde: Y: Variable Independiente
n ( X t 2 ) ( Xt ) 2
a: Intersección con el eje “y”. Dt b ( Xt )
b: pendiente de la Recta. a
X: Variable dependiente n
Dt: Demanda Histórica
Modelos de Pronósticos 7
Coeficiente de
Correlación
Establece que tan fuerte
es la relación entre las
variables
El coeficiente de
correlación se denota por r
Toma Valores entre -1 y +1
Es una mediada de
agregación de los datos
Se calcula por definición
Modelos de Pronósticos 8
Coeficiente de
Correlación
Perfect Perfect
Negative No Correlation Positive
Correlation Correlation
Modelos de Pronósticos 9
Coeficiente de Correlación
Modelos de Pronósticos 10
Coeficiente de
Correlación
La forma del cálculo es la siguiente:
n
( yi Y i )
2
Y 2 a Y b XY
Determinación Sxy t 1
Sxy
del Error n2 n2
Donde: Yi: Valor de las Y teniendo en cuenta la ecuación de la recta
yi: Valor de las y del problema
n: Número de datos.
Semana Pacientes
450 — 1 400
2 380
430 —
3 411
4 415
410 —
5 392
Pacientes
6 375
390 —
7 410
370 — Demanda
actual de Pacientes
| | | | | |
0 5 10 15 20 25 30
Semanas
Modelos de Pronósticos 12
Regresión lineal
Semana Pacientes
450 — 1 400 n XY – X Y
2 380 b=
430 — 3 411 n X 2 – (X) 2
4 415
410 — 5 392 a = Y – b X
6 375
n
Pacientes
390 — 7 410
| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 13
Regresión lineal
Sem Pacientes
(X) (Y) (XY) X2 Y2
450 —
1 400 400 1 160.000
430 — 2 380 760 4 144.400
3 411 1233 9 168.921
410 — 4 415 1660 16 172.225
5 392 1960 25 153.664
Pacientes
| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 14
Regresión lineal
Sem Pacientes
(X) (Y) (XY) X2 Y2
450 —
1 400 400 1 160.000
430 — 2 380 760 4 144.400
3 411 1233 9 168.921
410 — 4 415 1660 16 172.225
5 392 1960 25 153.664
Pacientes
| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 15
Regresión lineal
Sem Pacientes
(X) (Y) (XY) X2 Y2
450 — 1 400 400 1 160.000
2 380 760 4 144.400
430 — 3 411 1233 9 168.921
4 415 1660 16 172.225
410 — 5 392 1960 25 153.664
6 375 2250 36 140.625
Pacientes
Modelos de Pronósticos 16
Regresión lineal
Sem Pacientes
(X) (Y) (XY) X2 Y2
450 — 1 400 400 1 160.000
2 380 760 4 144.400
430 — 3 411 1233 9 168.921
4 415 1660 16 172.225
410 — 5 392 1960 25 153.664
6 375 2250 36 140.625
Pacientes
| |
b =| 7 (11.133) – (28)(2783)
7| (140)– (28)
| 2 |
0 5 10 15 20 25 30
Modelos de Pronósticos 17
Regresión lineal
Sem Pacientes
(X) (Y) (XY) X2 Y2
450 — 1 400 400 1 160.000
2 380 760 4 144.400
430 — 3 411 1233 9 168.921
4 415 1660 16 172.225
410 — 5 392 1960 25 153.664
6 375 2250 36 140.625
Pacientes
| |
b =| 0.04 | | |
0 5 10 15 20 25 30
Modelos de Pronósticos 18
Regresión lineal
Sem Pacientes
(X) (Y) (XY) X2 Y2
450 — 1 400 400 1 160.000
2 380 760 4 144.400
430 — 3 411 1233 9 168.921
4 415 1660 16 172.225
410 — 5 392 1960 25 153.664
6 375 2250 36 140.625
Pacientes
Modelos de Pronósticos 19
Regresión lineal
Sem Pacientes
(X) (Y) (XY) X2 Y2
450 — 1 400 400 1 160.000
2 380 760 4 144.400
430 — 3 411 1233 9 168.921
4 415 1660 16 172.225
410 — 5 392 1960 25 153.664
6 375 2250 36 140.625
Pacientes
| |
a =| (2783) |– (0.04)(28)
| |
7
0 5 10 15 20 25 30
Modelos de Pronósticos 20
Regresión lineal
Sem Pacientes
(X) (Y) (XY) X2 Y2
450 — 1 400 400 1 160.000
2 380 760 4 144.400
430 — 3 411 1233 9 168.921
4 415 1660 16 172.225
410 — 5 392 1960 25 153.664
6 375 2250 36 140.625
Pacientes
| |
a =| 397.43| | |
0 5 10 15 20 25 30
Modelos de Pronósticos 21
Regresión lineal
Sem Pacientes
(X) (Y) (XY) X2 Y2
450 — 1 400 400 1 160.000
2 380 760 4 144.400
430 — 3 411 1233 9 168.921
4 415 1660 16 172.225
410 — 5 392 1960 25 153.664
6 375 2250 36 140.625
Pacientes
Modelos de Pronósticos 22
Regresión lineal
430 —
410 —
Pacientes
390 —
| | | | | |
0 5 10 15 20 25 30
Modelos de Pronósticos 23
Regresión lineal
Ventas Publicidad
Mes (000 units) (000 $)
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
Modelos de Pronósticos 24
Regresión lineal
Ventas Publicidad
Mes (000 units) (000 $)
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
XY – nXY
a = Y – bX b=
X 2 – nX 2
Modelos de Pronósticos 25
Regresión lineal
Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
XY – nXY
a = Y – bX b=
X 2 – nX 2
Modelos de Pronósticos 26
Regresión lineal
Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
XY – nXY
a = Y – bX b=
X 2 – nX 2
Modelos de Pronósticos 27
Regresión lineal
Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
1560.8 – 5(1.64)(171)
a = Y – bX b=
14.90 – 5(1.64)2
Modelos de Pronósticos 28
Regresión lineal
Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
a = Y – bX b = 109.229
Modelos de Pronósticos 29
Regresión lineal
Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Modelos de Pronósticos 30
Regresión lineal
Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
a = – 8.136 b = 109.229
Modelos de Pronósticos 31
Regresión lineal
Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
a = – 8.136 b = 109.229
Y = – 8.136 + 109.229(X)
Modelos de Pronósticos 32
Regresión lineal
300 —
Y = – 8.136 + 109.229(X)
Modelos de Pronósticos 33
Regresión lineal
300 —
Y = – 8.136 + 109.229(X)
Modelos de Pronósticos 34
Regresión lineal
300 —
Y = – 8.136 + 109.229(X)
Modelos de Pronósticos 35
Regresión lineal
Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Modelos de Pronósticos 36
Regresión lineal
Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
nXY – X Y
r=
[nX 2 – (X) 2][nY 2 – (Y) 2]
Modelos de Pronósticos 37
Regresión lineal
Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
r = 0.98
Modelos de Pronósticos 38
Regresión lineal
Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Modelos de Pronósticos 39
Regresión lineal
Sales, Y Advertising, X
Month (000 units) (000 $) XY X2 Y2
1
El 264
Pronostico 2.5
de las Ventas
660.0
para
6.25 69,696
2 el116
mes 6: 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 de publicidad
Gastos 1.0 101.0
= $17501.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2109.229(1.75)
Y = - 8.136 + 1560.8 14.90 164,259
Y = 171 X = 1.64
Modelos de Pronósticos 40
Regresión lineal
Sales, Y Advertising, X
Month (000 units) (000 $) XY X2 Y2
1
El 264
Pronostico 2.5
para el660.0
mes 6: 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 Y 165
= 183.015 unidades
1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Modelos de Pronósticos 41
Suavizamiento exponencial con
tendencia
Una tendencia ascendente o
descendente de los datos
recopilados durante una secuencia
de periodos de tiempo hace que la
proyección por medio del
Suavizamiento Exponencial Simple
se quede siempre detrás (por
encima o por debajo). Teniendo en
cuenta esta situación se puede
realizar una aproximación más
cercana a la demanda incluyendo
dentro de la ecuación de
Suavizamiento Exponencial
Simple un ajuste por medio de un
Factor de Tendencia o constante
de ajuste Beta (), la cual reduce el
impacto del error que se presenta
entre la realidad y la proyección
Modelos de Pronósticos 42
Suavizamiento exponencial con
tendencia
La forma del cálculo del pronóstico es la siguiente:
Modelos de Pronósticos 43
Suavizamiento exponencial con
tendencia
La forma del cálculo del pronóstico es la siguiente:
Tt 1 Tt (Dt PTAt )
Modelos de Pronósticos 44
Selección de la constante Alfa
(α)
Claramente, los resultados de los
pronósticos de suavización
exponencial dependen del valor de la
constante de suavización α. El valor
de α no debe ser ni muy grande que
el pronóstico responda
aceleradamente a cambios aleatorios
normales del proceso, ni muy
pequeño, con el efecto contrario de
no responder a posibles cambios
reales.
Modelos de Pronósticos 45
Selección de la constante Alfa
(α)
Demanda Estable
Valor de Alfa (α):
0.1< α < 0.3
Modelos de Pronósticos 46
Selección de la constante Beta
(β)
Demanda Estable
Valor de Beta (β):
0.1< β< 0.3
Modelos de Pronósticos 47
Relación entre Alfa (α) y Beta
(β)
Alfa = 0.9
Beta = 0.1
Modelos de Pronósticos 48
Ejemplo aplicativo
Semana Pacientes
450 — 1 400
2 380
430 —
3 411
4 415
410 —
5 392
Pacientes
6 375
390 —
7 410
370 — Demanda
actual de Pacientes
| | | | | |
0 5 10 15 20 25 30
Semanas
Modelos de Pronósticos 49
Suavizamiento exponencial con
tendencia
Lo primero que se debe
determinar son los valores
450 — correspondientes a la regresión
lineal para definir la característica
430 — de la tendencia:
410 —
Pacientes
390 —
| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 50
Suavizamiento exponencial con
tendencia
430 —
410 —
Pacientes
390 —
| | | | | |
0 5 10 15 20 25 30
Modelos de Pronósticos 51
Suavizamiento exponencial con
tendencia
Constantes:
Alfa (α) = 0.6
450 — El valor de beta se puede definir
entre 0.1 y 0.3, por lo tanto
430 — asumimos:
Beta (β) = 0.3
410 — El valor de T inicial es igual al
valor de b de la regresión lineal:
Pacientes
390 — T2 = 0.04
Con esto realizamos los cálculos
370 — Actual patient
arrivals
| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 52
Suavizamiento exponencial con
tendencia
390 —
F1 = 400
370 —
| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 53
Suavizamiento exponencial con
tendencia
390 —
PS2 = 400
370 — Actual patient
arrivals
| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 54
Suavizamiento exponencial con
tendencia
390 —
PTA2 = 400 +0.04
370 — Actual patient
PTA = 400.04
arrivals 2
| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 55
Suavizamiento exponencial con
tendencia
390 —
PTA2 = 400 +0.44
370 — Actual patient
PTA = 400.44
arrivals 2
| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 56
Suavizamiento exponencial con
tendencia
390 —
PS3 = 388.18
370 — Actual patient
arrivals
| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 57
Suavizamiento exponencial con
tendencia
390 —
T3 = - 3.24
370 — Actual patient
PTA = 388.18 – 3.24
arrivals 3
| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 58
Suavizamiento exponencial con
tendencia
390 —
PTA3 = 388.18 – 3.24
370 — Actual patient
PTA = 384.94
arrivals 3
| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 59
Suavizamiento exponencial con
tendencia
390 —
PS4 = 400.58
370 — Actual patient
arrivals
| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 60
Suavizamiento exponencial con
tendencia
390 —
T4 = 1.46
370 — Actual patient
PTA = 400.58 + 1.46
arrivals 4
| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 61
Suavizamiento exponencial con
tendencia
390 —
PTA4 = 400.58 + 1.46
370 — Actual patient
PTA = 402.03
arrivals 4
| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 62
Suavizamiento exponencial con
tendencia
450 — Suavizamiento
Exponencial Doble
430 —
Patient arrivals
410 —
390 —
370 — Demanda de
Pacientes
Actual
| | | | | |
0 5 10 15 20 25 30
Week
Modelos de Pronósticos 63
Suavizamiento exponencial con
tendencia
SUAVIZAMIENTO EXPONENCIAL DOBLE
DEMANDA SEÑAL DE
PERIODO SEMANA PS T PTA DMA SESGO ECM EPMA
(PACIENTES) RASTREO
ALFA 0,6
BETA 0,3
T INICIAL 0,04
410
DEMANDA (Unidades)
400 DEMANDA
(PACIENTES)
390
380
Modelos de Pronósticos 64
370
Suavizamiento exponencial con
tendencia
Modelos de Pronósticos 65
Ejercicio aplicativo
80 — Semana Req
bolsas
70 — de sangre
1 28
Patient arrivals
60 — 2 45
3 38
50 — 4 35
5 55
40 — 6 40
7 62
30 — 8 68
9 40
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10
10 11 12 13 58
14 15
Week
Modelos de Pronósticos 66
Desestacionalización
La Descomposición se refiere básicamente a identificar y separar
los componentes de estacionalidad. En la práctica es fácil identificar
los elementos de la tendencia y el componente estacional. Es más
difícil identificar los ciclos, la autocorrelación y los
componentes estacionales.
Modelos de Pronósticos 67
Desestacionalización
Existen dos tipos de efectos de tendencia: la Variación
Estacional aditiva y la multiplicativa.
Demand
Demand
| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |
0 2 4 5 8 10 12 14 16 0 2 4 5 8 10 12 14 16
Period Period
Modelos de Pronósticos 68
Desestacionalización
Existen tres experiencias
en particular o modelos de
estacionalidad:
Proporción simple
Desestacionalización con
tendencia ajustada
manualmente
Desestacionalización con
Regresión lineal
Modelos de Pronósticos 69
Desestacionalización con tendencia
ajustada Manualmente
650 —
550 —
AÑO PERIODO TRIMESTRE DEMANDA
450 — 1 I 300
2 II 200
96
Unidades
3 III 220
350 — 4 IV 530
5 I 520
250 — 6 II 420
97
7 III 400
8 IV 700
| | | | | | | |
0 1 2 3 4 5 6 7 8
Trimestres
Modelos de Pronósticos 70
Desestacionalización con tendencia
ajustada Manualmente
650 —
550 —
450 —
Unidades
350 —
Y = 220 + 53.3 X
Punto 2 (4, 406.6)
650 —
550 —
Punto 1 (2, 300) Encontramos el valor de la
450 — ecuación de la recta Y = a +
bX
Unidades
350 —
Donde a = 220 y
250 — b = Y2 – Y1
X2 – X1
| | | | | b| = 406.6
| – 300
| = 53.3
0 1 2 3 4 5 6 47- 2 8
Trimestres
Modelos de Pronósticos 72
Desestacionalización con tendencia
ajustada Manualmente
350 —
250 —
| | | | | | | |
0 1 2 3 4 5 6 7 8
Trimestres
Modelos de Pronósticos 73
Desestacionalización con tendencia
ajustada Manualmente
ECUACION FACTOR FACTOR
AÑO PERIODO TRIMESTRE DEMANDA ESTACIONAL PROMEDIO
RECTA
1 I 300 273 1,10 1,08
2 II 200 327 0,61 0,70
96
650 — 3 III 220 380 0,58 0,63
4 IV 530 433 1,22 1,15
5 I 520 487 1,07
6 II 420 540 0,78
550 — 97
7 III 400 593 0,67
8 IV 700 647 1,08
9 I 758 700
450 — 10 II 524 753
98
11 III 505 807
Unidades
12 IV 991 860
350 —
250 —
Demanda trim I 98:
Demanda Real = FE * Dem. Prom.
Demanda Real = 1.08 * 700
| | | | | | Real
Demanda | = 758
|
0 1 2 3 4 5 6 7 8
Trimestres
Modelos de Pronósticos 74
Desestacionalización con tendencia
ajustada con Regresión Lineal
Existen cuatro elementos x ciclo
650 —
550 —
450 —
Unidades
350 —
450 —
Unidades
350 —
250 —
| | | | | | | |
0 1 2 3 4 5 6 7 8
Trimestres
Modelos de Pronósticos 76
Desestacionalización con tendencia
ajustada con Regresión Lineal
| | | | | | | |
0 1 2 3 4 5 6 7 8
Trimestres
Modelos de Pronósticos 77
Desestacionalización con tendencia
ajustada con Regresión Lineal
Calculamos el Factor de
650 — Estacionalidad:
| | | | | | | |
0 1 2 3 4 5 6 7 8
Trimestres
Modelos de Pronósticos 78
Desestacionalización con tendencia
ajustada con Regresión Lineal
650 —
550 —
450 —
Unidades
350 —
250 —
| | | | | | | |
0 1 2 3 4 5 6 7 8
Trimestres
Modelos de Pronósticos 79
Desestacionalización con tendencia
ajustada con Regresión Lineal
Y = 176 + 52,3 X
650 —
550 —
450 —
Unidades
350 —
250 —
| | | | | | | |
0 1 2 3 4 5 6 7 8
Trimestres
Modelos de Pronósticos 80
Desestacionalización con tendencia
ajustada con Regresión Lineal
650 —
550 —
450 —
Unidades
350 —
250 —
| | | | | | | |
0 1 2 3 4 5 6 7 8
Trimestres
Modelos de Pronósticos 81
Desestacionalización con tendencia
ajustada con Regresión Lineal
1050 —
850 —
650 —
450 —
250 —
Unidades
| | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10
Trimestres
Modelos de Pronósticos 82
MUCHAS
GRACIAS¡
Modelos de Pronósticos 83