La definicin de pronstico es simple, sin embargo encierra muchas situaciones
que i ntervienen en su resultado o bien en la consecucin del mismo.
"Un pronstico es un inicio o una seal por donde se puede saber una cosa futura mediante indicios" El pronstico desempea un papel muy significati vo en la planeacin de materiales, se pueden encontrar pronsticos de abastecimiento, de condiciones, comerciales, de tecnologa, precios, etc. Y en cualquiera de estos rtulos el pronstico es necesario para la toma de decisiones. Aunque es muy cotidiano que hoy en da el manejo de pronsticos en las pequeas y medianas empresas, existen situaciones que tienen que ver con la planeacin de las necesidades futuras. La problemtica primordial es la poca confianza del uso de la tcnica pronstico. En el sector automotri z las insuficiencias de compra de materiales y produccin provienen de pronsticos ventas, ya que es responsabilidad la misma rea de ventas o mercadeo de los productos, sin embargo cuando los ordenadores de compra de materiales tienden en compras excesivas o deficientes siempre son acusados, cuando verdaderamente el generador de esos pronsticos es ventas. Autores experimentados manifiestan que: "Si la demanda es inferior al pronstico, el proveedor puede sospechar que el pronstico original era un intento por obtener un precio favorable o alguna otra concesin. Si la demanda excede el pronstico, los costos del proveedor pueden aumentar debido a la urgencia, las compras de emergencia, y cambios en los programas de produccin." De tal manera los proveedores hacen parte de ese conjunto de i ncertidumbre que presenta el pronstico, por ello es prescindible que los ordenadores de los materiales ayuden a estrechar los contactos con los diferentes proveedores y que generen un ambiente empresarial fomentando flexibilidad y cooperacin al momento de sus requerimientos Tambin es cierto que no se deben descartar que de manera regular las actuali zaciones y se ajusten a los pronsticos. En el da a da se encuentran una di versidad de tcnicas para el planteamiento de pronsticos y se estas se van desarrollando de manera exponencial, estas tcnicas pueden ser cuantitativas y cualitati vas y se pueden emplear separadas o en conjunto. El sector automotriz la tcnica ms usada de pronsticos es la cuantitati va ya que esta se sustenta en la toma de datos del pasado para hacer las proyecciones o predicciones del futuro, algunas tcnicas cuantitativas hacen hincapi en identificar indicadores que sean sobresalientes mediante los cuales se puedan crear modelos lineales o de regresin mltiple. Algunas de las tcnicas de pronstico cuantitati vas que en la actualidad se utili zan, se desarrollaron durante el siglo XIX; un ejemplo de ello el anlisis de regresin y las tcnicas de series de tiempo. Con la implementacin de tcnicas de pronstico ms complejas, junto con la generalizacin del uso de las computadoras, los pronsticos acentuaron la atencin durante los ltimos aos, y cualquier persona es capaz de operar datos a partir de un soft ware en una computadora de bolsillo y obtener pronsticos. Quienes han desarrollado los modelos cuantitativos clasifican a algunos de los pronsticos cuantitativos como repetitivos, es decir, que los valores que se pronostican continan un proceder repetiti vo a travs del tiempo, la labor de los quienes analizan este tipo de pronsticos es el identificar ese comportamiento y desarrollar el pronstico, por consiguiente el desarrollar dicho pronstico hace necesario tener en cuenta algunos factores como el valor constante, tendencia, variaciones estacinales, variaciones cclicas, variaciones aleatorias y puntos de modulacin. Referente a los pronsticos cualitativos, se consideran ms comunes en las empresas de servicios ya que se basan en la repuesta de opiniones de diversas personas, valorizando con juicio dichas opiniones para utili zarlas al generar el pronstico. Estas tcnicas cualitativas son ms flexibles que las cuantitativas, sin embargo son tan precisas y exactas como estas. Al momento de elaborar un pronstico y este resulta mal proyectado conlleva a que la planeacin no funciona y todas las reas de la empresa se vuelven ineficientes, repercutiendo en las finanzas y reflejando las pocas ventas obtenidas, abundancias en los inventarios de productos que no requieren los clientes, reduccin de mrgenes, costos ms altos, entre otros problemas. En trminos de pronosticar variables importantes para una compaa o para una parte de ella como son las ventas de la empresa, las horas de ausencia por empleado, los costos operati vos, las tasa de inters y tipos de cambio del mercado, entre otros, ms si n embargo, las variables macroeconmicas median en las decisiones que tome la empresa para su futuro. QU TCNICA UTILIZAR? Para determi nar que tcnica de pronstico, se deben considerar los siguientes puntos: 1. Definir la naturaleza del problema de pronstico. 2. Explicar la naturaleza de los datos bajo investigacin. 3. Describir las capacidades y limitaciones de las tcnicas de pronstico potencialmente tiles. 4. Desarrollar algunos criterios predeterminados sobre los cuales se pueda tomar la decisin de la seleccin, como son algunas medidas de error. BASES DE PRONSTICO. Ingreso por venta. Costo de productos manufacturados. Horas de mano de obra directa Horas de maqui naria. Costos de los i nsumos. FUENTES DE PRONSTICO. Externas: Acti vidades generales de la economa o factores geopolticos, que despus se relacionan con las acti vidades empresariales. Internas: Estima cada producto de una empresa, para despus hacer un pronstico agregado de todas sus acti vidades. CLASIFICACION DE LOS METODOS DE PRONOSTICOS.SEGN EL TIEMPO: A Corto Plazo: alcance de un da a un ao, sirve para funciones de control, como ajuste de la Tasa de produccin, del empleo, del pronstico de venta, etc. A Mediano Plazo: con alcance de una estacin a uno o dos aos. Son usados para la planeacin operati va, el flujo de caja, el programa de produccin y las ventas. A Largo Plazo: con un alcance de dos a ci nco aos, esto se usa para ampliar plantas, producir nuevos productos, cambiar polticas, adoptar nuevas tecnologas.
[1] Enciclopedia Sopena, Editorial Ramon Sopena, S.A. Provenza 95, Barcelona pg. 952 [2] Arbones Malisani, Logistica Empresarial. Editorial Alfaomega
El anlisis de regresin es una de las tcnicas estadsticas la cual se utiliza en la investigacin al relacionar entre dos o ms variables, una de sus utili zaciones est en la construccin de modelos que permitan predecir el comportamiento de una variable Y (dependiente, respuesta) en funcin de una o ms variables (independientes, predictivas) X. El comportamiento de estas variables suelen definirse de manera previa lo que nos remite a un modelo terico, o bien, se tiene el caso de que no exista una relacin establecida entre estas y sea necesario establecer una primera aproximacin del comportamiento de las mismas. Lo anterior se puede lograr usando una herramienta grfica denominada diagrama de dispersin lo que nos conducira a desarrollar un modelo emprico de la relacin que mantienen las variables en estudio. Ventajas Es objetivo, solo depende de los resultados experimentales. Es reproducible, proporciona la misma ecuacin no importa de quien realice el anlisis. Proporciona una estimacin probabilstica de la ecuacin que representa a unos datos experimentales Proporciona intervalos pequeos de error. Restricciones Solo sirve para ajustar modelos lineales Requiere tener al menos diez mediciones bajo las mismas circunstancias experimentales. Se requiere de algn equipo de clculo, de lo contrario, es muy engorroso el procesamiento de la informacin. Establece la relacin temporal para la variable de pronstico, implica una relacin causa-efecto. La ecuacin general es: Y= + x Y = Variable dependiente = La altura de la recta. = La pendiente de la recta. x = Variable independiente.
METODOS DE LOS MNIMOS CUADRADOS. Para calcular y :
= altura de la lnea recta. = pendiente de la recta. Y = variable dependiente. X = variable independiente. x = promedio de los valores X. y = promedio de los valores Y. n = nmero de observaciones. Ejemplo Encontrar la lnea recta del mnimo cuadrado.
EJEMPLO: La demanda de un artculo en los ltimos 4 aos se muestra a continuacin: Demanda(uni dades) 2006 2007 2008 2009 Aos 6 8 7 9 Con esta i nformacin se pide pronosticar la demanda para el ao 2010 y 2011 utili zando regresin lineal. Solucin: Es necesario hallar la ecuacin de regresin y=+x, donde X representa el tiempo y Y la demanda en unidades del artculo. Procedemos a hallar y .teniendo en cuenta las ecuaciones planteadas anteriormente.
; Esta sera la ecuacin de regresin, ahora para hallar la demanda del ao 2010 remplazamos a x por 5, ya que sera el valor que le correspondera en la tabla, pues el 2009 es 4, as el 2011 seria 6. Remplazando obtendramos: y=5+0,85=9 unidades; y=5+0,86=9,810 unidades. Entonces la demanda proyectada para el 2010 sera de 9 unidades y de 10 unidades para el 2011. TALLER DE APLICACIN Solucione los siguientes ejercicios: 1. La demanda de un artculo en unidades en los ltimos 5 aos se describe a conti nuacin: Utilice la tcnica de regresin lineal para estimar el nmero de unidades que se proyectan de demanda para el ao 2010. Aos X Demanda(y) X.Y X 2
2006 1 6 6 1 2007 2 8 16 4 2008 3 7 21 9 2009 4 9 36 16 TOTALES 10 30 79 30 2. El nmero de estudiantes matriculados en los ltimos 4 aos en una institucin de educacin bsica secundaria se describe a continuacin: Mediante regresin li neal pronostique el nmero de estudiantes que se matricularan en el ao 2010.
El Promedio Mvil o PM es el indicador ms utilizado en anlisis tcnico, ya que es uno de los indicadores experimentados ms antiguos que existen. La utili zacin de un promedio mvil muestra la direccin y la duracin de una tendencia; el propsito de un promedio mvil es el de ilustrar la tendencia, de una manera ms suavizada. Debido al hecho que el promedio mvil es uno de los indicadores ms verstiles y de mayor uso dentro de todos los indicadores, es la base del diseo de la mayora de sistemas y estrategias utili zados hoy en da. Un ejemplo de promedio mvil es el precio promedio del mercado en cierto perodo de tiempo. Se describen algunas de las propiedades ms comunes de los promedios mviles: El promedio mvil es calculado con cierto perodo de tiempo predefinido. Mientras ms corto el perodo, mayor la probabilidad de una seal falsa. Mientras ms largo el perodo, menor es la sensibilidad del promedio mvil. Es decir, ms certera pero existirn menos seales. Como su mismo nombre lo implica, un promedio mvil es un promedio de un cuerpo cambiante de data. Por ejemplo, un promedio mvil de 50 perodos, utili zado al cierre, es constituido por la sumatoria de los precios de cierre de los ltimos 50 perodos, dividido por 50. Se le designa promedio MVIL, por que nicamente los ltimos perodos son los evaluados, es decir, son los que estn siendo utili zados para calcular los resultados. Y de esa manera, los datos siendo evaluados se mueven hacia adelante con cada da (o perodo) que avanza. El anlisis de promedios mviles puede ser realizado a cualquiera de los siguientes diferentes tipos de precio: Precio de Apertura: El anlisis del perodo se hace en base el precio de apertura de cada cuerpo. Precio de Cierre: El anlisis del perodo se hace en base el precio de cierre de cada cuerpo. Precio ms Alto: El anlisis del perodo se hace en base el precio ms alto de cada cuerpo. Precio ms Bajo: El anlisis del perodo se hace en base el precio ms bajo de cada cuerpo. Precio Medio: El anlisis del perodo se hace en base el precio medio de cada cuerpo. Precio Medio = (Precio Alto + Precio Bajo) / 2 Precio Tpico: El precio tpico del perodo es calculado de la siguiente forma: Precio Tpico = (Precio Alto + Precio Bajo + Precio Cierre) / 3 Precio Ponderado: El precio ponderado del perodo es calculado de la siguiente forma: Precio Ponderado = (Precio Alto + Precio Bajo + Precio Cierre + Precio Cierre) / 4 Tipos de Promedios Mviles Promedio Mvil Simple (SMA): El Promedio Mvil Simple es sin duda el promedio mvil ms utilizado hoy en da. El Promedio Mvil Simple es a veces llamado un promedio mvil aritmtico y bsicamente es un precio promedio a travs de un perodo de tiempo. Se calcula sumando los precios de cierre del par analizado durante cierto perodo de tiempo y luego se divide dentro del mismo nmero de perodos. Por ejemplo, el Promedio Mvil de los ltimos 10 das del precio de cierre, dividido dentro de 10. Debido al hecho que el Promedio Mvil Simple da el mismo peso a cada perodo de precio siendo evaluado, mientras ms largo sea el perodo de tiempo evaluado, mayor ser la suavizacin de los datos ms recientes. Promedio Mvil Exponencial (EMA): El indicador de Promedio Mvil Exponencial reacciona ms rpidamente a cambios de precios recientes que el Promedio Mvil Simple debido al hecho que suma los precios de cierre del perodo actual al perodo anterior, dando as ms peso a los ltimos perodos de precio. El perodo es uti lizado para determi nar el peso relativo que debera ser asignado a perodos previos. La frmula es utilizada para determinar el porcentaje. Promedio Mvil Suavizado (SMMA): Debido a que el indicador del Promedio Mvil Suavizado, suavi za el promedio mvil por medio de la asignacin de mismos pesos a precios pasados que a precios recientes, es recomendable utili zar el SMMA con perodos ms largos de tiempo para mejores resultados Promedio Mvil Ponderado Lineal (LWMA) Un Promedio Mvil Ponderado se calcula a travs de la multiplicacin de de cada perodo de tiempo anterior por un peso. El peso est basado en el nmero de das del promedio mvil. Un Promedio Mvil Ponderado Lineal, da ms peso a informacin ms reciente que a datos ms antiguos. El hecho de que es medido linealmente significa que el dato ms antiguo recibe un valor de 1, luego el dato que le sigue, un valor de 2, luego el dato que le sigue un valor de 3 y as sucesivamente, hasta que el ltimo dato recibe un peso equivalente al perodo. As que en un LWMA de 25, el peso del primer da es 1, mientras que el peso del da ms reciente es de 25. Esto da 25 veces ms peso al precio de hoy que al de hace 25 das. Consejos para Operar los promedios Mviles Recuerde de SIEMPRE confirmar sus puntos de entrada y salida con otros indicadores cuando utili za cualquiera de las estrategias anteriormente mencionadas con promedios mviles. Estos otros indicadores pueden ser, pero no se limitan a: MACD, Momentum, RSI, Stochastics & Precio ROC. Las seales falsas pueden ser evitadas al utili zar perodos ms largos de tiempo. Sin embargo, a pesar de que esto har que se generen menos seales, las seales brindadas sern ms certeras y exactas. Cuando inserte promedios mviles en sus grficas, utilice perodos comnmente usados por la mayora de inversionistas de Forex. Estos perodos pueden ser: 10, 50, 100 & 200 Algunos promedios mviles comnmente uti lizados como el EMA 200, tambin son utili zados como ni veles de soporte o resistencia. As que cuando llegue a este nivel especfico, est atento para observar posibles retracciones de precios. La suposicin fundamental para esta tcnica es que la serie de tiempo es estable, en el sentido de que sus datos se generan mediante el siguiente proceso constante: y t = b+e t donde b es un parmetro constante desconocido estimado a partir de los datos histricos. Se supone que el error aleatorio e t tiene un valor esperado cero y una varianza constante. Adems, los datos para los diferentes periodos no estn correlacionados.
La tcnica del promedio mvil supone que las n observaciones ms recientes son igualmente importantes en la estimacin del parmetro b. As, en un periodo actual t, si los datos para los n periodos ms recientes son y t-n+1 , y t- n+2 ,...e y t , entonces el valor estimado para el periodo t+1 se calcula como y t+1 = (y t-n+1 + y t-n+2 +...+ y t) /n No hay una regla exacta para seleccionar la base del promedio mvil, n. Si las variaciones en la variable permanecen razonablemente constantes en el tiempo, se recomienda una n grande. De otra forma, se aconseja un valor de n pequeo si la variable muestra patrones cambiantes. En la prctica, el valor de n flucta entre 2 y 10. Ejemplo. La demanda (en nmero de unidades) de un artculo de inventario durante los pasados 24 meses se resume en la tabla. Utilice la tcnica del promedio mvil para pronosticar la demanda del siguiente mes (t= 25) TABLA Mes, t Demanda, y t Mes, t Demanda, y t
1 46 13 54 2 56 14 42 3 54 15 64 4 43 16 60 5 57 17 70 6 56 18 66 7 67 19 57 8 62 20 55 9 50 21 52 10 56 22 62 11 47 23 70 12 56 24 7 Si utili zamos n = 3, la demanda estimada para el siguiente mes (t = 25) ser igual al promedio de las demandas para los meses 22 al 24, es decir, 62+70+723=68. EJERCICIOS DE APLICACIN Solucione los siguientes ejercicios: 1. La demanda de un artculo en unidades en los ltimos 5 aos se describe a conti nuacin:
Utilice la tcnica del promedio mvil con k= 3 para estimar el nmero de unidades que se proyectan de demanda para el ao 2009 y 2010. 2. El nmero de estudiantes matriculados en los ltimos 4 aos en una institucin de educacin bsica secundaria se describe a continuacin:
Mediante promedio mvi l con k= 4, pronostique el nmero de estudiantes que se matricularan en el ao 2010 y 2011.
El mtodo de suavizacin exponencial es un mtodo de promedio mvil ponderado muy refinado que permite calcular el promedio de una serie de tiempo, asignando a las demandas recientes mayor ponderacin que a las demandas anteriores. Es el mtodo de pronstico formal que se usa ms a menudo, por su simplicidad y por la reducida cantidad de datos que requiere. A diferencia del mtodo de promedio mvil ponderado, que requiere n periodos de demanda pretrita y n ponderaciones, la suavizacin exponencial requiere solamente tres tipos de datos: el pronstico del ltimo periodo, la demanda de ese periodo y un parmetro suavizador, alfa , cuyo valor flucta entre 0 y 1.0. Para elaborar un pronstico con suavizacin exponencial, ser suficiente que calculemos un promedio ponderado de la demanda ms reciente y el pronstico calculado para el ltimo periodo. La ecuacin correspondiente a este pronstico es: F t+1 = (demanda para este periodo) + (1- ) (pronstico calculado para el ltimo periodo) F t+1 = D t + (1- )F t
La siguiente ecuacin es equivalente: F t+1 = F t + (D t -F t ) La constante de suavizacin a es un nmero entre 0 y 1 que entra multiplicando en cada pronstico, pero cuya influencia declina exponencialmente al volverse antiguos los datos. Una a baja de ms ponderacin a los datos histricos. Una a de 1 refleja una ajuste total a la demanda reciente, y los pronsticos sern las demandas reales de los periodos anteriores. La seleccin de a depende de las caractersticas de la demanda. Los valores altos de a son ms sensibles a las fluctuaciones en la demanda. Los valores bajos de a son ms apropiados para demandas relati vamente estables (si n tendencia o ciclicidad), pero con una gran cantidad de variacin aleatoria. La suavi zacin exponencial simple es un promedio suavi zado centrado en el periodo presente. No se puede extrapolar para efectos de tendencia, por la que ningn valor de a compensar completamente la tendencia en los datos. Los valores ordi narios de a varan entre 0.01 y 0.40. Los valores bajos de a disminuyen efecti vamente la variacin aleatoria (ruido - dispersin). Los valores altos son ms sensibles a cambios en la demanda (introducciones de nuevos productos y error buscando cul valor reduce el error del pronstico. Esto puede hacerse fcilmente modelando el pronstico en un programa de cmputo, tratando con diferentes valores de a. Un valor de a que proporcione aproximadamente un grado equi valente de suavizacin tanto como un promedio mvi l de un periodo es a = 2 / (n + 1) Esta forma de la ecuacin muestra que el pronstico para el periodo siguiente es igual al pronstico del periodo actual ms una proporcin del error del pronstico correspondiente al mismo periodo actual. Para poner en marcha la suavi zacin exponencial se requiere un pronstico inicial. Hay dos formas de reali zar este pronstico inicial: Usar la demanda del ltimo periodo, o bien, se dispone de datos histricos, calcular el promedio de varios periodos recientes de demanda. El efecto de la estimacin i nicial del promedio sobre las estimaciones sucesi vas del mismo disminuye a lo largo del tiempo porque, con la suavi zacin exponencial, las ponderaciones asignadas a las demandas histricas sucesi vas, que se utili zan para calcular el promedio, disminuyen exponencialmente. Ejemplo:
Una empresa usa suavizacin exponencial simple con a = 0.1 para pronosticar la demanda. El pronstico para la semana de octubre 1 fue de 500 unidades, mientras que la demanda real fue de 450 unidades a) Pronosticar la demanda de la semana de Octubre 8 b) Supngase que demanda real durante la semana de octubre 8 fue de 505 unidades. Pronostique la demanda de lasemana de octubre 15. Continese pronosticando hasta noviembre 12 suponiendo que las demandas subsecuentes fueron realmente 516, 488, 467, 554 y 510. Solucin a) Pronosticar la demanda de la semana de Octubre 8 Ft = Ft-1 + a (At-1 - Ft-1) F t = 500 + 0.1 (450 - 500) F t = 495 unidades b) Arreglando el procedimiento en forma tabular Valor a 0.1 Semana Demanda real Pronstico anterior Error del pronstico Factor Correccin Pronostico suavizado
At-1 Ft-1 At-1 - Ft- 1 a a (At-1 - Ft- 1) Ft = Ft-1 + a (At-1 - Ft- 1) 1 450 500 -50 0.1 -5 495 8 505 495 10 0.1 1 496 15 516 496 20 0.1 2 498 22 488 498 -10 0.1 -1 497 29 467 497 -30 0.1 -3 494 5 554 494 60 0.1 6 500 12 510 500 10 0.1 1 501 Lo idneo y deseable es comparar con otros ni veles de a y graficar para poder hacer un anlisis Semana Demanda real Pronstico anterior Error del pronstico Factor Correccin Pronostico suavizado
EJERCICIOS DE APLICACIN 1. Karls Copiers vende y repara mquinas de fotocopiado. El gerente necesita pronsticos semanales de las solicitudes de servicios, a fin de poder programar las actividades de su personal de servicio. El pronstico correspondiente a la semana del 3 de julio fue de 23 llamadas para servicio. El gerente aplica la suavizacin exponencial con = 0.25. Pronostique usted el nmero de llamadas para servicio correspondientes a la semana del 7 de agosto, suponiendo que sta sea la semana prxima.
2. Los siguientes datos corresponden a las calculadoras vendidas (expresadas en unidades) en una tienda de electrnica durante las ltimas 5 semanas.
Aplique la suavizacin exponencial con = 0.2, para pronosticar las ventas correspondientes a las semanas 3 a 6.
MEDICIONES DE RENDIMIENTO PARA EVALUAR MODELOS DE PRONSTICO. Error Pronstico: Habitualmente en los casos para proyectar un buen pronstico se debe contar con excelentes instrumentos, metodologas y experiencia; ya que el mercado actual es muy cambiante, dinmico y en muchas ocasiones tiende a tener muchos componentes aleatorios, lo que conlleva a que pronosticar sea una labor compleja. Por tal motivo cantidades de empresas de hoy en da, han creado puestos y departamentos dedicados a pronosticar la demanda. Debido a que un pronstico es una estimacin se debe tener una tcnica de desempeo de est, ya que esta tcnica ayudara a determi nar cual es el mejor mtodo de pronsticos en el caso que se quiera evaluar varios, y para revisar su desempeo en el tiempo en bsqueda de mejorarlo. Es importante utili zar una tcnica de estimacin del desempeo (estimacin del error) comn, y no utili zar medidas propias, ya que en general las medidas propias hacen que se pierda objeti vidad en el anlisis. Hay algo muy importante que tiene que tener las medidas del desempeo en los pronsticos, que tanto midan cuando el pronstico fue mayor que el valor real y viceversa, miremos los errores comunes en las empresas cuanto hacen la estimacin del error de pronstico de ventas: Solo cuentan el error cuando el pronstico es mayor a la venta real, ya que lo que les importa a ellos es la venta perdida. Solo cuentan el error cuando el pronstico es menor a la venta real, debido a que lo importante es no tener mucho i nventario. No se cuenta la magnitud de la diferencia si no que se cuenta el nmero de veces que el pronstico estuvo por encima y debajo de la venta real. Estos errores y muchos mas no miden correctamente el desempeo del pronstico, y en muchos casos dan la sensacin de que el pronstico est bien, mientras por el contrario en la realidad no lo est. La cantidad por la cual la demanda real difiere de la demanda pronosticada. Existen tres mediciones de funcionamiento para evaluar un modelo de pronstico en el que Dt es la demanda real en el periodo t y Ft, es la demanda pronosticada en el periodo t, encontramos: RMSE: Error medio cuadrado MAE: Error medio absoluto MAPE: Error medio porcentual EJEMPLO. Se ha desarrollado un modelo de pronstico para predecir las ventas mensuales de un modelo particular de carro basndose en los siguientes datos de los 6 meses anteriores, donde hallaremos error de pronstico, error medio cuadrado (RMSE), error medio absoluto (MAE), error medio porcentual(MAPE)
Como las ventas pronosticadas no son iguales que las ventas reales como podemos calcular el error de pronstico:
Los errores de pronostico (+) i ndican que la demanda real excede el pronstico y los errores (-) significan que la demanda est por debajo del pronstico. Ahora hallaremos RMSE y tenemos:
RMSE = 72/6 = 3,46 MAE = 18/6 = 3 MAPE = 28/6 = 4,66 A continuacin los invito a ver este video en donde se desarrolla un ejercicio de error de pronstico.
Yo Llegue Ala Institución Educativa Aserradero en El Año 2011 Los Primeros Meses Estaba Mal Por Que Abia Perdido Pero Luego Me Fui Recuperando Siguió Pasando El Tiempo y Me Fui Acostumbrando Al Cole