Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Pronósticos
1
PRONÓSTICOS
Que es y para qué se usan:
Es necesario para:
• Determinar que recursos se necesitan.
• Programar los recursos existentes.
• Adquirir recursos adicionales.
2
PRONÓSTICOS
3
¿En qué se basan ?
Generalmente, los pronósticos son respaldados por consejeros
económicos, estadísticos, políticos y técnicos, y se basa en
información sobre los aspectos tales como:
Niveles de producción industrial, tanto nacionales como internacionales.
Gasto público.
Disponibilidad de mano de obra.
Cambios posibles en la estructura de precios.
Variaciones en los niveles de vida.
Competencia, tanto nacional como internacional.
Nuevos productos posibles.
Mercados potenciales.
Cambios tecnológicos.
Recursos e historial de la empresa.
Objetivos, políticas y planes de la empresa a largo plazo.
4
¿Qué se pronostica?
Precios de materiales
Costo de mano de obra
Tasas de interés
Ingresos
Gastos
5
Jerarquía de Metas, Decisiones y Funciones
6
Fundamentos de Pronósticos
7
Pronóstico de Demandas
8
Sistema Operativo de Pronósticos
9
Integración de Base de Datos de Demanda
10
Integración de Base de Datos de Demanda
Métodos de
Pronóstico
Se emplean cuando la situación es Se emplean cuando la situación
“estable” y existen datos no es clara y existen pocos
“históricos”: Productos existentes, datos: Productos nuevos,
Tecnología actual. Nueva tecnología.
Métodos basados en
Previsiones Predicciones
opiniones o estimados
Estadístico que depende, subjetivos o de juicio.
Cuantitativos fundamentalmente, de los Cualitativos
datos históricos de la
demanda.
Opinión Ejecutiva
Series de Analogía Histórica
Causal
Tiempo Delphi
Investigación de Mercado
Proyección de tendencias
Proyección de
Suavización ajustadas por influencias
tendencias
estacionales 12
PRONÓSTICOS
Demanda
Patrones de la Demanda
Es el orden en que se realiza las observaciones repetitivas de la
demanda, dando origen a cinco patrones básicos.
a. Horizontal.
b. De tendencia.
c. Estacionalidad.
d. Cíclico.
e. Aleatorio.
13
Patrones de Demanda
Cantidad
Tiempo
14
Patrones de Demanda
Cantidad
Tiempo
(b) De tendencia: Los datos aumentan o disminuyen de
manera consistente a través del tiempo.
15
Patrones de Demanda
Cantidad
Año 1
Año 2
| | | | | | | | | | | |
J F M A M J J A S O ND
Meses
16
Estacionalidad
Verano
Respuesta
Mes, trimestre
17
Patrones de Demanda
Cantidad
| | | | | |
1 2 3 4 5 6
Años
(d) Cíclico: Los datos revelan incrementos y decrementos
graduales en el curso de largos períodos de
tiempo.
18
Variaciones aleatorias
19
PRONÓSTICOS
20
PRONÓSTICOS
Factores que Afectan la Demanda
Factores externos
Se encuentran fuera del control de la gerencia.
21
PRONÓSTICOS
Factores externos (continuación)
22
PRONÓSTICOS
Factores internos
Las decisiones internas en su conjunto, provocan cambios en el
volumen de la demanda como es:
• Diseño de envases.
23
PRONÓSTICOS
Factores internos
24
PRONÓSTICOS
Diseño del sistema de Pronóstico
Gerencia frente a un pronóstico debe tomar tres decisiones
Que va a pronosticar.
Que tipo de técnica va a aplicar
Tipo de hardware o software o ambos que utilizará
I. Que va a pronosticar
1. Nivel de acumulación
Es agrupar varios productos o servicios similares, con lo cual las
compañías pueden realizar pronósticos más asertivos y derivar
por productos o servicios.
Esta forma con lleva a un error generalmente es 5%.
Al pronosticar por artículo el error es >> 5%.
25
PRONÓSTICOS
Que va a pronosticar (continuación)
Sistema a dos niveles.
1er pronóstico: Familias bienes o servicios con similares
características en:
-- Requisitos de demanda
– Procesamiento
– Trabajo y Materiales.
2do pronóstico: de las cifras generales se deriva el pronóstico
por elemento individual.
2. Unidades de medición
De mayor utilidad son las unidades de productos o servicios y no
de dinero.
Ej. Unidades de radios, paquetes por entregar, número de
clientes, etc.
¡Cuidado! No es útil ingresos por ventas. (Ej. minoristas)
26
PRONÓSTICOS
Enfoques del Pronóstico
Métodos cualitativos Métodos cuantitativos
Se emplean cuando la situación no es Se emplean cuando la situación es
clara y existen pocos datos: “estable” y existen datos
Productos nuevos. “históricos”:
Nueva tecnología. Productos existentes.
Tecnología actual.
Requieren intuición y experiencia: Requieren técnicas matemáticas:
Por ejemplo, el pronóstico de Por ejemplo, el pronóstico de las
las ventas a través de Internet. ventas de televisiones en color.
27
PRONÓSTICOS
II. Decisión del tipo de técnica de pronóstico
La precisión de pronóstico depende de la selección de una
técnica apropiada y de los costos que esto puede acarrear,
para este último:
• Comprar un software.
• Tiempo requerido para hacerlo
• Capacitación del personal
Técnicas
Cualitativa:
Método de juicio
Cuantitativa:
Métodos Causales
Análisis de serie de tiempo
28
Factores que Afectan la Demanda
Horizonte de tiempo
Utilizado cuando:
• No existen datos históricos.
• Cambio de tecnología.
• Modificación de pronósticos cuantitativos (resultados extraños)
Se confía en la experiencia y el buen juicio
Existen cuatro formas:
1.- Estimación de la fuerza de ventas
Personas cerca de los clientes
Ventajas
•Mayor probabilidad de conocer que productos o servicios
comprarán los clientes.
•Información útil para administrar inventario, distribución,
formación de equipos de venta.
•Combinar todas las opiniones para obtener una sola por ejemplo
para una región.
31
Análisis de Métodos
Método de Juicio (continuación)
Desventajas
• Algunos muy optimistas otros muy cautelosos
• No diferencian entre lo que el cliente desea y lo que
realmente necesita.
• Vendedores subestiman el pronóstico, para que su rendimiento
parezca bueno, cuando supera la proyección o esforzarse
solamente para alcanzar meta.
2.- Opinión Ejecutiva
Uso
•Modificar un pronóstico de venta actual, debido a un evento
inesperado.
•Elaborar pronósticos tecnológicos.
Desventajas
•Puede ser costosa.
•Puede quedar fuera de control.(sin la aprobación colectiva).
32
Análisis de Métodos
Método de Juicio (continuación)
Desventajas
•Costosas, errores en la formulación e interpretación de las respuestas.
•Limitaciones (Ej. Respuestas por correo)
33
Análisis de Métodos
Método de Juicio (continuación)
35
Método Causal Regresión Lineal
Ejemplo:
Variable dependiente: se quiere pronosticar la demanda de barniz
para puertas.
Variable independiente: gasto de publicidad o inicio de la
construcción de nuevas viviendas.
36
Método Causal Regresión Lineal
Y Ecuación de
Estimación de regresión:
Y a partir de Y = a + bX
la ecuación
de regresión
Variable Dependiente
Valor
actual
de Y
Valor de X empleado
para calcular Y
X
Variable Independiente
37
Método Causal Regresión Lineal
Y Desviación Ecuación de
o error regresión:
Estimación de
Y = a + bX
Y a partir de
la ecuación
Variable Dependiente
de regresión
{ Valor
actual
de Y
Valor de X empleado
para calcular Y
X
Variable Independiente
38
Método Causal Regresión Lineal
Objetivo del análisis de regresión lineal Encontrara los valores de a y
b que minimicen la suma de las desviaciones (errores) al cuadrado
de los puntos reales de la grafica.
Formas de evaluar la precisión del pronóstico (existen 2)
39
Método Causal Regresión Lineal
2. Coeficiente de determinación de la muestra ( r 2)
40
Método Causal Regresión Lineal
Ejercicio práctico:
La persona a cargo de programar la producción de la compañía,
tiene que elaborar un pronósticos de la demanda de un
producto, a fin de plantear las cantidades de producción más
apropiadas
Durante un almuerzo de negocios, el gerente de Marketing
aporta información sobre el presupuesto de publicidad destinado
a una bisagra de bronce para puertas.
Se presenta a continuación los datos sobre ventas y publicidad
correspondiente a los últimos cinco meses.
La gerencia de Marketing afirma que la compañía gastará el
mes entrante US$1.750 en publicidad para el producto. Aplique
la regresión lineal para desarrollar una ecuación y un pronóstico
para ese producto.
41
Método Causal Regresión Lineal
Ventas Publicidad
Mes (miles de unidades) (miles de $) 000 = miles
1 264 2.5 a = - 8.136
2 116 1.3 b = 109.229
3 165 1.4 r = 0.98
4 101 1.0 r2 = 0.96
5 209 2.0 syx = 15.61
42
Método Causal Regresión Lineal
300 —
Ventas (miles de unidades)
a = - 8.136
200 —
b = 109.229
r = 0.98
150 — r2 = 0.96
syx = 15.61
100 —
50 | | | |
• Pronóstico
1.0El valor
1.5de r para
es2.0
muy
Mespróximo
62.5 a 1,00 significa que existe una
fuerte relación
Publicidad (miles deentre ventas y publicidad, la selección es buena.
dólares)
X = $1750, Y = - 8.136 + 109.229(1.75)
• R2 significa que el 96% de la variación observada en las 43
ventas, se atribuye a los gasto involucrados de publicidad.
Método Causal Regresión Lineal
El análisis de regresión es una buena guía para decisiones
importantes como:
• Administración de inventarios.
• Planificación de capacidades.
• Administración de procesos.
44
Método Series de Tiempo
Usa solo información referida a la variable dependiente.
45
Método Series de Tiempo
Modelo de Pronóstico Empírico
46
Método Series de Tiempo
47
Método Series de Tiempo
Ventajas del pronóstico empírico
• Simplicidad
• Bajo costo
• Funciona bien cuando las demanda son estables (variaciones
azar pequeñas)
48
Método Series de Tiempo
49
Método Series de Tiempo
Ejemplo
Clínica: llegada de pacientes en las
Llegadas de pacientes
últimas 28 semanas.
Patrón de demanda: llegada de
pacientes no es de tendencia ni
estacional ni cíclico.
Serie de tiempo: muestra un patrón
Horizontal y Aleatorio.
Errores aleatorios: nadie los puede Llegadas reales
prever, no quedamos tranquilos al de pacientes
estimar solo promedios.
Semana
50
Método Series de Tiempo
Técnicas estadísticas útiles para el pronóstico de series de tiempo:
• Promedio móviles simples.
• Promedio móviles ponderados.
• Suavización exponencial.
Método de Promedio Móviles Simples (MA)
Uso: estima el promedio de una serie de tiempos de demanda y
suprime de esta forma las fluctuaciones al azar.
Útil: cuando la demanda no tiene tendencias pronunciadas ni
influencias estaciónales.
Cálculo: para “n” períodos más recientes, con el fin de usarlos
como pronósticos para el siguiente período.
Pronóstico al período t + 1
51
Método de Promedio Móviles Simples (MA)
(continuación)
D t + D t – 1 + D t – 2 ...........D t – n + 1
F t + 1 = At =
n
At = Promedio de la demanda real de “n” periodos anteriores
Dt = demanda real del período t
n = Número total de períodos incluidos en el promedio.
F t + 1 = pronóstico para el período t + 1
F t+1 = At ó Ft = At-1
Puede incluirse todos los períodos pasados de demanda que se
desee.
La estabilidad de una serie correspondiente a la demanda
determina cuantos períodos serán necesarios incluir o sea “n”.
Serie de demanda estable son aquellas para los cuales el
promedio cambia solamente en forma infrecuente.
52
Cálculo del Promedio Móvil, At
Elabore un pronóstico de promedio móvil de tres semanas para
estimar la llegada de pacientes a la clínica médica durante la cuarta
semana. Los datos correspondientes a la llegada de pacientes durante
las últimas tres semanas fueron las siguientes:
Semana Llegada de pacientes
1 400
2 380
3 411
53
Cálculo del Promedio Móvil, At
D1 =400
D2 =380
415
D3 = 411 411
410
Llegada de pacientes
405
400 400
395
390
385
380 380
375
0 1 2 3 4 5Semana 6
54
Cálculo del Promedio Móvil, At
D1 =400
D2 =380
420
D3 = 411
415 415
D4 = 415 411
Llegada de pacientes
410
405
400 400
395
390
385
380 380
375
0 1 2 3 4 5 6
Semana
55
Método Series de Tiempo
Promedios Móviles Simples
Pronóstico MA
450 — Pronóstico MA
6-semanas
Llegadas de pacientes
3-semana
430 —
410 —
390 —
370 — Llegadas de
pacientes reales
| | | | | |
0 5 10 15 20 25 30
Semana
56
Promedio Móvil Ponderado, AWt
57
Promedio Móvil Ponderado, AWt
Ventaja
Permite hacer énfasis en la demanda reciente.
Responde mejor que el pronóstico de promedio móvil simple,
cuando la demanda es dinámica.
Desventaja
Sigue retrasándose con respecto a la demanda porque sólo
calcula promedios de la demanda en el pasado.
Se observa mucho mejor el retraso cuando existe una
tendencia, ya que el promedio de serie de tiempos va en
incremento o disminución en forma sistemática.
58
Promedio Móvil Ponderado, AWt
El analista que está a cargo de la clínica médica ha
asignado ponderaciones de 0.70 a la demanda más
reciente, 0.20 a la demanda de hace una semana y 0.10 a
la demanda de hace dos semanas. Use los datos
correspondientes a las tres primeras semanas para
calcular el pronóstico de promedio móvil ponderado para la
semana cuatro.
59
Promedio Móvil Ponderado, AWt
N
D1 =400 W1 = 0,1 AWt D t j1 Wt j1
j1
D2 =380 W2 = 0,2
415
D3 = 411 W3 = 0,7 411
410
Llegada de pacientes
405
400 400
395
390
385
380 380
375
0 1 2 3 4 5Semana 6
60
Promedio Móvil Ponderado, AWt
450 —
Llegadas de pacientes
| | | | | |
0 5 10 15 20 25 30
Semana
61
Promedio Móvil Ponderado, AWt
450 — Llegada de
Semana pacientes
Llegadas de pacientes
430 — 1 400
2 380
410 — 3 411
4 415
390 —
| | | | | |
0 5 10 15 20 25 30
Semana
62
Suavizamiento Exponencial Simple
Dt = + et
El modelo refleja un error aleatorio alrededor de una tendencia central
estable. Donde et se distribuye normalmente con media cero.
At = Dt + ( 1 - ) A t - 1
63
Suavizamiento Exponencial Simple
At = Dt + ( 1 - ) A t - 1
A t -1 refleja la historia
Si se cree en la última demanda
=1
Si se cree en la historia
=0
64
Suavizamiento Exponencial Simple
At = D t + ( 1 - ) A t – 1 ó At = A t - 1 + ( D t - At-1 )
Ft+1 = A t ó Ft+1 = D t + ( 1 - ) F t
Ft+1 = F t + (D t - F t )
et = Dt – Ft
65
Suavizamiento Exponencial Simple
F t+1 = D t + (1 - ) F t equivalente a:
Es igual al pronóstico del período
F t+1 = F t + ( D t - F t ) actual más una proporción del
error del pronóstico
correspondiente al mismo
período actual.
66
Suavizamiento Exponencial Simple
67
Suavizamiento Exponencial Simple
D1 =400
D2 =380
D3 = 411
415
410 411
Llegada de pacientes
405
400 400
395
390
385
380 380
375
0 1 2 3 4 5Semana 6
68
Suavizamiento Exponencial Simple
D1 =400
D2 =380
420
D3 = 411
415 415
D4 = 415 411
Llegada de pacientes
410
405
400 400
395
390
385
380 380
375
0 1 2 3 4 5 6
Semana
69
Suavizamiento Exponencial Simple
450 —
Llegadas de pacientes
430 —
410 —
390 —
370 — Suavización
Exponencial
= 0.10
| | | | | |
0 5 10 15 20 25 30
Semana
70
Suavizamiento Exponencial Simple
Pronóstico MA Pronóstico MA
450 —
3-semanas 6-semanas
Llegadas de pacientes
430 —
410 —
390 —
370 — Suavización
Exponencial
= 0.10
| | | | | |
0 5 10 15 20 25 30
Semana
71
Inclusión de una Tendencia
Tendencia
• Incrementos o decrementos sistemáticos de los promedios de
la serie a través del tiempo.
• Suavización exponencial será modificado ya que los
resultados estará por arriba o debajo de la demanda real.
Ejemplo
Demanda aumenta a razón de 10 unidades en cada período, al
considerar = 0,3 se tiene:
Período Demanda Pronóstico para t Resultado
real
1 10 F1 = 10
2 20 F2 = 0,3(10) + 0,7(10) = 10
3 30 F3 = 0,3(20) + 0,7(10) = 13
4 40 F4 = 0,3(30) + 0,7(13) = 18,1
72
Método de Suavización Exponencial
Ajustada a la Tendencia
Serán suavizadas
• Las estimaciones para el Promedio
• La Tendencia
Promedio (At)
Demanda en Promedio + Estimación de
At= + (1 - )
este período la Tendencia (en el último
período)
A t = D t + (1 - ) (A t -1+ T t–1 )
Tendencia (T t)
Estimación de la Tendencia
T t = Promedio de - Promedio del + (1 - )
este período último período en el último período
T t = (A t - A t – 1 ) + (1 - ) T t–1
73
Método de Suavización Exponencial
Ajustada a la Tendencia
F t+1= A t + T t
A t - 1 y T t – 1 : Promedio y Tendencia del último período, lo que
se puede obtener por medio de:
Datos del pasado
Estimaciones aproximadas al no existir históricos.
74
Ejemplo
Médica SA, ofrece servicios de laboratorio clínico a los pacientes del Hospital
Providencia, una agrupación de 10 médicos familiares asociados que brindan
un nuevo programa de mantenimiento de la salud. Los gerentes están
interesados en pronosticar el número de pacientes que van a requerir análisis
de sangre cada semana. Es preciso comprar suministros y tomar una decisión
acerca del número de muestras sanguíneas que serán enviadas a otro
laboratorio, para compensar las limitaciones de la capacidad del laboratorio
principal.
75
Ejemplo de Suavización Exponencial
ajustada a la Tendencia
A0 = 28 pacientes
T0 = 3 pacientes
D = 27 pacientes
80 —1
= 0.20 y = 0.20
70 —
Llegada de pacientes
60 —
50 —
40 —
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
76
Semana
Suavización exponencial ajustada a la
Tendencia
A1 = 30,2 pacientes
T1 = 2,8 pacientes
D = 44 pacientes
80 —2
= 0.20 y = 0.20
70 —
Llegada de pacientes
60 —
50 —
40 —
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
77
Semana
Método Series de Tiempo
Suavización exponencial ajustada a la Tendencia
80 — Pronóstico
ajustado a la
Tendencia
Llegada de pacientes
70 —
60 —
50 —
Número real
40 — de análisis
de sangre
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
78
Patrones Estaciónales
• Son movimientos ascendentes o descendentes de la
demanda:
• Son repetitivos
• Se limitan en general a períodos menores de un año, como
horas, días, meses, trimestres, etc.
• A cada período de tiempo se le denomina estaciones.
79
Método Series de Tiempo
Método Estacional Multiplicativo
Este es uno de los métodos de pronósticos, el más usual.
Metodología: promedios simples de la demanda pretérita.
Ejemplo: Patrón estacional: un año, estación: un mes
2. Genere un índice estacional para cada estación del año, su valor es el nivel
de demanda en relación con la demanda promedio.
Cálculo: para cada año, divida la demanda real de una estación entre la
demanda promedio por estación.
81
Método Series de Tiempo
Método Estacional Multiplicativo
Ejercicio
El gerente de la compañía San-limp, perteneciente al rubro de
limpieza de alfombras, necesita un pronóstico trimestral del
número esperado de clientes para el año siguiente. El negocio de
la limpieza de alfombras es estacional, con un punto máximo en
el tercer trimestre y un uno mínimo en el primer trimestre. Se
presenta a continuación los datos de la demanda trimestral
registrada en los cuatros años más recientes.
Patrón Estacional =
Estación =
82
Método Series de Tiempo
Método Estacional Multiplicativo
Trimestre Año 1 Año 2 Año 3 Año 4
1 45 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215
83
Método Series de Tiempo
Método Estacional Multiplicativo
Demanda Actual
Índice estacional =
Promedio Demanda
84
Selección de un Método
con series de Tiempo
Error de Pronóstico
• Los pronósticos siempre contienen errores.
• Los errores se clasifican en:
Errores de Sesgo.
Errores Aleatorios
Errores de Sesgo
Resultado de equivocaciones sistemáticas que el pronóstico
siempre sea muy alto o muy bajo.
¿por qué?
Son resultados de ignorar o no estimar correctamente ciertos
patrones de demanda como ejemplo de tendencia, estaciónales o
cíclicos.
Errores Aleatorios
Resultado de factores imprevisibles El pronóstico se ve
obligado a desviarse de la demanda real.
85
Selección de un Método
Error de Pronóstico
Mediciones del Error de Pronóstico
Antes de minimizar, se debe tener un medio de medición:
Error de pronóstico
Es de carácter puntual
Et = Dt - Ft
86
Selección de un Método
Error de Pronóstico
Suma Acumulativa de errores de Pronósticos (CFE)
Mide el error total de un pronóstico
Ventajas CFE = Et
• Los errores positivos grandes tienden a anular a los errores
negativos grandes.
• Es útil para evaluar el sesgo de un pronóstico, por ejemplo:
Si F t siempre es más bajo que D t entonces CFE cada vez será
mayor (+).
Este error creciente indica deficiencias continuas en el enfoque
del pronóstico, que puede deberse a:
Omisión de un elemento de tendencia o patrón cíclico.
Influencias estaciónales cambiaron frente al patrón
histórico.
= Et
CFE
Error de pronóstico promedio E = n
n
87
Selección de un Método
Error de Pronóstico
n-1
88
Selección de un Método
Error de Pronóstico
89
Selección de un Método
Error de Pronóstico
APE = [ |E | / D ] (100)
t t
MAPE =
[ |E | (100) ] /D
t t
n
90
Selección de un Método
Error de Pronóstico
91
Selección de un Método
Error de Pronóstico
Et = D t - Ft
Error
Cuadrado Error porcentual
Mes, Demanda, Pronóstico, Error, del Error, Absoluto, absoluto,
t Dt Ft Et Et 2 |Et| (|Et|/Dt)(100)
1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
4 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6 260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
92
Criterios para la Selección de Métodos
con Series de Tiempo
Cuantificar errores de pronóstico entrega la información vital, cuando
se debe seleccionar un método de pronóstico tanto para manufactura
como servicio.
Es una guía para seleccionar el valor del parámetro más adecuado
en el método elegido, como:
n para pronóstico simple
ponderaciones para promedio móvil ponderado y
y Beta para suavización exponencial.
Criterios para escoger un método de pronóstico y seleccionar el
parámetro:
1. Minimizar los sesgos (CFE y E promedio).
2. Minimizar la dispersión (MAD y MSE)
En 1 y 2 se basan en el rendimiento histórico.
93
Criterio Estadístico
Consideramos nuevamente el ejemplo de la clínica médica con 28
períodos que entrega el siguiente cuadro.
94
Selección de un Método
Señales de rastreo
Es una medida que nos dice si el método de pronóstico utilizado esta
previendo con precisión los cambios reales de la demanda.
CFE
Señal de rastreo =
MAD
CFE y MAD en cada período son actualizados para observar el error
actual y compararlo con señales determinadas anteriormente.
95
Selección de un Método
Señales de rastreo
CFE
Señal de rastreo = MAD
+2.0 —
Límite de control
+1.5 —
Señal de rastreo
+1.0 —
+0.5 —
0—
- 0.5 —
- 1.0 — Límite de control
- 1.5 — | | | | |
0 5 10 15 20 25
Número de observaciones
96
Selección de un Método
Señales de rastreo
CFE
Señal de rastreo =
MAD
Fuera de control
+2.0 —
Límite de control
+1.5 —
+1.0 —
Señal de rastreo
+0.5 —
0—
- 0.5 —
- 1.0 —
Límite de control
- 1.5 —
| | | | |
0 5 10 15 20 25
Número de observaciones 97
Criterio Expectativas de Gerencia
98
Criterio Expectativas de Gerencia
99
Fin Unidad de Pronósticos
100