Gestion de la Produccion

Unidad 2

Pronostico de la
Demanda
La previsin de Tupperware
+Cada uno de los 50 centros de beneficio en
todo el mundo es responsable del clculo de
las proyecciones de las ventas con carcter
mensual, trimestral y anual.
+Estas proyecciones se agrupan por regiones
y, globalmente, en la sede central de
Tupperware.
+Tupperware utiliza todas las tcnicas
tratadas en este captulo.
Tres factores clave para
Tupperware
+El nmero de consultores o
representantes de ventas que estn
registrados.
+El porcentaje de estos distribuidores que
est actualmente en activo (este nmero
vara cada semana y mes).
+Las ventas por distribuidor activo en base
semanal.
Tupperware - Previsin por
consenso
+Los factores de produccin provienen de las
ventas, marketing, finanzas y produccin,
aunque la previsin final es fruto del
consenso de todos los directivos
participantes.
+El ltimo paso es la versin de Tupperware
del jurado de opinin ejecutiva.
Qu es la previsin?
+ Arte y ciencia de
predecir
acontecimientos
futuros.
+ Base de todas las
decisiones
empresariales:
+ Produccin.
+ Inventario.
+ Personal.
+ Instalaciones.
Vender 200
millones de
dlares!
+Previsin a corto plazo:
+ Cobertura de hasta un ao, generalmente inferior a los
tres meses.
+ Programacin de trabajos, asignacin de tareas.
+Previsin a medio plazo:
+ Entre tres meses y tres aos.
+ Planificacin de las ventas, de la produccin y del
presupuesto.
+Previsiones a largo plazo:
+ Periodos superiores a tres aos.
+ Planificacin de nuevos productos, localizacin de las
instalaciones.
Tipos de horizontes temporales
de la previsin
Previsiones a corto plazo frente a
previsiones a largo plazo
+Las previsiones a medio y largo plazo tratan
de asuntos ms extensos, y apoyan las
decisiones de gestin que conciernen a la
planificacin y los productos, las plantas y
los procesos.
+Las previsiones a corto plazo normalmente
emplean metodologas diferentes a las
utilizadas en las previsiones a largo plazo.
+Las previsiones a corto plazo tienden a ser
ms exactas que las realizadas a largo plazo.
La influencia del ciclo de vida del
producto
+Las etapas de introduccin y crecimiento
necesitan previsiones ms largas que las de
madurez y declive.
+Las previsiones son tiles para proyectar
+ los diferentes niveles de personal
+ los diferentes niveles de inventarios
+ los diferentes niveles de capacidad de produccin
mientras el producto pasa de la primera a la
ltima etapa.
Tipos de previsiones
+Previsines econmicas:
+ Dirigidas al ciclo empresarial, por ejemplo, las
tasas de inflacin, la masa monetaria, etc.
+Previsines tecnolgicas:
+ Predicen el progreso tecnolgico.
+ Predicen el nacimiento de nuevas ventas.
+Previsiones de demanda:
+ Predicen las ventas ya existentes.
Demanda de un producto representada
en un periodo de 4 aos con tendencia
de crecimiento y estacionalidad
Primer
ao
Segundo
ao
Tercer
ao
Cuarto
ao
Picos estacionales Componente de tendencia
Lnea de
demanda
actual
Demanda media
en cuatro aos
D
e
m
a
n
d
a

d
e
l

p
r
o
d
u
c
t
o

o

s
e
r
v
i
c
i
o

Variacin
aleatoria
Demanda real frente a los mtodos de
media mvil y media mvil ponderada
0
5
10
15
20
25
30
35
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
Mes
D
e
m
a
n
d
a

d
e

v
e
n
t
a
s

Ventas reales
Media mvil
Media mvil ponderada
Realidades sobre la previsin
+Raras veces las previsiones son perfectas.
+La mayora de las tcnicas de previsin
asumen que existe cierta estabilidad
sostenida al sistema.
+Tanto las predicciones de familias de
productos como las predicciones en
conjunto son ms precisas que las
previsiones de productos individuales.
Enfoques de la previsin
+ Se emplean cuando la
situacin es estable
y existen datos
histricos:
+ Productos existentes.
+ Tecnologa actual.
+ Requieren tnicas
matemticas:
+ Por ejemplo, la previsin
de las ventas de
televisiones en color.
Mtodos cuantitativos
+ Se emplean cuando la
situacin no es clara y
hay pocos datos:
+ Productos nuevos.
+ Nueva tecnologa.
+ Requieren intuicin y
experiencia:
+ Por ejemplo, la previsin
de las ventas a travs de
Internet.
Mtodos cualitativos
Visin global de los mtodos
cualitativos
+Jurado de opinin ejecutiva:
+ Se agrupan las opiniones de un grupo de expertos
de alto nivel o de directivos, a menudo en
combinacin con modelos estadsiticos.
+Proposicin de personal comercial:
+ Las estimacin de las ventas esperadas por los
vendedores se revisan para ver si se pueden llevar
a cabo y luego se obtiene una previsin global.
+Mtodo Delphi:
+ Proceso de grupo que permite a los expertos
realizar las previsiones.
+Estudio de mercado del consumidor:
+ Requiere informacin de los clientes.
+ Requiere un pequeo grupo de directivos:
+ El grupo establece una estimacin conjunta de
la demanda.
+ Combina la experiencia directiva con modelos
estadsticos.
+ Es bastante rpido.
+ Desventaja del
pensamiento en
grupo.

1995 Corel Corp.
Jurado de opinin ejecutiva
Proposicin de personal
comercial
+ Cada vendedor estima las
ventas que har.
+ Se combinan con las
previsiones a niveles de
distritos y con las
nacionales.
+ El representante de ventas
conoce las necesidades de
los consumidores.
+ Tiende a ser bastante
optimista.
Ventas
1995 Corel Corp.
Mtodo Delphi
+Proceso de grupo
iterativo.
+3 tipos de
participantes:
+ Los que toman
decisiones.
+ El personal de plantilla.
+ Los que responden.
+Reduce el
pensamiento en
grupo.
Los que responden
Personal de
plantilla

Los que toman
decisiones

(Ventas?)
(Qu ventas
habr?
cuestionarios)
(Habr 45, 50, 55 ventas)
(Habr 50 ventas)
Estudio de mercado
+ Preguntar a los
consumidores
sobre sus futuros
planes de compra.
+ Lo que dicen los
consumidores y lo
que luego hacen
suele diferir.
+ A veces es difcil
contestar a las
preguntas del
estudio.
Cuntas horas
utilizar Internet la
prxima semana?
1995 Corel
Corp.
Visin global de los mtodos
cuantitativos
+Enfoque simple
+Medias mviles
+Alisado exponencial
+Proyeccin de tendencia

+Regresin lineal
Modelos de
series
temporales
Modelos
asociativos
Mtodos de previsin cuantitativos
(no simples)
Previsin
cuantitativa
Regresin
lineal
Modelos
asociativos
Alisado
exponencial
Media
mvil
Modelos de series
temporales
Proyeccin
de tendencia
+ Es una secuencia de datos uniformemente
espaciada:
+ Se obtiene observando las variables en periodos
de tiempo regulares.
+ Se trata de una previsin basada en los datos
pasados:
+ Supone que los factores que han influido en el
pasado lo sigan haciendo en el futuro.
+ Ejemplo:
Ao: 1993 1994 1995 1996 1997
Ventas: 78,7 63,5 89,7 93,2 92,1

Qu son las series temporales?
Tendencia
Estacionalidad
Ciclos
Variaciones
aleatorias
Descomposicin de una serie
temporal
+Es el movimiento gradual de ascenso o
descenso de los datos a lo largo del tiempo.
+Los cambios en la poblacin, ingresos, etc.
influyen en la tendencia.
+Varios aos de duracin.
Mes, trimestre, ao
Respuesta
1984-1994 T/Maker Co.
Tendencia
+Muestra de datos de ascenso o descenso
que se repite.
+Se puede ver afectada por la climatologa,
las costumbres, etc.
+Se produce dentro de un periodo anual.
Mes, trimestre
Respuesta
Verano
1984-1994 T/Maker Co.
Estacionalidad
+Movimientos de ascenso o descenso que se
repiten.
+Se pueden ver afectados por interacciones de
factores que influyen en la economa.
+Suelen durar de 2 a 10 aos.
Mes, trimestre, ao
Respuesta
Ciclo
Ciclos
+Son saltos en los datos causados por el
azar y situaciones inusuales.
+Son debidas a variaciones aleatorias o a
situaciones imprevistas:
+ Huelga.
+ Tornado.
+Son de corta duracin
y no se repiten.
1984-1994 T/Maker Co.
Variaciones aleatorias
+ Las medias mviles son una serie de operaciones
aritmticas.
+ Se utilizan si no hay tendencia o si sta es
escasa.
+ Se suelen utilizar para el alisado:
+ Proporciona una impresin general de los datos a lo
largo del tiempo.
+ Ecuacin:
MM
n
n
=

demanda de periodos previos
Medias mviles
Usted es el director de una tienda de un
museo que vende rplicas. Quiere predecir
las ventas (000) del ao 1998 mediante una
media mvil de 3 meses.
1993 4
1994 6
1995 5
1996 3
1997 7
1995 Corel Corp.
Ejemplo de media mvil
Solucin de la media mvil
Ao Respuesta
Y
i
Media
mvil total
(n=3)
Media mvil
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3 = 5
1999 7
2000 ND
Solucin de la media mvil
ponderada
Ao Respuesta
Y
i
Media
mvil total
(n=3)
Media mvil
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3 = 5
1999 7 6+5+3=14 14/3=4 2/3
2000 ND
Solucin de la media mvil
ponderada
Ao Respuesta
Y
i
Media
mvil total
(n=3)
Media mvil
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3=5,0
1999 7 6+5+3=14 14/3=4,7
2000 ND 5+3+7=15 15/3=5,0
95 96 97 98 99 00
Ao
Ventas
2
4
6
8
Real
Previsin
Grfico de la media mvil
+Se utiliza cuando se presenta una tendencia:
+ Los datos anteriores suelen carecer de
importancia.
+Las ponderaciones se basan en la intuicin:
+ Suelen estar entre 0 y 1, y a la suma de 1,0.
+Ecuacin:
Media mvil
ponderada =
(ponderacin para el periodo n) (demanda en el periodo n)
ponderaciones
Mtodo de la media mvil
ponderada
Demanda actual, media mvil y
media mvil ponderada
0
5
10
15
20
25
30
35
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic
Mes
D
e
m
a
n
d
a

d
e

v
e
n
t
a
s
Ventas reales
Media mvil
Media mvil ponderada
+Al aumentar n veces, las previsiones
son menos sensibles a los cambios.
+No es posible predecir bien la
tendencia.
+Se necesitan muchos datos
histricos.
1984-1994 T/Maker Co.
Inconvenientes de los mtodos de
media mvil
+Es una tcnica de previsin de media mvil
ponderada:
+ Las ponderaciones disminuyen exponencialmente.
+ Se ponderan ms los datos ms recientes.
+Se necesita una constante de alisado (o):
+ Toma valores entre 0 y 1.
+ Se escoge de forma subjetiva.
+Necesita una cantidad reducida de datos
histricos.
Alisado exponencial
+ F
t
= oA
t - 1
+ o(1-o)A
t - 2
+ o(1- o)
2
A
t - 3

+ o(1- o)
3
A
t - 4
+ ... + o(1- o)
t-1
A
0

+ F
t
= Valor de la previsin
+ A
t
= Valor real
+ o = Constante de alisado
+ F
t
= F
t-1
+ o(A
t-1
- F
t-1
)
+ Se utiliza para calcular la previsin.
Ecuaciones del alisado
exponencial
Usted est organizando una reunin Kwanza.
Desea predecir el nmero de personas que
asistirn en el ao 2000 mediante el alisado
exponencial (o = 0,10). La previsin para
1995 fue de 175.
1995 180
1996 168
1997 159
1996 175
1999 190
1995 Corel Corp.
Ejemplo de alisado exponencial
F
t
= F
t-1
+ (A
t-1
- F
t-1
)

Ao Real
Previsin, F
t
( = 0,10)
1995 180 175,00 (Dado)
1996 168
1997 159
1998 175
1999 190
2000 ND
175,00 +
Solucin del alisado exponencial
F
t
= F
t-1
+ (A
t-1
- F
t-1
)

Ao Real
Previsin, F
t
( = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(
1997 159
1998 175
1999 190
2000 ND
Solucin del alisado exponencial
F
t
= F
t-1
+ (A
t-1
- F
t-1
)

Ao Real
Previsin, F
t
( = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 -
1997 159
1998 175
1999 190
2000 ND
Solucin del alisado exponencial
F
t
= F
t-1
+ (A
t-1
- F
t-1
)

Ao Real
Previsin, F
t
( = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00)
1997 159
1998 175
1999 190
2000 ND
Solucin del alisado exponencial
F
t
= F
t-1
+ (A
t-1
- F
t-1
)

Ao Real
Previsin, F
t
( = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159
1998 175
1999 190
2000 ND
Solucin del alisado exponencial
F
t
= F
t-1
+ (A
t-1
- F
t-1
)

Ao Real
Previsin, F
t
( = 0,10)
1995 180 175,00 (Dado)
1994 168 175,00 + 0,10(180 - 175,00) = 175,50
1995 159 175,50 + 0,10(168 - 175,50) = 174,75
1996 175
1997 190
1998 ND
Solucin del alisado exponencial
F
t
= F
t-1
+ (A
t-1
- F
t-1
)

Ao Real
Previsin, F
t
( = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159 175,50 + 0,10(168 - 175,50) = 174,75
1998 175
1999 190
2000 ND
174,75 + 0,10(159 - 174,75)= 173,18
Solucin del alisado exponencial
F
t
= F
t-1
+ (A
t-1
- F
t-1
)

Ao Real
Previsin, F
t
( = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159 175,50 + 0,10(168 - 175,50) = 174,75
1998
175 174,75 + 0,10(159 - 174,75) = 173,18
1999 190 173,18 + 0,10(175 - 173,18) = 173,36
2000 ND
Solucin del alisado exponencial
F
t
= F
t-1
+ (A
t-1
- F
t-1
)

Ao Real
Previsin, F
t
( = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159 175,50 + 0,10(168 - 175,50) = 174,75
1998 175 174,75 + 0,10(159 - 174,75) = 173,18
1999 190 173,18 + 0,10(175 - 173,18) = 173,36
2000 ND 173,36 + 0,10(190 - 173,36) = 175,02
Solucin del alisado exponencial
Ao
Ventas
140
150
160
170
180
190
93 94 95 96 97 98
Real
Previsin
Grfico del alisado exponencial
Periodo de tiempo
Ventas
0
1
2
3
4
92 93 94 95 96
Ventas frente a tiempo
Diagrama de dispersin
Ecuaciones de mnimos
cuadrados
Ecuacin:
i i
bx a Y

+ =
Pendiente:
2 2
1 =
1 =


=
x n x
y x n y x
b
i
n
i
i i
n
i
Corte con el eje Y:
x b y a =
X
i
Y
i
X
i
2
Y
i
2
X
i
Y
i
X
1
Y
1
X
1
2
Y
1
2
X
1
Y
1
X
2
Y
2
X
2
2
Y
2
2
X
2
Y
2
: : : : :
X
n
Y
n
X
n
2
Y
n
2
X
n
Y
n
X
i
Y
i
X
i
2
Y
i
2
X
i
Y
i
Tabla de clculo
Usted es el analista de marketing de Hasbro
Toys. Recoge los siguientes datos:
Ao Ventas (unidades)
1995 1
1996 1
1997 2
1998 2
1999 4
Cul es la ecuacin de la tendencia?
Ejemplo de anlisis de regresin
lineal
Usted est realizando el anlisis de marketing de
Hasbro Toys. Al utilizar aos codificados, halla que Y
i

= -0,1 + 0,7X
i
.
Ao Ventas (Unidades)
1995 1
1996 1
1997 2
1998 2
1999 4
La previsin es de 2000 ventas.
^
Modelo de previsin del anlisis
de regresin lineal
Y X
i i
=
a b
+Muestra la relacin lineal entre las variables
dependientes e independientes.
+ Ejemplo: ventas y publicidad (sin tiempo)
Variable dependiente Variable independiente

Pendiente Corte con el eje Y
^
Modelo de regresin lineal
Ecuaciones de regresin lineal
Ecuacin:
i i
bx a Y

+ =
Pendiente:
2 2
1 =
1 =


=
x n x
y x n y x
b
i
n
i
i i
n
i
Corte con el eje Y:
x b y a =
X
i
Y
i
X
i
2
Y
i
2
X
i
Y
i
X
1
Y
1
X
1
2
Y
1
2
X
1
Y
1
X
2
Y
2
X
2
2
Y
2
2
X
2
Y
2
: : : : :
X
n
Y
n
X
n
2
Y
n
2
X
n
Y
n
X
i
Y
i
X
i
2
Y
i
2
X
i
Y
i
Tabla de clculo
+Pendiente (b):
+ El clculo de Y vara en b cada unidad extra en X.
+ Si b = 2, entonces las ventas (Y) aumentarn en 2 por cada
unidad extra en publicidad (X).
+Corte con el eje Y (a):
+ Valor medio de Y cuando X = 0.
+ Si a = 4, entonces las ventas medias (Y) sern de 4 cuando
la publicidad (X) sea 0.
Interpretacin de los coeficientes
+Variacin del Y real a partir del Y predecido.

+Se mide mediante el error estndar de la
estimacin:
+ Muestra los errores de la desviacin estndar.

+ S
Y,X

+Afecta a varios factores:
+ Significado del parmetro.
+ Precisin de la prediccin.
Variacin de los errores
aleatorios
Suposiciones de los mnimos
cuadrados
+Se supone que la relacin es lineal. Primero
trace los datos, si existe la curva, utilice el
anlisis curvilineal.
+Se supone que la relacin slo se sustenta
dentro o justo fuera del campo de datos. No
trate de predecir periodos de tiempo lejanos
al campo de la base de datos.
+Se supone que las desviaciones que rodean
a la lnea de los mnimos cuadrados son
aleatorias.
El libro utiliza el
smbolo Y
c
Error estndar de la desviacin
( )
2

=
2

1 = 1 = 1 =
2
1 =
2
n
y x b y a y

n
y y
S
n
i
n
i
i i i
n
i
i
n
i
i i
x , y
+Respuestas: qu intensidad tiene la relacin
lineal entre las variables?
+El coeficiente de correlacin se identifica
normalmente como r .
+ Los valores varan entre -1 y +1 .
+ Mide el grado de asociacin.
+Se usa principalmente para comprender.
Correlacin
+Error cuadrado medio (ECM):
+Desviacin absoluta media (DAM):
Ecuaciones del error de previsin
n
1 i
2
i i
n
2
errores de previsin
n
) y (y
ECM

=


=
=

n
| errores de previsin
|
n
| y y |
DAM
n
i
i i


=

=
1 =
Usted es el analista de marketing de Hasbro Toys. Ha previsto las
ventas con un modelo lineal y alisado exponencial. Qu modelo
usar?

Ventas Previsin del Previsin del
alisado
Ao reales modelo lineal exponencial (0,9)

1995 1 0,6 1,0
1996 1 1,3 1,0
1997 2 2,0 1,9
1998 2 2,7 2,0
1999 4 3,4 3,8
Ejemplo de seleccin del modelo
de previsin
Ao
^
Y
i
Y
i
^
1992 1 0,6 0,4 0,16 0,4
1993 1 1,3 -0,3 0,09 0,3
1994 2 2,0 0,0 0,00 0,0
1995 2 2,7 -0,7 0,49 0,7
1996 4 3,4 0,6 0,36 0,6
Total 0,0 1,10 2,0
ECM = Error
2
/ n = 1,10 / 5 = 0,220
DAM = |Error| / n = 2,0 / 5 = 0,400
Error Error
2
|Error|
Evaluacin del modelo lineal
Year Y
i
Y
i
1995 1 1,0 0,0 0,00 0,0
1996 1 1,0 0,0 0,00 0,0
1997 2 1,9 0,1 0,01 0,1
1998 2 2,0 0,0 0,00 0,0
1999 4 3,8 0,2 0,04 0,2
Total 0,3 0,05 0,3
^
ECM = Error
2
/ n = 0,05 / 5 = 0,01
DAM = |Error| / n = 0,3 / 5 = 0,06
Error Error
2
|Error|
Evaluacin del modelo de alisado
exponencial
Evaluacin del modelo de alisado
exponencial
Modelo lineal:
ECM = Error
2
/ n = 1,10 / 5 = 0,220
DAM = |Error| / n = 2,0 / 5 = 0,400
Modelo de alisado exponencial:
ECM = Error
2
/ n = 0,05 / 5 = 0,01
DAM = |Error| / n = 0,3 / 5 = 0,06

+Mide el grado de precisin de la previsin
para predecir valores reales.
+Suma actual de los errores de previsin
(SAEP) dividida entre la desviacin absoluta
media (DAM):
+ Una buena seal de rastreo tiene valores bajos.
+Debe estar dentro de los lmites de control
superiores e inferiores.
Seal de rastreo
Ecuacin de la seal de rastreo
( )
DAM

DAM
y y

DAM
SAEP
Seal de rastreo
n
i
i i


=

=
=
1 =
errores de previsin
Demanda
Error SAEP Error DAM SR
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
Clculo de la seal de rastreo
prevista
Demanda
real
absoluto
|Error|
acumulado
Trim.
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10
Error = Real - Previsin
= 90 - 100 = -10
Clculo de la seal de rastreo
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real
absoluto
acumulado
Trim.
|Error|
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10
SAEP = E Errores
= ND + (-10) = -10
Clculo de la seal de rastreo
Trim.
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real
absoluto
|Error|
acumulado
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10
Error absoluto = |Error|
= |-10| = 10
Clculo de la seal de rastreo
Trim.
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real
absoluto
|Error|
acumulado
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10 10
|Error| acumulado = E |Errores|
= NA + 10 = 10
Clculo de la seal de rastreo
Trim.
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real
absoluto
|Error|
acumulado
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10 10 10,0
DAM = E |Errores|/n
= 10/1 = 10
Clculo de la seal de rastreo
Trim.
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real
absoluto
|Error|
acumulado
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10 10 10,0 -1
SR = SAEP/DAM
= -10/10 = -1
Clculo de la seal de rastreo
Trim.
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real
absoluto
|Error|
acumulado
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10 10 10,0 -1
-5
Error = Real - Previsin
= 95 - 100 = -5
Clculo de la seal de rastreo
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real absoluto
acumulado
|Error|
Trim.
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10 10 10,0 -1
-5 -15
SAEP = E Errores
= (-10) + (-5) = -15
Clculo de la seal de rastreo
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real
absoluto
acumulado
|Error|
Trim.
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10 10 10,0 -1
-5 -15 5
Error absoluto = |Error|
= |-5| = 5
Clculo de la seal de rastreo
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real absoluto
acumulado
Trim.
|Error|
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10 10 10,0 -1
-5 -15 5 15
Error acumulado = E |Errores|
= 10 + 5 = 15
Clculo de la seal de rastreo
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real absoluto
acumulado
|Error|
Trim.
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10 10 10,0 -1
-5 -15 5 15 7,5
DAM = E |Errores|/n
= 15/2 = 7,5
Clculo de la seal de rastreo
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real absoluto
acumulado
Trim.
|Error|
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10 10 10,0 -1
-5 -15 5 15 7,5 -2
SR = SAEP/DAM
= -15/7,5 = -2
Clculo de la seal de rastreo
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real absoluto
acumulado
|Error|
Trim.