Pronósticos de la demanda

Gestión de la producción II
Ing. Rafael Merlano Porto
Esp. En gerencia de proyectos
MSc en Ingeniería, énfasis en Producción y Optimización.
.
 Textos y material de apoyo
1. STEPHEN N. CHAPMAN, Planificación y Control de
la Produccion. Prentice Hall, Capitulo 2 Pagina 17.

1. DANIEL SIPPER, ROBERT BULFIN , Control de la

Produccion Mc Graw Hill, Capitulo 4 pagina 96.

2. Cuales son los tipos de demanda…?

3. Tipos de Pronosticos..?
4. Clasificación de los tipos de demanda
5. Cuales son los pronósticos de tipo cualitativo.
6. Cual es el objetivo del método Delphi
 Preguntas…..?
1. Que es pronostico…?
2. Cuales son los tipos de demanda…?
3. Tipos de Pronosticos..?
4. Clasificación de los tipos de demanda
5. Cuales son los pronósticos de tipo cualitativo.
6. Cual es el objetivo del método Delphi
 ¿QUÉ ES PRONOSTICAR?

Pronosticar es el arte y la ciencia de predecir los eventos

futuros.
 Administración de la demanda
El propósito del manejo de la demanda es coordinar y controlar
todas las fuentes de la demanda, con el fin de poder usar con
eficiencia el sistema productivo y entregar el producto a
tiempo
Tipos de demanda

Dependiente

Independiente
 Administración de la demanda
Los pronósticos son cálculos de
actividades futuras. Pueden
referirse a la aceptación de Un
nuevo producto, a los cambios
en la demanda u otro factor
que influya directamente en la
planeación de la producción. La
importancia de los pronósticos
"exactos" es fácil de apreciar si
examinamos las decisiones que
de ellos dependen.
Por ejemplo la
expansión de la
planta. los volúmenes
de producción, el nivel
de inventario, etc.
estarán basados, en
alguna medida, en los
pronósticos de ventas.
Administración de la demanda
Adoptar un papel activo para influir en la
demanda. La empresa puede presionar a su fuerza de ventas,
ofrecer incentivos tanto a los clientes como a su personal, crear
campañas para vender sus productos y bajar precios. Estas
acciones pueden incrementar la demanda. Por el contrario, es
posible disminuir la demanda mediante aumentos de precios o la
reducción de los esfuerzos de ventas.

Adoptar un papel pasivo y simplemente

responder a la demanda. Existen varias razones por las
que una empresa no trata de cambiar la demanda sino que la
acepta tal como llega. Si una compañía funciona a toda su
capacidad, tal vez no quiera hacer nada en cuanto a la demanda.
Otras razones pueden ser que la compañía no tenga el poder de
cambiar la demanda debido al gasto en publicidad
 Tipos de pronósticos
Cualitativos Series de tiempos

Experiencia Datos históricos

Modelos causales Simulaciones

Correlación
Dist. probabilidades
 Tipo de Demanda

Demanda promedio

Tendencia

Estacionalidad

Ciclicidad

Aleatoriedad

Auto correlación
 Modelos

1. Cualitativos

2. Series de
tiempo

3.Causales
Técnicas cualitativas de pronóstico

Técnicas acumulativas

Investigación de mercados

Grupos de consenso

Analogía histórica

Método de Delfos
 Técnicas acumulativas
Deriva un pronóstico a través de la
compilación de las entradas de aquellos
que se encuentran al final de la jerarquía y
que tratan con lo que se pronostica. Por
ejemplo, un pronóstico general de las
ventas se puede derivar combinando las
entradas de cada uno de los vendedores
que están más cerca de su territorio.
 Investigación de mercados

Se establece para recopilar datos de varias formas (encuestas,

entrevistas, etc.) con el fin de comprobar hipótesis acerca del
mercado. Por lo general, se usa para pronosticar ventas a
largo plazo y de nuevos productos.

http://www.youtube.com/watch?v=VZt2YJNTY
EE
 Grupos de consenso

Intercambio libre en las juntas. La idea es que la discusión en

grupo produzca mejores pronósticos que cualquier individuo.
Los participantes pueden ser ejecutivos, vendedores o clientes.
 Analogía histórica
Relaciona lo pronosticado con un artículo similar. Es
importante al planear nuevos productos en los que las
proyecciones se pueden derivar mediante el uso del historial
de un producto similar.
 Método de Delfos
Un grupo de expertos responde un cuestionario. Un
moderador recopila los resultados y formula un cuestionario
nuevo que se presenta al grupo. Por lo tanto, existe un proceso
de aprendizaje para el grupo mientras recibe información
nueva y no existe ninguna influencia por la presión del grupo o
individuos dominantes.

http://www.youtube.com/watch?v=xlCgGmoN0F4
 Método de Delfos
1. Elegir los expertos a participar. Debe haber gran variedad de personas con
conocimientos en distintas áreas.

2. Por medio de un cuestionario (o correo electrónico) obtener las proyecciones (y

cualquier premisa o calificación para el pronóstico) de todos los participantes.

3. Resumir los resultados y redistribuirlos entre los participantes con las

preguntas nuevas apropiadas.

4. Volver a resumir, refinar las proyecciones y condiciones, y una vez más plantear
preguntas nuevas.

5. Repetir el paso 4, si es necesario. Distribuir los resultados finales entre todos los
participantes.
 Actividad evaluativa
1. Desarrollar un cuadro comparativo donde se
muestren las ventajas y desventajas de cada
una de estas técnicas.

2. Mostrar un ejemplo en el cual

particularmente se aplique una de las
técnicas y muestre la posible metodología y
los resultados esperados.
 Series de tiempos
Los modelos de pronósticos de series de tiempo tratan de
predecir el futuro con base en la información pasada. Por
ejemplo, las cifras de ventas recopiladas durante las últimas
seis semanas se pueden usar para pronosticar las ventas
durante la séptima semana.
Series de tiempos
 Series de tiempos
El modelo de pronóstico que una empresa debe utilizar
depende de:

1. El horizonte de tiempo que se va a pronosticar.

2. La disponibilidad de los datos.

3. La precisión requerida.

4. El tamaño del presupuesto de pronóstico.

5. La disponibilidad de personal calificado.

 Promedio móvil simple
Cuando la demanda de un
producto no crece ni baja con
rapidez, y si no tiene
características estacionales, un
promedio móvil puede ser útil
para eliminar las fluctuaciones
aleatorias del pronóstico.
Aunque los promedios de
movimientos casi siempre son
centrados, es más conveniente
utilizar datos pasados para
predecir el periodo siguiente de
manera directa.
 TALLER-1
• La empresa Metalsur ha estado produciendo durante 6 meses
un tipo de Herramienta manual, se desean efectuar
pronósticos para programar la producción, para los próximos
periodos.
EJERCICIO-1

MESES
DATOS ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO
SEMANA-1 190 230 200 220 210 210 440
SEMANA-2 250 240 240 180 200 220 420
SEMANA-3 260 260 280 240 230 215 360
SEMANA-4 260 280 270 220 250 230 430
 TALLER-2
EJERCICIO-2

MESES
DATOS ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO
SEMANA-1 190 230 200 220 210 210 220
SEMANA-2 250 240 240 180 200 220 230
SEMANA-3 260 260 280 240 230 215 240
SEMANA-4 260 280 270 220 250 230 240
 TALLER-2
MES SEMANA VENTAS
ENERO SEMANA-1 190
SEMANA-2 250
SEMANA-3 260
SEMANA-4 260
FEBRERO SEMANA-1 230
SEMANA-2 240
SEMANA-3 260
SEMANA-4 280
MARZO SEMANA-1 200
SEMANA-2 240
SEMANA-3 280
SEMANA-4 270
ABRIL SEMANA-1 220
SEMANA-2 180
SEMANA-3 240
SEMANA-4 220
MAYO SEMANA-1 210
SEMANA-2 200
SEMANA-3 230
SEMANA-4 250
JUNIO SEMANA-1 210
SEMANA-2 220
SEMANA-3 215
SEMANA-4 230
JULIO SEMANA-1 220
SEMANA-2 230
SEMANA-3 240
SEMANA-4 240
 0
50
100
150
250
300

200
190
SEMANA-1

250
SEMANA-2

ENERO
SEMANA-3

SEMANA-4 260 260

230
SEMANA-1 240

SEMANA-2
260

SEMANA-3

FEBRERO
280

SEMANA-4
200

SEMANA-1
240

SEMANA-2
280

MARZO
SEMANA-3
270

SEMANA-4
220

SEMANA-1
180

SEMANA-2
240

ABRIL
VENTAS

SEMANA-3
220
TALLER-2

SEMANA-4
210

SEMANA-1
200

SEMANA-2
230

MAYO
SEMANA-3
250

SEMANA-4
210

SEMANA-1
220

SEMANA-2
215

JUNIO

SEMANA-3
230

SEMANA-4
220

SEMANA-1
230

SEMANA-2
JULIO

SEMANA-3
240 240

SEMANA-4
 TALLER-2

MESES PRONOSTICO
Datos ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO AGOSTO
SEMANA-1 190 230 200 220 210 210 220 211
SEMANA-2 250 240 240 180 200 220 230 223
SEMANA-3 260 260 280 240 230 215 240 246
SEMANA-4 260 280 270 220 250 230 240 250

VENTAS ESPERADAS
AGOSTO
SEMANA-1 211
SEMANA-2 223
SEMANA-3 246
SEMANA-4 250
 Promedio móvil simple
La fórmula de un promedio móvil simple es:

Ft= Pronostico para el periodo t

At-1= Demanda real para le periodo anterior.
n= numero de periodos.
 Promedio Móvil Ponderado

Mientras que el promedio móvil

simple da igual importancia a
cada uno de los componentes de
la base de datos del promedio
móvil, un promedio móvil
ponderado permite asignar
cualquier importancia a cada
elemento, siempre y cuando la
suma de todas las ponderaciones
sea igual a uno.
 Promedio Móvil Ponderado
La fórmula para un promedio móvil ponderado es:
 Promedio Móvil Ponderado
Enero W1 5%
Febrero W2 5%
Marzo W3 7%
Abril W4 10%
Mayo W5 18%
Junio W6 25%
Julio W7 30%
Total 100%

MESES PRONOSTICO
Datos ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO AGOSTO
SEMANA-1 9,5 11,5 14 22 37,8 52,5 66 213
SEMANA-2 12,5 12 24 18 36 55 69 227
SEMANA-3 13 13 50,4 24 41,4 53,75 72 268
SEMANA-4 13 14 67,5 22 45 57,5 72 291

MOVIL SIMPLE MOVIL PONDERADO

VENTAS ESPERADAS VENTAS ESPERADAS
AGOSTO AGOSTO
SEMANA-1 211 SEMANA-1 213
SEMANA-2 223 SEMANA-2 227
SEMANA-3 246 SEMANA-3 268
SEMANA-4 250 SEMANA-4 291
 Promedio Móvil Ponderado
De acuerdo a los datos del ejercicio #02, determine el
pronostico para el mes de Agosto
W1 =0,5
W2 =0,2
W3 =0,2 EJERCICIO-2

W4 =0,1 MESES
DATOS ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO
SEMANA-1 190 230 200 220 210 210 220
SEMANA-2 250 240 240 180 200 220 230
SEMANA-3 260 260 280 240 230 215 240
SEMANA-4 260 280 270 220 250 230 240
 Suavización Exponencial
En estos métodos, al agregar cada nueva
pieza de datos, se elimina la observación
anterior y se calcula el nuevo pronóstico.
En muchas aplicaciones (quizás en la
mayor parte), las ocurrencias más
recientes son más indicativas del futuro
que aquellas en el pasado más distante.
Si esta premisa es válida (que la
importancia de los datos disminuye
conforme el pasado se vuelve más
distante), es probable que el método
más lógico y fácil sea la suavización
exponencial.
 Suavización Exponencial
1. Los modelos exponenciales son sorprendentemente precisos.

2. Formular un modelo exponencial es relativamente fácil.

3. El usuario puede entender cómo funciona el modelo.

4. Se requieren muy pocos cálculos para utilizar el modelo.

5. Los requerimientos de almacenamiento en la computadora son bajos debido al

uso limitado de datos históricos.

6. Es fácil calcular las pruebas de precisión relacionadas con el desempeño del modelo.
 Suavización Exponencial
La ecuación para un solo pronóstico de
uniformidad exponencial es simplemente
 Análisis de regresión lineal

Puede definirse la regresión como una relación funcional

entre dos o más variables correlacionadas. Se utiliza para
pronosticar una variable con base en la otra. Por lo general, la
relación se desarrolla a partir de datos observados.
 Análisis de regresión lineal

La principal restricción al utilizar el pronóstico de regresión

lineal es, como su nombre lo implica, que se supone que los
datos pasados y los pronósticos futuros caen sobre una recta.

La regresión lineal se
utiliza tanto para
pronósticos de series
de tiempo como
para pronósticos de
relaciones causales.
Análisis de regresión lineal
Ecuación de la recta

Secante de la recta

Pendiente de la recta

Error estándar
 Análisis de regresión lineal
Ecuación de la recta

𝑛 σ 𝑥∗𝑦−σ 𝑥∗σ 𝑦
b= 2
Pendiente de la recta
𝑛 σ 𝑥 2 −(σ 𝑥)

σ 𝑦−𝑏 σ 𝑥
a= Corte con la ordenada
𝑛
Análisis de regresión lineal
Análisis de regresión lineal
solución
Datos
Mes Trimestre Ventas
1 T1 600
T2 1550
T3 1500
T4 1500
2 T1 2400
T2 3100
T3 2600
T4 2900
3 T1 3800
T2 4500
T3 4000
T4 4900
 Análisis de regresión lineal
solución
Ventas y = 359,62x + 441,67
R² = 0,9332
6000

5000 4900
4500
4000 4000
3800

3000 3100
2900
2600
2400
2000
1550 1500 1500
1000
600
0
T1 T2 T3 T4 T1 T2 T3 T4 T1 T2 T3 T4
1 2 3
 Análisis de regresión lineal
DATOS PARA EL CALCULO DELA RECTA DE REGRESIÓN
Y = A + BX

Trimestre Tiempo(X) VENTA(Y) XY X2

T1 1 600 600 1
T2 2 1550 3100 4
T3 3 1500 4500 9
T4 4 1500 6000 16
T1 5 2400 12000 25
T2 6 3100 18600 36
T3 7 2600 18200 49
T4 8 2900 23200 64
T1 9 3800 34200 81
T2 10 4500 45000 100
T3 11 4000 44000 121
T4 12 4900 58800 144

SUMATORIA 78 33350 268200 650

NUMERO DE DATOS 12
Análisis de regresión lineal
solución
PARAMETROS
B= 359,62

A= 441,67

MES Y(13)= 5117

MES Y(14)= 5476
MES Y(15)= 5836
Ejercicio
Ejercicio
 Ejercicio
DATO AÑO TRIMESTREDEMANDA DATO AÑO TRIMESTRE DEMANDA
1 2006 1 28 17 2010 1 147
2 2 16 18 2 142
3 3 73 19 3 134
4 4 61 20 4 159
5 2007 1 57 21 2011 1 181
6 2 43 22 2 168
7 3 44 23 3 168
8 4 68 24 4 188
9 2008 1 68 25 2012 1 186
10 2 73 26 2 189
11 3 84 27 3 184
12 4 93 28 4 224
13 2009 1 128 29 2013 1 207
14 2 100 30 2 223
15 3 130 31 3 210
16 4 148 32 4 245
 Variación estacional

Las variaciones estacionales son aquellas que tienen lugar

dentro de una tendencia general de las ventas, que
corresponden a fluctuaciones en las ventas durante un año .

las ventas cubren un

número significativo de
años. en los cuales además
de la tendencia anual de
las ventas se pronostican
las ventas para cada
periodo del año
 Variación estacional
Con el fin de tener un pronóstico para cada uno de estos
períodos en los que dividimos un año (la temporada), se
utilizan las técnicas de los promedios simples y los promedios
móviles.
Variación estacional
Promedios Simples
 Variación estacional
Trimestres
Años T1 T2 T3 T4 Total- Anual
2010 1900 3700 3000 2200 10800
2011 2800 4200 3100 1800 11900
2012 2700 3600 2800 1900 11000
2013 3000 4300 2900 2000 12200
2014 3200 4400 3200 2200 13000
Sumas 13600 20200 15000 10100 58900
Promedios 2720 4040 3000 2020 2945
 Variación estacional

Esta estimación, por periodo, puede ajustarse mediante un

índice de temporada que se obtiene dividiendo el promedio
del período respectivo entre el promedio anual por periodo.
 Variación estacional
• Mediante uno de los métodos de mínimos
cuadrados se obtiene el valor pronosticado
anual; éste se divide por el número de
periodos y se multiplican por el índice de cada
período. El resultado final corresponde al
pronóstico para cada uno de los períodos.
 Variación estacional
AÑO TRIMESTRE VENTAS
2010 T1 1900 VENTAS
72 3700
5000
73 3000
T4 2200 4500 4400
4200 4300
2011 T1 2800
4000
72 4200 3700
3500 3600
73 3100
T4 1800 3100 3200 3200
3000 3000 3000 2900
2012 T1 2700 2800 2700 2800
72 3600 2500
73 2800 2200 2200
2000 1900 1900 2000
T4 1900 1800
2013 T1 3000 1500
72 4300 1000
73 2900
T4 2000 500
2014 T1 3200 0
72 4400 T1 72 73 T4 T1 72 73 T4 T1 72 73 T4 T1 72 73 T4 T1 72 73 T4
73 3200
2010 2011 2012 2013 2014
T4 2200
 Variación estacional
Años Total- Anual
2010 10800
2011 11900
2012 11000
2013
2014
12200
13000
Exponencial

Total- Anual y = 10437e0,0396x

14000 R² = 0,6734
12000

10000

8000

6000

4000

2000

0
2010 2011 2012 2013 2014
 Variación estacional
Años Total- Anual
2010 10800
2011 11900
2012 11000
2013 12200
2014 13000 Logarítmica

Total- Anual y = 1096,9ln(x) + 10730

14000 R² = 0,5984

12000

10000

8000

6000

4000

2000

0
2010 2011 2012 2013 2014
 Variación estacional
Años Total- Anual
2010 10800
2011 11900
2012 11000
2013 12200
2014 13000 Lineal

Total- Anual y = 470x + 10370

14000 R² = 0,6801

12000

10000

8000

6000

4000

2000

0
2010 2011 2012 2013 2014
Variación estacional
Variación estacional
Variación estacional
 Control de Pronostico

Mediante el control de Pronostico se intenta determinar si el

pronóstico se desvía de los resultados debido a la aleatoriedad
o de un cambio esencial en el proceso.

El error de pronostico
es la diferencia entre
la demanda real y el
pronostico.
matemáticamente,
𝑒𝑡 = 𝑑𝑡 − 𝐹𝑡 .
 Control de Pronostico
Al observar el error en un
El error de pronostico
periodo aislado no se es la diferencia entre
obtiene información útil, la demanda real y el
los errores se observan pronostico.
matemáticamente,
en toda la historia del 𝑒𝑡 = 𝑑𝑡 − 𝐹𝑡 .
sistema de pronostico.
 Error del pronostico
Los errores se pueden clasificar en ;
1. Sesgados.
• Fuentes: No incluir las variables correctas
• Relaciones equivocadas entre las variables
• El uso de la recta de tendencia errónea
• Cambio en la demanda estacional.
• La existencia de alguna tendencia no detectada
2. Aleatorios.

Aquellos que el modelo de pronostico no puede explicar

Medición del error de Pronostico

1. Desviación Absoluta Media (MAD)

2. Error Cuadrado Medio (MSE)
3. Error Porcentual Absoluto Medio(MAPE)
 Medición del error
Desviación Media Absoluta

σ𝑛𝑖=1 𝐴𝑡 − 𝐹𝑡
𝑀𝐴𝐷 =
𝑛
t = Número del periodo
A = Demanda real para el periodo
F = Demanda pronosticada para el periodo
n = Número total de período

MAD= Medida del error global de pronostico para um modelo

Cuando los errores que ocurren en el pronóstico tienen una distribución normal (el
caso más común), la desviación absoluta media se relaciona con la desviación
estándar como

1 desviación estándar = 𝝅/𝟐 ∗ MAD, o aproximadamente 1.25 MAD

Medición del error

1 MAD = 0.8
desviaciones estándar
 Medición del error
Señal de Seguimiento

Es una medida que indica si el promedio pronosticado sigue el

paso de cualquier cambio hacia arriba o hacia abajo en la
demanda.

Como se utiliza en el pronóstico, la señal de seguimiento

es el número de desviaciones absolutas medias que el valor
pronosticado se encuentra por encima o por debajo de la
ocurrencia real
𝑅𝑆𝐹𝐸
TS=
𝑀𝐴𝐷
RSFE = La suma corriente de los errores pronosticados, considerando la naturaleza del
error (por ejemplo, los errores negativos cancelan los errores positivos, y viceversa).
 Medición del error
Señal de Seguimiento

RSFE = La suma corriente de los errores pronosticados, considerando la naturaleza del

error (por ejemplo, los errores negativos cancelan los errores positivos, y viceversa).

MAD = El promedio de todos los errores pronosticados (sin importar si las

desviaciones son positivas o negativas). Es el promedio de las desviaciones
absolutas.
 Control de Pronostico
𝐹𝑡 = 𝑒𝑠 𝑢𝑛 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑 𝒕.
𝑑𝑡 = 𝑑𝑒𝑚𝑎𝑛𝑎𝑑𝑎 𝑟𝑒𝑎𝑙
𝑒𝑡 = 𝐸𝑟𝑟𝑜𝑟 𝑑𝑒 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜

Suma de los errores de pronostico

𝐸𝑡 = ෍ 𝑒𝑡
𝑡=1
Se supone que el proceso tiene una componente aleatoria
𝛿 2 que sigue una distribución Normal con media cero y varianza 𝜖𝑡 entonces
𝐸𝑡 debe ser cercano a cero, entonces el pronostico se comporta adecuadamente
 Control de Pronostico
Ejemplo:
PRONOSTICO DE LA DESVIACIÓN(ERROR) 𝐸𝑡 DESVIACIÓN Sum Desviación
MES DEMANDA REAL 𝑒𝑡 RSFE ABSOLUTA Absoluta MAD TS
1 1000 950 -50 -50 50 50 50,00 -1,0
𝐸𝑡
2 1000 1070 70 20 70 120 60,00 0,3
3 1000 1100 100 120 100 220 73,33 1,6
4 1000 960 -40 80 40 260 65,00 1,2
5 1000 1090 90 170 90 350 70,00 2,4
6 1000 1050 50 220 50 400 66,67 3,3

Señal de Rastreo
Series1
La realidad supera el pronostico
3,3

2,4

1,6
1,2

0,3

1 2 3 4 5 6 La realidad es menor que el pronsotico

-1,0
 Medición del error
Error Cuadrado Medio

σ𝑛𝑡=1(𝐸𝑟𝑟𝑜𝑟𝑒𝑠 𝑑𝑒 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜)2
𝑀𝑆𝐸 =
𝑛

Errores de Pronostico = 𝐴𝑡 -𝐹𝑡

𝐴𝑡 = Demanda Real
𝐹𝑡 = 𝑉𝑎𝑙𝑜𝑟 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑎𝑑𝑜
n = Número total de período

El error cuadrado medio es una segunda formula para medir el error global del
pronostico el MSE, es el promedio de los cuadrados de las diferencias encontradas
entre los valores pronosticados y los observados
 Medición del error
Ejercicio

Zeus Computer Chips, Inc., tenía contratos importantes para producir

microprocesadores tipo Pentium. El mercado ha ido a la baja en los últimos
3 años por los chips dual-core, que Zeus no produce, así que tiene la
penosa tarea de pronosticar el año entrante. La tarea es penosa porque la
empresa no ha podido encontrar chips sustitutos para sus líneas de
productos. Aquí está la demanda de los últimos
12 trimestres:

Trim. Ventas Trim Ventas

1 4800 5 3 500
2 3500 6 2 700
3 4300 7 3 500
4 3000 8 2 400
 Medición del error
Desventaja
Error Cuadrado Medio

Una desventaja de emplear el MSE es que tiende a acentuar las

desviaciones importantes debido al término al cuadrado. Por ejemplo, si el
error de pronóstico para el periodo 1 es dos veces más grande que el error
para el periodo 2, entonces el error al cuadrado en el periodo 1 es cuatro
veces más grande que el del periodo 2. Por lo tanto, el uso del MSE como
medición del error de pronóstico usualmente indica que se prefiere tener
varias desviaciones pequeñas en lugar de una sola desviación
grande(Heizer)
 Medición del error
Error Porcentual Absoluto Medio

σ𝑛𝑖=1 100 𝑅𝑒𝑎𝑙𝑖 − 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜𝑖 / 𝑅𝑒𝑎𝑙𝑖

𝑀𝐴𝑃𝐸 =
𝑛
Error de Pronostico = 𝐴𝑡 -𝐹𝑡

𝑅𝑒𝑎𝑙 = 𝐴𝑡 = Demanda Real

𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜 = 𝐹𝑡 = 𝑉𝑎𝑙𝑜𝑟 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑎𝑑𝑜
n = Número total de período

Un problema tanto con la MAD como con el MSE es que sus valores dependen de la
magnitud del elemento que se pronostica. Si el elemento pronosticado se mide
en millares, los valores de la MAD y del MSE pueden ser muy grandes. Para evitar
este problema, podemos usar el error porcentual absoluto medio (MAPE)
 Otros Metodos

 Modelos de tendencia con ajuste estacional

 Modelo de promedios móviles integrados
autorregresivos (ARIMA o Box-Jenkins)
 Pronósticos causales (modelos
econométricos)
 Métodos de pronósticos subjetivos