PCP 2

FACULTAD DE INGENIERÍA Y ARQUITECTURA
Escuela Profesional de Ingeniería Industrial
Planeamiento y Control
de la Producción II
Planificación de la Producción
Pronósticos – Series de Tiempo
Planeamiento y Control de la Producción II - Ing. Joel D. Vargas Sagástegui Fecha: 24 de agosto de 2017
Objetivos de la Sesión
• Recordar el desarrollo de los Métodos de Series

de Tiempo en el Análisis y Proyección de la
demanda.
• Aplicar de los Métodos de Series de Tiempo en
el Análisis y Proyección de la demanda.
Promedio
Móvil Simple
Promedio Móvil Simple
Este método supone que la serie de tiempo,

solamente cuenta con un componente de nivel,
además de un componente aleatorio.
Este método NO supone la existencia de

patrones estacionales, tendencias o ciclos en
los datos.

El pronóstico de este método, supone que todas
las observaciones de la serie de tiempo son
igualmente importantes.
Si la variable que se va a pronosticar no presenta

variaciones considerables, se recomienda un valor
“n” grande, por el contrario se presenta
variaciones cambiantes, utilizar un valor de “n”
pequeño.
Los valores de “n” deben oscilar entre 2 y 10
Dónde:
Ft = Pronóstico para el periodo futuro.
n = número de periodos que se promediarán.
At-1 = Demanda histórica en el periodo pasado.
At-2 , At-3 ,…., At-n = Demandas Históricas en n periodos
anteriores
Ejercicio (n = 3)
AÑO DEMANDA CÁLCULO PRONÓSTICO
1993 4
1994 6
1995 5
465
1996 3 5 5,0
3
653
1997 7  4,7 4,7
3
537
1998 5,0 3
5 5,0
Promedio
Móvil
Ponderado
Promedio Móvil Ponderado
Se aplica cuando existe tendencia o patrón.

Hace que el promedio móvil tenga mayor
rapidez a los cambios en la demanda, es decir,
pone mayor énfasis en los datos recientes.
Para lograr esto, se coloca un PESO o

PONDERACIÓN a cada demanda, considerando
el de MAYOR valor a la demanda más reciente.
La suma de los pesos o ponderaciones debe ser
igual a 1,0
¿Cómo determinar el Peso o Ponderación?

El peso o ponderación está relacionado directamente
con el periodo de demanda, es decir, el de mayor
valor a la demanda más reciente.
Ejemplo: para un promedio móvil ponderado de 4

periodos, los pesos o ponderaciones, serían:
Meses Análisis Calificación Peso o Ponderación

1 Hace cuatro meses 1 1/10 = 0.10
2 Hace tres meses 2 2/10 = 0.20
3 Hace dos meses 3 3/10 = 0.30
4 Último mes 4 4/10 = 0.40
TOTAL 10 1.00
Promedio Móvil Ponderado
Dónde:
n = número de periodos del pronóstico
w1 = Peso que se dará a la venta real en el periodo t-1
w2 = Peso que se dará a la venta real en el periodo t-2
wn = Peso que se dará a la venta real en el periodo t-n
At-2 , At-3 ,., At-n = Demandas Históricas en n periodos anteriores
Ejercicio (n = 3) (w1=0,5 w2=0,3 w3=0,2)

1993 4
1994 6
1995 5
1996 3 4(0,2)  6(0,3)  5(0,5)  5,1 5,1
1997 7 6(0,2)  5(0,3)  3(0,5)  4,2 4,2
1998 5,4 5(0,2)  3(0,3)  7(0,5)  5,4 5,4
Suavizado
Exponencial
o
Alisado
Exponencial
Suavizado Exponencial
Se basa en la idea de calcular un promedio nuevo a
partir del promedio anterior y también de la última
demanda observada.
Es una técnica de pronóstico de media móvil ponderada
• Las ponderaciones disminuyen exponencialmente.
• Se pondera más, los datos más recientes.
Necesita una constante de Suavizamiento (α)
• Mayor α: Pondera más, la demanda reciente
• Menor α: Pondera poco, la demanda reciente. Le da más peso a
las demandas anteriores.
Necesita una cantidad reducida de datos históricos
Para asignar el valor de ajuste o de ponderación
(α) se debe tener en cuenta lo siguiente:
• La demanda en condiciones de estabilidad:
α = 0,1 0,2 y 0,3
• La demanda en condiciones de estabilidad
promedio:
α = 0,4 0,5 y 0,6
• La demanda en proceso de cambio o cuando se
trata de nuevos productos:
α = 0,7 0,8 y 0,9
•  es la proporción del peso que se da a la demanda
nueva contra la que se da al promedio anterior.
• Es decir, mientras mas grande es el valor de  mas

nos acercamos al valor de la demanda que se acaba
de observar.....se le da mayor peso a las observaciones
recientes que al promedio anterior.
• Para aplicar este modelo, es necesario conocer el

pronóstico del primer periodo. Si no se conociese,
entonces, asumir que es igual a la demanda real del
primer periodo.
Suavizado (alisado) Exponencial

Ft = Pronóstico del periodo anterior + α (demanda real del
periodo anterior – Pronóstico del periodo anterior)
Dónde:
α = Constante de suavización o atenuación (0 ≤ α ≤ 1)
Ft = Pronóstico para el periodo futuro
Ft-1 = Pronóstico para el periodo pasado
Ejercicio (α = 0,3)
2005 10 10,00
2006 18 10,0   (10,0  10,0)  10,0 10,00
2007 29 10,0   (18,0  10,0)  12,40 12,40
2008 15 12,40   (29,0  12,40)  17,38 17,38
2009 30 17,38   (15,0  17,38)  16,67 16,67
2010 20,67 16,67   (30,0  16,67)  20,67 20,67
Alisado Exponencial con

Ajuste de Tendencia
o
Método de Holt
Suavizado Exponencial con Ajuste de Tendencia
Mejora el pronóstico del suavizado exponencial,

cuando existe una tendencia significativa .
En este enfoque se suavizan las estimaciones del

promedio y la tendencia, para lo cual serán necesario dos
constantes de suavizamiento:
• α = Constante de alisado para la media (0 ≤ α ≤ 1)
• β = Constante de alisado para la tendencia (0 ≤ β ≤ 1)

𝑃𝐶𝑇 = 𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝐴𝑙𝑖𝑠𝑎𝑑𝑜 𝐸𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙 (𝐹𝑡 )+
𝑇𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝐴𝑙𝑖𝑠𝑎𝑑𝑎 𝐸𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙 (𝑇𝑡 )
Ft = α (demanda real del periodo anterior) + (1 - α)(Pronóstico del
periodo anterior + Estimación de la Tendencia del periodo
anterior)
Tt = β (Pronóstico Alisado del periodo actual – Pronóstico
Alisado del periodo anterior) + (1 - β)(Estimación de la
Tendencia del Periodo anterior)
𝑭𝒕 = 𝜶 𝑨𝒕−𝟏 + (𝟏 − 𝜶)(𝑭𝒕−𝟏 + 𝑻𝒕−𝟏 )

𝑻𝒕 = 𝜷 𝑭𝒕 − 𝑭𝒕−𝟏 + 𝟏 − 𝜷 𝑻𝒕−𝟏
Dónde:
PCT = Pronóstico o Previsión con Tendencia

α = Constante de suavización para la media (0 ≤ α ≤ 1)
β = Constante de suavización para la tendencia (0 ≤ β ≤ 1)
Ft = Pronóstico Alisado exponencial del periodo t
Tt = Tendencia Alisada exponencial en el periodo t
At = Demanda histórica o Real en el periodo t

Paso 1: Calcular Ft (el pronóstico alisado
exponencial para el periodo t).
Paso 2: Calcular Tt (la tendencia alisada para

el periodo t).
Paso 3: Calcular PCT (el pronóstico con

tendencia; es decir, sumar Ft y Tt).
Es importante contar con la pronóstico alisado y la

tendencia alisada iniciales (para el primer periodo).
Ejercicio (α = 0,1) (β = 0,3)

Pronóstico Tendencia
AÑO Demanda Pronóstico
Alisado (Ft) Alisada (Tt)
2005 10 10,00 2.00 12,00
2006 18 α(10)+(1-α)(10+2)=11,8 β(11,8-10)+(1-β)(2)=1,94 13,74

α(18)+(1-α)(11,8+1,94) β(14,2-11,8)+(1-β)(1,94)
2007 29 =14,2 =2,08
16,28
α(29)+(1-α)(14,2+2,08) β(17,6-14,2)+(1-β)(2,08)
2008 15 =17,6 =2,48
20,08
α(15)+(1-α)(17,6+2,48) β(19,6-17,6)+(1-β)(2,48)
2009 30 =19,6 =2,34
21,94
α(30)+(1-α)(19,6+2,34) β(22,7-19,6)+(1-β)(2,34)
2010 25,27 =22,7 =2,57
25,27
Evaluación del
Desempeño del
Modelo de
Pronóstico
Medición de Errores
Describe el grado de error o desviación, del
Pronóstico respecto a los datos reales
Tendencia no
totalmente Conducta deseada
justificada
Error Error
0 0
Tiempo (años) Tiempo (años)

Medición del error del Pronóstico

Se determina comparando los valores pronosticados
con los valores reales u observado.
𝐸𝑟𝑟𝑜𝑟 𝑑𝑒 𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 = 𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑅𝐸𝐴𝐿 − 𝑉𝑎𝑙𝑜𝑟 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑎𝑑𝑜
𝑒𝑡 = 𝐴𝑡 − 𝐹𝑡
Desempeño de los Modelos de Pronósticos

• Sirven para comparar los distintos modelos de
pronósticos
• Vigila los pronósticos y asegura su buen
desempeño.
• Las medidas más comunes son:
 Desviación Absoluta Media (DAM) o Mean
Absolute Deviation (MAD).
 Error Cuadrático Medio (ECM) o Mean
Squared Error (MSE).
 Error Porcentual Absoluto Medio (EPAM) o
Mean Absolute Percent Error (MAPE)
Desviación Absoluta Media (DAM)

• Es la primera medición de error global de pronóstico
que se aplica.
• Su valor se calcula sumando los valores absolutos de
los errores individuales del pronóstico y dividiendo
entre el número de errores individuales.
𝑟𝑒𝑎𝑙𝑡 − 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜𝑡
𝐷𝐴𝑀 =
𝑛
𝐴𝑡 − 𝐹𝑡
𝐷𝐴𝑀 =
𝑛

alfa = 0.1
Semana Ventas
Pronóstico Desviación Absoluta
1 156 156.00 |156 - 156| = |0| 0.00
2 180 156.00 |180 - 156| = |24| 24.00
3 167 158.40 |167 - 158.40| = |8.6| 8.60
4 183 159.26 |183 - 159.26| = |23.74| 23.74
5 205 161.63 |205 - 161.63| = |43.37| 43.37
6 194 165.97 |194 - 165.97| = |28.03| 28.03
7 209 168.77 |209 - 168.77| = |40.23| 40.23
8 201 172.80 |201 - 172.80| = |28.2| 28.20
Desviación Absoluta Media 24.52

alfa = 0.1 alfa = 0.4
Semana Ventas
Pronóstico Desv. Abs. Pronóstico Desv. Abs.
1 156 156.00 0.00 156.00 0.00
2 180 156.00 24.00 156.00 24.00
3 167 158.40 8.60 165.60 1.40
4 183 159.26 23.74 166.16 16.84
5 205 161.63 43.37 172.90 32.10
6 194 165.97 28.03 185.74 8.26
7 209 168.77 40.23 189.04 19.96
8 201 172.80 28.20 197.03 3.97
9 175.62 198.62
Desviación Absoluta Media 24.52 13.32
Según este análisis, es preferible una constante de alisado de
0.4, puesto que su DAM es menor
Error Cuadrático Medio (ECM)

• Es la segunda medición de error global de pronóstico
que se aplica.
• Su valor se calcula sumando los cuadrados de los
valores de los errores individuales del pronóstico y
dividiendo entre el número de errores individuales.
2
𝐸𝐶𝑀 =
𝑛
𝐴𝑡 − 𝐹𝑡 2
𝐸𝐶𝑀 =
𝑛

alfa = 0.1
Semana Ventas
Pronóstico Error Cuadrático
1 156 156.00 (156 - 156)2 = (0)2 0.00
2 180 156.00 (180 - 156)2 = (24)2 576.00
3 167 158.40 (167 - 158.40)2 = (8.6)2 73.96
4 183 159.26 (183 - 159.26)2 = (23.74)2 563.59
5 205 161.63 (205 - 161.63)2 = (43.37)2 1880.61
6 194 165.97 (194 - 165.97)2 = (28.03)2 785.65
7 209 168.77 (209 - 168.77)2 = (40.23)2 1618.17
8 201 172.80 (201 - 172.80)2 = (28.2)2 795.46
Error Cuadrático Medio 786.68

alfa = 0.1 alfa = 0.4
Semana Ventas
Pronóstico Error Cuad. Pronóstico Error Cuad.
1 156 156.00 0.00 156.00 0.00
2 180 156.00 576.00 156.00 576.00
3 167 158.40 73.96 165.60 1.96
4 183 159.26 563.59 166.16 283.59
5 205 161.63 1880.61 172.90 1030.67
6 194 165.97 785.65 185.74 68.27
7 209 168.77 1618.17 189.04 398.30
8 201 172.80 795.46 197.03 15.80
9 175.62 198.62
Error Cuadrático Medio 786.68 296.20
0.4, puesto que su ECM es menor
Error Porcentual Absoluto Medio (EPAM)

• Cuando las medidas del DAM y ECM son valores muy
grandes, debido a que dependen de la magnitud del
elemento que se pronostica.
• Su valor se calcula sumando los porcentajes de los
promedios de los valores absolutos de los errores
individuales del pronóstico y dividiendo entre el
número de errores individuales.
𝑥100
𝑟𝑒𝑎𝑙𝑡
𝐸𝑃𝐴𝑀 =
𝑛
𝐴𝑡 − 𝐹𝑡
𝑥100
𝐴𝑡
𝐸𝑃𝐴𝑀 =
𝑛

alfa = 0.1
Semana Ventas
Pronóstico Error Porcentual Absoluto
1 156 156.00 ( |156 - 156| / 156 ) * 100 0.00%
2 180 156.00 ( |180 - 156| / 180 ) * 100 13.33%
3 167 158.40 ( |167 - 158.40| / 167 ) * 100 5.15%
4 183 159.26 ( |183 - 159.26| / 183 ) * 100 12.97%
5 205 161.63 ( |205 - 161.63| / 205 ) * 100 21.15%
6 194 165.97 ( |194 - 165.97| / 194 ) * 100 14.45%
7 209 168.77 ( |209 - 168.77| / 209 ) *100 19.25%
8 201 172.80 ( |201 - 172.80| / 201 ) * 100 14.03%
Error Porcentual Absoluto Medio 12.54%

alfa = 0.1 alfa = 0.4
Semana Ventas
Pronóstico Error Porc. Abs. Pronóstico Error Porc. Abs.
1 156 156.00 0.00 % 156.00 0.00 %
2 180 156.00 13.33 % 156.00 13.33 %
3 167 158.40 5.5 % 165.60 0.84 %
4 183 159.26 12.97 % 166.16 9.20 %
5 205 161.63 21.15 % 172.90 15.66 %
6 194 165.97 14.45 % 185.74 4.26 %
7 209 168.77 19.25 % 189.04 9.55 %
8 201 172.80 14.03 % 197.03 1.98 %
9 175.62 198.62
Error Porcent. Abs. Medio 12.54 % 6.85 %
0.4, puesto que su EPAM es menor
Proyección de
Tendencias o
Análisis de
Regresión Simple
Proyección de Tendencias o Análisis de

Regresión Simple
• Modelo de Serie de Tiempos que analiza la
proyección de la tendencia.
• Esta técnica se utiliza para hacer pronósticos de
mediano y largo plazo.
• Su aplicación consiste en ajustar una recta
(exponencial, cuadrática, logarítmica, etc.) de
tendencia a una serie de datos históricos y después
proyectar la recta al futuro, para obtener los
pronósticos.
• La línea recta se obtiene, aplicando el Método de
Mínimos Cuadrados.

Regresión Simple
Una recta de mínimos cuadrados, se expresa con la
siguiente ecuación:
𝑦 =a + bx
Donde:
y = Variable Dependiente
Valor calculado cuando “x” tome un valor.
a = Valor de la Ordenada (cuando “x” es igual a cero)
b = Pendiente de la Recta de Regresión (inclinación)
x = Variable Independiente (en este caso el tiempo)

Regresión Simple
Para hallar los valores de a y b, para cualquier recta de
regresión:
𝑥𝑦 − 𝑛𝑥𝑦 𝑎 = 𝑦 − 𝑏𝑥
𝑏=
𝑥2 − 𝑛 𝑥2
Donde:
n = Número de datos u observaciones
𝑥 = Media de los valores x
𝑦 = Media de los valores y
x = Variable Independiente (en este caso el tiempo)

Regresión Simple 𝑥𝑦 − 𝑛𝑥𝑦
𝑏=
Periodo de 𝑥2 − 𝑛 𝑥2
Año Demanda (y) x2 xy
Tiempo (x)
2004 1 240 1 240
𝑎 = 𝑦 − 𝑏𝑥
2005 2 256 4 512
2006 3 265 9 795 13,854 − 9 (5)(291.33)
2007 4 278 16 1,112 𝑏=
285 − (9)(52 )
2008 5 296 25 1,480
2009 6 305 36 1,830 𝑏 = 12.4025
2010 7 312 49 2,184
2011 8 329 64 2,632
𝑎 = 291.33 − (12.4025)(5)
2012 9 341 81 3,069
Sumatoria 45 2,622 285 13,854 𝑎 = 229.3175
Promedio 5 291.33
La Ecuación sería: 𝑦 = 229.32 + 12.4𝑥

Variaciones
Estacionales
de los DATOS
Variaciones Estacionales
• Son movimientos regulares ascendentes o
descendentes en una serie temporal que están
vinculados a eventos periódicos.
• La estacionalidad puede aparecer cada hora, día,
semana, mes o con cualquier otra periodicidad.
• Ejemplo:
 Los restaurantes, experimentan oleadas de gente al
medio día y en la noche.
 Los Pub´s, experimentan variaciones de afluencia de
gente las noches de los viernes y sábados.
 Las textilerías, experimentaran mayor de demanda
de prendes de algodón durante los meses de fríos de
invierno.
Variaciones Estacionales
• La presencia de estacionalidad hace que sean
necesarios ajustes en la línea de tendencia de la
previsión.
• La estacionalidad se expresa en términos de
cantidad en la que difieren los valores reales de los
valores medios de la serie temporal.
• Normalmente el análisis de los datos se hace en
términos mensuales, trimestrales, semanales, o
cualquier otro periodo que muestre patrones
estacionales.
Ejemplo: Variaciones Estacionales

En la tabla siguiente se muestran las ventas trimestrales
de Refrigeradoras de la tienda comercial CARSSA S.A.,
durante el periodo del 2009 al 2012.
1er 2do 3er 4to
Año
Trimestre Trimestre Trimestre Trimestre
2009 80 113 85 82
2010 93 125 90 78
2011 82 131 95 80
2012 91 138 102 80
Utilizando los índices de estacionalidad, determinar el
pronóstico de cada trimestre, si se espera que las ventas
para el siguiente año van a ser 400 refrigeradoras.

1. Calculamos la Demanda Media por Trimestre:
• Sumar las ventas trimestrales y dividirlo entre el
número de periodos.
2. Calculamos la Demanda Trimestral Media:

• Sumamos todas las ventas y lo dividimos entre el total
de ventas sumadas, o
• Sumamos los Promedios Medios por Trimestre y lo
dividimos entre el número de Trimestres.
3. Determinar los Índices Estacionales

• Dividimos la Demanda Media por Trimestre entre la
Demanda Trimestral Media.

Venta de Refrigeradoras
160
140
120
100 Venta de Refrigeradoras
80 150
60
40 140
20
130
0
0 4 8 12 16 20 120
110
100
90
80
70
0 1 2 3 4 5
2009 2010 2011 2012

1er 2do 3er 4to
Año
Trimestre Trimestre Trimestre Trimestre
2009 80 113 85 82
2010 93 125 90 78
2011 82 131 95 80
2012 91 138 102 80
Demanda Media
por Trimestre 86.50 126.75 93.00 80.00
Demanda
Trimestral Media 96.56 96.56 96.56 96.56
Índice
0.896 1.313 0.963 0.828
Estacional

Índice
Año Pronóstico año 2013
Estacional
400
1er Trimestre 0.896 𝑥 0.896 = 89.6
4
400
2do Trimestre 1.313 𝑥 1.313 = 131.3
4
400
3er Trimestre 0.963 𝑥 0.963 = 96.3
4
400
4to Trimestre 0.828 𝑥 0.828 = 82.8
4
400.00
Ing. Joel Vargas Sagástegui

Ingeniero Industrial
CIP 48252

PCP 2

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

PCP 2

Diunggah oleh

Hak Cipta:

Format Tersedia

FACULTAD DE INGENIERÍA Y ARQUITECTURA

Escuela Profesional de Ingeniería Industrial

• Recordar el desarrollo de los Métodos de Series

Promedio Móvil Simple

Este método supone que la serie de tiempo,

Este método NO supone la existencia de

Promedio Móvil Simple

Si la variable que se va a pronosticar no presenta

Los valores de “n” deben oscilar entre 2 y 10

Promedio Móvil Simple

Promedio Móvil Ponderado

Se aplica cuando existe tendencia o patrón.

Para lograr esto, se coloca un PESO o

¿Cómo determinar el Peso o Ponderación?

Ejemplo: para un promedio móvil ponderado de 4

Meses Análisis Calificación Peso o Ponderación

Promedio Móvil Ponderado

Ejercicio (n = 3) (w1=0,5 w2=0,3 w3=0,2)

• Es decir, mientras mas grande es el valor de  mas

• Para aplicar este modelo, es necesario conocer el

Suavizado (alisado) Exponencial

Alisado Exponencial con

Suavizado Exponencial con Ajuste de Tendencia

Mejora el pronóstico del suavizado exponencial,

En este enfoque se suavizan las estimaciones del

Suavizado Exponencial con Ajuste de Tendencia

𝑭𝒕 = 𝜶 𝑨𝒕−𝟏 + (𝟏 − 𝜶)(𝑭𝒕−𝟏 + 𝑻𝒕−𝟏 )

Suavizado Exponencial con Ajuste de Tendencia

PCT = Pronóstico o Previsión con Tendencia

Suavizado Exponencial con Ajuste de Tendencia

Paso 2: Calcular Tt (la tendencia alisada para

Paso 3: Calcular PCT (el pronóstico con

Es importante contar con la pronóstico alisado y la

Ejercicio (α = 0,1) (β = 0,3)

2005 10 10,00 2.00 12,00

2006 18 α(10)+(1-α)(10+2)=11,8 β(11,8-10)+(1-β)(2)=1,94 13,74

Tiempo (años) Tiempo (años)

Medición del error del Pronóstico

𝐸𝑟𝑟𝑜𝑟 𝑑𝑒 𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 = 𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑅𝐸𝐴𝐿 − 𝑉𝑎𝑙𝑜𝑟 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑎𝑑𝑜

Desempeño de los Modelos de Pronósticos

Desviación Absoluta Media (DAM)

Desviación Absoluta Media (DAM)

Desviación Absoluta Media (DAM)

Error Cuadrático Medio (ECM)

Error Cuadrático Medio (ECM)

Error Cuadrático Medio (ECM)

Error Porcentual Absoluto Medio (EPAM)

Error Porcentual Absoluto Medio (EPAM)

Error Porcentual Absoluto Medio (EPAM)

Proyección de Tendencias o Análisis de

Proyección de Tendencias o Análisis de

Proyección de Tendencias o Análisis de

Proyección de Tendencias o Análisis de

La Ecuación sería: 𝑦 = 229.32 + 12.4𝑥

Ejemplo: Variaciones Estacionales

Ejemplo: Variaciones Estacionales

2. Calculamos la Demanda Trimestral Media:

3. Determinar los Índices Estacionales

Ejemplo: Variaciones Estacionales

2009 2010 2011 2012

Ejemplo: Variaciones Estacionales

Ejemplo: Variaciones Estacionales

Ing. Joel Vargas Sagástegui