GESTIÓN DE INVENTARIOS

Código: 760033M

Docente: Julio César Londoño Ortega

1. Conceptos avanzados de pronósticos
de demanda
1. CONCEPTOS AVANZADOS DE PRONÓSTICOS DE
DEMANDA
• Medición y análisis de los errores de pronóstico.
Errores suavizados. El sesgo en los pronósticos y las
señales de rastreo.
• Construcción de hojas electrónicas para el manejo de
pronósticos con señales de rastreo.
• Manejo de datos atípicos.
• Métodos auto-adaptivos de pronósticos.
• Pronósticos acumulados.
• Sistemas de pronósticos para demanda errática e
intermitente, ítems nuevos y otros temas relacionados.
 Sistema de pronósticos

DATOS
H IS T O R IC O S P o sib le m o d ific a c ió n d e l
M o d e lo o su s p a rá m e tro s

S e le c c ió n e in ic ia liz a c ió n
d e l m o d e lo

M ODELO
M A T E M A T IC O
D e m a n d a re a l o b se rv a d a

IN T E R V E N C IO N P ro n ó stic o
HUM ANA e sta d ístic o

CALCU LO DE
P R O N O S T IC O ERRORES DE
DE DEM ANDA P R O N O S T IC O

Ambiente común de un sistema de pronósticos (FUENTE: Adaptado de Silver et al.

(1998), Pág. 75)
 Consideraciones a tener en cuenta

• Todo pronóstico será errado. Es imposible predecir lo

que realmente ocurrirá en un futuro.
• El pronóstico más eficiente es aquel que produce un
error mínimo.
• Un pronóstico óptimo es aquel que produce mejores
resultados con menos inversión tecnológica.
• Determine la variabilidad de los datos, existen
productos con demanda errática
• Revise periódicamente los parámetros del modelo
matemático del pronóstico.
Error en el pronóstico de los inventarios

• Se utiliza como un elemento que sirve para determinar

qué modelo de pronóstico se debe implementar.
• Es un indicador que muestra las características de la
variabilidad de la demanda, información fundamental
para establecer los inventarios de seguridad.
• Sirve para indicar cuándo el modelo seleccionado está
por fuera de control estadístico. (Señal de rastreo)
• Permite realizar cálculos para pronósticos acumulados.
Causas de imprecisión en los sistemas de
pronósticos

• Utilización de datos poco confiables

• Utilización de datos de ventas y no de demanda
• Sesgos en los pronósticos
• Velocidad de respuesta al cambio
• Comportamiento de los proveedores
• Casos especiales de demanda en los pronósticos
• Selección del período de los pronósticos
 Medición de errores del pronóstico

Error del pronóstico et = x t − xˆ t

Error absoluto et = x t − xˆ t

Error cuadrático e = ( x t − xˆ t )
2
t
2

e t = Error del pronóstico

x t = Valor real de la demanda
x̂ t = Pronóstico de demanda
Todos para el período t
 Medición de errores del pronóstico

Error porcentual : Desviación Absoluta Media :

n
xt − xˆt ∑x − xˆt
APE = 100 * t

xt MAD = t =1
n

Error Cuadrático Medio : Mean Absolute Percentaje Error :

xt − xˆt
n 2

∑ ( xt − xˆ t )
n
100 * ∑
ECM = t =1 t =1 xt
MAPE =
n n
 PARÁMETROS INDICADORES
ERROR
N PROM.
MAD ECM MAPE MAPE'
8 5,78 13,38 267,31 22% 24%
PERÍODO DEMANDA ESTIMADOR PRONÓSTICO e lel e2 lel/xt lel/x't
1 31

DATOS DE INICIO
2 26
Medición de errores del
3 34
4 26
pronóstico en Excel
5 33
6 31
7 38
8 26
9 56
10 30
11 42
12 41 37,1
13 35 37,4 37,1 -2,13 2,13 4,52 0,06 0,06
14 41 38,6 37,4 3,63 3,63 13,14 0,09 0,10
15 58 41,1 38,6 19,38 19,38 375,39 0,33 0,50
16 49 44,0 41,1 7,88 7,88 62,02 0,16 0,19
17 54 43,8 44,0 10,00 10,00 100,00 0,19 0,23
18 56 47,0 43,8 12,25 12,25 150,06 0,22 0,28
19 80 51,8 47,0 33,00 33,00 1089,00 0,41 0,70
20 46 52,4 51,8 -5,75 5,75 33,06 0,13 0,11
21 33 52,1 52,4 -19,38 19,38 375,39 0,59 0,37
SIMULACIÓN

22 56 54,0 52,1 3,88 3,88 15,02 0,07 0,07

23 35 51,1 54,0 -19,00 19,00 361,00 0,54 0,35
24 85 55,6 51,1 33,88 33,88 1147,52 0,40 0,66
25 61 56,5 55,6 5,38 5,38 28,89 0,09 0,10
26 53 56,1 56,5 -3,50 3,50 12,25 0,07 0,06
27 65 54,3 56,1 8,88 8,88 78,77 0,14 0,16
28 36 53,0 54,3 -18,25 18,25 333,06 0,51 0,34
29 61 56,5 53,0 8,00 8,00 64,00 0,13 0,15
30 66 57,8 56,5 9,50 9,50 90,25 0,14 0,17
31 63 61,3 57,8 5,25 5,25 27,56 0,08 0,09
32 73 59,8 61,3 11,75 11,75 138,06 0,16 0,19
33 76 61,6 59,8 16,25 16,25 264,06 0,21 0,27
34 94 66,8 61,6 32,38 32,38 1048,14 0,34 0,53
35 66 66,9 66,8 -0,75 0,75 0,56 0,01 0,01
36 88 73,4 66,9 21,13 21,13 446,27 0,24 0,32
37 67 74,1 73,4 -6,38 6,38 40,64 0,10 0,09
38 100 78,4 74,1 25,88 25,88 669,52 0,26 0,35
39 59 77,9 78,4 -19,38 19,38 375,39 0,33 0,25
40 66 77,0 77,9 -11,88 11,88 141,02 0,18 0,15
 ESTIMACIÓN DE LOS ERRORES
Error Promedio
Dado que se pueden tener algunos datos históricos de
los errores, podría estimarse el valor esperado de los
errores del pronóstico, como un promedio simple de
estos, como sigue:
T

∑ e(t ) Y (T )
YˆT : t =1
=
T T
Donde Y(T), es la suma de los errores de los pronósticos, o el Error acumulado

El error acumulado puede calcularse también como :

Y (T ) : Y (T − 1) + e(t )
 Pronóstico del Error
El pronóstico del error se puede obtener a partir de los
últimos N datos históricos, como un promedio simple.
T
1
ˆe(T ) = ∑ e (t )
N t =T − N +1

O a partir de un proceso de suavización exponencial

Error suavizado : Q(T) = we(T) + (1 - w)Q(t - 1)

Donde: w, se conoce como la constante de suavización del error
(cumple una función similar a α), y aunque puede estar en un
rango entre 0 y 1, se sugiere utilizar un valor de 0.1 ó 0.15

Para inicialiar el modelo : Q(0) = 0

Debido a que el valor esperado de los errores del pronóstico es cero
 MAD Suavizada
MAD suavizada : MAD(T) = w e (T) + (1 - w)MAD(T - 1)

Para inicializa r el modelo MAD (0) ≅ 0.8 c1σˆ ε 1

donde :
n

∑ t t
( x − x ) 2

σˆ ε = t =1
Con base en residuos de la R.L.
n−2
n:Número de datos que se toman para inicializar el pronóstico

cτ = 1 +
α
( 1 + β) 3
1 + 4 β[(
+ 5 β 2
+ 2 )
α( 1 + 3 β) τ + 2 α τ
2 2
] 2

τ: Número de períodos futuros, β=(1-α)

1 Montgomery, et. al, pág. (209)
2 Montgomery, et. al, pág. (212)
 ECM suavizado

ECM suavizado : ECMS(T) = we 2 (T) + (1 - w)ECMS(T - 1)

∑ t t
( x − ˆ
x ) 2

Para inicializar el modelo ECSM(0) = t =1

n−2

A partir del ECMS se puede obtener la desviación estándar de los errores del
pronóstico para cada período.

σˆ 1 (T ) = ECMS (T )
 Cálculo del Inventario de Seguridad
Inventario de seguridad para el sistema de Revisión
Continua (s, Q)
Inventario de seguridad SS = kσ L

σ L = σ1 L
Inventario de seguridad para el sistema de Revisión
Periódica (R, S)

Inventario de seguridad SS = kσ R + L

σ R+ L = σ 1 R + L
σˆ 1 se obtiene como se mostró así :
σˆ 1 (T ) = ECMS (T ) ≈ 1.25 MAD suavizada
 Inventario de Seguridad Dinámico
Inventario de seguridad para el sistema de Revisión
Continua (s, Q)

Inventario de seguridad SS = kσ L

σ L = σ1 L
Inventario de seguridad para el sistema de Revisión
Periódica (R, S)

Inventario de seguridad SS = kσ R + L

σ R+ L = σ 1 R + L
 Señales de rastreo

• La señal de rastreo es un indicador que muestra cuando

un pronóstico está fuera de control estadístico.

• Cuando dos o más señales de rastreo sucesivas

sobrepasan el valor máximo, entonces debe tomarse una

acción administrativa, que puede ser recalcular los

parámetros del modelo y/o revisarse el modelo que se

esté utilizando.
 Señales de rastreo
La señal de rastreo en función del error suavizado y la MAD :
Q(T )
Señal de Rastreo =
MAD(T )
La señal de rastreo siempre está entre -1 y 1.
Los valores máximos aceptables dependen de la aplicación y
pueden variar de 0.4 a 0.6.
Cuando dos o más señales de rastreo sucesivas sobrepasan el valor
máximo, entonces deben recalcularse los parámetros del modelo y/o
revisarse el modelo que se está utilizando.

La señal de rastreo en función del error acumulado y la MAD(T) :

Y (T )
Señal de Rastreo =
MAD(T )
Para este caso, se considera el pronóstico sesgado si la señal de
rastreo es superior a 4
 Estimación del Error, Inventario Máximo,
Señales de rastreo
INDICADORES ESTIMADORES Inventario Máximo SEÑALES DE RASTREO
ERROR Error Error MAD ECM
a 26,2727
PROM.
MAD ECM MAPE MAPE' Prom. Suavizado Suavizada Suavizado
Nivel de servicio
b 1,26573 W E C1 1,96
0,15 7,796808 1,657643 PERIODO
LEAD
DE
-0,80 14,44 323,47 26% 24% 1,22 0,02 REVISIÓN
TIMES

PERÍODO DEMANDA PRONÓSTICO e lel e2 lel/xt lel/x't Y(T) T MAD(T) ECM(T) 1 5 Q(T)/MAD(T) Y(T)/MAD8T)
13 35 42,7 -7,73 7,73 59,71 0,22 0,18 -7,7273 -1,1591 7,9852 60,6283 94 0,14515547 -0,967703126
14 41 39,4 1,64 1,64 2,70 0,04 0,04 -6,0839 -0,7387 7,0339 51,9391 88 0,10502340 -0,864942459
15 58 40,9 17,09 17,09 291,97 0,29 0,42 11,0031 1,9351 8,5419 87,9434 89 0,22654803 1,288142353
16 49 51,9 -2,88 2,88 8,31 0,06 0,06 8,1198 1,2124 7,6931 75,9990 111 0,15759186 1,055464764
17 54 52,4 1,59 1,59 2,53 0,03 0,03 9,7104 1,2691 6,7777 64,9786 110 0,18724712 1,432697278
18 56 55,4 0,64 0,64 0,41 0,01 0,01 10,3502 1,1747 5,8570 55,2932 113 0,20056319 1,767136815
19 80 57,9 22,12 22,12 489,13 0,28 0,38 32,4664 4,3159 8,2959 120,3684 115 0,52024834 3,913543293
20 46 73,4 -27,35 27,35 748,06 0,59 0,37 5,1156 -0,4341 11,1541 214,5227 148 0,03891576 0,458631108
21 33 61,1 -28,13 28,13 791,19 0,85 0,46 -23,0124 -4,5882 13,7002 301,0221 134 0,33489710 -1,679709142
SIMULACIÓN

22 56 46,0 10,02 10,02 100,45 0,18 0,22 -12,9897 -2,3965 13,1486 270,9368 114 0,18226608 -0,987918425
23 35 51,2 -16,19 16,19 261,97 0,46 0,32 -29,1753 -4,4649 13,6041 269,5921 122 0,32820133 -2,144590487
24 85 41,6 43,43 43,43 1886,09 0,51 1,04 14,2538 2,7192 18,0779 512,0666 107 0,15041635 0,788468219
25 61 66,3 -5,27 5,27 27,76 0,09 0,08 8,9855 1,5211 16,1564 439,4198 160 0,09414699 0,556157107
26 53 65,7 -12,66 12,66 160,17 0,24 0,19 -3,6704 -0,6055 15,6314 397,5326 155 0,03873413 -0,234808935
27 65 60,1 4,86 4,86 23,65 0,07 0,08 1,1928 0,2148 14,0161 341,4504 144 0,01532761 0,085103612
28 36 64,0 -27,99 27,99 783,45 0,78 0,44 -26,7973 -4,0159 16,1122 407,7498 146 0,24924590 -1,663164192
29 61 48,6 12,43 12,43 154,53 0,20 0,26 -14,3664 -1,5489 15,5600 369,7663 125 0,09954304 -0,923290519
30 66 54,9 11,12 11,12 123,62 0,17 0,20 -3,2481 0,3512 14,8938 332,8441 135 0,02358008 -0,218081628
31 63 61,5 1,47 1,47 2,17 0,02 0,02 -1,7735 0,5197 12,8809 283,2436 144 0,04034700 -0,137682005
32 73 63,4 9,62 9,62 92,48 0,13 0,15 7,8430 1,8842 12,3912 254,6284 142 0,15206028 0,632944322
33 76 70,3 5,74 5,74 32,95 0,08 0,08 13,5834 2,4626 11,3936 221,3771 153 0,21614295 1,192194914
34 94 75,7 18,32 18,32 335,79 0,19 0,24 31,9080 4,8419 12,4333 238,5390 159 0,38943441 2,566341507
35 66 89,2 -23,16 23,16 536,31 0,35 0,26 8,7496 0,6419 14,0420 283,2050 185 0,04571180 0,623099163
36 88 79,4 8,60 8,60 73,95 0,10 0,11 17,3488 1,8355 13,2256 251,8161 173 0,13878240 1,311755673
37 67 86,6 -19,61 19,61 384,69 0,29 0,23 -2,2648 -1,3819 14,1838 271,7472 183 0,09742597 -0,159672541
38 100 77,7 22,33 22,33 498,52 0,22 0,29 20,0627 2,1745 15,4053 305,7625 170 0,14115434 1,302321259
39 59 92,1 -33,13 33,13 1097,66 0,56 0,36 -13,0682 -3,1213 18,0642 424,5468 198 0,17278872 -0,723432387
40 66 75,3 -9,32 9,32 86,93 0,14 0,12 -22,3920 -4,0517 16,7531 373,9046 176 0,24184490 -1,336584782
 Métodos Auto-Adaptivos
Qué hacer cuando se considera que el
sistema de pronósticos está fuera de control?
La alternativa es corregir los parámetros que optimizan los modelos.
Se sugieren dos técnicas a seguir:
1. Recalcular la constante de suavización Alfa
2. Hacer que la constante de suavización tome los valores
obtenidos en la señal de rastreo del período

Las técnicas Auto-Adaptivas son una propuesta y deben ser

exploradas con más profundidad, ya que como lo asegura Silver
(1998), este método puede traer más problemas que soluciones.

En algunas ocasiones, es necesario revisar el modelo propuesto, las

las condiciones iníciales pudieron haber cambiado significativamente
 Datos atípicos
Considerados como aquellos datos que no corresponden al
comportamiento normal de la demanda y por lo tanto deberían ser
eliminados
PERÍODO DEMANDA
1. Eliminación de datos atípicos (‘outliers’) para
1 108
la regresión lineal de inicio del pronóstico. 2 62
3 76
4 76
5 87
6 208
7 95
Zona de Inicialización Zona de simulación 8 68
9 81
10 78
11 69
12 43
13 74
14 70
15 67
16 53
17 47
18 55
19 46
20 45
 Datos atípicos
2. Eliminación de datos atípicos para el control en
tiempo real.
PERÍODO DEMANDA

20 39
21 52
22 53
23 66
24 41
25 36
26 36
27 31
28 70
29 68
30 81
31 67
32 54
33 89
34 58
35 95
36 83
37 63
38 109
39 230
 Eliminación de Outliers
Cuando el dato atípico será utilizado para realizar la
regresión en la inicialización de un modelo.

Dato atípico ≥ xˆ + 2.5σ ε , se debe reeplazar por xˆ

Cuando el dato atípico será utilizado para el

pronóstico

Determinar que no sea un efectivo cambio en el

comportami ento de la demanda.
e(T)
El dato atípico ocurre cuando es 4 o 5 veces σˆ ε
MAD(T)
 Evalué de los siguientes datos cuales son
atípicos y cuales no, proponga la solución
PERIODO DEMANDA PERIODO DEMANDA PERIODO DEMANDA PERIODO DEMANDA PERIODO DEMANDA PERIODO DEMANDA

1 4 21 3 41 3 61 10 81 2 101 4
2 2 22 11 42 14 62 2 82 2 102 4
3 3 23 8 43 6 63 8 83 2 103 7
4 11 24 7 44 7 64 7 84 8 104 1
5 3 25 2 45 7 65 2 85 3 105 1
6 2 26 8 46 7 66 7 86 3 106 10
7 5 27 1 47 9 67 9 87 1 107 3
8 6 28 2 48 3 68 4 88 4 108 7
9 2 29 5 49 5 69 3 89 4 109 63
10 1 30 4 50 3 70 2 90 3 110 1
11 2 31 1 51 2 71 7 91 1 111 1
12 2 32 2 52 1 72 3 92 5 112 6
13 1 33 10 53 3 73 1 93 5 113 7
14 11 34 4 54 5 74 2 94 1 114 4
15 5 35 1 55 2 75 4 95 4 115 2
16 7 36 2 56 7 76 1 96 3 116 2
17 2 37 3 57 6 77 4 97 2 117 3
18 7 38 7 58 2 78 1 98 4 118 5
19 3 39 9 59 2 79 7 99 2 119 7
20 4 40 3 60 6 80 3 100 7 120 2
PRONÓSTICOS FUTUROS
 Pronósticos Futuros - Notación

Pronóstico para τ períodos futuros : X̂ T + τ ( T )

[
Varianza del pronóstico τ períodos futuros : Var Xˆ T + τ (T ) ]
L
Pronóstico acumulado L Períodos : X̂ L (T) = ∑X T+τ (T)
τ =1

Varianza del pronóstico acumulado L Períodos : Var Xˆ L (T) [ ]

 Errores del pronóstico y su varianza - Notación 2
Varianza del error del pronóstico : Var [e(T)] = Var [x(T)] + Var [xˆ(T)]
Dado que se puede expresar como la suma de dos varianza de variables
aleatorias, demanda y pronóstico

Error del pronóstico futuro : eτ (T ) = xT − xˆT (T − τ )

Varianza del Error del pronóstico futuro τ períodos :
Var [eτ (T )] = Var ( xT ) + Var [xˆT (T − τ )]
L
Error del pronóstico acumulado : E L (T) = ∑ e τ (T - L + τ)
τ =1

Varianza del error del pronóstico acumulado :

[
VarL [e(T)] = Var [X L (T)] + Var X̂ L (T) ]
2 Montgomery, et. al, Capítulo 8
 Varianza del error del pronóstico acumulado
Expresión general para la Varianza del error de los pronósticos
acumulados para L-períodos en función de la varianza de los errores de
los pronósticos
2
EL σˆ L ε
2
≡p σ
PL es una constante que depende de L y β, (β =1-α)
1 .25 (MAD )
σˆ E L ≡ p L σ ε , Recordar qué
es MAD(0)
σε =
C1
Desviación estándar del error σˆ E L = 1 . 25 MAD(T)
PL
del pronóstico acumulado C1

c1 = 1 +
α
(1 + β) 3
[(
1 + 4β + 5β 2
+ 2 α()
1 + 3β) τ + 2α τ
2 2
]
αL2
Factor PL = L +
2 * (1 + β ) 3
[5(1 + 2β + β 2
) + 4 L(1 − β 2 ) + α 2 L2 ]
 Pronósticos Futuros – Ejemplo en Excel
Alfa Beta MAD(T) C1
0,3 0,7 16,7531 1,657643

e2
[2]
PERÍODO DEMANDA St St PRONÓSTICO e lel lel/xt
40 66 72,3 74,1 75,3 -9,32 9,32 86,93 0,14
PRONÓSTICO PRONÓSTICO HORIZONTE INVENTARIO
FACTOR PL
FUTURO ACUMULADO L MÁXIMO
41 Tao 1 69,8
42 2 69,1
43 3 68,3
44 4 67,6 275 4 15,748 401
45 5 66,8
46 6 66,1
47 7 65,3
48 8 64,6 538 8 79,380 822
49 9 63,8
50 10 63,1
51 11 62,3
52 12 61,6 788 12 240,134 1282
 Pronósticos Futuros - Notación
Dada la siguiente información, calcule el pronóstico futuro para las
próximas cuatro semanas y el acumulado, utilizando las técnicas de
promedio móvil, suavización exponencial simple y suavización
exponencial doble a partir de la última fila de la hoja de cálculo:

PARÁMETROS a 89,4 ALFA ALFA DOBLE BETA

b -2,16842105 0,27341638 0,188547213 0,81145279

PROM MÓVIL SUAV. EXP. SIMPLE SUAV. EXP. DOBLE
PERÍODO DEMANDA [2]
Mt St Xt St St Xt
39 55 75 75 83 73 68 91
 Cálculo del Inventario Máximo
futuro
Calcule el inventario máximo con la información utilizada
en el inventario futuro (diapositiva anterior), para un
horizonte de 2 semanas y cuatro semanas mediante la
técnica de S. E. D. y valores de K =1.96, asumiendo que
la MAD es estática y vale 14,01. Por otro, repita los
cálculos con un MAD suavizada igual a: 21,97365
SISTEMAS DE PRONÓSTICOS DE ÍTEMS
CON DEMANDA ERRÁTICA NUEVOS
Pronósticos de Ítems de Demanda Errática

Método de Croston

Este método combina el pronóstico de la

probabilidad de ocurrencia de la demanda y
estima el tamaño de ésta, actualizando los
parámetros solo cuando ocurre la demanda.
Modelos de pronósticos para ítems
con demanda errática

χt = ytzt

yt = 1 Si existe la transacci ón
0 Sí la transacci ón no ourre

zt Es el tamaño de la transacción

Prob(y = 1) = 1 Prob(y = 0) = 1 - 1
n n
 Modelo de Croston (1)
χt = 0 (Demanda no ocurre)
1.El tamaño estimado de la transacció n no se actualiza.
2. nˆt = n̂ t −1
χt = 1 (Transacción ocurre)

1 .z t = αχ t + (1 − α ) z t−1

2. nˆ t = α n t + (1 − α ) nˆ t- 1
nt = Número de períodos desde la última transacción
nˆt = Valor estimado de n al final del período t
z t = Valor estimado del promedio del tamaño de la transacción
al final del período t
1 Silver, et. al. Pag 128.
ẑ t
Pr onóstico =
nˆt
 Pronósticos de Ítems sin historia
• El principal problema radica en que no se dispone de información
histórica
• Las proyecciones se hacen con base en estudios de mercado, con
métodos causales y/o con base en el análisis del comportamiento de
la demanda e ítem semejantes que ya se encuentren en su etapa de
madurez.
• Proyecciones de demanda suelen ser exageradas en algunos casos y
cortas en otros
• Mientras la historia se obtiene se pueden hacer pronósticos con
promedio móvil progresivo
• El pronóstico se utiliza hasta tener un tamaño de N = 6, a partir de ahí,
se puede aplicar otros sistema de pronósticos
• Como la MAD y el ECM no son confiables para pocos datos, Vidal
sugiere asumir el proceso de demanda como Poisson y calcular la
desviación a partir de la raíz cuadrada del pronóstico estadístico del
ítem
 Pronósticos de Ítems sin historia

Ejemplo

Demanda Pronóstico Desviación

Período
Xt Xt estándar σx
1 5
2 8 5 2,2360680
3 14 7 2,5495098
4 6 9 3,0000000
5 10 8 2,8722813
6 12 9 2,9325757
 Combinación de pronósticos y uso de
técnicas de pronósticos en la práctica
• En la práctica es muy difícil de implementar sistemas de pronósticos debido
a la multiplicidad de ítems a controlar que tendrían diferentes métodos a
utilizar
• Existen software de pronósticos que pueden manejar diversas situaciones
en donde los ítems tienen diferentes técnicas para ser pronosticados
• Software automático: Define el mejor método y calcula sus parámetros
• Software semiautomático: El usuario puede seleccionar el método sugerido por
el software
• Software manual: El usuario considera cada método de pronósticos y le da al
sistema los parámetros del mismo
• Combinar diferentes técnicas tiene como propósito mejorar el desempeño
actual del pronóstico
• Se pueden hacer combinaciones tan sencillas como genera un pronóstico a
partir de un promedio de otros pronósticos
• También el pronóstico puede surgir de una combinación lineal convexa de
otros pronósticos
 Combinación de
pronósticos, ejemplo en
Excel
FIN DE LA PRIMERA
UNIDAD