PRONÓSTICOS

DOCENTE:
VILLALTA GONZALES, MIRKO
INTEGRANTES:
• CORONADO CHUMPITAZ, JOAN MANUEL
• DE LA CRUZ PRADO, GUSTAVO
• HUAYCHO SANCHEZ, ANDRES
• HUATARONGO HUAMAN, BRAND
• NAPANGA GONZALES, HAMBER
• OSORIO CARPIO, RICARDO ALEX
• PEREZ LEYVA, LUIS
 1 ¿ QUE ES PRONÓSTICOS ?

PRONÓSTICOS DE SERIES DE TIEMPO

2

TEMA: 3 MÉTODOS ASOCIATIVOS DE PRONÓSTICOS

PRONOSTICOS
4 MONITOREO Y CONTROL DE PRONÓSTICOS

5 PRONOSTICOS DE SECTOR DE SERVICIOS

1. ¿QUÉ ES PRONOSTICAR?

Son estimaciones que se

toman en un cierto plazo de
tiempo que surgen de la
necesidad de tomar Una economía
decisiones diariamente. mundial cada vez
mas compleja
hace que los
pronósticos sean
cada vez mas
desafiantes.
Pronosticar es el arte y la
ciencia de prevenir eventos
futuros, puede implicar el
empleo de datos históricos o
predicción intuitiva o
subjetiva.
HORIZONTES DE TIEMPO DEL PRONOSTICO

PRONOSTICO A CORTO PLAZO : por lo general son de hasta 3 meses

pero algunos pueden alcanzar un año como máximo, se utilizan en
decidir niveles de producción, determinar niveles de manos de obra y
asignar el trabajo.

PRONOSTICO A MEDIANO PLAZO: con una extensión de 3 meses a 3

años, se utiliza para planear ventas, producción, presupuesto y flujo de
efectivo.

PRONOSTICO A LARGO PLAZO: casi siempre su extensión es mayor a 3

años, por lo general se emplean para la fabricación de nuevos
productos, gastos de capital, ubicación o expansión de las
instalaciones y para la investigación y el desarrollo.
 TIPOS DE PRONÓSTICOS

PRONOSTICO ECONOMICO : abordan el ciclo del

negocio al predecir las tasas de inflación, los
suministros de dinero, la construcción de dinero y otros
indicadores de planeación.

Los pronósticos
económico y
tecnológico son
PRONOSTICO TECNOLOGICO : se refieren a las tasas de técnicas
progreso tecnológico las cuales pueden resultar en el especializadas que
nacimientos e interesantes productos. tal vez no formen
parte de la función
administradora

PRONOSTICO DE DEMANDA : son proyecciones de la

demanda de productos o servicios de compañía quian las
decisiones de modo que los administradores necesitan
información inmediata.
IMPORTANCIA ESTRATÉGICA DEL PRONÓSTICO
 RECURSOS HUMANOS

La contratación, la
capacitación y el despido de
los trabajadores dependen de
la demanda anticipada de la
organización.
CAPACIDAD

Cuando la capacidad es
inadecuada, los faltantes
que resultan pueden
significar entregas poco
confiables, perdida de
clientes y perdidas de
participación en ele
mercado.
SIETE PASOS EN EL SISTEMA DE PRONÓSTICOS

Determinar el uso del pronostico.

Seleccionar los aspectos que se deben pronosticar.

Determinar el horizonte de tiempo del pronostico.

Seleccionar los modelos de pronostico.

Recopilar los datos necesarios para elaborar el pronostico.

Realizar el pronostico.

Validar e implementar los resultados.

 ENFOQUE DE PRONOSTICO

PANORAMA DE LOS MÉTODOS CUALITATIVOS

Jurado de opinión ejecutiva.

Método Delphi.

Composición.

Encuesta en el mercado.
 PANORAMA DE MÉTODOS CUANTITATIVOS

1. Enfoque intuitivo
2. Promedios móviles Modelos de series de tiempo
3. Suavización exponencial
4. Proyección de tendencias
5. Regresión lineal Modelo asociativo

Modelos de series de tiempo

Predicen bajo el supuesto de que el futuro es una función del pasado. Observan lo que ha ocurrido durante un periodo y
usan una serie de datos históricos para hacer un pronóstico.

Modelo asociativo

Es como la regresión lineal, incorporan las variables o factores, que pueden influir en la cantidad que se va a
pronosticar.
 2. PRONÓSTICOS DE SERIES DE TIEMPO
Se basa en una secuencia de datos puntuales igualmente espaciados (semanalmente, mensualmente, trimestrales, etc.). Los datos
para los pronósticos de series de tiempo implican que los valores futuros se predicen

Descomposición de una serie de tiempo

1. La tendencia es el movimiento gradual, hacia arriba o hacia abajo, de los datos en el tiempo.
2. La estacionalidad es un patrón de datos que se repite después de un periodo de días, semanas meses o trimestre
3. Los ciclos son patrones, detectados en los datos, que ocurren cada cierta cantidad de años. Por lo general, están sujetos al ciclo
comercial y son de gran importancia para el análisis y la planeación del negocio a corto plazo.
4. Las variaciones aleatorias son señales generadas a los datos por casualidad o por situaciones inusuales no siguen ni un patrón
discernible.

Enfoque intuitivo

La forma más sencilla de pronosticar es suponer que la demanda del siguiente periodo será igual a la demanda del periodo más
reciente En otras palabras, si LAS ventas de un producto —digamos, TELÉFONOS CELULARES NOKIA — fueran 68 unidad» en enero,
podemos pronosticar que en febrero las ventas también
 Promedios Móviles

El pronóstico de promedios móviles es un número de valores de datos históricos reales para generar un pronóstico. Los
promedios móviles son útiles si podemos suponer que la demanda del mercado permanecerá relativamente estable en el
tiempo.

Promedio móvil = ∑ demanda en los n periodos previos

n
Donde n es el número de periodos incluidos en el promedio móvil

En el ejemplo 1 se muestra cómo calcular los promedios móviles.

 Promedio Móvil Ponderado

Cuando se presenta una tendencia o un patrón localizable, puede utilizarse ponderaciones para darle más
énfasis a los valores recientes. Esta práctica permite que las técnicas de pronósticos respondan más rápido a
los cambios, puesto que puede darse mayor peso a los más recientes para emplear ponderaciones se
requiere cierta experiencia

∑⦗(𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑐𝑖𝑜𝑛 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑛)(𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑛)⦘

∑𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠

En el ejemplo 2 se muestra cómo calcular un promedio móvil ponderado.

 Suavización Exponencial
Es otro método de pronósticos de promedios móviles ponderados que sigue siendo bastante fácil de usar. Requiere
mantener muy pocos registros de datos históricos. La fórmula básica para la suavización exponencial se expresa
como:
𝑁𝑢𝑒𝑣𝑜 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜 = 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜 𝑑𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟 +
∝ (𝐷𝑒𝑚𝑎𝑛𝑑𝑎𝑟𝑒𝑎𝑙 𝑑𝑒𝑙 𝑚𝑒𝑠 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟 − 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜 𝑑𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟
Dónde:
α: es una ponderación, o constante de suavización, elegida por quien pronostica, que tiene un valor entre 0 y 1.
La ecuación también se puede escribirse de la manera matemática como:
𝐹𝑡= 𝐹𝑡−1 + 𝛼(𝐴𝑡−1 − 𝐹𝑡−1 )

Dónde:
𝐹𝑡= 𝑛𝑢𝑒𝑣𝑜 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜
𝐹𝑡−1 = 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜 𝑑𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑠
α = constante de suavización (o ponderación) (0≤α≥1)
𝐴𝑡−1 = 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑟𝑒𝑎𝑙 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟

En el ejemplo 3 se muestra como usar el suavizamiento exponencial para obtener un pronóstico.

 Medición del Error Pronóstico

La exactitud general de cualquier modelo de pronostico( promedios móviles, suavización exponencial u

otro) puede determinarse al comparar los valores pronosticados con los valores reales u observados si F,
indica el pronóstico en el periodo t, y 𝐴𝑡 indica la demanda real del periodo t, el error de pronostico o
desviación se define como

𝐸𝑟𝑟𝑜𝑟 𝑑𝑒 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜 = 𝐷𝑒𝑎𝑛𝑑𝑎 𝑟𝑒𝑎𝑙 − 𝑉𝑎𝑙𝑜𝑟 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 = 𝐴𝑡 − 𝐹𝑡

NOTA: Los pronósticos tienden a ser más precisos cuando son más cortos.
DESVIACIÓN ABSOLUTA MEDIA (MAD)

La primera medición del error global de pronósticos para un modelo es la desviación absoluta media, su
valor se calcula sumando valores absolutos de los errores individuales del pronóstico y dividiendo el
resultado entre el número de periodos con datos (n)

∑ 𝑅𝑒𝑎𝑙 − 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜
𝑀𝐴𝐷 =
𝑛

En el ejemplo 4 se aplica la MAD, como una medida global del error de pronóstico, al probar 2 valores de α.
ERROR CUADRÁTICO MEDIO (MSE)

El error cuadrático medio es una segunda forma de medir el error global del pronóstico. El MSE es
el promedio de los cuadrados de las diferencias encontradas entre los valores pronosticados y los
observados. Su fórmula es:

∑(𝐸𝑟𝑟𝑜𝑟𝑒𝑠 𝑑𝑒 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜)2
𝑀𝑆𝐸 =
𝑛

En el ejemplo 5 se determina el MSE para el puerto de Baltimore presentado en el ejemplo 4.

ERROR PORCENTUAL ABSOLUTO MEDIO (MAPE)

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 ese problema,
podemos usar el error porcentual absoluto medio este s e calcula como el promedio de las
diferencias absolutas encontradas entre valores pronosticados y reales, y se expresa como
un porcentaje de valores reales. Es decir, si hemos pronosticado n periodos y los valores
reales corresponden a esa misma cantidad de periodos, el MAPE se calcula como:

∑ 100 𝑅𝑒𝑎𝑙𝑖 − 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜𝑖

൘𝑅𝑒𝑎𝑙
𝑖
𝑀𝐴𝑃𝐸 =
𝑛

En el ejemplo 6 ilustra los cálculos con los datos de los ejemplos 4 y 5.

Suavización Exponencial con Ajustes de Tendencia
Como la suavización exponencial es un enfoque tan común en los negocios, se estudiara con mayor detalle. A continuación
se presenta la razón por la que suavización exponencial debe modificarse cuando está presente una tendencia. Suponga que
la demanda de un producto o servicio ha venido aumentando 100 unidades cada mes y que se han obtenido pronosticar con
α = 0.4 con el modelo de suavización exponencial. L atabla siguiente muestra un retraso considerable en los meses 2, 3,4 y 5
aun cuando nuestra estimación inicial para el mes 1 es perfecta.

Para mejorar el pronóstico, se ilustra un modelo de suavización exponencial más complejo, uno que hace ajustes de
tendencia. La idea es calcular un promedio suavizado de manera exponencial de los datos y después ajustar el retraso
positivo o negativo encontrado en la tendencia. La nueva fórmula es:

𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜 𝑖𝑛𝑐𝑙𝑢𝑦𝑒𝑛𝑑𝑜 𝑙𝑎 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝐹𝐼𝑇

= 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜 𝑠𝑢𝑎𝑣𝑖𝑧𝑎𝑑𝑜 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙𝑚𝑒𝑛𝑡𝑒( 𝐹 + 𝑇𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝑠𝑢𝑎𝑣𝑖𝑧𝑎𝑑𝑎 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙𝑚𝑒𝑛𝑡𝑒(𝑇𝑡)
 𝐹𝑡 =∝ 𝐴𝑡−1 + (1 −∝)(𝐹𝑡−1 + 𝑇𝑡−1 )
O bien:

𝑇𝑡 = 𝛽 𝐹𝑡 − 𝐹𝑡−1 + (1 − 𝛽)𝑇𝑡−1

Donde:
𝐹𝑡 = pronostico suavizado exponencialmente de la serie de datos incluidos en el periodo t
𝑇𝑡 = tendencia suavizada exponencialmente para el periodo t
𝐴𝑡 = demanda real en el periodo t
Α = constante de suavización para el promedio (0≤α≥1)
Β= constante de suavización para la tendencia (0≤β≥1)

Los tres pasos para calcular el pronóstico con ajuste a tendencia son:
Paso 1: calcule 𝐹𝑡 el pronóstico suavizado exponencialmente de la serie de datos incluidos en el
periodo t
Paso 2: calcula la tendencia suavizada 𝑇𝑡
Paso 3: calcule el pronóstico incluyendo la tendencia FIT mediante la fórmula FIT = 𝐹𝑇 + 𝑇𝑡

En el ejemplo 7 se muestra cómo aplicar el suavizamiento exponencial con ajuste de la tendencia.

 Proyecciones de Tendencia
Esta técnica ajusta una recta de tendencia a una serie de datos puntuales históricos, y después proyecta dicha recta al
futuro para obtener los pronósticos de mediano y largo plazo, se pueden desarrollar varias actuaciones matemáticas.

Una recta de mínimos cuadrados se describe en términos de su intersección con el eje y la altura cruza al eje y su
cambio esperado (pendiente) si se calcula la intersección con el eje y la pendiente, se puede expresar la recta con la
siguiente ecuación:
𝑦ො = 𝑎 + 𝑏𝑥
Donde:
𝑦ො = valor calculado de la variable que debe predecirse (llamada variable dependiente)
a = intersección con el eje y
b = pendiente de la recta de regresión (o la tasa de cambio en y para los cambios dados en x)
x= variable independiente (que en este caso es el tiempo)

Los estadísticos han desarrollado ecuaciones que se utilizan para encontrar los valores de a y b para cualquier recta de
regresión. La pendiente b se encuentra mediante:
∑ 𝑥𝑦 − 𝑛𝑥ҧ 𝑦ത
𝑏=
∑ 𝑥 2 − 𝑛𝑥ҧ 2
La intersección con el eje y, a puede calcularse como:
a = 𝑦ത − 𝑏𝑥ҧ
En el ejemplo 8 se muestra como aplicar estos conceptos.
Variaciones estacionales en los datos
Las variaciones estacionales en los datos son movimientos regulares ascendentes localizados en una
serie de tiempo y que se relacionan con acontecimientos recurrentes como el clima las variaciones.

En lo que denomina modelo estacional multiplicativo, los factores estacionales multiplican por una
estimación de la demanda promedio para producir un pronóstico estacional. A continuación se
presentan los pasos que seguiría una compañía que tiene “estacionalidad” de un mes

1. Encontrar la demanda histórica promedio de cada estación (o en este caso9 sumando la

demanda medida en ese mes de cada año y dividiéndola entre el número de años con datos
disponibles.

2. Calcular la demanda promedio de todos los mese dividiendo el promedio total de la demanda
anual entre el número de estaciones

3. Calcular un índice estacional para cada estación dividiendo la demanda histórica real de ese mes
entre la demanda promedio de todos los meses.

4. Estimar la demanda total anual para el siguiente año

5. Dividir esta estimación de la demanda total anual entre el número de estaciones, después
multiplicarla por el índice estacional para ese mes esto proporciona el pronóstico estacional.

En el ejemplo 9 ilustra este procedimiento y calcula los factores estacionales a partir de los datos históricos.
APLICACIÓN DE TENDENCIA E ÍNDICES ESTACIONALES

Por simplicidad, en el ejemplo anterior sólo se usaron 3 periodos para cada índice mensual.
En el ejemplo 10 se ilustra la forma en que los índices ya preparados pueden aplicarse para
ajustar los pronósticos de la recta de tendencia a la estacionalidad.

AJUSTE DE DATOS DE TENDENCIA CON ÍNDICES ESTACIONALES

En el ejemplo 11 ilustra con detalle la estacionalidad detectada en los datos trimestrales de una tienda
departamental.
3. MÉTODOS ASOCIATIVOS DE PRONÓSTICOS
Análisis de regresión y correlación

Los modelos de pronósticos asociativos casi siempre consideran varias variables relacionadas con la
cantidad que se desea predecir. Luego se construye un modelo estadístico que se usa para pronosticar
el elemento de interés.

Uso del análisis de regresión para pronosticar

Para un análisis de regresión lineal se puede usar el mismo modelo matemático empleado con el
método de mínimos cuadrados para efectuar la proyección de tendencias. Las variables dependientes
que deseamos pronosticar seguirán siendo “y” pero la variable independiente, x, ya no necesita ser el
tiempo usamos la ecuación

𝑦ො = 𝑎 + 𝑏𝑥
Donde:
𝑦ෝ = valor de la variable dependiente
a = intersección con el eje y
b = pendiente de la recta de regresión
x = variable independiente

En el ejemplo 12 se muestra cómo usar la regresión lineal.

Error estándar de la estimación
El pronóstico de ventas para Nodel de 3 250 000 dólares determinado. Se conoce como
estimación puntual de Y, la estimación puntual es en realidad la media, o el valor esperado. De
una distribución de valores posibles de ventas.

∑ 𝑦 − 𝑦𝑐 2
𝑆𝑦,𝑥 =
𝑛−2
Donde:
𝑦 = valor de y de cada dato puntual
𝑦𝑐 = valor calculado de la variable independiente, a partir de la ecuación de regresión
𝑛 = número de puntos de datos
GRAFICA 6: Distribución
alrededor de la
estimación puntual de
3.5 millones de dólares
en ventas.

La ecuación (m) puede parecerse más complicada, pero de hecho hay una versión fácil de usar de la
ecuación ambas fórmulas proporcionan la misma respuesta y son útiles para establecer intervalos de
predicción alrededor de la estimación puntual.

∑ 𝑦 2 − 𝑎 ∑ 𝑦 − 𝑏 ∑ 𝑥𝑦
𝑆𝑦,𝑥 =
𝑛−2

En el ejemplo 13 se muestra como podría calcularse el error estándar de la estimación del ejemplo 12.
Coeficiente de correlación para rectas de regresión

Es una forma de expresar la naturaleza de la relación que hay entre dos variables. La ecuación
de regresión muestra la forma en la que una variable se relaciona con el valor y los cambios
de otra variable.
Otra forma de evaluar la relación entre dos variables consiste en calcular el coeficiente de
correlación. Esta medida expresa el grado o la fuerza de la relación lineal (tome en cuenta que
la correlación no implica necesariamente casualidad) por lo general identificada como r, el
coeficiente de correlación puede ser cualquier número entre +1 y -1.
Para calcular r, usamos casi los mismos datos necesarios para calcular a y b en la recta de
regresión la ecuación para r es bastante más larga y es
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑟=
𝑛 ∑ 𝑥2 − ∑ 𝑥 2 𝑛 ∑ 𝑦2 − ∑ 𝑦 2

En el ejemplo 14 se muestra como calcular el coeficiente de correlación para los datos dados
en los ejemplos 12 y 13.
Análisis de regresión múltiple

Es una extensión práctica del modelo de regresión que acabamos de ver, nos permite
Construir un modelo con varias variables independientes, la ecuación propia seria:

𝑦ො = 𝑎 + 𝑥1 𝑏1 + 𝑏2 𝑥2 ..…(i)

Dónde:

𝑦 = variable dependiente, ventas

𝑎 = una constante, la intersección

𝑥1 𝑦 𝑥2 = valores de la dos variables independientes, nómina del área y tasas de interés

respectivamente

𝑏1 𝑦 𝑏2 = coeficiente de las dos variables independientes

El ejemplo 15 muestra como interpretar la ecuación en (i) para el pronóstico de las ventas de Nodel.
4. MONITOREO Y CONTROL DE PRONÓSTICOS
Una manera de supervisar los pronósticos para asegurar que sean buenos es emplear una señal de control.
Una señal de control es una medida de qué tan bien predicen los pronósticos los valores reales.
Conforme los pronósticos se actualizan semanal, mensual o trimestralmente, los nuevos datos disponibles de la
demanda se compraran con los valores pronosticados.

𝑅𝑆𝐹𝐸 ∑(𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑟𝑒𝑎𝑙 𝑑𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑖 − 𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑎𝑑𝑎 𝑑𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑖)

𝑠𝑒ñ𝑎𝑙 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 = =
𝑀𝐴𝐷 𝑀𝐴𝐷

Donde:
∑ 𝑅𝑒𝑎𝑙 − 𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜
𝑀𝐴𝐷 =
𝑛

En el ejemplo 16 se muestra la forma de calcular la señal de control y la RSFE.

Suavización adaptable

Un enfoque del pronostico de suavización exponencial en el cual constante de suavización se

modifica de manera automática para mantener los errores a un nivel mínimo

Pronostico enfocado

Pronostico que aprueba una variedad de modelos computarizados y selecciona el mejor para una
aplicación en particular.
5. PRONÓSTICOS EN EL SECTOR SERVICIOS

Los pronósticos en el sector servicios mantienen registros de sus ventas con notas que refieren no solo el
día de la semana sino también los acontecimientos inusuales, como el clima, con el objetivo de identificar
los patrones y correlaciones que influyen para que la demanda pueda desarrollarse.

Ejemplo :

Servicio a cliente de FedEx

• El departamento de pronósticos y modelado de FedEx realiza varios pronósticos diferentes. Los modelos
a uno y cinco años predicen el numero de llamadas, el tiempo promedio de atención, y las necesidades
del personal. Dividen los pronósticos en días de semana, sábado y domingo, y después usan el método
Delphi y análisis de series de tiempo
• Los pronósticos tácticos de FedFEx son mensuales y utilizan datos diarios históricos de los últimos 8
años. Este modelo de series de tiempo aborda el mes, el día de la semana y el días del mes para
predecir el volumen de clientes