Recibido 24-03-2015, aceptado 25-06-2015, versión final 28-06-2015.Artículo Investigación RESUMEN: La industria usualmente requiere mejores técnicas que permitan elaborar buenos planes de producción. En presencia de pocos datos históricos, pueden presentarse dificultades en el cumplimiento de premisas teóricas. En este artículo se presenta una comparación a partir de un estudio de simulación, disenado en el programa R con el propósito de realizar la elección del mejor modelo: Regresión lineal bayesiana con distribución a priori normal, modelo lineal dinámico bayesiano, modelo ARIMA y modelo de suavización exponencial, con base en el criterio Mean Absolute Percentage Error (MAPE) de pronóstico y para ello se simulan diferentes esquemas de datos que reflejan comportamientos de demandas con y sin distribución normal. De las simulaciones se encuentran casos en que se prefiere la estimación bayesiana, en lugar de la clásica. Se encuentra que los modelos bayesianos estudiados tienen un alto potencial para realizar predicciones, sobre todo para los datos que no se comportan con una distribución normal, siendo más precisos que los otros modelos clásicos comparados, además son más robustos a premisas teóricas y se pueden utilizar con pocos datos históricos.PALABRAS CLAVE: Pronósticos, métodos bayesianos, distribución predictiva.
ABSTRACT:Comparisons between forecast models are necessary for decision making in industry, especially for demand prediction. In the presence of few historical data, there could be difficulties in the compliance of theoretical premises. In this paper, a comparison is presented designed in R program, using