You are on page 1of 46

1

Métodos de Pronósticos
Esteban Sefair V.
Atilio Menichetti C.
¿Qué son los pronósticos?
 “Arte y ciencia” de predecir acontecimientos futuros.
 Base de todas las decisiones empresariales:
 Producción.
 Inventario.
 Personal.
 Instalaciones.
“Pronosticar es como manejar con los ojos cerrados
siguiendo las instrucciones de alguien que va sentado
mirando por el vidrio de atrás”
2
Pronósticos y Planificación Empresarial
INSUMOS
Condiciones del mercado
Panorama económico
Otros factores
Métodos o modelos
de pronóstico
RESULTADOS
Demanda estimada para cada
producto en cada período de tiempo
PRONÓSTICO DE VENTAS
Pronóstico de la demanda para cada
producto en cada período de tiempo
ESTRATEGIA EMPRESARIA
Marketing
Producción
Finanzas
Largo Plazo
Capacidad fabricas
Capital
Instalaciones
Otros
Mediano Plazo
Trabajadores
Materiales
Inventarios
Otros
Corto Plazo
Mano de obra
Capacidad maquinas
Efectivo
Otros
Pronóstico de Recursos de la Producción
Equipo de
Administración
Errores de pronósticos
/ retroalimentación
Etapas en el sistema de pronósticos
Determinar la utilización del pronóstico.
Seleccionar los “artículos” en los que se va a realizar el
pronóstico.
Determinar el horizonte temporal del pronóstico.
Seleccionar el (los) modelo (s) de pronóstico.
Recogida de datos.
Realizar el pronóstico.
Validar e implementar los resultados.
3
Realidades sobre los pronósticos
Raras veces los pronósticos son perfectos.
La mayoría de las técnicas de pronóstico asumen que
existe cierta estabilidad sostenida en el sistema.
Tanto las predicciones de familias de productos como
las predicciones en conjunto son más precisas que los
pronósticos de productos individuales.
Siempre que se pueda, es útil relacionar el pronóstico
con alguna variable macroeconómica
Demanda de un producto representada en un periodo de 4
años con tendencia de crecimiento y estacionalidad
Primer
año
Segundo
año
Tercer
año
Cuarto
año
Picks estacionales Componente de tendencia
Línea de demanda
actual
Demanda media en
cuatro años
D
e
m
a
n
d
a

d
e
l

p
r
o
d
u
c
t
o

o

s
e
r
v
i
c
i
o
Variación
aleatoria
4
Tipos de pronósticos
Se utilizan cuando la situación es
“estable” y existen datos
“históricos”:
 Productos existentes.
 Tecnología actual.
Requieren técnicas matemáticas:
 Por ejemplo, el pronóstico de
las ventas de vacunas
antigripales.
Medias móviles, Alisado
exponencial, Proyección de
tendencia, Regresión lineal, ARIMA.
Métodos cuantitativos
Se emplean cuando la situación no
es clara y existen pocos datos
 Productos nuevos.
 Nueva tecnología.
Requieren intuición y experiencia:
 Por ejemplo, pronóstico de
ventas a través de Internet.
Opinión de expertos, Propuestas
Personal Comercial, Método
Delphi, Estudios de mercado.
Métodos cualitativos
Métodos Cualitativos
 Requiere un pequeño grupo de directivos:
El grupo establece una estimación conjunta de la demanda.
 Combina la experiencia directiva con modelos estadísticos.
 Es bastante rápido.
 Desventaja del “pensamiento en grupo” o individual si se realiza
“opinión del gerente”.
Opinión de Expertos
Propuestas Personal Comercial
 Cada vendedor estima las ventas que hará.
 Se combinan con los pronósticos a niveles de zonas y regiones con
los nacionales.
 El representante de ventas conoce las necesidades de los
consumidores.
 Tiende a ser bastante optimista o pesimista
5
Método Delphi
 Proceso de grupo iterativo.
 Tres tipos de participantes:
 Los que toman decisiones.
 El personal de plantilla.
 Los que responden.
 Reduce el “pensamiento en grupo”.
Estudios de mercado
 Preguntar a los consumidores sobre sus futuros planes de
compra.
 Lo que dicen los consumidores y lo que hacen suele diferir.
 A veces es difícil contestar a las preguntas del estudio.
Métodos cuantitativos
Pronóstico
cuantitativo
Regresión
lineal
Modelos
asociativos
Alisado
exponencial
Media
móvil
Modelos de series
temporales
Proyección
de tendencia
6
Es una secuencia de datos uniformemente espaciada
– Se obtiene observando las variables en periodos de tiempo regulares.
Se trata de un pronóstico basado en los datos pasados
– Supone que los factores que han influido en el pasado lo sigan
haciendo en el futuro.
Ejemplo:
Año: 1993 1994 1995 1996 1997
Ventas: 78,7 63,5 89,7 93,2 92,1
¿Qué son las series temporales?
Tendencia
Estacionalidad
Ciclos
Variaciones
aleatorias
Descomposición de una serie temporal
7
• Es el movimiento gradual de ascenso o descenso de los
datos a lo largo del tiempo.
• Los cambios en la población, ingresos, etc. influyen en la
tendencia.
• Varios años de duración.
Mes, trimestre, año
Respuesta
Tendencia
• Muestra de datos de ascenso o descenso que se repite.
• Se puede ver afectada por la climatología, las
costumbres, etc.
• Se produce dentro de un periodo anual.
Mes, trimestre, año
Respuesta
Verano
Estacionalidad
8
• Movimientos de ascenso o descenso que se repiten.
• Se pueden ver afectados por interacciones de factores que
influyen en la economía.
• Suelen durar de 2 a 10 años.
Mes, trimestre, año
Respuesta
Ciclo

Ciclos
• Son “saltos” en los datos causados por el azar y
situaciones inusuales.
• Son debidas a variaciones aleatorias o a situaciones
imprevistas:
– Huelga.
– Tornado.
• Son de corta duración y no se repiten.
Variaciones aleatorias
9
 Cualquier valor que aparezca en una serie temporal es la
multiplicación (o suma) de los componentes de la serie
temporal.
 Modelo multiplicativo:
 Y
i
= T
i
x S
i
x C
i
x R
i
(si los datos son mensuales o trimestrales).
 Modelo aditivo:
 Y
i
= T
i
+ S
i
+ C
i
+ R
i
(si los datos son mensuales o trimestrales).
Modelos de series temporales
 Las medias móviles son una serie de operaciones aritméticas.
 Se utilizan si no hay tendencia o si ésta es escasa.
 Se suelen utilizar para el alisado:
 Proporciona una impresión general de los datos a lo largo del
tiempo.
 Ecuación:
MM
n
n
=
¿
demanda de periodos previos
Medias móviles
Usted es el director de una tienda de un museo que vende réplicas. Quiere
predecir las ventas del año 2000 mediante una media móvil de 3 años.
1995 4
1996 6
1997 5
1998 3
1999 7
Ejemplo de media móvil
10
Solución de la media móvil
Año Respuesta
Y
i

Media
móvil total
(n=3)
Media móvil
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3 = 5
1999 7
2000 ND

Solución de la media móvil
Año Respuesta
Y
i
Media
móvil total
(n=3)
Media móvil
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3 = 5
1999 7 6+5+3=14 14/3=4 2/3
2000 ND
11
Solución de la media móvil
Año Respuesta
Y
i
Media
móvil total
(n=3)
Media móvil
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3=5,0
1999 7 6+5+3=14 14/3=4,7
2000 ND 5+3+7=15 15/3=5,0
 Se utiliza cuando se presenta una tendencia:
 Los datos anteriores suelen carecer de importancia.
 Las ponderaciones se basan en la intuición:
 Suelen estar entre 0 y 1 y a la suma de 1,0.
 Ecuación:
Media móvil
ponderada
Σ (ponderación para el periodo n) (demanda en el periodo n)
Σ ponderaciones
Método de la media móvil ponderada
=
12
Demanda actual, media móvil y media móvil ponderada
0
5
10
15
20
25
30
35
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic
Mes
D
e
m
a
n
d
a

d
e

v
e
n
t
a
s
Ventas reales
Media móvil
Media móvil ponderada
Problemas de los métodos de media móvil
• Al aumentar n, las previsiones son menos sensibles a
los cambios.
• No es posible predecir bien la tendencia.
• Se necesitan muchos datos históricos.
13
 Es una técnica de pronóstico de media móvil ponderada:
 Las ponderaciones disminuyen exponencialmente.
 Se ponderan más los datos más recientes.
 Se necesita una constante de alisado (o):
 Toma valores entre 0 y 1.
 Se escoge de forma subjetiva.
 Necesita una cantidad reducida de datos históricos.
Alisado exponencial
 F
t
= oA
t - 1
+ o(1- o)A
t - 2
+ o(1- o)
2
·A
t - 3
+ o(1- o)
3
A
t - 4
+ ... + o(1- o)
t-1
·A
0
 F
t
= Valor del pronóstico
 A
t
= Valor real
 o = Constante de alisado
 F
t
= F
t-1
+ o(A
t-1
- F
t-1
)
 Se utiliza para calcular el pronóstico.
Usted está organizando una reunión de su circulo profesional. Desea
predecir el número de personas que asistirán en el año 2006
mediante el alisado exponencial (o = 0,10). El pronóstico para 2001
fue de 175.
2001 180
2002 168
2003 159
2004 175
2005 190
Ejemplo de alisado exponencial
14
F
t
= F
t-1
+ o· (A
t-1
- F
t-1
)
Año Real
pronóstico, F
t
(α = 0,10)
2001 180 175,00 (Dado)
2002 168
2003 159
2004 175
2005 190
2006 ND
175,00 +
Solución del alisado exponencial
F
t
= F
t-1
+ o · (A
t-1
- F
t-1
)
Año Real
pronóstico, F
t
(α = 0,10)
180 175,00 (Dado)
168 175,00 + 0,10(
159
175
190
ND
2001
2002
2003
2004
2005
2006
Solución del alisado exponencial
15
F
t
= F
t-1
+ o · (A
t-1
- F
t-1
)
Año Real
pronóstico, F
t
(α = 0,10)
180 175,00 (Dado)
168 175,00 + 0,10(180 -
159
175
190
ND
2001
2002
2003
2004
2005
2006
Solución del alisado exponencial
F
t
= F
t-1
+ o · (A
t-1
- F
t-1
)
Año Real
pronóstico, F
t
(α = 0,10)
180 175,00 (Dado)
168 175,00 + 0,10(180 - 175,00)
159
175
190
ND
2001
2002
2003
2004
2005
2006
Solución del alisado exponencial
16
F
t
= F
t-1
+ o · (A
t-1
- F
t-1
)
Año Real
pronóstico, F
t
(α = 0,10)
180 175,00 (Dado)
168 175,00 + 0,10 (180 - 175,00) = 175,50
159
175
190
ND
2001
2002
2003
2004
2005
2006
Solución del alisado exponencial
F
t
= F
t-1
+ o · (A
t-1
- F
t-1
)
Año Real
pronóstico, F
t
(α = 0,10)
180 175,00 (Dado)
168 175,00 + 0,10(180 - 175,00) = 175,50
159 175,50 + 0,10(168 - 175,50) = 174,75
175
190
ND
2001
2002
2003
2004
2005
2006
Solución del alisado exponencial
17
F
t
= F
t-1
+ o · (A
t-1
- F
t-1
)
Año Real
pronóstico, F
t
(α = 0,10)
180 175,00 (Dado)
168 175,00 + 0,10(180 - 175,00) = 175,50
159 175,50 + 0,10(168 - 175,50) = 174,75
175
190
ND
174,75 + 0,10(159 - 174,75)= 173,18
2001
2002
2003
2004
2005
2006
Solución del alisado exponencial
F
t
= F
t-1
+ o · (A
t-1
- F
t-1
)
Año Real
pronóstico, F
t
(α = 0,10)
180 175,00 (Dado)
168 175,00 + 0,10(180 - 175,00) = 175,50
159 175,50 + 0,10(168 - 175,50) = 174,75
175 174,75 + 0,10(159 - 174,75) = 173,18
190 173,18 + 0,10(175 - 173,18) = 173,36
ND
2001
2002
2003
2004
2005
2006
Solución del alisado exponencial
18
F
t
= F
t-1
+ o · (A
t-1
- F
t-1
)
Año Real
pronóstico, F
t
(α = 0,10)
180 175,00 (Dado)
168 175,00 + 0,10(180 - 175,00) = 175,50
159 175,50 + 0,10(168 - 175,50) = 174,75
175 174,75 + 0,10(159 - 174,75) = 173,18
190 173,18 + 0,10(175 - 173,18) = 173,36
ND 173,36 + 0,10(190 - 173,36) = 175,02
2001
2002
2003
2004
2005
2006
Solución del alisado exponencial
F
t
= o A
t - 1
+ o(1- o)A
t - 2
+ o(1- o)
2
A
t - 3
+ ...
Efectos en el pronóstico de la constante de
alisado o
Ponderaciones
Periodo anterior
o
Hace 2 periodos
o(1 - o)
Hace 3 periodos
o(1 - o)
2
o=
o= 0,10
o= 0,90
10%
19
F
t
= o A
t - 1
+ o(1- o) A
t - 2
+ o(1- o)
2
A
t - 3
+ ...
Periodo anterior
o
Hace 2 periodos
o(1 - o)
Hace 3 periodos
o(1 - o)
2
o=
o= 0,10
o= 0,90
10% 9%
Ponderaciones
Efectos en el pronóstico de la constante de
alisado o
F
t
= o A
t - 1
+ o(1- o)A
t - 2
+ o(1- o)
2
A
t - 3
+ ...
Ponderaciones
Periodo anterior
o
Hace 2 periodos
o(1 - o)
Hace 3 periodos
o(1 - o)
2
o=
o= 0,10
o= 0,90
10% 9% 8,1%
Efectos en el pronóstico de la constante de
alisado o
20
F
t
= o A
t - 1
+ o(1- o)A
t - 2
+ o(1- o)
2
A
t - 3
+ ...
Ponderaciones
Periodo anterior
o
Hace 2 periodos
o(1 - o)
Hace 3 periodos
o(1 - o)
2
o=
o= 0,10
o= 0,90
10% 9% 8,1%
90%
Efectos en el pronóstico de la constante de
alisado o
F
t
= o A
t - 1
+ o(1- o) A
t - 2
+ o(1- o)
2
A
t - 3
+ ...
Ponderaciones
Periodo anterior
o
Hace 2 periodos
o(1 - o)
Hace 3 periodos
o(1 - o)
2
o=
o= 0,10
o= 0,90
10% 9% 8,1%
90% 9%
Efectos en el pronóstico de la constante de
alisado o
21
F
t
= o A
t - 1
+ o(1- o) A
t - 2
+ o(1- o)
2
A
t - 3
+ ...
Ponderaciones
Periodo anterior
o
Hace 2 periodos
o(1 - o)
Hace 3 periodos
o(1 - o)
2
o=
o= 0,10
o= 0,90
10% 9% 8,1%
90% 9% 0,9%
Efectos en el pronóstico de la constante de
alisado o
Si se selecciona o
Trate de minimizar la desviación absoluta media (DAM)
Si: Error de pronóstico = demanda - pronóstico
Entonces:
n
errores de pronóstico
¿
=
DAM
22
Alisado exponencial con ajuste de tendencia
Pronóstico incluyendo la tendencia (PIT
t
)
= pronóstico alisado exponencialmente (F
t
)
+ tendencia alisada exponencialmente (T
t
)
F
t
= o (demanda real del último periodo) + (1- o)(pronóstico del último periodo
+ tendencia estimada del último periodo)
o
F
t
= o(A
t-1
) + (1- o)(F
t-1
+ T
t-1)
T
t
= | (pronóstico de este periodo - pronóstico del último periodo)
+ (1- |)(tendencia estimada del último periodo)
o
T
t
= |(F
t
- F
t-1
) + (1- |)T
t-1
Comparación de pronósticos
0
5
10
15
20
25
30
35
40
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep.
Mes
D
e
m
a
n
d
a

d
e
l

p
r
o
d
u
c
t
o
Demanda real
Alisado exponencial
Alisado exponencial con ajuste de
Tendencia
23
Método de mínimos cuadrados
Desviación
Desviación
Desviación
Desviación
Desviación
Desviación
Desviación
Periodo de tiempo
V
a
l
o
r
e
s

d
e

l
a

v
a
r
i
a
b
l
e

d
e
p
e
n
d
i
e
n
t
e

bx a Y + =
ˆ
Observación
real
Punto en la
línea de
tendencia
Demanda real y línea de tendencia
0
20
40
60
80
100
120
140
160
180
0 2 4 6 8 10
Período de tiempo
D
e
m
a
n
d
a
Demanda real
Y = 56,70+ 10,54X
24
 Se usa para prever la línea de tendencia lineal.
 Supone una relación entre la variable de respuesta, Y, y el
periodo de tiempo, X, que es una función lineal:
 Se calcula mediante el método de los mínimos cuadrados:
 Minimiza la suma de errores cuadráticos.
Análisis de regresión lineal

Y a bX
i i
= +
b > 0
b < 0
a
a
Y
Tiempo,
X
Modelo del análisis de regresión lineal
25
Periodo de tiempo
Ventas
0
1
2
3
4
92 93 94 95 96
Ventas frente a tiempo
Diagrama de dispersión
• Pendiente (b):
– El cálculo de Y varía en b cada unidad extra en X.
• Si b = 2, entonces las ventas (Y) aumentarán en 2 por cada
unidad extra en publicidad (X).
• Corte con el eje Y (a):
– Valor medio de Y cuando X = 0.
• Si a = 4, entonces las ventas medias (Y) serán de 4 cuando la
publicidad (X) sea 0.
Interpretación de los coeficientes
26
Ecuaciones de mínimos cuadrados
Ecuación:
i i
bx a Y
ˆ
+ =
Pendiente:
2 2
1
1
x n x
y x n y x
b
i
n
i
i i
n
i
÷ ¿
÷ ¿
=
=
=
Corte con el eje Y:
x b y a ÷ =
X
i
Y
i
X
i
2
Y
i
2
X
i
Y
i
X
1
Y
1
X
1
2
Y
1
2
X
1
Y
1
X
2
Y
2
X
2
2
Y
2
2
X
2
Y
2
: : : : :
X
n
Y
n
X
n
2
Y
n
2
X
n
Y
n
ΣX
i
ΣY
i
ΣX
i
2
ΣY
i
2
ΣX
i
Y
i
Tabla de cálculo
27
Ejemplo de análisis de regresión lineal
Usted es el analista de marketing de Hasbro Toys.
Recoge los siguientes datos:
Año Ventas (miles de unidades)
1995 1
1996 1
1997 2
1998 2
1999 4
¿Cuál es la ecuación de la tendencia?
Modelo de previsión del análisis de regresión lineal
Usted está realizando el análisis de marketing de
Hasbro Toys. Al utilizar años codificados, halla que Y
i
= -0,1 + 0,7X
i
.
Año Ventas (Miles de Unidades)
1995 1
1996 1
1997 2
1998 2
1999 4
La previsión de ventas es de 2000 unidades.
28
Modelo estacional multiplicativo
 Encontrar la demanda histórica media para cada “estación” sumando la
demanda de esa estación cada año y dividiéndola entre el número de años
de datos disponibles.
 Calcular la demanda media a lo largo de todas las estaciones dividiendo la
demanda media total anual entre el número de estaciones.
 Calcular un índice estacional dividiendo la demanda histórica real de esa
estación (calculado en la etapa 1) entre la demanda media a lo largo de
todas las estaciones.
 Estimar la demanda anual de todo el año próximo.
 Dividir esta estimación de la demanda anual total entre el número de
estaciones y entonces multiplicarla por el índice estacional de esa estación.
Esto proporciona la previsión estacional .
Y X
i i
=
a b
• Muestra la relación lineal entre las variables dependientes e
independientes.
– Ejemplo: ventas y publicidad (sin tiempo)
Variable dependiente Variable independiente
Pendiente Corte con el eje Y
^
Modelo de regresión lineal
+
29
• Variación del Y real a partir del Y estimado.
• Se mide mediante el error estándar de la estimación:
– Muestra los errores de la desviación estándar.
– S
Y,X
• Afecta a varios factores:
– Significado del parámetro.
– Precisión de la predicción.
Variación de los errores aleatorios
Supuestos de los mínimos cuadrados
Se supone que la relación es lineal. Primero trace los datos, si
existe la curva, utilice el análisis curvilineal.
Se supone que la relación sólo se sustenta dentro o justo
fuera del campo de datos. No trate de predecir periodos de
tiempo lejanos al campo de la base de datos.
Se supone que las desviaciones que rodean a la línea de los
mínimos cuadrados son aleatorias.
30
Error estándar de la desviación
( )
2 ÷
÷ ÷
=
2 ÷
÷
=
¿ ¿ ¿
¿
1 = 1 = 1 =
2
1 =
2
n
y x b y a y

n
yˆ y
S
n
i
n
i
i i i
n
i
i
n
i
i i
x , y
Correlación
• Respuestas: „¿qué intensidad tiene la relación lineal entre las
variables?‟
• El coeficiente de correlación se identifica normalmente como r .
– Los valores varían entre -1 y +1 .
– Mide el grado de asociación.
• Se usa principalmente para comprender.
(
¸
(

¸

|
.
|

\
|
÷
(
¸
(

¸

|
.
|

\
|
÷
÷
=
¿ ¿ ¿ ¿
¿ ¿ ¿
1 =
2
1 =
2
1 =
2
1 =
2
1 = 1 = 1 =
n
i
n
i
i i
n
i
n
i
i i
n
i
n
i
n
i
i i i i
y y n x x n
y x y x n
r
31
-1,0 +1,0 0
Correlación
positiva
perfecta
Aumento de la correlación
negativa
-0,5 +0,5
Correlación
negativa perfecta
Sin correlación
Aumento de la correlación
positiva
Valores del coeficiente de correlación
r = 1 r = -1
r = 0,89 r = 0
Y
X
Y
i
= a + b X
i
^
Y
X
Y
X
Y
X
Y
i
= a + b X
i
^
Y
i
= a + b X
i
^
Y
i
= a - b X
i
^
Coeficiente de correlación y modelo de regresión
32
• Usted quiere conseguir:
– Ninguna conducta o dirección del error de previsión.
• Error = (Y
i
- Y
i
) = (Real - Previsión).
• Se observa en las representaciones de los errores a lo largo del
tiempo.
– Un error de previsión más pequeño:
• Error cuadrado medio (ECM).
• Desviación absoluta media (DAM).
Guía para elegir el modelo de previsión
^
Tiempo (años)
Error
0
Conducta deseada
Tiempo (años)
Error
0
Tendencia no totalmente
justificada
Conducta del error de previsión
33
• Error cuadrado medio (ECM):
• Desviación absoluta media (DAM):
Ecuaciones del error de previsión
n
1 i
2
i i
n
2
errores de previsión
n
) y (y
ECM
¿
=
¿ ÷
=
=
ˆ
n
| errores de previsión
|
n
| yˆ y |
DAM
n
i
i i
¿
¿
=
÷
=
1 =
Usted es el analista de marketing de Hasbro Toys. Ha previsto las
ventas con un modelo lineal y alisado exponencial. ¿Qué modelo
usará?
Ventas Previsión del Previsión del
alisado
Año reales modelo lineal exponencial (0,9)
1995 1 0,6 1,0
1996 1 1,3 1,0
1997 2 2,0 1,9
1998 2 2,7 2,0
1999 4 3,4 3,8
Ejemplo de selección del modelo de previsión
34
Año
^
Y
i
Y
i
^
1992 1 0,6 0,4 0,16 0,4
1993 1 1,3 -0,3 0,09 0,3
1994 2 2,0 0,0 0,00 0,0
1995 2 2,7 -0,7 0,49 0,7
1996 4 3,4 0,6 0,36 0,6
Total 0,0 1,10 2,0
ECM = Σ Error
2
/ n = 1,10 / 5 = 0,220
DAM = Σ |Error| / n = 2,0 / 5 = 0,400
Error Error
2
|Error|
Evaluación del modelo lineal
Year Y
i
Y
i
1995 1 1,0 0,0 0,00 0,0
1996 1 1,0 0,0 0,00 0,0
1997 2 1,9 0,1 0,01 0,1
1998 2 2,0 0,0 0,00 0,0
1999 4 3,8 0,2 0,04 0,2
Total 0,3 0,05 0,3
^
ECM = Σ Error
2
/ n = 0,05 / 5 = 0,01
DAM = Σ |Error| / n = 0,3 / 5 = 0,06
Error Error
2
|Error|
Evaluación del modelo de alisado exponencial
35
Evaluación del modelo de alisado exponencial
Modelo lineal:
ECM = Σ Error
2
/ n = 1,10 / 5 = 0,220
DAM = Σ |Error| / n = 2,0 / 5 = 0,400
Modelo de alisado exponencial:
ECM = Σ Error
2
/ n = 0,05 / 5 = 0,01
DAM = Σ |Error| / n = 0,3 / 5 = 0,06
• Mide el grado de precisión de la previsión para predecir
valores reales.
• Suma actual de los errores de previsión (SAEP) dividida entre
la desviación absoluta media (DAM):
Una buena señal de rastreo tiene valores bajos.
• Debe estar dentro de los límites de control superiores e
inferiores.
Señal de rastreo
36
Ecuación de la señal de rastreo
( )
DAM
DAM
yˆ y
DAM
SAEP
Señal de rastreo
n
i
i i
¿
¿
=
÷
=
=
1 =
errores de previsión
Demanda
Error SAEP Error DAM SR
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
Cálculo de la señal de rastreo
prevista
Demanda
real
absoluto
|Error|
acumulado
Trim.
37
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10
Error = Real - Previsión
= 90 - 100 = -10
Demanda Error
SAEP Error
DAM SR
prevista
Demanda
real
absoluto acumulado
Trim.
|Error|
Cálculo de la señal de rastreo
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10
SAEP = E Errores
= ND + (-10) = -10
Trim. Demanda
Error SAEP Error DAM SR
prevista
Demanda
real
absoluto
|Error|
acumulado
Cálculo de la señal de rastreo
38
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10
Error absoluto = |Error|
= |-10| = 10
Trim.
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real
absoluto
|Error|
acumulado
Cálculo de la señal de rastreo
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10 10
|Error| acumulado = E |Errores|
= NA + 10 = 10
Trim.
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real
absoluto
|Error|
acumulado
Cálculo de la señal de rastreo
39
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10 10 10,0
DAM = E |Errores|/n
= 10/1 = 10
Trim. Demanda
Error SAEP Error DAM SR
prevista
Demanda
real
absoluto
|Error|
acumulado
Cálculo de la señal de rastreo
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10 10 10,0 -1
SR = SAEP/DAM
= -10/10 = -1
Trim. Demanda
Error SAEP Error DAM SR
prevista
Demanda
real
absoluto
|Error|
acumulado
Cálculo de la señal de rastreo
40
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10 10 10,0 -1
-5
Error = Real - Previsión
= 95 - 100 = -5
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real absoluto acumulado
|Error|
Trim.
Cálculo de la señal de rastreo
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10 10 10,0 -1
-5 -15
SAEP = E Errores
= (-10) + (-5) = -15
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real absoluto
acumulado
|Error|
Trim.
Cálculo de la señal de rastreo
41
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10 10 10,0 -1
-5 -15 5
Error absoluto = |Error|
= |-5| = 5
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real absoluto acumulado
Trim. |Error|
Cálculo de la señal de rastreo
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10 10 10,0 -1
-5 -15 5 15
Error acumulado = E |Errores|
= 10 + 5 = 15
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real absoluto acumulado
|Error|
Trim.
Cálculo de la señal de rastreo
42
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10 10 10,0 -1
-5 -15 5 15 7,5
DAM = E |Errores|/n
= 15/2 = 7,5
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real absoluto acumulado
Trim.
|Error|
Cálculo de la señal de rastreo
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
-10 -10 10 10 10,0 -1
-5 -15 5 15 7,5 -2
SR = SAEP/DAM
= -15/7,5 = -2
Demanda
Error SAEP Error DAM SR
prevista
Demanda
real absoluto acumulado
|Error|
Trim.
Cálculo de la señal de rastreo
43
Representación de una señal de rastreo
Tiempo
Límite de control inferior
Límite de control superior
Señal que supera el límite
Señal de rastreo
Intervalo aceptable
+
0
-
Señales de rastreo
0
20
40
60
80
100
120
140
160
0 1 2 3 4 5 6 7
Tiempo
D
e
m
a
n
d
a

r
e
a
l
-3
-2
-1
0
1
2
3
S
e
ñ
a
l

d
e

r
a
s
t
r
e
o
Señal de rastreo
Previsión
Demanda real
44
Pronóstico en el sector servicios
Presenta algunas complicaciones:
Especial necesidad de datos a corto plazo.
Las necesidades varían mucho en función de la industria y del
producto.
Vacaciones y calendario.
Eventos poco comunes.
0
5
10
15
20
+11-12 +1-2 +3-4 +5-6 +7-8 +9-10 11-12 12-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10 10-11
Ventas por Hora en
un fast food
Modelos Avanzados de Análisis de Series
AR(p) modelos Auto Regresivos
MA(q) modelos de medias móviles
ARMA (pq) modelos auto regresivos de medias móviles
Modelo de Winter
ARIMA (p,d,q) modelos auto regresivos integrado de medias móviles
VARMA modelos multivariados
ARMAX modelos con variable explicativa
ARCH modelos auto regresivos condicionales heteroscedásticos
GARCH modelos ARCH generalizados
p número de parámetros auto regresivos
q largo de la media móvil
d número de diferenciaciones
Ruido blanco término no correlacionado con el pasado, esperanza cero.
45
ARIMA Auto Regresive Integrated Moved Average
Promedio Móvil Integrado Auto regresivo
También se lo conoce como método de Box-Jenkins
Es un método muy complejo para resolver manualmente,
pero existen una serie de aplicaciones para trabajar con el
Es muy útil para resolver problemas con fuertes variaciones
estacionales
Su aplicación requiere de al menos 50 periodos históricos
Suavizamiento Exponencial para las salidas nacionales en el Aeropuerto Merino Benítez
46
Consumo de gas licuado envasado, Reg Metrop
Mes
T
o
n
5000
10000
15000
20000
25000
30000
35000
40000
45000
50000
5000
10000
15000
20000
25000
30000
35000
40000
45000
50000
E
n
e
-
8
7
J
u
l
E
n
e
-
8
8
J
u
l
E
n
e
-
8
9
J
u
l
E
n
e
-
9
0
J
u
l
E
n
e
-
9
1
J
u
l
E
n
e
-
9
2
J
u
l
E
n
e
-
9
3
J
u
l
E
n
e
-
9
4
J
u
l
E
n
e
-
9
5
J
u
l
E
n
e
-
9
6
J
u
l
E
n
e
-
9
7
J
u
l
E
n
e
-
9
8
J
u
l
E
n
e
-
9
9
J
u
l
E
n
e
-
0
0
J
u
l
: Consumo Gas Licuado en la R..Metropolitana 1987-2000.