You are on page 1of 78

PRONÓSTICOS

Parte II

Elaborado por Gino Sedano Zevallos

Modelos de Pronóstico de Series de Tiempo
 Método del Ultimo Valor: Se toma como predicción
del siguiente periodo el último valor de una serie de
datos históricos.
 Método del Promedio general: Se toma como
predicción del siguiente periodo el promedio de los
valores de una serie de datos históricos.
 Método del Promedio Móvil: Es un método
intermedio entre los anteriores. Consiste en tomar
como predicción del siguiente periodo el promedio de
los valores de una porción de los últimos n valores de
una serie de datos históricos.

Promedio Móvil Simple
 Se calcula como:

t: Representa el último periodo de la serie de datos históricos.
n: Número de periodos a considerar para el promedio.
i: Cada periodo utilizado en el promedio.

 Desviación media absoluta (DMA): Es el promedio de los EA de los T-n pronósticos.Precisión de los pronósticos  Error absoluto (EAt+1): Sirve para medir el error del pronóstico respecto al valor real. donde los primeros n datos sirven para formar el primer pronóstico.  Error porcentual absoluto (EPAt+1): Sirve para medir el error porcentual del pronóstico respecto al valor real.  Error porcentual medio absoluto (EPMA): .

Métodos de Series de Tiempo Promedio Móvil Simple 450 — 430 — 410 — Demanda 390 — 370 — Demanda real | | | | | | 0 5 10 15 20 25 30 Semana .

Métodos de Series de Tiempo Promedio Móvil Simple 450 — 430 — 410 — Demanda 390 — 370 — Actual patient arrivals | | | | | | 0 5 10 15 20 25 30 Semana .

Métodos de Series de Tiempo Promedio Móvil Simple 450 — Semana Demanda 430 — 1 400 2 380 410 — 3 411 Demanda 390 — 370 — Demanda real | | | | | | 0 5 10 15 20 25 30 Semana .

Métodos de Series de Tiempo Promedio Móvil Simple 450 — Semana Demanda 430 — 1 400 2 380 410 — 3 411 Demanda 390 — 370 — Demanda Real | | | | | | 0 5 10 15 20 25 30 Semana .

Métodos de Series de Tiempo Promedio Móvil Simple 450 — Semana Demanda 1 400 430 — 2 380 3 411 410 — Demanda 390 — 411 + 380 + 400 F4 = 370 — 3 | | | | | | 0 5 10 15 20 25 30 Semana .

0 370 — | | | | | | 0 5 10 15 20 25 30 Semana .Métodos de Series de Tiempo Promedio Móvil Simple 450 — Semana Demanda 430 — 1 400 2 380 410 — 3 411 Demanda 390 — F4 = 397.

Métodos de Series de Tiempo Promedio Móvil Simple 450 — Semana Demanda 2 380 430 — 3 411 4 415 410 — Demanda 390 — 415 + 411 + 380 F5 = 370 — 3 | | | | | | 0 5 10 15 20 25 30 Semana .

Métodos de Series de Tiempo Promedio Móvil Simple 450 — Semana Demanda 2 380 430 — 3 411 4 415 410 — Demanda 390 — F5 = 402.0 370 — | | | | | | 0 5 10 15 20 25 30 Semana .

Métodos de Series de Tiempo Promedios Móviles (PM) 450 — Pronóstico PM Pronóstico PM 3 semanas 6 semanas 430 — 410 — Demanda 390 — 370 — Demanda Real | | | | | | 0 5 10 15 20 25 30 Semana .

si se programa una producción excesiva el exceso de inventarios de productos terminados generará un costo financiero excesivo. . Por el contrario. Si se programa una menor producción se tendría una menor cantidad de insumos de los necesarios para producir lo suficiente para abastecer una cierta demanda de pedidos de los mayoristas y minoristas. Esto generaría quejas. Un buen pronóstico le permitirá minimizar los costos totales y maximizar la disponibilidad del producto cuando sea requerido. penalidades por incumplimiento o probablemente busquen a otro proveedor en el futuro. y habitualmente requiere predecir las ventas que tendrá el siguiente mes para realizar la programación óptima de producción y compras de insumos.Promedio Móvil Simple  Ejercicio 1: Una embotelladora produce diferentes variedades de bebidas.

Promedio Móvil Simple  Ejercicio 1: Se tienen los siguientes datos históricos de las ventas de su bebida energizante: Mes Bebidas despachadas por mes (en miles) Enero 20 Febrero 25 Marzo 18 Abril 16 Mayo 18 Junio 14 Hacer un pronóstico de las ventas para Julio mediante el método de Promedio Móvil Simple con n=2 . 3 y 4 periodos. ¿Cuál de los 3 pronósticos le parece el mejor? .

Promedio Móvil Ponderado • Un defecto de los promedios móviles simples es que no distingue entre datos antiguos y datos nuevos. • Para corregir este problema se usa el promedio móvil ponderado que consiste en asignar pesos relativos a cada periodo. Les da la misma importancia a todos los valores dentro del grupo de n valores de la serie de datos. • El pronóstico se calcula de la siguiente manera: αi-t+n : pesos relativos de cada uno de los n periodos. Se debe cumplir que: .

2 y 9.Promedio Móvil Ponderado  Ejercicio 2: Del ejercicio anterior se tienen los siguientes datos históricos de las ventas de su bebida energizante: Mes Bebidas despachadas por mes (en miles) Enero 20 Febrero 25 Marzo 18 Abril 16 Mayo 18 Junio 14 Hacer un pronóstico de las ventas para Julio mediante el método de Promedio Móvil Ponderado con n=3 periodos. una que tiene una relación proporcional a 1. ¿Cuál de las dos combinaciones de pesos relativos cree que es la mejor? ¿Por qué? . Si tenemos dos combinaciones de pesos relativos. 2 y 3 y otra que tiene una relación proporcional a 1.

..Suavización Exponencial Simple • El problema con el promedio móvil ponderado es que se requiere seleccionar un conjunto de pesos relativos y el número de periodos a considerar. • Este consiste en un proceso iterativo de pronósticos que utiliza todos los datos de la serie de datos históricos y asigna un peso crecientemente mayor a los últimos valores de la serie. además que se pierde información de los datos mas antiguos. : Es el pronóstico realizado para el periodo anterior a t+1. • Para simplificar este proceso se emplea el método de suavización exponencial simple. • Tenemos: Donde α es el único coeficiente que define el pronóstico del siguiente periodo.

.Suavización Exponencial Simple • Si procedemos iterativamente hacia atrás obtenemos lo siguiente: • Se observa una sumatoria de todos los datos ponderados por pesos relativos que decrecen con periodos mas antiguos y en proporción al valor de α. los dos primeros periodos). • Y al igual que en el promedio móvil ponderado se cumple que: • El pronóstico inicial es un parámetro. • Puede asumirse igual al promedio de todos los datos o al promedio de los primeros periodos (por ej. • No se considera el EA ni EPA del primer pronóstico para el cálculo del DMA y EPMA.

10 410 — Ft +1 = (1. )Ft +  Dt Demanda 390 — 370 — | | | | | | 0 5 10 15 20 25 30 Semana .Métodos de Series de Tiempo Suavización Exponencial Simple 450 — Suavización Exponencial 430 —  = 0.

10 410 — Ft +1 = (1.90(390) + 0.10(400) | | | | | | 0 5 10 15 20 25 30 Semana .Métodos de Series de Tiempo Suavización Exponencial Simple 450 — Suavización Exponencial 430 —  = 0. )Ft +  Dt Demanda 390 — F1 = (400 + 380)/2 = 390 D1 = 400 370 — F2 = 0.

Métodos de Series de Tiempo Suavización Exponencial Simple 450 — Suavización Exponencial 430 —  = 0.10 410 — Ft +1 = (1. )Ft +  Dt Demanda 390 — F1 = (400 + 380)/2 = 390 D1 = 400 370 — F2 = 391 | | | | | | 0 5 10 15 20 25 30 Semana .

9 | | | | | | 0 5 10 15 20 25 30 Semana .10 410 — Ft +1 = (1. )Ft +  Dt Demanda 390 — F2 = 391 D2 = 380 370 — F2 = 391 F3 = 389.Métodos de Series de Tiempo Suavización Exponencial Simple 450 — Suavización Exponencial 430 —  = 0.

Métodos de Series de Tiempo Suavización Exponencial Simple 450 — 430 — 410 — Demanda 390 — 370 — | | | | | | 0 5 10 15 20 25 30 Semana .

Métodos de Series de Tiempo Suavización Exponencial Simple 450 — 430 — 410 — Demanda 390 — 370 — Suavización Exponencial  = 0.10 | | | | | | 0 5 10 15 20 25 30 Semana .

Métodos de Series de Tiempo Suavización Exponencial Simple 450 — Pronóstico PM Pronóstico PM 3 semanas 6 semanas 430 — 410 — Demanda 390 — 370 — Suavización Exponencial  = 0.10 | | | | | | 0 5 10 15 20 25 30 Semana .

¿Cuál de los 2 α`s cree que es mejor? ¿Por qué? .Suavización Exponencial Simple  Ejercicio 3: Del ejercicio anterior se tienen los siguientes datos históricos de las ventas de su bebida energizante: Mes Bebidas despachadas por mes (en miles) Enero 20 Febrero 25 Marzo 18 Abril 16 Mayo 18 Junio 14 Hacer un pronóstico de las ventas para Julio mediante el método de Suavización exponencial.1 .5 y α=0. Si consideramos α=0.

. por lo tanto capturan la información de valores anteriores. • En el caso de que haya tendencia la información anterior tenderá a ser menor que la información última. en tendencias positivas y mayor o igual en tendencias negativas. lo cual no es bueno.Suavización Exponencial con tendencia • Los modelos antes vistos se basan en los datos de series históricas. el pronóstico siempre tenderá a ser menor o igual al ultimo valor yt. • Para el caso de tendencias necesitamos realizar un ajuste en el modelo de suavización exponencial. • Como la suavización exponencial no es otra cosa que un tipo especial de Promedio ponderado.

Suavización Exponencial con tendencia Método Holt: •Este método permite considerar el efecto de tendencia y agregarlo al efecto dado por la suavización exponencial simple. . •Este método permite pronosticar hasta k periodos en el futuro y requiere asignar dos parámetros α y β. •Se obtiene de la siguiente manera: donde Lt es el nivel básico pronosticado y Tt representa el cambio en los valores por periodo por efecto de la tendencia.

. • Análogamente a la suavización exponencial simple tenemos como parámetros aparte de α y L1. •Usualmente se asume T1 = 0 •Otras alternativas son T1 = Promedio de todas las tendencias. a β y T1.Suavización Exponencial con tendencia Método Holt: • Observamos que el Lt considera todos los valores de los datos incluyendo un Nivel Lt-1 y una tendencia Tt-1.

Suavización Exponencial con tendencia 80 — 70 — 60 — Demanda 50 — Demanda 40 — Real 30 — | | | | | | | | | | | | | | | 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Semana .

Suavización Exponencial con tendencia 80 — Demanda 70 — 60 — Lt =  Dt + (1 – )(Lt-1 + Tt-1) Tt =  (Lt – Lt-1) + (1 – )Tt-1 Demanda 50 — 40 — 30 — | | | | | | | | | | | | | | | 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Semana .

36 | | | | | | | | | | | | | | | 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Semana .80(36 + 0) = 37.20  = 0.2(37.20 F2 = 36 + 0 = 36 30 — L2 = 0.80(0) = 0.Suavización Exponencial con tendencia 80 — Demanda 70 — 60 — Lt =  Dt + (1 – )(Lt-1 + Tt-1) Tt =  (Lt – Lt-1) + (1 – )Tt-1 Demanda 50 — L1 = (27+45)/2 = 36 T1 = 0 40 — α = 0.8-36) + 0.2(45) + 0.8 T2 = 0.

Suavización Exponencial con tendencia 80 — Demanda 70 — 60 — Lt =  Dt + (1 – )(Lt-1 + Tt-1) Tt =  (Lt – Lt-1) + (1 – )Tt-1 Demanda 50 — L1 = 36 T1 = 0 F2 = 36 + 0 = 36 40 —  = 0.8 F3 = 37.20  = 0.36 = 38.16 T2 = 0.20 30 — L2 = 37.8 + 0.36 | | | | | | | | | | | | | | | 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Semana .

80(0.2(38)+ 0.8+0.36) = 38.80(37.354 | | | | | | | | | | | | | | | 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Semana .20 30 — L3 = 0.8)+ 0.13 T3 = 0.36 40 —  = 0.8 D2 = 38 T2 = 0.2(38.Suavización Exponencial con tendencia 80 — Demanda 70 — 60 — Lt =  Dt + (1 – )(Lt-1 + Tt-1) Tt =  (Lt – Lt-1) + (1 – )Tt-1 Demanda 50 — L2 = 37.36) = 0.13-37.20  = 0.

20 30 — L3 = 38.354 = 38.36 40 —  = 0.8 D2 = 45 T2 = 0.13 F4 = 38.13 + 0.354 | | | | | | | | | | | | | | | 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Semana .20  = 0.Suavización Exponencial con tendencia 80 — Demanda 70 — 60 — Lt =  Dt + (1 – )(Lt-1 + Tt-1) Tt =  (Lt – Lt-1) + (1 – )Tt-1 Demanda 50 — L2 = 37.48 T3 = 0.

Suavización Exponencial con Pronóstico con tendencia suavización 80 — exponencial con tendencia 70 — 60 — Demanda 50 — Demanda 40 — Real 30 — | | | | | | | | | | | | | | | 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Semana .

Suavización Exponencial con tendencia  Ejercicio 4: Suponga que usted cree que hay una ligera tendencia decreciente debido a un incremento de la inflación. Se consideran dos pares de α’s y β´s diferentes. Del ejercicio anterior se tienen los siguientes datos históricos de las ventas de su bebida energizante: Mes Bebidas despachadas por mes (en miles) Enero 20 Febrero 25 Marzo 18 Abril 16 Mayo 18 Junio 14 Hacer un pronóstico de las ventas para Julio mediante el método de Suavización exponencial con tendencia.1. Se asume que ambos tienen T1=0 y L1=promedio de todos los datos. ¿Cuál pronóstico cree que es mejor? ¿Por qué? .5 y otro con α=0.5 y β=0.5 y β=0. Uno de ellos con α=0.

5 y β=0. Hacer un pronóstico de las ventas para Julio mediante el método de Suavización exponencial con tendencia. ¿Con estos nuevos datos usted cree que el pronóstico es mejor.5 y otro con α=0. Se asume que ambos tienen T1=0.5 y β=0.Suavización Exponencial con tendencia  Ejercicio 5: Si en el ejercicio anterior se obtienen datos históricos de la ventas de los últimos 6 meses del año pasado de su bebida energizante y sigue creyendo que hay una ligera tendencia decreciente.1. Se consideran dos pares de α’s y β´s diferentes. Uno de ellos con α=0. igual o peor que el anterior? ¿Por qué? .

 El patrón de estacionalidad es la repetición de características en picos y depresiones que se repiten luego de cierto tiempo que sería la duración del ciclo de estacionalidad. Por ej.Factor Estacional  El factor estacional (FE) sirve para hacer predicciones con cualquier método pero considerando la estacionalidad.  Se calcula relacionando el promedio de un periodo del ciclo con el promedio de toda la serie: FE =Promedio periodo/Promedio Total • El ajuste por estacionalidad consiste en reducir o eliminar el patrón estacional para facilitar la aplicación de otros métodos que no incorporan la estacionalidad. la duración del ciclo de estacionalidad podría ser 12 meses y cada periodo vendría a ser 1 mes en este caso. .

Factor Estacional Estacionalidad sin tendencia .

Factor Estacional Estacionalidad con tendencia Patrón multiplicativo Demanda | | | | | | | | | | | | | | | | 0 2 4 5 8 10 12 14 16 Periodo .

4. Calcular el FE para todos los periodos de un ciclo. .Graficar la serie de datos 2. 3. Observar si hay estacionalidad. En caso que haya ciclos de estacionalidad identificar la duración de cada ciclo. Se usarán los mismos FE correspondientes para todos los periodos siguientes. •Procedimiento de pronóstico con Factor de Estacionalidad: 1.Factor Estacional  Ajuste por estacionalidad (patrón multiplicativo): Valor ajustado por estacionalidad = Valor real/FE • La nueva serie obtenida con los valores ajustados por estacionalidad mantendrá un patrón con menos picos y depresiones.

Seleccionar el método de pronóstico de series de tiempo mas adecuado para pronosticar sin estacionalidad. 6. 7. 8. Multiplicar los valores pronosticados por el factor de estacionalidad correspondiente al periodo para obtener un pronóstico con estacionalidad (patrón multiplicativo).Factor Estacional 5. Cuando se trata de un patrón de estacionalidad aditivo en vez de dividir se resta (en el cálculo del FE y cuando se desestacionaliza la serie original) y se suma en vez de multiplicar (en la reestacionalización). Obtener una nueva serie de datos con valores ajustados por estacionalidad. . Aplicar este método a la serie de datos ajustada por estacionalidad para obtener un pronóstico. 9.

Patrones de Estacionalidad (b) Patrón Aditivo Demanda | | | | | | | | | | | | | | | | 0 2 4 5 8 10 12 14 16 Periodo .

Factor Estacional Ejercicio 6: En una empresa de bebidas se han recopilado 2 años de datos de ventas mensuales de su bebida energizante. b) Si se asume patrón aditivo. . Hallar el pronóstico para el siguiente mes con el método de Promedio Móvil de 3 periodos y aplicando factores estacionales en 2 casos: a) Si se asume patrón multiplicativo.

Factor Estacional Ejercicio 7: En una empresa de bebidas se han recopilado 2 años de datos de ventas mensuales de su bebida energizante. . hallar el pronóstico para el siguiente mes con el método de Suavización Exponencial con tendencia y aplicando factores Estacionales en 2 casos: a) Si se asume patrón multiplicativo. Si asume que hay tendencia y estacionalidad. b) Si se asume patrón aditivo.

• El método es con estacionalidad multiplicativa cuando el pronóstico resulta de la multiplicación de los dos factores. • El método puede ser con estacionalidad aditiva o con estacionalidad multiplicativa.Suavización exponencial con estacionalidad (Winters) • Se emplea cuando no se observa una tendencia considerable en la serie de datos pero se observa estacionalidad. • Se obtienen T – s pronósticos. • El método es con estacionalidad aditiva cuando el pronóstico resulta de la suma de los dos factores. . donde s es la duración del ciclo de estacionalidad. • Consiste en separar el pronóstico en dos factores uno llamado Nivel L y otro llamado estacionalidad S.

S: Factor de estacionalidad exponencial γ: Constante exponencial de estacionalidad : Pronóstico k: Horizonte del pronóstico.Suavización exponencial con estacionalidad • Con estacionalidad aditiva: t: Periodo actual o último periodo de la serie de datos. α: Constante exponencial de nivel s: Duración del patrón de estacionalidad. . si el pronóstico es para el siguiente periodo k = 1.

Si asume que hay estacionalidad pero no tendencia. . hallar el pronóstico para los siguientes 12 meses con el método de Suavización Exponencial con estacionalidad usando el método aditivo.Suavización exponencial con estacionalidad Ejercicio 8: En una empresa de bebidas se han recopilado 2 años de datos de ventas mensuales de su bebida energizante.

Suavización exponencial con estacionalidad • Con estacionalidad multiplicativa: t: Periodo actual o último periodo de la serie de datos. si el pronóstico es para el siguiente periodo k = 1. . S: Factor de estacionalidad exponencial γ: Constante exponencial de estacionalidad : Pronóstico k: Horizonte del pronóstico. α: Constante exponencial de nivel s: Duración del patrón de estacionalidad.

Si asume que hay estacionalidad pero no tendencia. . hallar el pronóstico para los siguientes 12 meses con el método de Suavización Exponencial con estacionalidad usando el método multiplicativo.Suavización exponencial con estacionalidad Ejercicio 9: En una empresa de bebidas se han recopilado 2 años de datos de ventas mensuales de su bebida energizante.

Suavización exponencial con tendencia y estacionalidad Método de Holt-Winters: • Este método consiste en combinar los métodos de suavización exponencial con tendencia y suavización exponencial con estacionalidad y separar el pronóstico en 3 factores de nivel. • En general se recomienda al menos datos suficientes para cubrir 2 veces la duración del ciclo de estacionalidad. • Se recomienda al menos 2 años de datos mensuales si el ciclo de estacionalidad dura 1 año. • Al igual que los otros métodos de suavización exponencial se emplea para pronosticar a corto y mediano plazo. • En comparación con otros métodos estadísticos no requiere muchos datos pero requiere cierta estabilidad de los patrones de la serie. . tendencia y estacionalidad. • Es uno de los mas efectivos y populares en la industria.

β: Constante exponencial de tendencia γ: Constante exponencial de estacionalidad : Pronóstico k: Horizonte del pronóstico. . si el pronóstico es para el siguiente periodo m = 1.Suavización exponencial con tendencia y estacionalidad • Con estacionalidad aditiva: t: Periodo actual o último periodo de la serie de datos. α: Constante exponencial de nivel s: Duración del patrón de estacionalidad. S: Factor de estacionalidad exponencial T: Factor de tendencia.

Suavización exponencial con tendencia y estacionalidad Ejercicio 10: En una empresa de bebidas se han recopilado 2 años de datos de ventas mensuales de su bebida energizante. Si asume que hay estacionalidad y tendencia. . hallar el pronóstico para los siguientes 12 meses con el método de Suavización Exponencial con tendencia y estacionalidad usando el método aditivo.

. β: Constante exponencial de tendencia γ: Constante exponencial de estacionalidad : Pronóstico k: Horizonte del pronóstico.Suavización exponencial con tendencia y estacionalidad • Con estacionalidad multiplicativa: t: Periodo actual o último periodo de la serie de datos. S: Factor de estacionalidad exponencial T: Factor de tendencia. α: Constante exponencial de nivel s: Duración del patrón de estacionalidad. si el pronóstico es para el siguiente periodo k = 1.

Si asume que hay estacionalidad y tendencia. .Suavización exponencial con tendencia y estacionalidad Ejercicio 11: En una empresa de bebidas se han recopilado 2 años de datos de ventas mensuales de su bebida energizante. hallar el pronóstico para el siguiente mes con el método de Suavización Exponencial con tendencia y estacionalidad usando el método multiplicativo.

Si asume que hay estacionalidad y tendencia. hallar el pronóstico para el siguiente mes con el método de Suavización Exponencial con tendencia y estacionalidad usando el método multiplicativo.Suavización exponencial con tendencia y estacionalidad Ejercicio 12: En una empresa de bebidas se han recopilado 3 años de datos de ventas mensuales de su bebida gaseosa. .

.Intervalos de Confianza de Pronósticos de series de tiempo  De similar manera que en el caso de Análisis de Regresiones podemos obtener un intervalo de confianza para:  Pronóstico de un valor puntual en el siguiente periodo: Sin embargo por lo general un pronóstico se da en k periodos en el futuro.

por lo tanto tenemos: Var(k errores)=Var(errort+1)+Var(errort+2)+…Var(errort+k) . • Asumiendo que los errores en cada periodo en el futuro son idénticamente distribuidos e independientes. por lo tanto el SE debería ser mayor.Intervalos de Confianza de Pronósticos de series de tiempo  Por sentido común sabemos que conforme k sea mayor la incertidumbre sobre el pronóstico sería mayor.  Matemáticamente esto se explica mediante la varianza residual del pronóstico. sus varianzas son iguales y la varianza de la suma de los errores sería igual a la suma de las varianzas.

Intervalos de Confianza de Pronósticos de series de tiempo  Var(error )=kVar(errort+1) y See(error)=(kVar(errort+1))1/2 = (k1/2)*s  Entonces el SE del pronóstico de un valor para k periodos en el futuro se podría aproximar a: SE(yp) = s(k+1/T)1/2 Donde: s = (SSR/(T-1))^1/2 .96.  Un intervalo de confianza aproximado para un pronóstico puntual a k periodos en el futuro con un nivel de confianza sería: Límite Inferior = yp – z*SE(yp) Límite Superior = yp + z*SE(yp)  Para un nivel de confianza de 95% z= 1. . Para series de tiempo se emplea una sola variable independiente y ninguna constante.

Halle los intervalos de confianza de los 12 pronósticos en el futuro y grafíquelos.Intervalos de Confianza de Pronósticos de series de tiempo Ejercicio 13: En una empresa de bebidas se han recopilado 3 años de datos de ventas mensuales de una de sus bebidas. Hallar el pronóstico hasta los 12 siguientes meses en el futuro con el método de Suavización exponencial con tendencia y estacionalidad multiplicativa. .

 Si el grado del error no es pequeño este puede indicar tanto que la técnica usada no es conveniente en este caso o que requiere que sus parámetros sean reajustados (por ej. modificar α). .  La diferencia entre los valores reales y el pronóstico se le llama error de pronóstico.  Aunque una cierta cantidad de error de pronóstico es inevitable. el objetivo del pronóstico es de reducir este lo más posible.  Los pronósticos se desvían siempre de la realidad.Evaluación y Comparación de Pronósticos  Un pronóstico nunca es completamente preciso.

ei = Di .  El error o residual (ei) se define como la diferencia entre el valor real del periodo i y el valor pronosticado del mismo periodo i con el método empleado. . Error Acumulado (E).Evaluación y Comparación de Pronósticos  Los métodos mas usados son DMA. error medio (EM).  De estos hemos visto anteriormente el DMA y EPMA. Esto dependerá del método elegido. error cuadrado medio (ECM) y desviación estándar (σ). EPMA.Fi  El error acumulado (E) se define como la suma de todos los errores: n es el número de errores calculados que no es necesariamente igual al número de datos T.

.Evaluación y Comparación de Pronósticos  Interpretación del error acumulado:  Si E < 0 y los e en su mayoría son negativos indicaría que los pronósticos tienden a estar siempre por encima del valor real. lo cual puede mostrar un sesgo del pronóstico que podría ser corregido agregando un valor constante negativo. lo cual puede mostrar un sesgo del pronóstico que podría ser corregido agregando un valor constante.  Si E > 0 y los e en su mayoría son positivos indicaría que los pronósticos tienden a estar siempre por debajo del valor real.

desastres. lo cual puede mostrar que hay una mala medición. accidentes.Evaluación y Comparación de Pronósticos  Interpretación del error acumulado:  Si E < 0 o E > 0 y los “e” no son en su mayoría negativos ni positivos indicaría que por algún motivo algunos pronósticos tienden a estar muy por encima o muy por debajo del valor real. o hay factores estacionales o cíclicos no considerados en el método usado para el pronóstico. se dan eventuales situaciones raras. .

Evaluación y Comparación de Pronósticos  Error medio (EM): Se calcula así: La interpretación de EM es similar a la de E. a menor ECM el pronóstico es mas preciso. • Desviación estándar de los errores (σ): σ = (e – e )2 i n–1 . Es mas sensible a los errores grandes.  Error cuadrado medio (ECM): Se calcula así: Similar como en el caso del DMA y el EPMA.

0% 8 275 240 35 1225 35 12. Demanda.5% 2 240 220 20 400 20 8.7% 7 210 250 –40 1600 40 19.3% 3 300 285 15 225 15 5. Pronóstico.3% . Cuadrado.7% Total –15 5275 195 81. Error.Evaluación y Comparación de Pronósticos Error Mes.7% 6 260 240 20 400 20 7. EA EPA t Dt Ft Et Et2 |Et| |Et|/Dt 1 200 225 -25 625 25 12.0% 4 270 290 –20 400 20 7.4% 5 230 250 –20 400 20 8.

4% 5 230 250 –20 400 20 8. Cuadrado.0% 8 275 240 35 1225 35 12.Evaluación y Comparación de Pronósticos Medición de Errores Error Mes.0% 4 270 290 –20 400 20 7. Demanda.3% .7% Total –15 5275 195 81.3% 3 300 285 15 225 15 5. Error. Pronóstico.5% 2 240 220 20 400 20 8.7% 6 260 240 20 400 20 7. EA EPA t Dt Ft Et Et2 |Et| |Et|/Dt 1 200 225 -25 625 25 12.7% 7 210 250 –40 1600 40 19.

Evaluación y Comparación de Pronósticos Medición de Errores E = – 15 Error Mes. EA EPA t Dt Ft Et Et2 |Et| |Et|/Dt 1 200 225 -25 625 25 12. Error. Cuadrado.5% 2 240 220 20 400 20 8.7% 6 260 240 20 400 20 7.0% 8 275 240 35 1225 35 12. Pronóstico.7% Total –15 5275 195 81. Demanda.3% 3 300 285 15 225 15 5.4% 5 230 250 –20 400 20 8.7% 7 210 250 –40 1600 40 19.0% 4 270 290 –20 400 20 7.3% .

EM = – 1.0% 4 270 290 –20 400 20 7. Pronóstico.5% 2 240 220 20 400 20 8. EA EPA t 8 Dt Ft Et Et2 |Et| |Et|/Dt 1 200 225 -25 625 25 12.4% 5 230 250 –20 400 20 8.3% 3 300 285 15 225 15 5. Cuadrado.7% Total –15 5275 195 81.7% 7 210 250 –40 1600 40 19.Evaluación y Comparación de Pronósticos Medición de Errores E = – 15 Error – 15 Mes.7% 6 260 240 20 400 20 7.3% .0% 8 275 240 35 1225 35 12.875 = Demanda. Error.

7% 7 210 250 –40 1600 40 19.0% 8 275 240 35 1225 35 12.7% Total –15 5275 195 81.4 15 225 15 5.0% 4 8 270 290 –20 400 20 7. Pronóstico. Demanda. Error.3% . EA EPA – 15 EM =t =D–t 1.Evaluación y Comparación de Pronósticos Medición de Errores E = – 15 Error Mes.7% 6 260 240 20 400 20 7.3% ECM 3= 300 = 285 659.4% 5 230 250 –20 400 20 8.5% 2 240 5275 220 20 400 20 8. Cuadrado.875 Ft Et Et2 |Et| |Et|/Dt 8 1 200 225 -25 625 25 12.

Evaluación y Comparación de
Pronósticos
Medición de Errores

E = – 15 Error
Mes, Demanda, Pronóstico, Error, Cuadrado, EA EPA
– 15
EM =t –t 1.875 Ft
=D Et Et2 |Et| |Et|/Dt
8
1 200 225 -25 625 25 12.5%
2 5275240 220 20 400 20 8.3%
ECM 3= 300 = 285
659.4 15 225 15 5.0%
4 8 270 290 –20 400 20 7.4%
5 230 250 –20 400 20 8.7%
6 s = 27.4
260 240 20 400 20 7.7%
7 210 250 –40 1600 40 19.0%
8 195275 240 35 1225 35 12.7%
DMA = = 24.4
8 Total –15 5275 195 81.3%

Evaluación y Comparación de
Pronósticos
Medición de Errores

E = – 15 Error
Mes, Demanda, Pronóstico, Error, Cuadrado, EA EPA
– 15
EM =t –t 1.875 Ft
=D Et Et2 |Et| |Et|/Dt
8
1 200 225 -25 625 25 12.5%
2 5275240 220 20 400 20 8.3%
ECM 3= 300 = 285
659.4 15 225 15 5.0%
4 8 270 290 –20 400 20 7.4%
5 230 250 –20 400 20 8.7%
6 s = 27.4
260 240 20 400 20 7.7%
7 210 250 –40 1600 40 19.0%
8 195
275 240 35 1225 35 12.7%
DMA = = 24.4
8 Total –15 5275 195 81.3%

81.3%
EPMA = = 10.2%
8

Evaluación y Comparación de
Pronósticos
Medición de Errores

E = – 15 Error
Mes, Demanda, Pronóstico, Error, Cuadrado, EA EPA
– 15
EM =t –t 1.875 Ft
=D Et Et2 |Et| |Et|/Dt
8
1 200 225 -25 625 25 12.5%
2 5275240 220 20 400 20 8.3%
ECM 3= 300 = 285
659.4 15 225 15 5.0%
4 8 270 290 –20 400 20 7.4%
5 230 250 –20 400 20 8.7%
6 s = 27.4
260 240 20 400 20 7.7%
7 210 250 –40 1600 40 19.0%
8 195
275 240 35 1225 35 12.7%
DMA = = 24.4
8 Total –15 5275 195 81.3%

81.3%
EPMA = = 10.2%
8

. la relacíón entre σ y DMA es: σ = (π/2)1/2 x DMA o aproximadamente 1. RC = E/DMA Se puede establecer límites de control para detectar en qué momento un pronóstico debe corregirse o actualizarse.Evaluación y Comparación de Pronósticos Límites de control Relación entre la σ y el DMA: Asumiendo que los errores del pronóstico son aproximadamente normalmente distribuidos (se da en la mayoría de casos). Un pronóstico perfecto debería tener un valor RC = 0.25 DMA Ratio de Control (RC): Ratio que indica el número de DMA’s equivalentes al error acumulado de un pronóstico.

0 ± 1.20 99.5 ± 2.80 99.5 ± 2.00 95.62 ± 1.0 ± 3.5 ± 1.0 ± 0.86 .0 ± 2.40 98.44 ± 3.48 ± 4.98 ± 2.36 ± 3.Evaluación y Comparación de Pronósticos Límites de control Asumiendo que el pronóstico sigue una distribución normal la probabilidad de que el valor real se encuentre dentro de los límites de control es: Límites de control Número Probabilidad (Número de DMA’s) de σ2 ± 1.60 89.04 ± 2.80 57.20 76.

5 — | | | | | 0 5 10 15 20 25 Número de observaciones acumuladas .5 — 0— –0.0 — Límite de control –1.0 — Ratio de control +0.Evaluación y Comparación de Pronósticos Límites de control E Ratio de control= DMA Fuera de control +2.5 — +1.5 — –1.0 — Límite de control +1.