Está en la página 1de 25

ING 421 Gestin de Operaciones

Seccin 1
Segundo Semestre 2014
2014 10 16

Profesor: Rodrigo A. Carrasco

Avisos
Charla Se re-agend para el 6 de noviembre.
El prximo mdulo es la charla en el Auditorio del Edificio E.
La charla es obligatoria y ser en el segundo mdulo.

Clase del 30 de octubre:


Ser en la sala 200-B.
Recuerden revisar toda la materia de pronsticos para esa clase ya que
les ser de utilidad.
Debern trabajar en grupos de 4-5 alumnos: deben estar formados
antes de la clase y enviarme el correo de uno de los alumnos para
coordinar la actividad.

Prof. Rodrigo A. Carrasco

Revisemos lo visto la clase pasada


Principales temas que vimos relacionados a pronsticos:

Prof. Rodrigo A. Carrasco

Medias Mviles
Ambos mtodos permiten reducir el efecto de variaciones
irregulares/aleatorias.
La reduccin depende del tamao de la ventana seleccionada:
Mayor tamao de ventana implica mayor reduccin de irregularidades.
Pero tambin implica que es menos sensible a los cambios.
Y por ende tarda ms en reaccionar a variaciones en tendencia y ciclos.

Prof. Rodrigo A. Carrasco

Calidad del pronstico


El objetivo del pronstico es entregar informacin de el o los
valores futuros de una variable de inters.
Dado un pronstico, cmo podemos determinar su calidad?

Las medidas ms usadas son:

MFE (mean forecast error)


MAD (mean absolute deviation)
MAPE (mean absolute percentage error)
MSE (mean squared error)

Prof. Rodrigo A. Carrasco

Mean Forecast Error


El MFE o Error Promedio del Pronstico est dado por

Mide la desviacin promedio del pronstico.


Un buen pronstico tiene MFE cerca de 0.
Un pronstico con MFE cerca de 0 no implica que no tiene
error, slo que el promedio est on target.
Un valor positivo (negativo) implica que el pronstico est
subestimando (sobreestimando) las observaciones.

Prof. Rodrigo A. Carrasco

Mean Absolute Deviation


El problema del MFE es que no permite identificar pronsticos
con poco error.
El MAD s permite esto pues est definido por:

Mide el error absoluto promedio.


Ahora no se cancelan errores positivos con negativos.
Un MAD pequeo implica un error pequeo.
Hay una equivalencia entre MAD y desviacin estndar del
error: 1
0.8

Prof. Rodrigo A. Carrasco

Mean Absolute Percentage Error


El MAD tiene un problema con la escala de las medidas.
MAPE corrige esto:

Mide el error como porcentaje de los datos originales.

Prof. Rodrigo A. Carrasco

Mean Squared Error


El MSE se define como

Mide el cuadrado de los errores la varianza del error.


Da ms peso a los errores grandes, pues generan un mayor
costo proporcionalmente.
No es independiente de la escala.

Prof. Rodrigo A. Carrasco

Tracking Signal
El TS se define como

Mide la desviacin del pronstico respecto de las variaciones de


la variable (tendencia).
Indica el nmero de MADs que el pronstico est sobre o bajo
la variable real.

Prof. Rodrigo A. Carrasco

Ejemplos
Veamos los errores para los ejemplos de medias mviles y
medias mviles ponderadas.
Planilla de ejemplos disponible en webcursos.

Prof. Rodrigo A. Carrasco

Alisado Exponencial
En las medias mviles slo usamos la informacin de la variable
para pronosticar el futuro.
El mtodo de alisado exponencial (exponential smoothing) ajusta
el pronstico con base en el error de prediccin anterior.

Se requiere conocer slo

El proceso se sintoniza usando la constante de alisado .


Los lmites de son replicar el pronstico anterior (=0) o el
pronstico simple (=1).
Es decir promedia entre ambos buscando reducir el error.
En general se usan valores de <0.5 (tpicamente 0.2 o 0.3).
Prof. Rodrigo A. Carrasco

Alisado Exponencial
Veamos un poco ms en detalle la frmula del alisado
exponencial:

Prof. Rodrigo A. Carrasco

Pesos del Alisado Exponencial


Ejemplo: diferentes valores de para pronosticar el valor de la
variable en t = 21.

Prof. Rodrigo A. Carrasco

Ejemplo: Alisado Exponencial


Resultados del pronstico para diferentes valores de .

Prof. Rodrigo A. Carrasco

Limitaciones
La ventaja de las medias mviles (MM) y el alisamiento
exponencial (ES) es que son simples y dependen de un solo
parmetro.
Tienen un comportamiento similar cuando

ES considera toda la historia pero requiere slo 2 datos.


MM considera slo los ltimos n datos.
Ambos mtodos asumen que la variable de inters no tiene
estacionalidad ni tendencia.
Si la variable tiene tendencia, hay que adaptar estos
mtodos y si tiene estacionalidad se requieren ms cambios
an.
Prof. Rodrigo A. Carrasco

Pronsticos con Tendencias


Cuando hay tendencia los mtodos anteriores muestran un
retardo en la prediccin.
Cmo podemos corregir esto?
La idea es separar la tendencia (de-trend) de la variable y la base de la
misma.
Luego podemos usar alisamiento exponencial para estimar la tendencia
y la base por separado.
Se denomina Mtodo de Holt o Alisado Exponencial Doble ya que
tiene dos parmetros de alisamiento, y .

Prof. Rodrigo A. Carrasco

Mtodo de Holt
El mtodo de Holt asume que la variable se comporta de la
forma

Usando este supuesto podemos hacer un pronstico de la


variable de la siguiente forma cuando h=1:

Prof. Rodrigo A. Carrasco

Ejemplo: Mtodo de Holt


Al agregar la tendencia el pronstico mejora considerablemente

Prof. Rodrigo A. Carrasco

Pronsticos con Estacionalidad


El mtodo de Holt asume que slo hay tendencia y que no hay
estacionalidad en la variable deseada.
Si hay estacionalidad, el pronstico tendr un desfase.
Cmo corregimos en este caso?
Ahora debemos separar tendencia (de-trend) y estacionalidad (deseasonalize) de la seal base.
Cada componente se pronostica en forma independiente usando
alisamiento exponencial.
Esto se conoce como el Mtodo de Holt-Winters o Alisamiento
Exponencial Triple, pues tiene tres parmetros de alisamiento: , y .

Prof. Rodrigo A. Carrasco

Modelos de Estacionalidad
Hay dos modelos de estacionalidad, con m siendo el tamao de
la estacin.
Modelo Aditivo

Modelo Multiplicativo

Prof. Rodrigo A. Carrasco

Holt-Winters Aditivo
En el caso aditivo, con h=1, las siguientes ecuaciones realizan el
pronstico de las diferentes partes del modelo:

Prof. Rodrigo A. Carrasco

Holt-Winters Multiplicativo
En el caso multiplicativo, con h=1, las siguientes ecuaciones
realizan el pronstico de las diferentes partes del modelo:

Prof. Rodrigo A. Carrasco

Ejemplo: Mtodo de Holt-Winters


Ejemplo del modelo aditivo

Prof. Rodrigo A. Carrasco

Pronsticos
Hay muchsimos mtodos de pronstico y su uso depende de
las aplicaciones, objetivos, tipos de variables, etc.

Prof. Rodrigo A. Carrasco