Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FOLLETO
y Administración de la Producción
Elaborado por:
29
INTRODUCCIÓN
En los capítulos siguientes se presentan las distintas técnicas para realizar pronósticos
según el comportamiento de la serie en estudio. Para el caso se presentaran los modelos
que a juicio de los autores resultan más fáciles de comprender por los lectores, en gran
parte por la simplicidad que proponen los mismos en la matemática empleada para el
análisis. Esta sencillez en el modelo matemático no implica que la validez de los mismos
sea menor.
Con este documento esperamos satisfacer todas las dudas que le han surgido con
respecto al tema que aquí se expone. Invitamos a los lectores a realizar las sugerencias
que consideren con la intención de mejorar la primera edición de este documento que con
mucho gusto hemos preparado para Ustedes
29
OBJETIVOS
Con la elaboración de este documento se espera que una vez el estudiante culmine la
lectura del mismo esté en capacidad de:
29
TABLA DE CONTENIDO
Introducción
Objetivos
Conclusiones
Bibliografía
29
1. INTRODUCCIÓN A LOS PRONÓSTICOS
Con el pasar de los años han aparecido diversas técnicas, de las más simples (como
los métodos de suavización) hasta las más refinadas (como los Métodos ARIMA),
que han permitido pronosticar con mayor precisión diversas variables de interés. Esto
ha sido acompañado con el desarrollo de medios informáticos que han hecho más
fácil el cálculo laborioso que representaba el uso de estas técnicas
Minitab
Statistical Package for Social Sciences (SPSS)
Statistical Analysis System (SAS)
E-Views
Easy Forecast Plus
Forecast Pro
Primero: Reunir los datos que sean aplicables para la tarea de pronósticos y que
contengan información que pueda producir pronósticos precisos
Para evaluar la técnica que mejor se ajusta a los datos debemos definir primero las
componentes de una serie de tiempo:
29
El Componente Aleatorio mide la variabilidad de las series de tiempo después de
que se retiran los otros componentes. Contabiliza la variabilidad aleatoria en una
serie de tiempo ocasionada por factores imprevistos y no recurrentes
Por simple que parezca, la primera evaluación que se hace a los datos es realizar un
diagrama de dispersión de los mismos. De esta forma se podrá con la inspección de
la gráfica que se obtiene determinar si una o más de las componentes antes
mencionadas están presentes en la Serie de Tiempo. Para ilustrar este caso veremos
el Caso de las Empresas Marine Motors y Electronic Store, cuyos valores de
ventas se presentan a continuación:
Ventas Ventas
Periodo Periodo
(Unidades) (Unidades)
ene-08 113 ene-09 191
feb-08 128 feb-09 183
mar-08 125 mar-09 200
abr-08 138 abr-09 207
may-08 145 may-09 201
jun-08 153 jun-09 216
jul-08 150 jul-09 223
ago-08 162 ago-09 242
sep-08 167 sep-09 233
oct-08 173 oct-09 256
nov-08 177 nov-09 261
dic-08 185 dic-09 270
29
Para el caso de Marine Motors se puede apreciar en el gráfico de serie de tiempo
que existe una marcada tendencia a la alza en la venta de productos. Por lo tanto se
debe esperar que para los meses siguientes la venta aumente si los distintos factores
económicos se mantienen a iguales condiciones
Ventas Ventas
Periodo Periodo
(Unidades) (Unidades)
T1-84 147 T1-89 264
T2-84 251 T2-89 402
T3-84 273 T3-89 411
T4-84 249 T4-89 385
T1-85 139 T1-90 232
T2-85 221 T2-90 309
T3-85 260 T3-90 310
T4-85 259 T4-90 293
T1-86 140 T1-91 205
T2-86 245 T2-91 234
T3-86 298 T3-91 285
T4-86 287 T4-91 258
T1-87 168 T1-92 193
T2-87 322 T2-92 263
T3-87 393 T3-92 292
T4-87 404 T4-92 315
T1-88 259 T1-93 178
T2-88 401 T2-93 274
T3-88 464 T3-93 295
T4-88 479 T4-93 311
29
En el caso de Electronic Store se da un comportamiento estacional a lo largo del
periodo de estudio. Lo que no se puede distinguir de forma clara es si existe o no una
leve tendencia, aunque de estar presente esta componente es más débil que la de
estacionalidad
Y Y Y
t t k Y
Rk t k 1
n 2
Y Y
t 1
t
En donde
Rk = coeficiente de correlación para un desfase de k periodos
Y = media de los valores de la serie
Yt = observación en el periodo t
Yt-k = observación en k periodos anteriores o en el periodo t – k
n = total de observaciones
29
Para ilustrar este cálculo veamos el Ejemplo de Electronic Store. Para ello se
calculará el coeficiente de correlación para un periodo de desfase
29
Dividiendo los valores de 1.143E+05 / 2.719E+05 se obtiene R1 = 0.42059. Este
mismo cálculo se puede realizar para un desfase de dos, tres, cuatro periodos o
más.
K 1 2 3 4 5 6
R 0.42059 0.19349 0.31146 0.73328 0.17660 -0.11961
K 7 8 9 10 11 12
R -0.05240 0.29818 -0.19314 -0.44132 -0.34628 0.02897
Autocorrelación y Tendencia Pura: en una serie con tendencia pura notará que el
valor de la autocorrelación para un periodo de desfase tendrá una correlación muy
29
alta, casi cercana a 1, e irá decayendo lentamente hasta llegar a cero, como se
presenta a continuación:
29
1.4. Medición del Error en el Pronóstico
Cada técnica particular de pronóstico posee cierto grado de error. Las medidas de
dicho error implican una función de la diferencia entre el valor real y su pronóstico.
Esta medida es conocida como residuales.
Y Yˆ t t
DAM t 1
n
Y Yˆ
2
t t
EMC t 1
n
29
n Yt Yˆt
t 1 Yt
PEMA
n
n
Yt Yˆt
Yt
PME t 1
n
Debido a la simplicidad que implican los cálculos de los distintos indicadores de error
en los pronósticos no se mostrará un ejemplo en esta sección
29
PROBLEMAS DE REPASO DEL CAPÍTULO
Presto Fácil:
Pricing Company:
Un inversionista desea determinar si existe un patrón sobre las utilidades por acción
de la compañía que opera en varios estados de los Estados Unidos de América. Los
datos son los siguientes:
29
Mercado Inmobiliario:
29
2. PROMEDIOS MÓVILES Y MÉTODOS DE SUAVIZACIÓN EXPONENCIAL
PARA SERIES ESTACIONARIAS
Se entenderá que una serie es del tipo estacionaria cuando los datos suelen variar
con respecto a un valor medio en forma netamente aleatoria. Para ello se presentará
a continuación los modelos usados con mayor frecuencia para este caso:
Debemos destacar que la técnica solo emplea los últimos “n” periodos de datos
conocidos. Dicho modelo funciona mejor cuando los datos son del tipo estacionarios.
No maneja muy bien la presencia de tendencia o estacionalidad en la serie de
tiempo. En este modelo el analista es quien debe definir el número de periodos que
se emplearán para el pronóstico. Es preferible un número pequeño para cambios
súbitos en el nivel de la serie, ya que de esta forma se dará mayor peso a los valores
más recientes de la misma
Yt 1 Yt 2 Yt n
Yˆt
n
Cuando el investigador siente que debe variar los pesos de las “n” últimas
observaciones que empleará para realizar el pronóstico surge la técnica de las
medias móviles ponderadas como herramienta para predecir
Yˆt W1 * Yt 1 W2 * Yt 2 Wn * Yt n
W1 W2 Wn 1
La asignación de los pesos se pondrá dar de forma tal que se pueda reducir la
medida del error para la serie de tiempo presentada
Si se examina con más detalle el método, este viene a ser una especie de media
móvil ponderada pero donde los pesos se van atenuando en el tiempo, siendo mayor
para la observación más reciente y menor para la observación mas distante.
29
Debemos agregar que el coeficiente de suavización “α”, está comprendido entre cero
y uno. En la práctica el valor de “α” es determinado en función de aquel que minimice
la medida del error. Con el uso del computador es posible definir el mismo a través
de la iteración de dicho valores
De igual forma que la media móvil simple y la media móvil ponderada, este método
se emplea en series de tiempo del tipo estacionarias. Para el modelo se recomienda
6
que el valor de Y t
y el resto del pronóstico de t = 2 en adelante se realice
Yˆ1 t 1
6
con la fórmula antes presentada
EJEMPLO ILUSTRATIVO:
Para ilustrar los métodos explicados en esta sección emplearemos los datos de
ventas de una compañía de las últimas 43 semanas a fin de mejorar la planificación
operacional de la empresa. Para ello se realizará el pronóstico a través de:
Adicional presentaremos la DAM para cada uno de los tres modelos para los valores
de los parámetros definidos
29
17 84 72.3 11.7 74.4 9.6 72.0 12.0
18 79 79.3 -0.3 80.6 -1.6 74.4 4.6
19 80 80.3 -0.3 80.3 -0.3 75.3 4.7
20 85 81.0 4.0 80.5 4.5 76.3 8.7
21 59 81.3 -22.3 82.3 -23.3 78.0 -19.0
22 56 74.7 -18.7 71.0 -15.0 74.2 -18.2
23 57 66.7 -9.7 62.7 -5.7 70.6 -13.6
24 58 57.3 0.7 57.1 0.9 67.9 -9.9
25 64 57.0 7.0 57.3 6.7 65.9 -1.9
26 55 59.7 -4.7 60.8 -5.8 65.5 -10.5
27 62 59.0 3.0 58.3 3.7 63.4 -1.4
28 67 60.3 6.7 60.3 6.7 63.1 3.9
29 62 61.3 0.7 63.1 -1.1 63.9 -1.9
30 55 63.7 -8.7 63.5 -8.5 63.5 -8.5
31 64 61.3 2.7 59.5 4.5 61.8 2.2
32 61 60.3 0.7 60.9 0.1 62.3 -1.3
33 62 60.0 2.0 60.7 1.3 62.0 0.0
34 53 62.3 -9.3 62.1 -9.1 62.0 -9.0
35 46 58.7 -12.7 57.3 -11.3 60.2 -14.2
36 49 53.7 -4.7 51.3 -2.3 57.4 -8.4
37 49 49.3 -0.3 48.9 0.1 55.7 -6.7
38 55 48.0 7.0 48.4 6.6 54.4 0.6
39 52 51.0 1.0 52.0 0.0 54.5 -2.5
40 52 52.0 0.0 52.3 -0.3 54.0 -2.0
41 57 53.0 4.0 52.6 4.4 53.6 3.4
42 66 53.7 12.3 54.5 11.5 54.3 11.7
43 46 58.3 -12.3 60.5 -14.5 56.6 -10.6
Pronostico= 56.3 54.2 54.5
DAM= 7.5833 7.1325 7.6160
Vale la pena resaltar que los valores del DAM variarán para los métodos de media
móvil ponderada y para suavizado exponencial en la medida que se cambien los
parámetros. Por esta razón invitamos al lector para que pruebe con distintos valores
hasta obtener los que minimicen el DAM
29
PROBLEMAS DE REPASO DEL CAPÍTULO
Mes 1 2 3 4 5 6
Venta 220 215 195 180 220 235
Mes 7 8 9 10 11 12
Venta 170 210 190 230 220 250
Consultorio Médico:
Semana 1 2 3 4 5 6 7 8 9 10
# de pacientes 52 72 58 69 54 69 46 48 60 46
29
3. ANÁLISIS DE TENDENCIA PARA SERIES CON TENDENCIA PURA
Cuando los datos presentan una tendencia pura, ya sea lineal, exponencial, potencial
u otro tipo de comportamiento que pueda ser transformado a lineal resulta sencillo y
conveniente el uso del modelo de regresión lineal. Para el cálculo de los estimadores
se deberá tener presente el concepto de los Mínimos Cuadrado Ordinarios. Este
principio no será definido en este apartado del documento por la derivación
matemática que representa. Invitamos al lector a que se informe del mismo en textos
del Área de Estadística Matemática para una mayor comprensión
Yˆt a b * t
n XY X Y
b
n X 2 X
2
a
Y b X
n n
EJEMPLO ILUSTRATIVO:
Para ilustrar los métodos explicados en esta sección emplearemos los datos de
ventas de una compañía que vende motores fuera de borda de los últimos 15 meses.
Para ello se realizará el pronóstico para los próximos cuatro meses a través del
modelo de regresión lineal con tendencia
29
Media Movil Simple a tres periodos
Error
Mes Venta MMS-3 Error Abs %
1 654
2 658
3 665
4 672 659.0 13.0 1.93%
5 673 665.0 8.0 1.19%
6 671 670.0 1.0 0.15%
7 693 672.0 21.0 3.03%
8 694 679.0 15.0 2.16%
9 701 686.0 15.0 2.14%
10 703 696.0 7.0 1.00%
11 702 699.3 2.7 0.38%
12 710 702.0 8.0 1.13%
13 712 705.0 7.0 0.98%
14 711 708.0 3.0 0.42%
15 728 711.0 17.0 2.3%
Pronostico(t=16)= 717.0
29
pronostica la demanda tiene una alta probabilidad de ser un valor muy por debajo de
la que se podría presentar es por ello que se hace necesario utilizar otra técnica de
pronóstico adecuada. A continuación mostramos los resultados que se obtendrían de
utilizar la regresión lineal como modelo de tendencia
29
Como podrás apreciar la línea de tendencia presenta un mejor ajuste a la información
pues no tiende a subestimar o sobreestimar a través del pronóstico de venta que se
desea hacer por el uso del modelo propuesto. Invitamos al lector a realizar los cálculos de
los parámetros de la intersección (A) y de la pendiente (B), ya que los mismos solo se
presentaron en la tabla y se obvio los cálculos respectivos para la obtención de estos
29
PROBLEMAS DE REPASO DEL CAPÍTULO
Mes 1 2 3 4 5 6
Venta 2536 2859 3250 3327 3421 3526
Mes 7 8 9 10 11 12
Venta 3423 3712 3888 3925 4066 4200
a. Pronostique la demanda para la venta de galones de leche para las próximas tres
semanas
b. Determine la DAM y el PEMA
29
4. MODELO DE DESCOMPOSICIÓN ESTACIONAL PARA DATOS QUE
PRESENTAN TENDENCIA CON ESTACIONALIDAD
Es común encontrar series de tiempo que presentan estas dos componentes juntas.
Para modelar el comportamiento de las mismas, se propone un modelo que une el
efecto de ambas componentes por medio de una función multiplicativa de ambas.
Este modelo parte de la premisa que el pronóstico es el resultado del efecto
multiplicativo de la componente de tendencia por la componente de estacionalidad
Yˆt Tt S t
Para fines prácticos sólo se presentará el modelo para cuando los datos han sido
agrupados en periodos trimestrales (en la práctica los datos de ventas de las
empresas son presentados de esta forma). Para comprender mejor los cálculos
necesarios para estimar de manera más eficiente los pronósticos mostraremos un
ejemplo para este modelo
EJEMPLO ILUSTRATIVO:
Para realizar el pronóstico para el próximo año es necesario tener presente que el
gráfico de la serie de tiempo mostrada presenta puntos máximos y mínimos de forma
cíclica. Es por ello que debemos desestacionalizar los datos para suavizar la
información y obtener una serie sin los efectos de la estacionalidad trimestral propia
de la serie de tiempo mostrada. Para desestacionalizar se procede a realizar un
29
doble suavizado con Media Móvil Centrada (CMA), la cual no debe ser confundida
con el método expuesto en capítulos anteriores. El centrado consta de dos etapas
presentadas a continuación:
Yt 2 Yt 1 Yt Yt 1
MAt
4
MAt Mat 1
CMAt
2
Tal como se puede apreciar el suavizado nos da como resultado una línea en color
verde sin los efectos de la estacionalidad presente en la serie de tiempo original. En
la tabla a continuación se muestran todos los resultados de los cálculos respectivos,
tanto para la MAt como para la CMAt
29
I 153 136.75 135.75
II 152 137.75 137.25
2
III 130 139.50 138.63
IV 123 141.5 140.50
I 161 148.25 144.88
II 179 158.75 153.50
3
III 172 162.50 160.63
IV 138 166.75 164.63
I 178 168.25 167.50
II 185 166.50 167.38
4
III 165 167.50 167.00
IV 142 171 169.25
I 192 175.75 173.38
II 204 184.75 180.25
5
III 201 189.50 187.13
IV 161 194.25 191.88
I 211 196.25 195.25
II 212 198.00 197.13
6
III 208 201.25 199.63
IV 174 205.25 203.25
I 227 214.25 209.75
7
II 248 217.50 215.88
III 221 220.25 218.88
IV 185 227.5 223.88
I 256 240.25 233.88
II 299 258.50 249.38
8
III 294 272.00 265.25
IV 239
Tt a b t
Tt 108.1796 4.2721 t
29
Yt
SFt
CMAt
Recuerde que el valor del promedio de los SI debe ser igual a 1.0000, de no ser así
debe normalizar los mismos. Veamos los cálculos respectivos para el ejemplo
mostrado en esta sección:
29
I 153 135.75 1.1271
II 152 137.25 1.1075
2
III 130 138.63 0.9378
IV 123 140.50 0.8754
I 161 144.88 1.1113
II 179 153.50 1.1661
3
III 172 160.63 1.0708
IV 138 164.63 0.8383
I 178 167.50 1.0627
II 185 167.38 1.1053
4
III 165 167.00 0.9880
IV 142 169.25 0.8390
I 192 173.38 1.1074
II 204 180.25 1.1318
5
III 201 187.13 1.0741
IV 161 191.88 0.8391
I 211 195.25 1.0807
II 212 197.13 1.0755
6
III 208 199.63 1.0420
IV 174 203.25 0.8561
I 227 209.75 1.0822
II 248 215.88 1.1488
7
III 221 218.88 1.0097
IV 185 223.88 0.8264
I 256 233.88 1.0946
II 299 249.38 1.1990
8
III 294 265.25 1.1084
IV 239
Con los valores obtenidos del Factor Estacional se obtendrá el índice estacional de
cada trimestre respectivo:
AÑO
PROM. SI
DE FILA NORM.
1 2 3 4 5 6 7 8
TRIM.
29
III 0.9378 1.0708 0.9880 1.0741 1.0420 1.0097 1.1084 1.0330 1.0046
29
IV 116 125.27 0.8282 103.75
I 153 129.54 1.0650 137.96
II 152 133.81 1.1022 147.49
2
III 130 138.08 1.0046 138.71
IV 123 142.36 0.8282 117.90
I 161 146.63 1.0650 156.16
II 179 150.90 1.1022 166.33
3
III 172 155.17 1.0046 155.88
IV 138 159.45 0.8282 132.05
I 178 163.72 1.0650 174.36
II 185 167.99 1.1022 185.16
4
III 165 172.26 1.0046 173.05
IV 142 176.53 0.8282 146.21
I 192 180.81 1.0650 192.56
II 204 185.08 1.1022 204.00
5
III 201 189.35 1.0046 190.21
IV 161 193.62 0.8282 160.36
I 211 197.89 1.0650 210.76
II 212 202.17 1.1022 222.83
6
III 208 206.44 1.0046 207.38
IV 174 210.71 0.8282 174.51
I 227 214.98 1.0650 228.96
II 248 219.26 1.1022 241.67
7
III 221 223.53 1.0046 224.55
IV 185 227.80 0.8282 188.66
I 256 232.07 1.0650 247.16
II 299 236.34 1.1022 260.51
8
III 294 240.62 1.0046 241.71
IV 239 244.89 0.8282 202.82
I 249.16 1.0650 265.36
II 253.43 1.1022 279.34
9
III 257.70 1.0046 258.88
IV 261.98 0.8282 216.97
29
PROBLEMAS DE REPASO DEL CAPÍTULO
Electrónica El Baratillo:
Trimestre
Año I II III IV
2011 4.8 4.1 6.0 6.5
2012 5.8 5.2 6.8 7.4
2013 6.0 5.6 7.5 7.8
2014 6.3 5.9 8.0 8.4
a. Realice el pronóstico de demanda para los cuatro trimestres del próximo año
Trimestre
Año I II III IV
2010 5 4 2 1
2011 14 6 4 4
2012 16 10 3 5
2013 22 12 9 7
2014 25 15 10 13
a. Realice el pronóstico de demanda para los cuatro trimestres del próximo año
29
5. INFERENCIA ESTADÍSTICA EN LOS MODELOS DE PRONÓSTICO
Para el Análisis de las Series Temporales es necesario cumplir con una serie de
supuestos que se hacen para el mismo. A continuación detallaremos los mismos:
Una vez que se realiza el pronóstico con la técnica adecuada, se debe partir por
encontrar el error del pronóstico el cual es igual a:
Al tener cada uno de estos errores se puede realizar una prueba de bondad de ajuste
que me permita establecer si la distribución de los errores pertenece a una
distribución normal. Estas son algunas de las pruebas que se pueden emplear:
Para el cálculo del estadístico de Shapiro Wilk se seguirán los siguientes pasos:
Paso 1: Ordenar los valores del menor al mayor, que para nuestro caso ya están
dispuestos de esa forma
Pr omedio
17.3786 9.6637 ... 13.8777 15.4203
16
29
Pr omedio 2.0432
X Pr omedio
2
1382.3526
k
b ani 1 ( X ni 1 X i )
i 1
Donde k es el valor del total de observaciones (n), dividida por 2. En el caso de que
la división no de exacta se elige el entero superior
Para nuestro caso será k = 16/2 = 8. Por lo tanto b será el resultado de:
Los valores de a16, a15, a14, a13, a12, a11, a10, a9, se obtendrán de la siguiente tabla
Valor de n
n-1+i 2 3 4 5 6 7 8 9 10
10 0.5739
9 0.5888 0.3291
8 0.6052 0.3244 0.2141
7 0.6233 0.6134 0.1976 0.1224
6 0.6431 0.3031 0.0174 0.0947 0.0399
5 0.6646 0.2806 0.1401 0.0561 0.0000
4 0.6872 0.2413 0.0875 0.0000
3 0.7071 0.1677 0.0000
2 0.7071 0.0000
29
Valor de n
n-1+i 11 12 13 14 15 16 17 18 19
19 0.4808
18 0.4886 0.3232
17 0.4968 0.3253 0.2561
16 0.5056 0.3273 0.2553 0.2059
15 0.5150 0.3290 0.2540 0.2027 0.1641
14 0.5251 0.3306 0.2521 0.1988 0.1587 0.1271
13 0.5359 0.3318 0.2495 0.1939 0.1109 0.1197 0.0932
12 0.5475 0.3325 0.2460 0.1878 0.1447 0.0725 0.0837 0.0612
11 0.5601 0.3325 0.2412 0.1802 0.1353 0.1005 0.3590 0.0496 0.0303
10 0.3315 0.2347 0.1707 0.1240 0.0880 0.0593 0.0000 0.0163 0.0000
9 0.2260 0.1586 0.1099 0.0727 0.0433 0.0196
8 0.1429 0.0927 0.0539 0.0240 0.0000
7 0.0695 0.0303 0.0000
6 0.0000
b 36.1971
b2
W n
(X
i 1
i Pr omedio) 2
W
36.1971 2 .9478
1382.3526
29
Paso 6: Comparar el estadístico W de prueba contra el valor crítico obtenido de la
tabla que a continuación presentaremos. Tome en cuenta que cuanto más cercano a
uno sea el valor de W calculada, los datos se aproximan mejor a una Distribución
Normal. Es por eso que si W de prueba es mayor que W crítica (la que se obtiene de
la tabla) se acepta Normalidad
Para nuestro caso el valor crítico para un nivel de significancia del 5% y una N de 16
observaciones el valor es de 0.887. Dado que W calculada es de 0.9478, la cual es
mayor que W crítica. Se puede decir que los errores de los pronósticos siguen una
Distribución Aproximadamente Normal
29
Intervalos de confianza para el pronóstico
EJEMPLO ILUSTRATIVO:
Por lo tanto, se debe esperar que la cantidad a vender el próximo lunes es un valor
ubicado entre 27 y 43 ejemplares, con un nivel de confianza del 95%
29
CONCLUSIONES
29
RECOMENDACIONES Y PROYECTOS FUTUROS
Como parte del trabajo del estudiante que hace uso de este documento se recomienda
que realice visitas a empresas de la localidad con departamentos relacionados con la
labor de estimación de pronósticos de demanda para la toma de decisiones.
29
BIBLIOGRAFÍA
29