Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cap. 3
PRONOSTICOS
INTRODUCCIÓN
Mantenimiento
La política internacional Etc.
Las ventas de
Para la
líneas de
planeación
productos
de las
nuevas y
operaciones
existentes
Meses/
años
trabajadores
Cuotas
Pueden mostrar tendencias futuras y cambiar los patrones
de preferencias. Muestreo, Cuestionarios
Encuestas al cliente
Método Delphi
Ventaja: Es un medio para evaluar la opinión individual sin las preocupaciones normales de las interacciones de
las apersonas
Desventaja: Es altamente sensible al cuidado de la formulación del cuestionario.
Es importante que no existan “ligas”, es decir, que asignen iguales ponderaciones para distintas
alternativas.
1 indicaría la más importante, 2 la que sigue en importancia, hasta n (número total de alternativas) que será la de
importancia menor.
E1 E2 E3 E4 E5 E6 E7 E8 E9 RJ CC
C1 2 3 2 3 2 3 3 3 3 24 67
C2 1 2 1 2 1 2 1 1 1 12 67
C3 3 4 3 4 3 3 4 3 4 31 56
C4 4 5 4 5 4 5 5 5 6 43 56
C5 5 6 5 6 5 6 5 5 5 48 67
C6 6 7 6 7 6 7 6 7 7 59 56
C7 8 8 7 8 7 8 8 8 8 70 78
C8 7 1 8 1 8 1 1 8 7 42 44
C2 - C1 - C3 - C4 - C5 – C6 – C7
Otros métodos subjetivos o cualitativos
Son los que usan datos provenientes de fuentes Es aquel que usa valores
distintas a las series que se están pronosticando: pasados en cuanto al
pueden existir otras variables con valores que fenómeno que deseamos
están vinculadas de alguna forma a lo que esta predecir
pronosticándose.
Modelos causales
Sea Y el fenómeno que deseamos pronosticar y X1, X2, …,Xn son las variables que creemos
que están relacionadas con Y.
El modelo causal es aquel que en el pronostico para Y es cierta función de estas variables:
Y= α0 +α1 X1 + α2 X2 + … +αn Xn
Se utiliza el método de mínimos cuadrados para determinar los valores de las constantes.
Los modelos causales de este tipo son muy utilizados para predecir fenómenos económicos como el
Producto Nacional Bruto (PNB) y el Producto Interno Bruto (PIB).
Estos modelos se utilizan en las áreas de finanzas y economía de la compañía para pronosticar valores de las
variables macroeconómicas.
Métodos de series de tiempo
Demanda estacional
Aleatoriedad: Una serie aleatoria pura es aquella en la que no existe un patrón
reconocible para los datos. Los datos pueden generarse de una forma que, aun siendo
puramente aleatoria, muchas veces aparenta y tener una estructura
Regularidad:
Mide la variabilidad de una serie cuando los demás componentes se han eliminado o no existen.
Está formado por las repeticiones que presentan cada cierto tiempo los patrones de la demanda
MÉTODOS DE SUAVIZACIÓN
El objetivo de cada uno de estos métodos es “suavizar” las fluctuaciones aleatorias causadas por el
componente irregular de las series de tiempo, por lo que se conocen como métodos de suavización.
Este tipo de métodos es apropiado para una serie de tiempo estable, es decir, una que no exhibe
efectos significativos de tendencia, cíclicos o estacionales.
Promedios móviles
El término móvil indica que, mientras se dispone de una nueva observación para la serie de tiempo,
reemplaza a la observación más antigua de la ecuación anterior y se calcula un promedio nuevo.
Yt : observación en el período t
Ft: pronóstico para el período t
Promedios móviles
(simples de orden 3)
Los promedios móviles simples no son las mejor manera de pronosticar cuando existe una tendencia en
las series
Promedios móviles Promedios móviles
(simples de orden 2) (simples de orden 4)
Ejemplo
Los datos trimestrales para las fallas de ciertos motores de aeronaves en una base local militar durante los
pasados dos años son, 200, 250, 175, 186, 225, 285, 305, 190. Los promedios trimestrales y semestrales se
usan para pronosticar el número de fallas de motores. Determine los pronósticos de un paso adelante para
los periodos 4 a 8 utilizando los promedios móviles de 3 periodos, y los pronósticos de un paso adelante
para los periodos 7 y 8 utilizando promedios móviles para 6 periodos
Fallas de
F 4 = (1/3) (200 + 250 + 175) =208 Trimestre motor PM(3) Error PM(6) Error
1 200
Para el periodo 5 2 250
3 175
4 186 208 22
F5 = (1/3) (250 + 175 + 186) =204 C
5 225 204 -21
6 285 195 -90
Para el periodo 7 7 305 232 -73 220 -85
8 190 272 82 238 48
F7 = (1/6) (200+250+175+186+225+285) =220
O DAM O ECM
Identifica el sesgo Distancia promedio Penaliza errores grandes
X 100
O EPAM
Semana P1 O1 P2 O2
1 92 88 96 91
2 87 88 89 89
3 95 97 92 90
4 90 83 93 90
5 88 91 90 86
6 93 93 85 89
Semana P1 O1 [E1] [E1]2 [E1/O1] [E1/O1]/n P2 O2 [E2] [E2]2 [E1/O2] [E2/O2]/n
1 92 88 4 16 0,0455 0,0076 96 91 5 25 0,0549 0,0092
2 87 88 1 1 0,0114 0,0019 89 89 0 0 0,0000 0,0000
3 95 97 2 4 0,0206 0,0034 92 90 2 4 0,0222 0,0037
4 90 83 7 49 0,0843 0,0141 93 90 3 9 0,0333 0,0056
5 88 91 3 9 0,0330 0,0055 90 86 4 16 0,0465 0,0078
6 93 93 0 0 0,0000 0,0000 85 89 4 16 0,0449 0,0075
17 79 0,1947 0,0325 18 70 0,2020 0,0337
La suavización exponencial utiliza un promedio ponderado de valores de series de tiempo pasadas como
pronóstico.
La formula muestra que el pronóstico para el periodo t+1 es un promedio ponderado del valor real en
el periodo t y el pronóstico para el periodo t.
Es un caso especial del método de promedios móviles ponderados en el cual seleccionamos sólo un peso,
el peso para la observación más reciente.
Los pesos para los demás valores se calculan de forma automática y se vuelven cada vez más
pequeños a medida que las observaciones se alejan en el pasado.
Podemos demostrar que el pronóstico de la suavización exponencial para cualquier periodo también es
un promedio ponderado de todos los valores reales previos.
Valor de α (constante de suavizamiento)
Para una serie de tiempo con relativamente poca variabilidad, los valores más grandes de la constante
de suavización tienen la ventaja de ajustar rápidamente los pronósticos cuando ocurren errores de
pronóstico y por ende permiten que el pronóstico reaccione más rápido a las condiciones cambiantes.
Para iniciar el método se asumirá que el pronóstico para el periodo 1 fue 200. Supongamos que α = 0,1.
Fallas de
F2 = α D1 + (1- α) F1 Trimestre motor Pronóstico
1 200 200
= (0,1) (200) + (0.9)*(200) 2 250 200
= 200 3 175 205
4 186 202
F3 = α D2 + (1- α) F2 5 225 200
6 285 203
= (0,1) (250) + (0.9)*(200)
7 305 211
= 205 8 190 220
El suavizamiento exponencial pone un peso especial en las observaciones pasadas, así que el valor inicial
de demanda tendrá un efecto absurdamente grande en los primeros pronósticos. Este problema puede
superarse si se permite que el proceso evoluciones durante un número razonable de periodos (digamos
10 o más) y utilizando el promedio aritmético de la demanda durante esos periodos como el pronostico
inicial
En este punto se muestra cómo pronosticar los valores de una serie de tiempo que exhibe una tendencia
lineal a largo plazo.
El tipo de series de tiempo para las cuales el método de proyección de tendencias es aplicable, muestra
un incremento o disminución constante en el tiempo.
Debido a que este tipo de serie de tiempo no es estable, los métodos de suavización descritos en la
sección anterior no son aplicables.
Análisis de regresión
Para una tendencia lineal, el volumen de ventas estimado expresado como una función del tiempo.
𝑆𝑥𝑦=5[200+(250*2)+(175*3)+(186*4)+(225*5)] –[(5*6)/2]*[200+250+175+186+225]
𝑆𝑥𝑦= -70
𝑆 −70 𝑏 𝑛+1 7
𝑏 = 𝑆𝑥𝑦 = = -7/5= 1,4 ഥ−
𝑎=𝐷 = 207,2 − − ∗ 3 = 211,4
50
𝑥𝑥
2 5
𝑡 = 211,4 – 1,4 t
𝐷
Uno de los inconvenientes más serios de utilizar la regresión para el pronóstico es que resulta muy engorroso
actualizar los pronósticos conforme se va contando con nuevos datos
La serie de tiempo para el número de bicicletas vendidas
𝐺𝑡 = 𝛽 𝑆𝑡 − 𝑆𝑡−1 + (1 − 𝛽)𝐺𝑡−1
La segunda ecuación: Nuestro nuevo estimado de intercepción, St, provoca que modifiquemos
nuestro estimado de la pendiente St – St-1. Este valor se promedia entonces con es estimado anterior
de la pendiente Gt-1. Las constantes de suavizamiento pueden ser las mismas, pero para la mayoría
de las aplicaciones se da mayor estabilidad la estimado de la pendiente (lo que implica que β≤α)
El pronóstico de Ϯ pasos adelante, hecho en el periodo t, que se denota como Ft,t+Ϯ
Ft,t+Ϯ = St + Ϯ Gt
Ejemplo
Los datos trimestrales para las fallas de ciertos motores de aeronaves en una base local militar durante los
pasados dos años son, 200, 250, 175, 186, 225, 285, 305, 190.
DAM = 46,4
Este es mejor porque esta diseñado para dar seguimiento a la tendencia de datos, no así
el suavizameinto exponencial simple y los promedios móviles.
Tanto el método Holt como la regresión están diseñados para manejar series que muestran la
tendencia
MÉTODOS PARA SERIES ESTACIONALES
Una serie estacional es aquella que tiene un patrón que se repite cada N periodos, para algún valor de N
(que es cuando menos 3).
Duración de la estación (N): es el número de periodos antes de que el patrón comience a repetirse.
Existen muchas formas de representar la estacionalidad: la más común es suponer que existe un
conjunto de multiplicadores Ct, para 1 ≤ T ≤ N con la propiedad de que ∑ Ct= N
Procedimiento
2) Divida cada observación por la media de la muestra (esto da factores estacionales para cada
periodo de datos observados
3) Promedie los factores para los factores semejantes dentro de cada estación.
Promedie todos los factores correspondientes al primer periodo de una estación, todos los
factores correspondientes al segundo periodo de una estación, y así sucesivamente.
Los promedios resultantes son los N factores estacionales. Siempre sumaran exactamente N
Ejemplo:
El departamento de transporte La HAM de una ciudad de La Paz, necesita determinar los factores de uso, por
día de la semana, para el puente Las Américas que conecta 2 zonas de la ciudad. En el estudio actual se
contemplan los días hábiles. Se estima que el número de automóviles que utilizaron el puente cada día hábil
durante las pasadas 4 semanas fue (en miles de automóviles)
Este método requiere el cálculo de los promedios móviles de N periodos, donde N es la duración de
la estación.
Ejemplo
El historial de la demanda de cierto artículo en los últimos ocho trimestres es de 10, 20, 26, 17, 12, 23, 30 y
22
Demanda Periodo Demanda PM(4)
35
1 10
30
2 20
25
3 26
20
4 17 18,25
15
10
5 12 18,75
5
6 23 19,50
0 7 30 20,50
1 2 3 4 5 6 7 8
8 22 21,75
1° Por la imagen se ve que los datos representan 2 estaciones, en las que cada una tiene 4 periodos, por
lo que se calcula el promedio móvil para 4 periodos.
2° Los promedios móviles deben “centrarse” (calcular el centro de estos números) (1+2+3+4)/4 = 2,5;
(2+3+4+5)/4=3,5 …….
Para N impar, los valores centrados coincidirían con los periodos en vez de estar entre periodos
3° Se debe volver hacer que los valores coincidan con los periodos: Para lo cual se promedian los valores
adyacentes.
Para la obtención de los valores 1 y 2 se promedian los valores de los periodos 3 y 4 y para la obtención de
los valores 7 y 8, se promedian los valores 5 y 6. De esta menar se obtiene el promedio móvil centrado.
4° se forma la razón de la demanda para ese periodo sobre el PM centrado
5° formar el promedio de los factores estacionales correspondientes a los mismos periodos de cada
estación. Como se tienen 2 estaciones de datos, se promedia primer valor de la primera estación con el
primero de la siguiente estación)
6° Se debe verificar que la suma de los factores estacionales sea igual a N
7° Dividir cada observación por el factor estacional apropiado para poder obtener la demanda
desestacionalizada
8° Se debe reestacionalizar la demanda mediante la multiplicación del factor estacional apropiado,
pudiéndose utilizar el método Holt o regresión lineal
Periodo Demanda PM(4) Centrado PM Centrado Promedio de Factor
Razón factores 0,558
1 10 18,813
(18,500+19,125)/2 0,532 0,566
1,062
2 20 18,813
1,063 1,076
3 26 18,500 1,413
1,405 1,432
18,250
4 17 18,250 19,125 0,966
0,889 0,979
18,750
5 12 18,750 20,000 0,558
0,600 4,053
19,500
6 23 19,500 21,125 1,089 1,062
20,500
(20,000 +21,125)/2
7 30 20,500 20,563 1,459 1,413
21,750
8 22 21,750 20,563 1,070 0,967
4/4,053=
0,987
Es un tipo de suavizamiento exponencial triple, y tiene la importante ventaja de ser fácil de actualizar
conforme se dispone de nuevos datos.
𝐷𝑡 = (𝜇 + 𝐺𝑡 )𝐶𝑡 + 𝜀𝑡
Donde:
𝜇 = Señal base o intercepción en el tiempo t=0
(excluyendo la estacionalidad)
𝐺𝑡 = Componente de tendencia o pendiente
𝐶𝑡 = Componente estacional multiplicativo del
periodo t
𝜀𝑡 = término de error
Se supone que la duración de la estación es exactamente N periodos y los factores estacionales son los
mismos cada estación y tienen la propiedad de que ∑Ct=N
Se usan 3 ecuaciones de suavizamiento en cada periodo para actualizar los cálculos de serie desestacionalizada,
los factores estacionales y la tendencia. Estas constantes pueden tener diferentes constantes de suavizamiento,
α,β y Ƴ
1.- La serie: El nivel actual de la serie desestacionalizada, St, esta dada por:
𝐷𝑡
𝑆𝑡 = 𝛼( ) + (1 +∝)(𝑆𝑡−1 + 𝐺𝑡−1 )
𝐶𝑡−𝑁
𝐺𝑡 = 𝛽 𝑆𝑡 − 𝑆𝑡−1 + (1 − 𝛽)𝐺𝑡−1
Después de esto se promedia con el mejor estimado previo del factor estacional Ct-N.
Cada vez que se actualiza un factor estacional, es necesario normalizar los N factores más recientes para que
sumen N
Por último, el pronóstico realizado en el periodo t para cualquier periodo futuro t+Ƭ, esta dado por
𝐹𝑡,𝑡+𝜏 = 𝑆𝑡 + 𝜏𝐺𝑡 𝑐𝑡+𝜏−𝑁
Esta ecuación supone que t ≤ N. Si N < Ƭ ≤ 2N, el factor estacional adecuado será 𝑐𝑡+𝜏−3𝑁 y así
sucesivamente
Procedimiento de inicialización
Para poder iniciar el procedimiento se debe tener: Los estimados iniciales de la serie, la pendiente y los
factores estacionales. Winters, sugiere que para la inicialización, deben estar disponibles dos estaciones de
datos.
Suponiendo que existan 2 estaciones de datos (2N), también que el periodo actual es t=0, las observaciones
pasadas se marcan como D-2N+1, D -2N+2,….D0
1. Calcule por separado la media de la muestra de las dos estaciones de datos
−𝑁
1
𝑉1 = 𝐷𝑗
𝑁
𝑗=−2𝑁+1
0
1
𝑉2 = 𝐷𝑗
𝑁
𝑗=−𝑁+1
2. Defina G0=(V2-V1)/N como es estimado de la pendiente inicial. Si hay m>2 estaciones de datos disponibles
para la inicialización, entonces calcule V1….Vm como en el paso 1 y defina G0=(Vm-V1)/([(m-1)N]. Si se localiza
V1 en el centro de la primera estación de datos [en el periodo (-3N+1)/2] y V2 en el centro de la segunda
estación de datos [en el periodo(-N+1)/2], entonces G0 es simplemente la pendiente de la línea que conecta V1
y V2.
3. Iguale S0=V2 +G=[(N-1)/2]. Con esto se estima el valor de la serie en el tiempo t=0. Observe que S0
es el valor asumido por la línea que conecta V1 y V2 en T=0
4. a) Los factores estacionales iniciales se calculan para cada periodo del cual se tienen datos disponibles
y después de promedian para obtener un conjunto de factores estacionales.
Factores iniciales: se divide cada una de las observaciones iniciales entre el punto a lo largo de la línea
que conecta V1 y V2.
𝐷𝑡
𝑐𝑡 = 𝑝𝑎𝑟𝑎 − 2𝑁 + 1 ≤ 𝑡 ≤ 0
𝑁+1
𝑉𝑖 − [ − 𝑗]𝐺0
2
𝐷𝑡
𝑐𝑡 =
𝑁+1
𝑉𝑖 − [ − 𝑗]𝐺0
2
10 20
𝑐−7 = = 0,5904 𝑐−6 = = 1,123
5 5
18,25 − − 1 ∗ 0,875 18,25 − [ −2 ∗ 0,875 ]
2 2
Demanda Factores Estacionales
10 C-7 0,590
20 C-6 1,123
26 C-5 1,391
17 C-4 0,869
12 C-3 0,587
23 C-2 1,079
30 C-1 1,352
22 C-0 0,954
3,973 Normalizar
Para el pronóstico de la demanda del próximo año en el tiempo t=0
Demanda
pronosticada para
t=0
14,193
27,510
35,482
24,380
Para t=1
Se observa una demanda de D1= 16, por lo que es necesario actualizar las ecuaciones α=0,2 y β= 0,1 y Ƴ=1
𝐷𝑡
𝑆𝑡 = 𝛼( ) + (1 +∝)(𝑆𝑡−1 + 𝐺𝑡−1 )
𝐶𝑡−𝑁
16 𝑆𝑡=1 = 24,544
𝑆𝑡=1 = 0,2( ) + (1 − 0,2)(23,06 + 0,875)
0,593
𝑐𝑡 = 𝛾 𝐷𝑡 /𝑆𝑡 + (1 − 𝛾)𝐶𝑡−𝑁
𝐹1,2 =28,20
Completar
Se ha observado un año completo de demanda, dado por: D1= 16, D2= 33, D3=34 y D4=26, actualizar el
estimado