Documentos de Académico
Documentos de Profesional
Documentos de Cultura
3
SERIES DE TIEMPO CON TENDENCIA
Los pronósticos de suavización exponencial y de promedios móviles se
retrasarán en relación con una tendencia en caso de que la haya.
Consideraremos dos métodos de pronóstico que representan
específicamente una tendencia en los datos:
4
SERIES DE TIEMPO CON TENDENCIA
El método requiere de la especificación de dos constantes de
suavización, 𝛼 y 𝛽, y utiliza dos ecuaciones de suavización :
5
SERIES DE TIEMPO CON TENDENCIA
𝐹𝐼𝑇𝑡 = 𝐹𝑡 + 𝑇𝑡
6
SERIES DE TIEMPO CON TENDENCIA
𝐹𝑡 = 𝐹𝐼𝑇𝑡−1 + 𝛼 𝐷𝑡−1 − 𝐹𝐼𝑇𝑡−1
𝑇𝑡 = 𝑇𝑡−1 + 𝛽 𝐹𝑡 − 𝐹𝐼𝑇𝑡−1
7
SERIES DE TIEMPO CON TENDENCIA
Ejemplo 1:
IngE es una empresa productora de alimento para peces y
requiere calcular el pronóstico de demanda con el método de
suavizado exponencial con corrección por tendencia para los próximos
meses.
El pronóstico de demanda del período 1 fue de 1500, pero las ventas
reales fueron de 1132 y la tendencia en ese momento fue de 150. La
compañía asigna un α=0,10. Prevén una tendencia alcista en próximos
meses, por lo que definen β=0,30.
8
SERIES DE TIEMPO CON TENDENCIA
Pronóstico Tendencia Pronóstico con
Periodo Demanda
suavizado suavizada tendencia
1 1132 1500,0 150,0
2 1600
3 1690
4 1640
5 1765
6 1879
7 1990
8 2100
9 2210
10 2356
11 2201
12 2027
9
SERIES DE TIEMPO CON TENDENCIA
Pronóstico Tendencia Pronóstico con
Periodo Demanda
suavizado suavizada tendencia
1 1132 1500,0 150,0
2 1600
3 1690 𝐹𝐼𝑇1 = 𝐹1 + 𝑇1
4 1640 𝐹𝐼𝑇1 = 1500 + 150
5 1765 𝐹𝐼𝑇1 = 1650
6 1879
7 1990
8 2100
9 2210
10 2356
11 2201
12 2027
10
SERIES DE TIEMPO CON TENDENCIA
Pronóstico Tendencia Pronóstico con
Periodo Demanda
suavizado suavizada tendencia
1 1132 1500,0 150,0 1650
2 1600
3 1690
4 1640
5 1765
6 1879
7 1990
8 2100
9 2210
10 2356
11 2201
12 2027
11
SERIES DE TIEMPO CON TENDENCIA
Pronóstico Tendencia Pronóstico con
Periodo Demanda
suavizado suavizada tendencia
1 1132 1500,0 150,0 1650
2 1600
3 1690
4 1640
5 1765 𝐹𝑡 = 𝐹𝐼𝑇𝑡−1 + 𝛼 𝐷𝑡−1 − 𝐹𝐼𝑇𝑡−1
6 1879 𝐹2 = 1650 + 0,1 1132 − 1650
7 1990 𝐹2 = 1598,2
8 2100
9 2210
10 2356
11 2201
12 2027
12
SERIES DE TIEMPO CON TENDENCIA
Pronóstico Tendencia Pronóstico con
Periodo Demanda
suavizado suavizada tendencia
1 1132 1500,0 150,0 1650
2 1600 1598,2
3 1690
4 1640
5 1765
6 1879
7 1990
8 2100
9 2210
10 2356
11 2201
12 2027
13
SERIES DE TIEMPO CON TENDENCIA
Pronóstico Tendencia Pronóstico con
Periodo Demanda
suavizado suavizada tendencia
1 1132 1500,0 150,0 1650
2 1600 1598,2
3 1690
4 1640
5 1765 𝑇𝑡 = 𝑇𝑡−1 + 𝛽 𝐹𝑡 − 𝐹𝐼𝑇𝑡−1
6 1879 𝑇2 = 150 + 0,3 1598,2 − 1650
7 1990
8 2100
𝑇2 = 134,5
9 2210
10 2356
11 2201
12 2027
14
SERIES DE TIEMPO CON TENDENCIA
Pronóstico Tendencia Pronóstico con
Periodo Demanda
suavizado suavizada tendencia
1 1132 1500,0 150,0 1650
2 1600 1598,2 134,5
3 1690
4 1640 𝐹𝐼𝑇𝑡 = 𝐹𝑡 + 𝑇𝑡
5 1765 𝐹𝐼𝑇2 = 1598,2 + 134,5
6 1879 𝐹𝐼𝑇2 = 1732,7
7 1990
8 2100
9 2210
10 2356
11 2201
12 2027
15
SERIES DE TIEMPO CON TENDENCIA
Pronóstico Tendencia Pronóstico con
Periodo Demanda
suavizado suavizada tendencia
1 1132 1500,0 150,0 1650,0
2 1600 1598,2 134,5 1732,7
3 1690
4 1640
5 1765
6 1879
7 1990
8 2100
9 2210
10 2356
11 2201
12 2027
16
SERIES DE TIEMPO CON TENDENCIA
Pronóstico Tendencia Pronóstico con
Periodo Demanda
suavizado suavizada tendencia
1 1132 1500,0 150,0 1650,0
2 1600 1598,2 134,5 1732,7
3 1690 1719,4 130,5 1849,9
4 1640 1833,9 125,7 1959,6
5 1765 1927,6 116,1 2043,7
6 1879 2015,8 107,7 2123,6
7 1990 2099,1 100,4 2199,5
8 2100 2178,6 94,1 2272,7
9 2210 2255,4 88,9 2344,3
10 2356 2330,9 84,9 2415,8
11 2201 2409,8 83,1 2492,9
12 2027 2463,7 74,3 2538,1
17
SERIES DE TIEMPO CON TENDENCIA
3000
2500
2000
1500
1000
500
0
0 2 4 6 8 10 12 14
Demanda Pronóstico suavizado Tendencia suavizada Pronóstico con tendencia
18
ERRORES DE PRONÓSTICO
El término error se refiere a la diferencia entre el valor de pronóstico
y lo que ocurrió en realidad.
19
MEDICIONES DEL ERROR
Error Cuadrado Medio (MSE)
σ𝑛𝑡=1 𝑅𝑒𝑎𝑙𝑡 − 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜𝑡 2
𝑀𝑆𝐸 =
𝑛
20
MEDICIONES DEL ERROR
Periodo Demanda Pronóstico MSE MAD MAPE
1 1132 1650,0
2 1600 1732,7
3 1690 1849,9
4 1640 1959,6
5 1765 2043,7
6 1879 2123,6
7 1990 2199,5
8 2100 2272,7
9 2210 2344,3
10 2356 2415,8
11 2201 2492,9
12 2027 2538,1
21
MEDICIONES DEL ERROR
Periodo Demanda Pronóstico MSE MAD MAPE
1 1132 1650,0 268324,0 518,0 0,458
2 1600 1732,7 17598,7 132,7 0,083
3 1690 1849,9 25559,8 159,9 0,095
4 1640 1959,6 102125,5 319,6 0,195
5 1765 2043,7 77679,6 278,7 0,158
6 1879 2123,6 59816,9 244,6 0,130
7 1990 2199,5 43896,9 209,5 0,105
8 2100 2272,7 29817,4 172,7 0,082
9 2210 2344,3 18047,7 134,3 0,061
10 2356 2415,8 3577,2 59,8 0,025
11 2201 2492,9 85227,1 291,9 0,133
12 2027 2538,1 261216,1 511,1 0,252
23
SERIES DE TIEMPO CON ESTACIONALIDAD
Suavización exponencial triple (Método de Winter)
Este método se utiliza cuando además de presentarse una tendencia
lineal en la serie de tiempo, hay también un patrón de comportamiento
de tipo estacional o periódico en los datos o valores de la serie de
tiempo. Esta técnica es una extensión del método de Holt ya que
incorpora una ecuación para calcular una estimación de la
estacionalidad.
24
SERIES DE TIEMPO CON ESTACIONALIDAD
25
SERIES DE TIEMPO CON ESTACIONALIDAD
Inicializar el método
Desestacionalizar la demanda
𝑁
𝑡−1+
2
𝐷 𝑁 +𝐷 𝑁 +σ 𝑁 2𝐷𝑖
𝑡− 𝑡+ 𝑖=𝑡+1− 2
2 2
, 𝑠𝑖 𝑁 𝑒𝑠 𝑝𝑎𝑟
ഥ𝑡 =
𝐷 2𝑁
𝑁
𝑡+ 2
σ 𝑁 𝐷𝑖
𝑖=𝑡− 2
, 𝑠𝑖 𝑁 𝑒𝑠 𝑖𝑚𝑝𝑎𝑟
𝑁
26
SERIES DE TIEMPO CON ESTACIONALIDAD
Desestacionalizar la demanda
Promedio móvil Promedio móvil
Periodo Demanda
centrado centrado
1 8000
2 13000 19500
3 23000 20000 19750
4 34000 21250 20625
5 10000 21250 21250
6 18000 22250 21750
7 23000 22750 22500
8 38000 21500 22125
9 12000 23750 22625
10 13000 24500 24125
11 32000
12 41000
27
SERIES DE TIEMPO CON ESTACIONALIDAD
45000
40000
35000
30000
25000
20000
15000
10000
5000
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13
Demanda Demanda desestacionalizada
ഥ𝑡 = 𝐹 + 𝑇𝑡 ← 𝑟𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛 𝑙𝑖𝑛𝑒𝑎𝑙
𝐷
28
SERIES DE TIEMPO CON ESTACIONALIDAD
R𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛 𝑙𝑖𝑛𝑒𝑎𝑙
X Y XY X^2
3 19750 59250 9 Pendiente
4 20625 82500 16
5 21250 106250 25
6 21750 130500 36 Secante
7 22500 157500 49
8 22125 177000 64
9 22625 203625 81 α1 523.81
10 24125 241250 100 α0 18438
Promedio Promedio Sumatoria Sumatoria
6.5 21843.75 1157875 380
29
SERIES DE TIEMPO CON ESTACIONALIDAD
45000
40000
35000
30000
y = 523,81x + 18439
25000
20000
15000
10000
5000
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13
Demanda Demanda desestacionalizada
30
SERIES DE TIEMPO CON ESTACIONALIDAD
Desestacionalizar la demanda
Promedio
Promedio Demanda
Periodo Demanda móvil
móvil centrado desestacionalizada
centrado
1 8000 18962.8
2 13000 19500 19486.6
3 23000 20000 19750 20010.4
y = 523,81x + 18439 4 34000 21250 20625 20534.2
5 10000 21250 21250 21058.1
6 18000 22250 21750 21581.9
7 23000 22750 22500 22105.7
8 38000 21500 22125 22629.5
9 12000 23750 22625 23153.3
10 13000 24500 24125 23677.1
11 32000 24200.9
12 41000 24724.7
31
SERIES DE TIEMPO CON ESTACIONALIDAD
Estimación de los factores estacionales
Promedio Promedio
𝐷𝑡 Periodo Demanda móvil móvil
Demanda
St^
𝑆𝑡ҧ = centrado centrado
desestacionalizada
ഥ𝑡
𝐷 1 8000 18962.8 0.422
2 13000 19500 19486.6 0.667
3 23000 20000 19750 20010.4 1.149
4 34000 21250 20625 20534.2 1.656
5 10000 21250 21250 21058.1 0.475
6 18000 22250 21750 21581.9 0.834
7 23000 22750 22500 22105.7 1.040
8 38000 21500 22125 22629.5 1.679
9 12000 23750 22625 23153.3 0.518
10 13000 24500 24125 23677.1 0.549
11 32000 24200.9 1.322
12 41000 24724.7 1.658
32
SERIES DE TIEMPO CON ESTACIONALIDAD
Y calculamos los factores estacionales iniciales
𝑆𝑖 + 𝑆𝑖+𝑁 + 𝑆𝑖+2𝑁+⋯
𝑆𝑖 = , ∀𝑖 ≤𝑁
𝑛/𝑁
𝑇𝑡 = 𝛽 𝐹𝑡 − 𝐹𝑡−1 + 1 − 𝛽 𝑇𝑡−1
Factor de estacionalidad
𝐷𝑡
𝑆𝑡+𝑁 = 𝛾 + 1 − 𝛾 𝑆𝑡
𝐹𝑡
34
SERIES DE TIEMPO CON ESTACIONALIDAD
Y el pronóstico se calcula:
𝐹𝐼𝑇𝑆𝑡 = 𝐹𝑡 + 𝑇𝑡 ∙ 𝑆𝑡
35
SERIES DE TIEMPO CON ESTACIONALIDAD
Ejemplo 2: Con 𝛼 = 0.1, 𝛽 = 0.2, 𝛾 = 0,1
Periodo Demanda Ft Tt St FITS t
1 8000
2 13000
3 23000
4 34000
5 10000
6 18000
7 23000
8 38000
9 12000
10 13000
11 32000
12 41000
36
SERIES DE TIEMPO CON ESTACIONALIDAD
Ejemplo 2: Con 𝛼 = 0.1, 𝛽 = 0.2, 𝛾 = 0,1
Periodo Demanda Ft Tt St FITS t
1 8000 18439,00 523,81 0,47
2 13000 0,68
3 23000 1,17
4 34000 1,66
5 10000
6 18000
7 23000 Regresión
8 38000
9 12000
10 13000
11 32000
12 41000
37
SERIES DE TIEMPO CON ESTACIONALIDAD
Ejemplo 2: Con 𝛼 = 0.1, 𝛽 = 0.2, 𝛾 = 0,1
Periodo Demanda Ft Tt St FITS t
1 8000 18439,00 523,81 0,47
2 13000 0,68
3 23000 1,17
4 34000 1,66
𝐷𝑡
5 10000 𝑆𝑡+𝑁 = 𝛾 + 1 − 𝛾 𝑆𝑡
6 18000 𝐹𝑡
7 23000
8000
8 38000 𝑆1+4 = 0,1 × + 1 − 0,1 × 0,47
18439
9 12000
10 13000 𝑆5 = 0,47
11 32000
12 41000
38
SERIES DE TIEMPO CON ESTACIONALIDAD
Ejemplo 2: Con 𝛼 = 0.1, 𝛽 = 0.2, 𝛾 = 0,1
Periodo Demanda Ft Tt St FITS t
1 8000 18439,00 523,81 0,47
2 13000 0,68
3 23000 1,17
4 34000 1,66
5 10000 0,47
6 18000
7 23000
8 38000
9 12000
10 13000
11 32000
12 41000
39
SERIES DE TIEMPO CON ESTACIONALIDAD
Ejemplo 2: Con 𝛼 = 0.1, 𝛽 = 0.2, 𝛾 = 0,1
Periodo Demanda Ft Tt St FITS t
1 8000 18439,00 523,81 0,47
2 13000 0,68
3 23000 1,17
4 34000 1,66
5 10000 0,47 𝐹𝐼𝑇𝑆𝑡 = 𝐹𝑡 + 𝑇𝑡 × 𝑆𝑡
6 18000 𝐹𝐼𝑇𝑆1 = 18439 + 523,81 × 0,47
7 23000 𝐹𝐼𝑇𝑆1 = 8944,4
8 38000
9 12000
10 13000
11 32000
12 41000
40
SERIES DE TIEMPO CON ESTACIONALIDAD
Ejemplo 2: Con 𝛼 = 0.1, 𝛽 = 0.2, 𝛾 = 0,1
Periodo Demanda Ft Tt St FITS t
1 8000 18439,00 523,81 0,47 8944,4
2 13000 0,68
3 23000 1,17
4 34000 1,66
5 10000 0,47
6 18000
7 23000
8 38000
9 12000
10 13000
11 32000
12 41000
41
SERIES DE TIEMPO CON ESTACIONALIDAD
Ejemplo 2: Con 𝛼 = 0.1, 𝛽 = 0.2, 𝛾 = 0,1
Periodo Demanda Ft Tt St FITS t
1 8000 18439,00 523,81 0,47 8944,4
2 13000 0,68
3 23000 1,17
4 34000 1,66 𝐷𝑡−1
𝐹𝑡 = 𝛼 + 1 − 𝛼 𝐹𝑡−1 + 𝑇𝑡−1
5 10000 0,47 𝑆𝑡−1
6 18000
F2
7 23000 8000
8 38000 = 0,1 ×
0,47
9 12000 + 1 − 0,1 18439 + 523,81
10 13000
11 32000 F2 = 18762,59
12 41000
42
SERIES DE TIEMPO CON ESTACIONALIDAD
Ejemplo 2: Con 𝛼 = 0.1, 𝛽 = 0.2, 𝛾 = 0,1
Periodo Demanda Ft Tt St FITS t
1 8000 18439,00 523,81 0,47 8944,4
2 13000 18762,59 0,68
3 23000 1,17
4 34000 1,66
5 10000 0,47
6 18000
7 23000
8 38000
9 12000
10 13000
11 32000
12 41000
43
SERIES DE TIEMPO CON ESTACIONALIDAD
Ejemplo 2: Con 𝛼 = 0.1, 𝛽 = 0.2, 𝛾 = 0,1
Periodo Demanda Ft Tt St FITS t
1 8000 18439,00 523,81 0,47 8944,4
2 13000 18762,59 0,68
3 23000 1,17
4 34000 1,66
5 10000 0,47 𝑇𝑡 = 𝛽 𝐹𝑡 − 𝐹𝑡−1 + 1 − 𝛽 𝑇𝑡−1
6 18000
𝑇2
7 23000 = 0,2 × 18762,5 − 18439
8 38000 + 1 + 0,2 × 523,81
9 12000
10 13000 𝑇2 = 483,77
11 32000
12 41000
44
SERIES DE TIEMPO CON ESTACIONALIDAD
Ejemplo 2: Con 𝛼 = 0.1, 𝛽 = 0.2, 𝛾 = 0,1
Periodo Demanda Ft Tt St FITS t
1 8000 18439,00 523,81 0,47 8944,4
2 13000 18762,59 483,77 0,68
3 23000 1,17
4 34000 1,66
5 10000 0,47
6 18000
7 23000
8 38000
9 12000
10 13000
11 32000
12 41000
45
SERIES DE TIEMPO CON ESTACIONALIDAD
Ejemplo 2: Con 𝛼 = 0.1, 𝛽 = 0.2, 𝛾 = 0,1
Periodo Demanda Ft Tt St FITS t
1 8000 18439,00 523,81 0,47 8944,4
2 13000 18762,59 483,77 0,68
3 23000 1,17
4 34000 1,66 𝐷𝑡
5 10000 0,47 𝑆𝑡+𝑁 = 𝛾 + 1 − 𝛾 𝑆𝑡
𝐹𝑡
6 18000
7 23000
𝑆2+4
8 38000 13000
9 12000 = 0,1 × + 1 − 0,1
18762,5
10 13000 × 0,68
11 32000
12 41000 𝑆2+4 = 0,68
46
SERIES DE TIEMPO CON ESTACIONALIDAD
Ejemplo 2: Con 𝛼 = 0.1, 𝛽 = 0.2, 𝛾 = 0,1
Periodo Demanda Ft Tt St FITS t
1 8000 18439,00 523,81 0,47 8944,4
2 13000 18762,59 483,77 0,68
3 23000 1,17
4 34000 1,66
5 10000 0,47
6 18000 0,68
7 23000
8 38000
9 12000
10 13000
11 32000
12 41000
47
SERIES DE TIEMPO CON ESTACIONALIDAD
Ejemplo 2: Con 𝛼 = 0.1, 𝛽 = 0.2, 𝛾 = 0,1
Periodo Demanda Ft Tt St FITS t
1 8000 18439,00 523,81 0,47 8944,4
2 13000 18762,59 483,77 0,68
3 23000 1,17
4 34000 1,66
5 10000 0,47 𝐹𝐼𝑇𝑆𝑡 = 𝐹𝑡 + 𝑇𝑡 × 𝑆𝑡
6 18000 0,68 𝐹𝐼𝑇𝑆2 = 18762,59 + 483,77 × 0,68
7 23000 𝐹𝐼𝑇𝑆2 = 13153,0
8 38000
9 12000
10 13000
11 32000
12 41000
48
SERIES DE TIEMPO CON ESTACIONALIDAD
Ejemplo 2: Con 𝛼 = 0.1, 𝛽 = 0.2, 𝛾 = 0,1
Periodo Demanda Ft Tt St FITS t
1 8000 18439,00 523,81 0,47 8944,4
2 13000 18762,59 483,77 0,68 13153,0
3 23000 1,17
4 34000 1,66
5 10000 0,47
6 18000 0,68
7 23000
8 38000
9 12000
10 13000
11 32000
12 41000
49
SERIES DE TIEMPO CON ESTACIONALIDAD
Ejemplo 2: Con 𝛼 = 0.1, 𝛽 = 0.2, 𝛾 = 0,1
Periodo Demanda Ft Tt St FITS t
1 8000 18439,00 523,81 0,47 8944,4
2 13000 18762,59 483,77 0,68 13153,0
3 23000 19223,97 479,29 1,17 23066,7
4 34000 19697,55 478,15 1,66 33580,8
5 10000 20200,89 483,18 0,47 9678,0
6 18000 20752,88 496,95 0,68 14542,3
7 23000 21755,07 598,00 1,17 26226,4
8 38000 22078,08 543,00 1,67 37790,5
9 12000 22633,62 545,51 0,47 10908,4
10 13000 23411,09 591,90 0,70 16865,7
11 32000 23452,83 481,87 1,16 27804,3
12 41000 24295,87 554,10 1,68 41639,7
50
OTROS MÉTODOS DE PRONÓSTICOS
Modelo Box-Jenkins modelo de promedios móviles autorregresivo
integrado (ARIMA, autoregressive integrated moving average)
No son tan sencillos de construir
Bajo las circunstancias correctas, estos métodos pueden funcionar
significativamente mejor que los más sencillos.
51
SEÑAL DE RASTREO
Una vez elegido un modelo, deben monitorearse los pronósticos con
regularidad para ver si el modelo es adecuado o si ha ocurrido un
cambio imprevisto en la serie. Si los errores se dieran en forma
aleatoria, deberíamos ver un comportamiento que graficado se vería
así:
52
SEÑAL DE RASTREO
σ 𝐸𝑟𝑟𝑜𝑟
𝑆𝑒ñ𝑎𝑙 𝑑𝑒 𝑟𝑎𝑠𝑡𝑟𝑒𝑜 =
𝑀𝐴𝐷
53
SEÑAL DE RASTREO
1 MAD = 0,8 desviaciones
54
SEÑAL DE RASTREO
Ejemplo:
55
SEÑAL DE RASTREO
Periodo Demanda Pronóstico Error Error acum Error abs MAD Señal
1 950 1000,0 -50,0 -50,0 50 50,0 -1,00
2 1070 1000,0 70,0 20,0 70 60,0 0,33
3 1100 1000,0 100,0 120,0 100 73,3 1,64
4 960 1000,0 -40,0 80,0 40 65,0 1,23
5 1090 1000,0 90,0 170,0 90 70,0 2,43
6 1050 1000,0 50,0 220,0 50 66,7 3,30
56
SEÑAL DE RASTREO
57