PRODUCCIÓN

Clase 2 - Pronósticos. Series de tiempo con tendencia y

estacionalidad

Andrés Felipe García Pérez

MSc. en Ingeniería de Producción
Línea: Investigación de Operaciones
Universidade Federal De São Carlos, Brasil
PRONÓSTICOS.
SERIES DE TIEMPO CON
TENDENCIA Y ESTACIONALIDAD

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:

El análisis de regresión

El método de Holt (Suavización doble).

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 :

una para el valor de la serie (la intercepción)

y una para la tendencia (la pendiente).

5
SERIES DE TIEMPO CON TENDENCIA

Pronóstico incluye la tendencia (FITt) =

Pronóstico Suavización Exponencial (Ft) + Tendencia Suavización

Exponencial (Tt)

𝐹𝐼𝑇𝑡 = 𝐹𝑡 + 𝑇𝑡

6
SERIES DE TIEMPO CON TENDENCIA
𝐹𝑡 = 𝐹𝐼𝑇𝑡−1 + 𝛼 𝐷𝑡−1 − 𝐹𝐼𝑇𝑡−1

𝑇𝑡 = 𝑇𝑡−1 + 𝛽 𝐹𝑡 − 𝐹𝐼𝑇𝑡−1

𝐹𝑡 = 𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑠𝑢𝑎𝑣𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡

𝑇𝑡 = 𝑇𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝑠𝑢𝑎𝑣𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙 𝑒𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡
𝐷𝑡 = 𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑎𝑐𝑡𝑢𝑎𝑙 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡
 = 𝐶𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝑑𝑒 𝑠𝑢𝑎𝑣𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜
 = 𝐶𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝑑𝑒 𝑠𝑢𝑎𝑣𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑝𝑎𝑟𝑎 𝑙𝑎 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎

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.

En estadística, estos errores se conocen como residuales.

Al analizar los errores de pronóstico, es conveniente distinguir entre

las fuentes de error y la medición de errores.

19
MEDICIONES DEL ERROR
Error Cuadrado Medio (MSE)
σ𝑛𝑡=1 𝑅𝑒𝑎𝑙𝑡 − 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜𝑡 2
𝑀𝑆𝐸 =
𝑛

Desviación Absoluta Media (MAD)

σ𝑛𝑡=1 𝑅𝑒𝑎𝑙𝑡 − 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜𝑡
𝑀𝐴𝐷 =
𝑛

Porcentaje de Error Absoluto Medio (MAPE)

𝑅𝑒𝑎𝑙𝑡 − 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜𝑡
σ𝑛𝑡=1 | |
𝑅𝑒𝑎𝑙𝑡
𝑀𝐴𝑃𝐸 = 100 ×
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

82740,6 252,7 0,148

22
SERIES DE TIEMPO CON ESTACIONALIDAD

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

Promedio Promedio Demanda

Periodo Demanda móvil móvil desestacional St^ St iniciales
centrado centrado izada
1 8000 18962.8 0.422 0.472
2 13000 19500 19486.6 0.667 0.683
3 23000 20000 19750 20010.4 1.149 1.171
4 34000 21250 20625 20534.2 1.656 1.664
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
33
SERIES DE TIEMPO CON ESTACIONALIDAD
Suavización exponencial
𝐷𝑡−1
𝐹𝑡 = 𝛼 + 1 − 𝛼 𝐹𝑡−1 + 𝑇𝑡−1
𝑆𝑡−1
Tendencia suavizada

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

Con 𝛼, 𝛽 𝑦 𝛾 constantes de suavización.

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.

Simulación como una herramienta de pronóstico

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

Si en cualquier período se obtiene un valor superior a 3,75, esto indica

que el método de pronóstico debe ser descartado, ya que
estadísticamente la probabilidad de que esto ocurra aleatoriamente es
de sólo el 0,3%.

53
SEÑAL DE RASTREO
1 MAD = 0,8 desviaciones

54
SEÑAL DE RASTREO

Ejemplo:

Periodo Demanda Pronóstico

1 950 1000,0
2 1070 1000,0
3 1100 1000,0
4 960 1000,0
5 1090 1000,0
6 1050 1000,0

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