ADMINISTRACIÓN DE LA

PRODUCCIÓN
INGENIERÍA INDUSTRIAL
ANÁLISIS DE SERIES DE
TIEMPO
INTRODUCCIÓN
VENTAS MENSUALES
VENTAS SEMANALES
ESTACIONALIDAD DE LA DEMANDA
PRONÓSTICO
 COMPONENTES DE LAS SERIES DE TIEMPO

PRONÓSTICOS ACUMULATIVOS

RESÚMEN
PRONÓSTICOS INGENUOS/INTUITIVOS

PRONÓSTICOS DE PROMEDIOS MÓVILES

1 SERIES DE TIEMPO
 COMPONENTES DE UNA SERIE DE TIEMPO
• Nivel (a)
▪ Valor alrededor del que la demanda se desenvuelve (media)
▪ Identifica la escala de la serie de tiempo
▪ Sin otro patrón adicional este es un valor constante
• Tendencia (b)
▪ Tasa de crecimiento o reducción
▪ Comportamiento persistente en una dirección
▪ Típicamente lineal, pero puede ser exponencial, cuadrática, etc
• Variaciones estacionales (F)
▪ Ciclo repetitivo a lo largo de un período fijo y conocido
▪ Diaria, semanal, mensual, trimestral, etc.
▪ Puede originarse de forma natural o por razones creadas
• Fluctuaciones aleatorias (e o 𝜀)
▪ Variabilidad restante luego de considerar los demás componentes
▪ Variaciones irregulares impredecibles, ruido.
COMPONENTES DE UNA SERIE DE TIEMPO
• Movimientos cíclicos (C)
▪ Movimientos secuenciales de períodos no fijos
▪ La duración puede cambiar
▪ Muy frecuente en tratados de largo plazo o análisis de condiciones
económicas
Modelos de series de tiempo
• Se establecen a través de la combinación de componentes
▪ Multiplicativo 𝑥𝑡 = 𝑏𝐹𝑡 𝐶𝑡 𝑒𝑡 +
▪ Aditivo 𝑥𝑡 = 𝑎 + 𝑏𝑡 + 𝐹𝑡 + 𝐶𝑡 + 𝑒𝑡
▪ Mixto 𝑥𝑡 = (𝑎 + 𝑏𝑡 )𝐹𝑡 + 𝐶𝑡 + 𝑒𝑡
• Nos enfocaremos en los siguientes modelos
▪ Modelo de nivel
▪ Modelo de tendencia
▪ Modelo mixto de nivel y estacionalidad
▪ Modelo mixto de nivel tendencia y estacionalidad
Notación
𝑥𝑡 = demanda real en período t 𝑡 = período de tiempo analizado (0,1,2,…n)
𝑎 = componente de nivel 𝑏 = tendencia lineal
𝐹𝑡 = Índice de estacionalidad apropiado para el período t 𝐶𝑡 = índice de ciclo del período t
𝑒𝑡 = error – variable aleatoria independiente (𝜇 = 0) y 𝜎 2 constante
PRONÓSTICOS ACUMULATIVOS
E INGENUOS
Modelos de series de tiempo

• El uso de las series de tiempo es predominante en el caso de:

▪ Productos conocidos a nivel de SKU’S considerando un horizonte de corto plazo donde
la demanda de los ítems es independiente
• Por ello los componentes empleados son nivel, tendencia, estacionalidad y
error
• Procedimiento simple:
1. Seleccione un modelo adecuado en función del patrón de demanda en el
tiempo
2. Estimar y ajustar los valores para los parámetros del modelo
3. Pronosticar la demanda futura con los modelos y parámetros seleccionados
4. Verificar el rendimiento del modelo y ajustar los parámetros en función del
mismo
 Análisis de series de tiempo
Consideración crítica: ¿Qué tan importante es el historial?
Extremos factibles: Sumamente importante / Nada en absoluto
Pronóstico acumulativo Pronóstico ingenuo
• Todo dato previo importa lo mismo • El valor mas reciente define el siguiente
• Demanda totalmente estacionaria • Seguimiento continuo, el anterior es el
siguiente
• Fundamentos del modelo
𝑥𝑡 = 𝑎 + 𝑒𝑡 • Fundamentos del modelo
𝑥𝑡 = 𝑥𝑡−1 + 𝑒𝑡
• Donde
𝑒𝑡 ~𝑖𝑖𝑑(𝜇 = 0; 𝜎 2 = 𝑉[𝑒]) • Donde
𝑒𝑡 ~𝑖𝑖𝑑(𝜇 = 0; 𝜎 2 = 𝑉[𝑒])
• Modelo de pronóstico
σ𝑡𝑖=1 𝑥𝑖 • Modelo de pronóstico
𝑥ො𝑡,𝑡+1 = 𝑥ො𝑡,𝑡+1 = 𝑥𝑡
𝑡
Pronóstico Acumulativo vs Ingenuo

t 𝑥t
1 55
2 46 σ𝑡𝑖=1 𝑥𝑖 499
3 49 𝑥ො𝑡,𝑡+1 = = = 49,9
𝑡 10
4 48
5 52
6 49
7 55 𝑥ො𝑡,𝑡+1 = 𝑥𝑡 = 48
8 50
9 47
10 48

El acumulado es estable mientras el ingenuo es reactivo

 ¿Y si estableciéramos el pronóstico para cada
período?

Acumulado Ingenuo
t 𝑥t x^t,t+1 x^t,t+1
1 55 55,00 55
2 46 50,00 46
3 49 49,92 49
4 48 49,79 48
5 52 49,93 52
6 49 49,88 49
7 55 50,18 55
8 50 50,17 50
9 47 50,00 47
10 48 49,90 48
 • Fundamentos del modelo
𝑥𝑡 = 𝑎 + 𝑒𝑡
Análisis de series de tiempo • Donde
Promedios móviles 𝑒𝑡 ~𝑖𝑖𝑑(𝜇 = 0; 𝜎 2 = 𝑉[𝑒])
• Solo incluye las ultimas M observaciones • Modelo de pronóstico
• Es una relación entre ingenuo y acumulado σ𝑡𝑖=𝑡+1−𝑀 𝑥𝑖
𝑥ො𝑡,𝑡+1 =
Acumulado vs Ingenuo 𝑀
56
Acumulado Ingenuo
55

54
t 𝑥t x^t,t+1 M2 M4 M6 x^t,t+1
53
1 55 55,00 55
52 2 46 50,00 50,50 46
51 3 49 49,92 47,50 49
50 4 48 49,79 48,50 49,50 48
49
5 52 49,93 50,00 48,75 52
48
6 49 49,88 50,50 49,50 49,83 49
47

46
7 55 50,18 52,00 51,00 49,83 55
45
8 50 50,17 52,50 51,50 50,50 50
0 2 4 6 8 10 12
9 47 50,00 48,50 50,25 50,17 47
𝑥t acumulado ingenuo M2 M4 M6
10 48 49,90 47,50 50,00 50,17 48
 σ𝑡𝑖=𝑡+1−𝑀 𝑥𝑖
Modelo de promedios móviles 𝑥ො𝑡,𝑡+1 =
𝑀

• El modelo de promedios móviles es un modelo de tipo genérico

▪ Para el modelo acumulativo o acumulado (M=t)
▪ Para el modelo ingenuo (M=1)
• ¿Qué tan grande debe ser M?
▪ ¿Muy pequeño? Demasiado sensible al ruido, muy “nervioso”
▪ ¿Muy grande? Promedia el ruido, pierde sensibilidad a cambios en la
demanda
▪ Valores prácticos usados en M (4,6,12, etc.)
• Considere que el modelo de promedios móviles siempre está retrasado
▪ Supone que la demanda es estacionaria
▪ Mientras mayor sea M mas amplio será el retraso