Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sistemas de Pronosticos - 3
Sistemas de Pronosticos - 3
Programa de Posgrado
Sistemas de Pronósticos e
Inventarios: Sistemas de
Pronósticos (3)
Presentado por: Carlos Julio Vidal Holguín
Santiago de Cali, abril – junio de 2021
Contenido
1 .6 0 0 ,0
1 .4 0 0 ,0
Dem anda (Trillones de BTU)
1 .2 0 0 ,0
1 .0 0 0 ,0
8 0 0 ,0
6 0 0 ,0
4 0 0 ,0
2 0 0 ,0
0 ,0
1
10
13
16
19
25
28
31
37
43
46
49
55
58
61
64
67
70
22
34
40
52
M es
Actualización de los parámetros del modelo
Componente permanente:
aˆ1 (T ) =
xT
cˆT (T − L)
+ (1 − ) aˆ1 (T − 1) + bˆ2 (T − 1)
Tendencia: bˆ2 (T ) = aˆ 1 (T ) − aˆ 1 (T − 1) + (1 − )bˆ2 (T − 1)
xT
Factor estacional:
cˆT (T ) = + (1 − )cˆT (T − L)
aˆ 1 (T )
Fórmula para calcular el pronóstico:
xˆ T + (T ) = aˆ1 (T ) + bˆ2 (T ) cˆT + (T + − L)
Inicialización del sistema de pronósticos
ˆb (0) = x m − x1
m es el número de
Tendencia:
estaciones de inicio
( m − 1) L
2
Lˆ
Componente permanente: aˆ 1 (0) = x1 − b2 (0)
2
Factores estacionales:
xt
cˆ t = , para t = 1,2,..., mL
x i − ( L + 1) / 2 − j bˆ2 (0)
L
1 m −1 cˆ t (0) = c t , para t = 1,2,..., L
ct = cˆt + jL , para t = 1,2,..., L L
m j =0 c
t =1
t
Explicación de algunas ecuaciones
Estación No. 2
Estación No. 1
Promedio estación
2
(m – 1)L
L/2
Promedio estación 1
(Prom. Estac. 2 – Prom. Estac. 1) / (2 – 1)
Ejemplo de demanda estacional pura: Consumo
de gas natural en EEUU (1987 – 1992)
1 .8 0 0 ,0
1 .6 0 0 ,0
1 .4 0 0 ,0
Dem anda (Trillones de BTU)
1 .2 0 0 ,0
1 .0 0 0 ,0
8 0 0 ,0
6 0 0 ,0
4 0 0 ,0
2 0 0 ,0
0 ,0
1
10
13
16
19
25
28
31
37
43
46
49
55
58
61
64
67
70
22
34
40
52
M es
Ejemplo de demanda estacional
M ES D EMA N D A MES D E M A N DA MES D EM A N D A
1 1 .4 9 9 , 2 13 1 .6 3 3 , 2 25 1 .3 6 1 , 0
2 1 .3 1 6 , 5 14 1 .4 6 2 , 6 26 1 .4 1 6 , 3
3 1 .1 5 5 , 5 15 1 .1 7 8 , 1 27 1 .2 6 5 , 7
4 92 6,0 16 8 3 0 ,0 28 85 1,3
5 63 0,5 17 6 0 6 ,5 29 60 4,8
6 52 0,3 18 5 1 3 ,7 30 47 4,6
7 53 1,6 19 5 4 3 ,4 31 50 7,3
8 58 6,2 20 6 0 4 ,8 32 51 9,8
9 51 8,8 21 5 2 8 ,0 33 47 1,4
10 70 4,2 22 6 7 1 ,3 34 69 4,9
11 87 8,4 23 8 8 9 ,7 35 90 1,3
12 1 .2 7 6 , 2 24 1 .2 4 4 , 0 36 1 .4 8 2 , 7
Lˆ 12
aˆ1 (0) = x1 − b2 (0) = 878.6167 − ( −1.62407) = 888.3611
2 2 P er ío d o V a lo r d e j E s ti m a c i ó n P er í o d o Va lo r d e j E s ti m a c i ó n
1 1 1 , 68 9 1 4 6 25 1 1 , 53 2 3 2 9
2 2 1 , 48 6 0 1 7 26 2 1 , 59 7 5 1 1
3 3 1 , 30 6 6 8 2 27 3 1 , 43 0 2 6 2
xt
cˆt = , para t = 1,2,..., mL
4 4 1 , 04 9 0 8 2 28 4 0 , 96 3 7 5 2
xi − ( L + 1) / 2 − j bˆ2 (0)
5 5 0 , 71 5 6 2 1 29 5 0 , 68 5 9 5 2
6 6 0 , 59 1 6 3 4 30 6 0 , 53 9 2 7 5
7 7 0 , 60 5 6 0 2 31 7 0 , 57 7 4 9 7
x1
cˆ1 =
8 8 0 , 66 9 0 4 0 32 8 0 , 59 2 8 2 3
x1 − ( L + 1) / 2 − j bˆ2 (0)
9 9 0 , 59 3 2 1 5 33 9 0 , 53 8 6 2 1
10 10 0 , 80 6 7 0 6 34 10 0 , 79 5 4 6 8
11 11 1 , 00 8 1 3 9 35 11 1 , 03 3 6 6 0
1,499.2 12 12 1 , 46 7 4 2 9 36 12 1 , 70 3 6 1 5
cˆ1 = = 1.689146
878.6167 − (12 + 1) / 2 − 1 (-1.62407)
13 1 1 , 81 2 5 7 1 37 1 1 , 73 3 8 4 5
14 2 1 , 62 6 1 6 5 38 2 1 , 41 1 1 8 9
15 3 1 , 31 2 2 1 8 39 3 1 , 27 8 3 4 4
1,316.5 16 4 0 , 92 6 1 6 5 40 4 1 , 00 0 5 9 4
cˆ2 = = 1.486017
878.6167 − (12 + 1) / 2 − 2 (-1.62407)
17 5 0 , 67 7 9 9 9 41 5 0 , 72 8 0 7 0
18 6 0 , 57 5 3 0 3 42 6 0 , 58 8 5 7 8
19 7 0 , 60 9 6 7 4 43 7 0 , 58 3 5 2 0
1,155.5 20 8 0 , 67 9 8 0 1 44 8 0 , 63 9 9 5 5
cˆ3 = = 1.306682
878.6167 − (12 + 1) / 2 − 3 (-1.62407)
21 9 0 , 59 4 5 6 2 45 9 0 , 61 0 3 4 9
22 10 0 , 75 7 3 1 2 46 10 0 , 78 0 2 6 6
23 11 1 , 00 5 5 3 8 47 11 1 , 02 6 7 6 8
24 12 1 , 40 8 5 5 3 48 12 1 , 60 8 0 7 7
Continuación factores estacionales
1 3
c1 = cˆ1+12 k , para t = 1
4 k =0
1 1
c1 = (cˆ1 + cˆ13 + cˆ 25 + cˆ37 ) = (1.689146 + 1.812571 + 1.532329 + 1.733845)
4 4
c1 = 1.691972
c
t =1
t
7
8
0,594073
0,645405
0,594637
0,646017
9 0,584187 0,584741
10 0,784938 0,785683
11 1,018526 1,019493
12 1,546918 1,548386
Pronóstico:
xˆ T + (T ) = aˆ1 (T ) + bˆ2 (T ) cˆT + (T + − L)
xˆ 0+1 (0) = aˆ1 (0) + bˆ2 (0) cˆ 0+1 (T + − L)
xˆ 1 (0) = 888.3611 + ( −1.6241) (1.693578)
xˆ 1 (0) = 1,501.7584
Valores de inicio: Nuevo origen de tiempo
MES DEMANDA a 1(T ) b 2(T ) c T (T )
1.6936
1.5317
1.3331
0.9858
0.7026
0.5742 Valores de inicio calculados
0.5946 con las ecuaciones (3.39) a (3.43)
0.6460
0.5847
0.7857
1.0195
0 888.3611 -1.6241 1.5484
1 1,499.2 886.6715 -1.6896 1.6915
2 1,316.5 883.8781 -2.7934 1.5002
3 1,155.5 880.4633 -3.4148 1.3177
4 926.0 879.7474 -0.7159 1.0356
5 630.5 879.8282 0.0809 0.7130
6 520.3 881.0430 1.2147 0.5864
7 531.6 882.7663 1.7234 0.6003
8 586.2 885.4831 2.7168 0.6579
9 518.8 888.1579 2.6748 0.5843
10 704.2 891.0693 2.9114 0.7891
11 878.4 892.5771 1.5078 0.9931
12 1,276.2 891.0559 -1.5212 1.4618
13 1,633.2 892.8289 1.7729 1.7942
……… ……… ……… ……… ………
36 1,482.7 841.1922 7.3531 1.6756
37 1,437.5 850.3100 9.1178 1.6717
38 1,167.7 853.3305 3.0205 1.4337
39 1,055.7 851.3184 -2.0121 1.2875
40 824.7 849.0314 -2.2869 0.9731 Valores de inicio referidos al comienzo
41 598.9 847.2416 -1.7899 0.7046 del período 49 para la simulación de los
42 483.2 846.2888 -0.9527 0.5679 pronósticos a partir de este período,
43 478.1 843.4517 -2.8371 0.5743 calculados con las ecuaciones (3.35)-(3.37),
44 523.3 840.3240 -3.1277 0.6240 utilizando:
45 498.1 838.9099 -1.4141 0.5872 = 0.0434 = 1.0000 = 0.7452
46 635.5 835.0302 -3.8797 0.7746
47 834.6 829.2444 -5.7858 1.0202
48 1,304.5 821.5100 -7.7343 1.6103
MES DEMANDA a 1(T ) b 2(T ) c T (T ) Pronóstico Error
37 1.6717
38 1.4337
39 1.2875
40 0.9731
41 0.7046
42 0.5679
43 0.5743
44 0.6240
45 0.5872
46 0.7746
47 1.0202
48 821.5100 -7.7343 1.6103
49 1,512.9 817.7307 -3.7793 1.8047 1,360.39 152.51
50 1,192.0 814.7093 -3.0214 1.4556 1,166.93 25.07
51 1,075.6 812.7173 -1.9920 1.3143 1,045.03 30.57
52 763.0 809.5700 -3.1473 0.9503 788.93 -25.93
53 551.9 805.4204 -4.1496 0.6902 568.19 -16.29
54 434.0 799.6672 -5.7532 0.5491 455.01 -21.01
55 472.3 795.1469 -4.5203 0.5890 455.97 16.33
56 438.8 786.8390 -8.3079 0.5746 493.32 -54.52
57 448.2 777.8688 -8.9702 0.5790 457.17 -8.97
58 617.9 770.1488 -7.7200 0.7952 595.56 22.34
59 900.7 767.6514 -2.4974 1.1343 777.80 122.90
60 1,194.3 764.1362 -3.5152 1.5750 1,232.11 -37.81
61 1,395.3 761.1646 -2.9715 1.8259 1,372.67 22.63
62 1,194.1 760.8876 -0.2770 1.5404 1,103.63 90.47
63 1,070.8 762.9569 2.0693 1.3808 999.67 71.13
64 834.4 769.9260 6.9691 1.0497 726.99 107.41
65 575.9 779.3898 9.4638 0.7265 536.18 39.72
66 458.3 790.8365 11.4468 0.5718 433.18 25.12
67 431.0 799.2271 8.3906 0.5519 472.52 -41.52
68 441.8 805.9408 6.7137 0.5549 464.03 -22.23
69 462.6 812.0609 6.1201 0.5720 470.53 -7.93
70 700.9 820.9201 8.8592 0.8389 650.65 50.25
71 996.6 831.8959 10.9758 1.1818 941.22 55.38
72 1,344.8 843.3473 11.4513 1.5896 1,327.52 17.28 3,426.20 ← ECM
73 ? = 1 1,560.75
74 ? 2 1,334.35
75 ? 3 1,211.90
76 ? 4 933.38
77 ? 5 654.28
78 ? 6 521.49 Pronósticos en tiempo real
79 ? 7 509.71 para 1-12 meses adelante:
80 ? 8 518.81 (Meses 73-84)
81 ? 9 541.38
82 ? 10 803.53
83 ? 11 1,145.50
84 ? 12 1,559.03
= 0.0434 = 1.0000 = 0.7452
Pronósticos de demanda estacional
Ilustración en hoja de cálculo
Pronósticos de demanda estacional
Demanda Pronóstico
1,800
1,600
Demanda (Trillones de BTU)
1,400
1,200
1,000
800
600
400
200
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 77 79 81 83
Mes (1987-1993)
Soluciones locales y globales
y convergencia del solver*
ECM
Mínimo global
mín *Analogía
máx
de la bolita
Otros métodos de pronósticos de
demanda estacional
t t
( x − ˆ
x ) 2
ˆ = t =1
(con base en residuos de R.L.)
m−2
α
3 ( )
c1 = 1 + 1 + 4 β + 5 β 2
+ 2 α( 1 + 3 β) + 2 α 2
; = 1−
( 1 + β)
DEMANDA (Unidades)
0
10
20
30
40
50
60
70
80
1 90
4
7
10
13
a1(0)
16
19
22
25
28
31
34
37
40
43
46
Pendiente = b2(0)
49
SEMANAS
52
GRÁFICO EJEMPLO 3.4
55
58
61
64
b1(0)
67
70
73
76
79
82
85
88
Errores suavizados (2)
(x t − xˆt ) 2
ECMS (0) = t =1
m−2
(Con base en residuos de R. L.)
e(T )
4 ó 5
MAD(T )
No es conveniente la eliminación
automática de datos atípicos: Deben analizarse
cuidadosamente antes de eliminarlos.
Ilustración de errores suavizados
Semana Per. T Demanda Pron. Error Inv. Máx. basado Error Suav. MAD Suav. ECM Suav. Señal rastreo Outliers
1 23 eT en ECMS (T ) Q (T ) MAD (T ) ECMS(T) Q (T )/MAD (T ) │e T /MAD (T )│
51 0 48 0.00 9.59 136.92
52 1 44 50.19 -6.19 73.13 -0.62 9.25 127.06 0.07 0.67
53 2 47 50.30 -3.30 72.40 -0.89 8.66 115.45 0.10 0.38
54 3 47 50.63 -3.63 71.69 -1.16 8.15 105.22 0.14 0.45
55 4 36 50.93 -14.93 71.03 -2.54 8.83 116.99 0.29 1.69
56 5 79 50.35 28.65 71.55 0.58 10.81 187.37 0.05 2.65
57 6 62 53.11 8.89 79.94 1.41 10.62 176.55 0.13 0.84
58 7 31 54.38 -23.38 80.43 -1.07 11.90 213.57 0.09 1.97
59 8 75 53.19 21.81 81.83 1.22 12.89 239.80 0.09 1.69
60 9 38 55.44 -17.44 85.79 -0.65 13.34 246.23 0.05 1.31
61 10 40 54.70 -14.70 85.45 -2.05 13.48 243.21 0.15 1.09
62 11 60 54.14 5.86 84.71 -1.26 12.72 222.32 0.10 0.46
63 12 44 55.15 -11.15 84.37 -2.25 12.56 212.52 0.18 0.89
64 13 37 54.85 -17.85 83.43 -3.81 13.09 223.14 0.29 1.36
65 14 34 54.02 -20.02 83.30 -5.43 13.78 240.92 0.39 1.45
66 15 59 53.00 6.00 83.42 -4.29 13.00 220.42 0.33 0.46
67 16 47 53.95 -6.95 83.05 -4.55 12.40 203.22 0.37 0.56
68 17 53 53.92 -0.92 81.86 -4.19 11.25 182.98 0.37 0.08
69 18 48 54.34 -6.34 80.85 -4.41 10.76 168.70 0.41 0.59
70 19 44 54.34 -10.34 79.79 -5.00 10.72 162.51 0.47 0.96
71 20 39 54.02 -15.02 79.01 -6.00 11.15 168.82 0.54 1.35
72 21 52 53.32 -1.32 78.79 -5.53 10.17 152.11 0.54 0.13
73 22 70 53.66 16.34 77.84 -3.35 10.78 163.59 0.31 1.52
74 23 58 55.36 2.64 80.43 -2.75 9.97 147.93 0.28 0.26
75 24 66 56.03 9.97 79.87 -1.48 9.97 143.08 0.15 1.00
76 25 54 57.26 -3.26 80.71 -1.65 9.30 129.83 0.18 0.35
77 26 47 57.50 -10.50 79.83 -2.54 9.42 127.87 0.27 1.11
78 27 71 57.16 13.84 79.33 -0.90 9.86 134.22 0.09 1.40
79 28 59 58.69 0.31 81.40 -0.78 8.90 120.81 0.09 0.03
80 29 73 59.20 13.80 80.74 0.68 9.39 127.78 0.07 1.47
81 30 46 60.74 -14.74 82.90 -0.86 9.93 136.74 0.09 1.48
82 31 44 60.11 -16.11 83.03 -2.39 10.55 149.02 0.23 1.53
83 32 62 59.35 2.65 83.28 -1.88 9.76 134.82 0.19 0.27
84 33 69 60.01 8.99 82.77 -0.80 9.68 129.42 0.08 0.93
85 34 30 61.17 -31.17 83.46 -3.83 11.83 213.61 0.32 2.63
86 35 73 59.24 13.76 87.88 -2.07 12.02 211.19 0.17 1.14
87 36 72 60.73 11.27 89.21 -0.74 11.95 202.77 0.06 0.94
88 37 59 62.05 -3.05 89.96 -0.97 11.06 183.42 0.09 0.28
89 38 59 62.28 -3.28 88.82 -1.20 10.28 166.16 0.12 0.32
90 39 ? 62.48 87.75 ← Inventario Máximo proyectado en tiempo real
ALPHA = 0.0385 BETA = 0.9615
k= 1.96 Valor de w = 0.1
90
80
Demanda (Unidades)
70
60
50
40
30
20
10
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
Semanas
Métodos auto – adaptivos
En estos métodos, la constante de suavización se actualiza
dinámicamente en cada período, utilizando alguna regla
especificada para fijar su valor:
– Haciéndola siempre igual a la señal de rastreo del mismo período
(método clásico). Debe recordarse que el pronóstico inicial se
determina con α, pero de ahí en adelante se usa la señal de
rastreo del período anterior para su cálculo.
– Haciéndola igual a la señal de rastreo si ésta es ≤ que un valor
límite (normalmente = 0.30), e igual a dicho valor límite si la señal
de rastreo es > que el mismo. Es posible dejar variable el límite
superior de la señal de rastreo y optimizar con solver.
– Dejando variable el valor límite de la constante de suavización w
y optimizándolo con solver.
– Dejándola igual a la señal de rastreo si esta es ≤ 0.30, e igual al
α utilizado para el primer pronóstico si la señal de rastreo es >
0.30. Esta estrategia parece superar los métodos anteriores. 1
1Contribución de María Camila Aristizábal, Maestría en Ingeniería, septiembre 2020.
Combinación de pronósticos (1)
Se ha encontrado que la combinación de pronósticos
provenientes de varios métodos, puede producir
mejores resultados que cualquiera de los métodos
individuales.
Puede probarse el promedio simple o una combinación
lineal de métodos de pronósticos [Se sugiere leer Claeskens
et al. (2016)1 y Chan y Pauwels (2018)2].
Probar la optimización del promedio de pronósticos
cambiando alphas y w en las otras hojas electrónicas.
1 Claeskens, G., Magnus, J.R., Vasnev, A.L., & Wang, W. (2016). The forecast combination puzzle: A simple
theoretical explanation. International Journal of Forecasting, 32, 754-762.
2 Chan,F. & Pauwels, L.L. (2018). Some theoretical results in forecast combination. International Journal
Forecasting, 34, 64-74.
Combinación de pronósticos (2)
Suponga que a un conjunto de datos de demanda se
le ha aplicado Promedio Móvil con el N óptimo (PM),
Suavización Exponencial Simple con el α óptimo (SES)
y Suavización Exponencial Doble con el α óptimo
(SED). Una combinación de estos pronósticos puede
ser:
Pronóstico Combinado
(combinación lineal convexa):
2
xˆ T + (T ) = 2 + ST − 1 + ST
1 − 1 −
L2
pL = L +
2(1 + ) 3
5(1 + 2 + 2
) + 4 L (1 − 2
) + L ; = 1 −
2 2
c1 = 1 +
(1 + ) 3
(1 + 4 + 5 2
) + 2 (1 + 3 ) + 2 2
; = 1−
Sistemas de pronósticos
con promociones