Clase #5 - Pronósticos

Tema: Pronósticos
▪ Unidad 02:
▪ Introducción a la generación de Pronósticos
Sistemas de Administración de Operaciones – Pronósticos
Pronósticos
https://www.youtube.com/watch?v=yUs8_eVHIrk
Pronósticos
Temario
- Técnicas de proyección cualitativa.
- Técnicas de proyección cuantitativa.

- Errores de los pronósticos.
Pronósticos
Técnicas de Proyección Cualitativa
- Método Delphi.
- Investigación de Mercado.
- Analogías de Ciclo de Vida.
- Consenso de Grupo.
Pronósticos
Técnicas de Proyección Cuantitativa
- Análisis de Series de Tiempo:
- Promedio Móvil Simple.

- Promedio Móvil Ponderado.
- Ajuste Exponencial.
- Regresión Lineal.
- Regresión Desestacionalizada.
- Modelo de Holt.
- Modelo de Winter.
Pronósticos
Series de Tiempo
▪ Una Serie de Tiempo está compuesta por los

siguientes componentes:
▪ Sistemáticos (nivel, tendencia y estacionalidad) y,

▪ No sistemáticos (aleatorios).
▪ Pueden ser estáticos o adaptativos.

Pronósticos
Series de Tiempo
▪ Nivel: Es el elemento constante.
▪ Tendencia: Comportamiento de los datos durante un

período de tiempo. Puede ser positivo o negativo.
Cuando los cambios se dan por factores TEMPORALES, se

tiene un Patrón Estacional en los datos, el cual normalmente
se repite año a año.
Pronósticos
Series de Tiempo
Patrones de Series de Tiempo
▪ Estacionarios: Si los datos fluctúan alrededor de una media y varianza
constante.
▪ Tendencia: Si los datos a lo largo de la serie de tiempo tienen una

condición creciente o decreciente.
▪ Estacionales: Cuando se tiene un comportamiento de pico (alta

demanda) o valle (baja demanda) a lo largo de la serie evaluada.
▪ Exponenciales: Cuando llegado un momento específico tienen un cambio

creciente abrupto, antes del mismo se mantienen con alguna tendencia.
Pronósticos
Series de Tiempo
¿Cuál es la mejor técnica?
Característica Técnicas
• Promedio móvil simple.
Datos Estacionarios
• Promedio móvil ponderado.
• Promedio móvil simple.

• Promedio móvil ponderado.
• Suavizamiento exponencial simple.
Datos con Tendencia
• Regresión Lineal.
• Suavizamiento exponencial con
tendencia (Holt)
Pronósticos
Series de Tiempo

Característica Técnicas
• Modelos de descomposición estacional.

Datos Estacionales
• Suavizamiento exponencial de Winter.
Datos Exponenciales • Ajuste Exponencial.

Pronósticos
Series de Tiempo
t Galones
Ejemplo
1 285
Presentamos la demanda histórica de combustible las últimas doce semanas: 2 294
3 306
4 281
5 296
6 267
7 250
8 280
9 264
10 288
11 301
12 287
Pronósticos
Series de Tiempo
Promedio Móvil Simple
Promediamos los valores de períodos anteriores para proyectar los resultados futuros:
Pronósticos
Series de Tiempo
t Ventas Estimación Calcula la estimación trimestral
t Galones Estimación
1 780.3 de ventas de zapatos.
1 285
2 785.6
2 294
3 802.3
3 306
4 281 295.0 4 797.4
5 296 293.7 5 805.4

6 267 294.3 6 770.9
7 250 281.3 7 810.8
8 280 271.0 8 815.6
9 264 265.7 9 799.6
10 288 264.7 10 806.4
11 301 277.3 11 804.7
12 287 284.3 12 792.4
Pronósticos
Series de Tiempo
Promedio Móvil Ponderado
Asignamos ponderaciones de importancia a los diferentes valores históricos:
Pronósticos
Series de Tiempo
Promedio Móvil Ponderado Factores t Galones Estimación
0.20 1 285
0.35 2 294
0.45 3 306
Ft1 = (0.20x285)+(0.35x294)+(0.45x306) = 297.6 4 281 297.6
Ft2 = (0.20x294)+(0.35x306)+(0.45x281) = 292.4 5 296 292.4
… 6 267 292.8
7 250 280.0
8 280 265.2
9 264 266.9
10 288 266.8
11 301 278.0
12 287 289.1
Ejercicio - Promedio Móvil Ponderado
Calcula la estimación trimestral de ventas de Factores t Ventas Estimación

celulares de última generación. 0.25 1 780.3
0.35 2 785.6
0.40 3 802.3
4 797.4
5 805.4
6 770.9
7 810.8
8 815.6
9 799.6
10 806.4
11 804.7
12 792.4
Pronósticos
Series de Tiempo
Ajuste Exponencial
▪ Si los valores más recientes son mejor indicativo del futuro que los
datos antiguos se puede utilizar la técnica de Ajuste Exponencial.
▪ Se necesita de la proyección más reciente, la demanda real en ese

período y una constante de ajuste alfa (α)
▪ Este modelo se debe utilizar cuando la data no tiene estacionalidad

ni tendencia.
Pronósticos
Series de Tiempo
Ajuste Exponencial
Cada incremento del pasado disminuye exponencialmente en (1 - α)
Pronósticos
Series de Tiempo
Ajuste Exponencial
Cada incremento del pasado disminuye exponencialmente en (1 - α)
Pronósticos
Series de Tiempo
Patrones de Series de Tiempo Alfa 0.3
Ajuste Exponencial
Tiempo Demanda Pronóstico
▪ El primer dato del pronóstico es el promedio de todos los datos 1 285 283.25
2 294 283.78
de demanda, en este caso 283.75
3 306 286.84
4 281 292.59
Ft1 = Promedio (285+294+306….+287) / 12 = 283.25 5 296 289.11
6 267 291.18
Ft2 = 0.3 x 285 + (1 – 0.3) x 283.25 = 283.78 7 250 283.93
8 280 273.75
9 264 275.62
Ft3 = 0.3 x 294 + (1 – 0.3) x 283.78 = 286.84
10 288 272.14
11 301 276.90
12 287 284.13
Ejercicio - Promedio Móvil Ponderado

Calcula el ajuste exponencial de ventas de perfumes de última generación.
Alfa Factor t Ventas
α 0.3 1 780.3
2 785.6
3 802.3
4 797.4
5 805.4
6 770.9
7 810.8
8 815.6
9 799.6
10 806.4
11 804.7
12 792.4
Ejercicio - Promedio Ajuste Exponencial

Calcula el ajuste exponencial de ventas de celulares de última generación.
Alfa Factor t Ventas Estimación

α 0.3 1 780.3 797.62 Ft1 = Promedio (780.3+785.6+802.3…+ 792.4)/12 = 797.62
2 785.6 792.42 Ft2 = (0.3 x 780.3) + (1 – 0.3) x 797.62 = 792.42
3 802.3 790.38 Ft3 = (0.3 x 785.6) + (1 – 0.3) x 792.42 = 790.38
4 797.4 793.95
5 805.4 794.99
6 770.9 798.11
7 810.8 789.95
8 815.6 796.20
9 799.6 802.02
10 806.4 801.30
11 804.7 802.83
12 792.4 803.39
Pronósticos
Series de Tiempo
Regresión Lineal
▪ Consiste en aplicar la técnica Regresión Lineal de Mínimos Cuadrados para la data, utilizando el tiempo como
variable independiente.
▪ El cálculo se realiza mediante la ecuación de regresión del método de Mínimos Cuadrados.
▪ El método de los mínimos cuadrados, selecciona una línea de tendencia recta del tipo y = a + bx, donde y es
la variable dependiente, x la independiente, a el punto de intersección de la función en el eje vertical y b la
pendiente de la función.
▪ Este método se conoce también como regresión lineal y busca determinar la recta que represente de mejor
manera la tendencia de las relaciones observadas en el pasado para usarlas como base de la proyección de
la tendencia futura.
Pronósticos
Series de Tiempo
Regresión Lineal
El objetivo del análisis de regresión como método causal es pronosticar la demanda a partir de una o más
causas (variables independientes), las cuales pueden ser por ejemplo el tiempo, precios del producto o servicio,
precios de la competencia, economía del país, acciones del gobierno o fomentos publicitarios.
Algunos apuntes importantes sobre éste método son:
▪ Puedes calcular series de tiempo y relaciones causales. En el primer caso, ubicas la demanda histórica de tu
bien o servicio para que cambie en función del tiempo. El segundo caso es cuando la variable que pronosticas
cambia en función de otra (variable causal).
▪ Lineal significa que los datos del periodo anterior y la proyección para el periodo futuro que vas a obtener
caen sobre una recta.
▪ Si hablamos de una sola variable independiente, es una regresión lineal simple, contrario a si son dos o más
variables independientes, donde hablaríamos de regresión lineal múltiple.
Pronósticos
Series de Tiempo
Regresión Lineal Observación real
Desviación
Valores de la variable dependiente
Punto en la línea
de tendencia
ŷ = a + bx 1
a
Periodo de tiempo
Pronósticos
Series de Tiempo
Regresión Lineal
Pronósticos
Series de Tiempo
Regresión Lineal
Presentamos la demanda histórica de combustible las últimas doce semanas:
t Galones
1 285
2 294
3 306
4 281
5 296
6 267
7 250
8 280
9 264
10 288
11 301
12 287
Pronósticos
Series de Tiempo
Regresión Lineal x y xy x2
1 285 285 1
2 294 588 4
3 306 918 9
4 281 1124 16
5 296 1480 25
6 267 1602 36
7 250 1750 49
8 280 2240 64
9 264 2376 81
10 288 2880 100
11 301 3311 121
12 287 3444 144
21998 650 Suma
6.5 283.25 Promedio
b -0.6678322
a 287.590909
Pronósticos
Series de Tiempo
Regresión Lineal
t Galones Estimación
b -0.6678322 1 285 286.92
a 287.590909 2 294 286.26
3 306 285.59
4 281 284.92
5 296 284.25
6 267 283.58
7 250 282.92
8 280 282.25
9 264 281.58
10 288 280.91
11 301 280.24
12 287 279.58
Pronósticos
Series de Tiempo
Errores de Pronósticos
▪ El componente aleatorio del pronóstico hace que es no sea igual a la demanda real.
▪ La exactitud general de cualquier modelo de pronóstico —promedios móviles, suavizamiento exponencial u
otro, puede determinarse al comparar los valores pronosticados con los valores reales u observados. Si Ft
denota el pronóstico en el periodo t, y At denota la demanda real del periodo t, el error de pronóstico (o
desviación) se define como:
▪ Se considera como la diferencia entre la demanda real y el pronóstico:
Et = Dt - Ft
Error de pronóstico = Demanda real - Valor pronosticado
Pronósticos
Series de Tiempo
Errores Cuadráticos Medios
Se relaciona la varianza del error del pronóstico, se asume que el componente aleatorio de la demanda tiene
una media de 0 y una varianza igual al Error Cuadrático Medio (MSE)
Pronósticos
Series de Tiempo
Desviación Absoluta Media
Es el promedio de la desviación absoluta durante todos los períodos del pronóstico.
Pronósticos
Series de Tiempo
Error de Pronóstico Acumulado
También llamado Sesgo. Es la suma de los errores del pronóstico.
Los errores positivos y negativos deben equilibrarse. Útil para evaluar el sesgo de un pronóstico.
Pronósticos
Series de Tiempo
Señal de Rastreo
▪ Indica si el promedio de proyección está manteniendo el ritmo de cambio de la demanda, ya sea por exceso o
defecto.
▪ Si el TS está fuera del rango de -6 a +6, se considera que el promedio está sesgado, hacia arriba (>+6) o hacia
abajo (<-6)
Pronósticos
Series de Tiempo
Error Porcentual Absoluto Medio - MAPE
Un problema tanto con la MAD como con el MSE es que sus valores dependen de la magnitud del elemento que se
pronostica. Si el elemento pronosticado se mide en millares, los valores de la MAD y del MSE pueden ser muy grandes. Para
evitar este problema, podemos usar el error porcentual absoluto medio (MAPE). Éste se calcula como el promedio de las
diferencias absolutas encontradas entre los valores pronosticados y los reales, y se expresa como un porcentaje de los
valores reales. Es decir, si hemos pronosticado n periodos y los valores reales corresponden a esa misma cantidad de
periodos, el MAPE se calcula como:
Pronósticos

t Galones Estimación Error Error Abs MSE MAD t Sesgo t TS t % Error MAPE t
1 285
2 294
3 306
4 281 295.0 -14.00 14.00 196.00 14.00 -14.00 -1.0 5% 5%
5 296 293.7 2.33 2.33 100.72 8.17 -11.67 -1.4 1% 3%
6 267 294.3 -27.33 27.33 316.19 14.56 -39.00 -2.7 10% 5%
7 250 281.3 -31.33 31.33 482.58 18.75 -70.33 -3.8 13% 7%
8 280 271.0 9.00 9.00 402.27 16.80 -61.33 -3.7 3% 6%
9 264 265.7 -1.67 1.67 335.69 14.28 -63.00 -4.4 1% 5%
10 288 264.7 23.33 23.33 365.51 15.57 -39.67 -2.5 8% 6%
11 301 277.3 23.67 23.67 389.83 16.58 -16.00 -1.0 8% 6%
12 287 284.3 2.67 2.67 347.31 15.04 -13.33 -0.9 1% 5%
Pronósticos
Promedio Móvil Ponderado

Factores t Galones Estimación Error Error Abs MSE MAD t Sesgo t TS t % Error MAPE t
0.20 1 285
0.35 2 294
0.45 3 306
4 281 297.6 -16.60 16.60 275.56 16.60 -16.60 -1.0 6% 6%
5 296 292.4 3.65 3.65 144.44 10.13 -12.95 -1.3 1% 4%
6 267 292.8 -25.75 25.75 317.32 15.33 -38.70 -2.5 10% 6%
7 250 280.0 -29.95 29.95 462.24 18.99 -68.65 -3.6 12% 7%
8 280 265.2 14.85 14.85 413.89 18.16 -53.80 -3.0 5% 7%
9 264 266.9 -2.90 2.90 346.31 15.62 -56.70 -3.6 1% 6%
10 288 266.8 21.20 21.20 361.05 16.41 -35.50 -2.2 7% 6%
11 301 278.0 23.00 23.00 382.04 17.24 -12.50 -0.7 8% 6%
12 287 289.1 -2.05 2.05 340.06 15.55 -14.55 -0.9 1% 6%
Pronósticos
Ajuste Exponencial
Alfa 0.3
Tiempo Demanda Pronóstico Error Error Abs MSE MAD t Sesgo t TS t % Error MAPE t
1 285 283.25 1.75 1.75 3.06 1.75 1.75 1.0 1% 1%
2 294 283.78 10.23 10.23 53.81 5.99 11.98 2.0 3% 2%
3 306 286.84 19.16 19.16 158.21 10.38 31.13 3.0 6% 3%
4 281 292.59 -11.59 11.59 152.24 10.68 19.54 1.8 4% 4%
5 296 289.11 6.89 6.89 131.28 9.92 26.43 2.7 2% 3%
6 267 291.18 -24.18 24.18 206.83 12.30 2.25 0.2 9% 4%
7 250 283.93 -33.93 33.93 341.70 15.39 -31.67 -2.1 14% 6%
8 280 273.75 6.25 6.25 303.88 14.25 -25.42 -1.8 2% 5%
9 264 275.62 -11.62 11.62 285.12 13.95 -37.05 -2.7 4% 5%
10 288 272.14 15.86 15.86 281.78 14.15 -21.18 -1.5 6% 5%
11 301 276.90 24.10 24.10 308.98 15.05 2.92 0.2 8% 5%
12 287 284.13 2.87 2.87 283.92 14.04 5.80 0.4 1% 5%
Pronósticos
Regresión Lineal
t Galones Estimación Error Error Abs MSE MAD t Sesgo t TS t % Error MAPE t
1 285 286.92 -1.92 1.92 3.70 1.92 -1.92 -1.0 1% 1%
2 294 286.26 7.74 7.74 31.84 4.83 5.82 1.2 3% 2%
3 306 285.59 20.41 20.41 160.12 10.03 26.23 2.6 7% 3%
4 281 284.92 -3.92 3.92 123.93 8.50 22.31 2.6 1% 3%
5 296 284.25 11.75 11.75 126.75 9.15 34.06 3.7 4% 3%
6 267 283.58 -16.58 16.58 151.46 10.39 17.48 1.7 6% 4%
7 250 282.92 -32.92 32.92 284.60 13.61 -15.44 -1.1 13% 5%
8 280 282.25 -2.25 2.25 249.66 12.19 -17.69 -1.5 1% 4%
9 264 281.58 -17.58 17.58 256.26 12.79 -35.27 -2.8 7% 5%
10 288 280.91 7.09 7.09 235.66 12.22 -28.18 -2.3 2% 4%
11 301 280.24 20.76 20.76 253.40 12.99 -7.42 -0.6 7% 5%
12 287 279.58 7.42 7.42 236.87 12.53 0.00 0.0 3% 5%
Pronósticos
▪ El mejor método de Pronóstico es el que tenga el menor error en la estimación.

▪ Usaremos como validador del error el MAD (Error Cuadrático Medio)
Método MAD
PMS 15.04
PMP 15.55
Ajuste Exponencial 14.04
Regresión Lineal 12.53
En el ejemplo estudiado vemos que el menor MAD lo tiene la Regresión Lineal. Con ese método debemos
estimar valores futuros en la línea de tiempo.
https://www.youtube.com/watch?v=Z46cz8cJpZY

Clase #5 - Pronósticos

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase #5 - Pronósticos

Cargado por

Copyright:

Formatos disponibles

Tema: Pronósticos

- Técnicas de proyección cualitativa.

- Técnicas de proyección cuantitativa.

- Análisis de Series de Tiempo:

- Promedio Móvil Simple.

▪ Una Serie de Tiempo está compuesta por los

▪ Sistemáticos (nivel, tendencia y estacionalidad) y,

▪ Pueden ser estáticos o adaptativos.

▪ Tendencia: Comportamiento de los datos durante un

Cuando los cambios se dan por factores TEMPORALES, se

▪ Tendencia: Si los datos a lo largo de la serie de tiempo tienen una

▪ Estacionales: Cuando se tiene un comportamiento de pico (alta

▪ Exponenciales: Cuando llegado un momento específico tienen un cambio

• Promedio móvil simple.

¿Cuál es la mejor técnica?

• Modelos de descomposición estacional.

Datos Exponenciales • Ajuste Exponencial.

5 296 293.7 5 805.4

Ejercicio - Promedio Móvil Ponderado

Calcula la estimación trimestral de ventas de Factores t Ventas Estimación

▪ Se necesita de la proyección más reciente, la demanda real en ese

▪ Este modelo se debe utilizar cuando la data no tiene estacionalidad

Ejercicio - Promedio Móvil Ponderado

Ejercicio - Promedio Ajuste Exponencial

Alfa Factor t Ventas Estimación

▪ El cálculo se realiza mediante la ecuación de regresión del método de Mínimos Cuadrados.

Promedio Móvil Simple

Promedio Móvil Ponderado

¿Cuál es la mejor técnica?

▪ El mejor método de Pronóstico es el que tenga el menor error en la estimación.

También podría gustarte