Programa Especializado en

Supply Chain Management

Planificación de la Demanda

Profesor: Gonzalo Cuadros Herrera

Planificación de la Demanda

Análisis de auto correlaciones,

medición del error y Promedios
móviles
Exploración de patrones de datos

• El patrón de los datos se explora mediante el

coeficiente de auto correlación

n−k

 (Y t − Y )(Yt − k − Y )
rk = t =1
n

 (Y
t =1
t −Y) 2
 DATOS DESFASE DE UN DESFASE DE DOS
PERIODO t M ES
ORIGINALES Y t PERIODO Y t-1 PERIODOS Y t-2

1 ENERO 123
2 FEBRERO 130 123
3 MARZO 125 130 123
4 ABRIL 138 125 130
5 MAYO 145 138 125
6 JUNIO 142 145 138
7 JULIO 141 142 145
8 AGOSTO 146 141 142
9 SEPTIEMBRE 147 146 141
10 OCTUBRE 157 147 146
11 NOVIEMBRE 150 157 147
12 DICIEMBRE 160 150 157
Los datos son aleatorios

Una serie de datos es aleatoria si la auto correlación

entre Yt y Y t-1 es cercana a cero y los valores
sucesivos de la serie de tiempo no guardan relación
entre sí.

Los datos tienen una tendencia (no estacionaria)

Si una serie tiene tendencia, Yt e Y t-1 están altamente
Auto correlacionados y es típico que los coeficientes
de auto correlación sean diferentes de cero de
manera significativa para varios de los primeros
periodos de desfasameinto y caigan gradualmente
hacia cero al incrementarse el número de periodos.
 Los datos son estacionarios

• Una serie estacionaria es aquella cuyo valor

promedio no cambia a través del tiempo.
• Los coeficientes de auto correlación en datos
estacionarios caen a cero después del segundo o
tercer periodo de desfasamiento.
Los datos son estacionales
Si una serie tiene patrón estacional, se presentará un
coeficiente de auto correlación significativo en el
periodo de desfasamiento correspondiente: cuatro en
los datos trimestrales o doce en los datos mensuales.
Selección de la Técnica de Pronóstico

1. ¿ Por qué se requiere un pronóstico?

2. ¿ Quién utilizará el pronóstico?
3. ¿ Cuáles son las características de los datos
disponibles?
4. ¿ Qué espacio de tiempo se pronosticará?
5. ¿ Cuáles son los requerimientos mínimos de datos?
6. ¿ Cuál es la precisión deseada?
7. ¿ Cuál será el costo del pronóstico?
Técnicas de pronóstico para datos estacionarios

• Las técnicas que se podrían usar para

pronosticar en series de datos estacionarios
son:
»Métodos de promedio simple
»Métodos de promedios móviles
»Atenuación exponencial
Técnicas de pronóstico para datos con una
tendencia

• Las técnicas que se podrían usar para

pronosticar en series de datos con tendencia
son:
» Promedios móviles lineales
»Atenuación exponencial lineal
»Atenuación exponencial cuadrática
»Regresión simple
Técnicas de pronóstico para datos con
estacionalidad

• Las técnicas que se podrían usar para

pronosticar en series de datos con
estacionalidad son:
»Descomposición clásica
»Atenuación exponencial
»Regresión múltiple de series de tiempo
Medición del error en el pronóstico

• Para calcular el error o residual de cada

periodo de pronóstico se utiliza:
et = Yt − Yˆ
et : error de pronóstico en periodo t
Yt : valor real en el periodo t
Yˆ : valor del pronóstico en el periodo t
Desviación Absoluta de la Media

 t
Y − Yˆ
DAM = t =1
n
La DAM resulta de gran utilidad cuando el
analista desea medir el error de pronóstico en
las mismas unidades de la serie original
Error Medio Cuadrado

( )
n

 ˆ 2
Y − Y t
EMC = t =1
n
El EMC se usa para comparar métodos diferentes
de pronóstico.
Penaliza los errores grandes del pronóstico.
 Porcentaje de Error Medio Absoluto

n Yt − Yˆ

t =1 Yt
PEMA =
n
El PEMA se usa para comparar métodos diferentes de
pronóstico.
Indica que tan grande son los errores del pronóstico.
Contrasta con los valores reales de la serie
 Porcentaje Medio de Error


n
(
Y t − Yˆ )
t =1 Yt
PME =
n
El PME indica cuán desviada está la técnica de
pronóstico usada.

•Si tiende a cero no hay sesgo

•Si es negativo grande el pronóstico será sobreestimado
•Si es positivo grande el pronóstico será subestimado
Estrategia Típica para la evaluación de métodos de
pronóstico

1. Se elige un método de pronóstico de

acuerdo al patrón de los datos
2. Se divide el conjunto de datos en dos
secciones una parte de inicialización y una
parte de prueba
3. Se emplea la técnica elegida para desarrollar
valores ajustados para la parte de
inicialización de los datos
Estrategia Típica para la evaluación de métodos de
pronóstico

4. Se utiliza la técnica para pronosticar la parte

de prueba de los datos y se determina y
evalúa el error de pronóstico
5. Se toma una decisión para el uso de la
técnica en su forma actual , modificarla o
usar otra técnica
Modelos no formales

• Para datos estacionarios se puede suponer que

los periodos recientes son los mejores
pronosticadores del futuro.

Yˆt +1 = Yt
Modelos no formales

• Para datos con tendencia se puede usar:

Yˆt +1 = Yt + (Yt − Yt −1 )
ˆ Y
Yt +1 = Yt t
Yt −1
Modelos no formales

El valor que toma el año anterior ignora todo lo

ocurrido desde el año pasado (para datos
trimestrales)

Yˆt +1 = Yt −3
 Modelos no formales
• Para datos con variación
estacional y tendencia se puede
usar: Introduce información más reciente

Yˆt +1 = Yt −3 +
(Yt − Yt −1 ) +  + (Yt −3 − Yt −4 )
4
Métodos de Promedio

• Promedios simples:
• Son estables las fuerzas que generan la serie
• No cambia el entorno donde existe la serie

n
Yt
Yˆt +1 =
t =1 n
 Métodos de Promedio

• Promedios móviles
• Se usa para datos trimestrales o mensuales
• Ayuda a suavizar los componentes de la serie

M t = Yˆt +1 =
(Yt + Yt −1 + Yt −2 +  + Yt −n+1 )
n
Mt : promedio móvil en el periodo t
Ŷ t+1: valor del pronóstico para el siguiente periodo
Yt : valor real en el periodo t
N: número de términos del promedio móvil
*Número de períodos es a juicio
*A menor número de períodos mayor peso a los períodos recientes esto ocurre
cuando existen cambios repentinos en el nivel de la serie, los pronósticos
alcanzan más rápido el nivel actual.