Está en la página 1de 31

PRONÓSTICO CLASE III

3.- Suavizamiento exponencial:


Una alternativa a los promedios móviles es el suavizamiento exponencial.
Se usa para datos estacionarios y es adecuado para pronósticos a corto y
mediano plazo.
Igual que en el caso de promedios móviles, el promedio calculado hasta el período t se
usa para pronosticar el período t +1. Esto lleva al siguiente modelo de
pronósticos:
F X t  1  Ft
t 1
A la constante de suavizado α se le asigna un valor entre 0 y 1. El valor de 
Puede ajustarse en tal forma que los pronósticos respondan, rápidamente o lentamente
A los cambios posibles en el sistema. Normalmente toma los valores entre
0.01≤  <0.3.
El método tiene algunas características que hacen atractivo su empleo:

No requiere mucho espacio de almacenamiento cuando se trabaja con


computadoras.

Todo lo que se requiere es la constante de suavizado, la observación más


reciente y el pronóstico anterior.

No es necesario guardar todas las observaciones previas.

Nunca se descarta por completo ninguna observación, siempre queda


incorporada en algún grado.

Para valores altos de α la persecución de las observaciones anteriores disminuye


con rapidez.

El valor de α puede ajustarse en tal forma que los pronósticos respondan rápida
o lentamente a los cambios posibles en el sistema.

El problema del suavizamiento exponencial simple considerando sólo el


promedio, es que produce un retraso en relación a la tendencia.
En general no hay acuerdo sobre la elección del coeficiente α, pero por
lo usualmente este varía entre (0,1 y 0,5).

Los puntos de datos más recientes tienen mayor peso; este peso se
reduce exponencialmente cuando más antiguos son los datos.

Un valor elevado de α da un gran peso a la demanda más reciente y un


valor bajo del coeficiente dará un peso menor a la demanda más
reciente.

Un elevado coeficiente de suavizamiento exponencial será más


adecuado para los nuevos productos o en caso que la demanda está en
proceso de cambio ”dinámica o inestable” los α de 0,7; 0,8 ó 0,9 puede
ser más apropiado para estas condiciones.
Si la demanda es muy estable y se cree que puede ser
representativa del futuro, el pronosticador puede optar por un
coeficiente bajo para disminuir cualquier ruido que hubiese
podido presentarse en forma súbita, los coeficientes podrían
ser 0,1; 0,2 ó 0,3.

Cuando la demanda es ligeramente inestable, α= 0,4; 0,5 ó


0,6 pueden proporcionar datos más precisos.
En la tabla se ilustra el uso del suavizamiento exponencial, usando   0 .1

y   0 .5

Período t Mes Demanda Ft 1 , Ft 1 ,


Pronóstico   0.1 Pronóstico   0.5
1 Enero 1980 600
2 Febrero 1980 580 600 600
3 Marzo 1980 580 598 590
4 Abril 1980 520 596 585
5 Mayo 1980 570 588 552
6 Junio 1980 510 586 561
7 Julio 1980 500 578 536
8 Agosto 1980 470 570 518
9 Sept. 1980 450 560 494
10 Octubre 1980 460 549 472
11 Nov. 1980 430 540 466
12 Dic. 1980 400 529 448
13 Enero 1981 --- 516 424
Demanda real y pronosticada con
suavizamiento exponencial

650

Deamanda
600 Demanda
550
500 Alfa =0,1
450 Alfa=0,5
400
1 3 5 7 9 11
Período

Cuando se hace el primer pronóstico con un modelo de suavizamiento


exponencial ocurre un problema interesante, como es el primero no existe un
pronóstico previo que pueda usarse con el término . Este no es un problema
serio y puede manejarse suponiendo que el pronóstico anterior es el mismo
que la observación más reciente, matemáticamente esto equivale a asignar un
peso de 1 a α cuando se hace el primer pronóstico.
Por inspección puede observarse que el pronóstico que usa un alfa de
0.5 proporciona proyecciones más precisas, esto se debe a que los datos
contienen una tendencia hacia abajo, el valor mayor de alfa es más
sensible a esto. Aún así, el pronóstico tiene un retraso respecto de las
observaciones reales. Aún cuando los datos no contienen variaciones
estacional ó cíclicas el modelo básico de suavizamiento exponencial
también se queda corto al no tomar en cuenta estas fuentes de
variación, motivo por lo cual se emplea en pronósticos de corto plazo.
Ejercicio:

1.- La demanda de un producto se muestra en la tabla . Nuestro pronóstico


para el mes de abril fue de 100 unidades, con una coeficiente de suavizamiento
exponencial de 0,20. ¿Cuál es el pronóstico para el mes de Julio?, ¿Qué puede
decir acerca del coeficiente de suavizamiento utilizado?.

MES DEMANDA ACTUAL REAL


ABRIL 200
MAYO 50
JUNIO 150
F  0,20*(200)  (1 0,20)*100 120
Mayo
F  0,20*(50)  (1 0,20)*120 106
Junio
F  0,20*(150)  (1 0,20)*106 114,8
Julio

La constante de suavizamiento exponencial 0,2, implica que la demanda


reciente no está teniendo un gran peso relativo. Si la demanda es inestable
se recomienda utilizar un coeficiente mayor-
2.- El método de suavizamiento exponencial lo usa Rayo Vac para presupuestar
las ventas de baterías. Las cifras se muestran en millones de paquetes de pilas
“AA”. Utilizan dos valores de alfa para poder analiza diferentes escenarios. Evaluar
Ambos casos e indicar cuál es el que sugerirías indicando el porqué.

MES VENTAS ACTUALES DE PRONÓSTICO


PAQUETES DE BATERÍAS AA
ENERO 20 22

FEBRERO 21

MARZO 15

ABRIL 14

MAYO 13

JUNIO 16
Calcular los pronósticos con alfa = 0.5 y 08.

MES VENTAS PRONÓSTICO Alfa=0,5 Alfa=0,8


ACTUALES DE
PAQUETES DE
BATERÍAS AA
ENERO 20 22 22 22

FEBRERO 21 21 20

MARZO 15 21 21

ABRIL 14 18 16

MAYO 13 16 14

JUNIO 16 14.5 13
Cálculos ejercicio
0,5 0,8
mes ventas FtA+1 Xt*ALFA (1-ALFA)*Ft SESGO MAD S.de R FtB+1 Xt*ALFA (1-ALFA)*Ft SESGO MAD S.deR
enero 20 22 10 11 2 2 0,818 22 16 4 2 2 0,5524
febrero 21 21 11 11 0 0 20 17 4 -1 1
marzo 15 21 8 11 6 6 21 12 4 6 6
abril 14 18 7 9 4 4 16 11 3 2 2
mayo 13 16 7 8 3 3 14 10 3 1 1
junio 16 14,5 8 7 -1,5 1,5 13 13 3 -3 3
2,25 2,75 1,363 2

25

20

VENTAS
15
PRONÓSTICO
10 ALFA=0,5
PRONÓSTICO
ALFA=0,8
5

0
enero febrero marzo abril mayo junio
Extensiones del modelo de suavizamiento exponencial
Hasta ahora el modelo descrito supone la demanda constante, sólo con variaciones
aleatorias alrededor del promedio. Sin embargo si tenemos sospecha de un patrón
sistemático que afecte la aleatoriedad de la demanda, debemos tenerlo en cuenta
para mejorar la exactitud de nuestro pronóstico.

Dos grandes categorías de factores pueden explicar los patrones no aleatorios:

 La primera categoría incluye las características del mercado como los ciclos y
patrones de tendencia o temporalidad de la demanda; note que estos no necesitan
ser naturales, sino que pueden inducirse por situaciones tales como la introducción
de nuevos modelos o celebraciones especiales.

 La segunda gran categoría de patrones no aleatorios son los resultados de los


planes de futuros sucesos que influirán en la demanda; tales sucesos pueden
consistir en promociones especiales, logro de un gran pedido, requerimientos
especiales para los clientes, o anuncios de nuevos productos (ya sean nuestros o de
la competencia). Veremos primero los cambios que pueden hacerse a un modelo de
suavizamiento exponencial para incorporar los factores del mercado.
A.- Consideraciones de tendencia (Modelo de Holt)
Para tener en cuenta explícitamente la tendencia, necesitamos un método para
estimarla (el cambio en la demanda básica de un período a otro). Como primer
paso en el proceso de hacer una estimación de la tendencia, usamos el
suavizamiento exponencial para alisar las variaciones aleatorias y crear un nuevo
valor base, luego determinamos la estimación actualizada del valor de la
tendencia. El método para calcular el nuevo valor base es:
At  X t  1      At 1  Tt 1 
Tt    At  At 1   1     Tt 1
Donde :
t  Período en curso el período más reciente para el cual se conoce la demanda 
At  Promedio exponencia l en t (valor base)
At 1  Promedio exponencia l calculado en un período previo (al final del período t - 1)
Tt  Estimación de la tendencia en t
Tt -1  Estimación de la tendencia calculado un período previo (al final del período t - 1)
  Coeficient e de sauvizamie nto 0    1
  Coeficient e de ajuste de tendencia 0    1
X t  Demanda al final del período t
Por tanto el pronóstico final implica el reconocimiento del promedio
exponencial más una tendencia:

F  At Tt
t 1
Fˆt  x  At  XTt
X  Cantidad de períodos más allá del período t para los cuales se desea pronósticos.

Ejemplo de cálculos del pronóstico aumentado por tendencia.


Datos:
  0 .2
  0 .1
T 5
t 1
A  100
t 1
X t  107
At  0.2107 1 0.2 100 5 105.4
Tt  0.1105.4 100  1 0.1 5  5.04

Pronóstico para el siguiente período


F 105.4  5.04 110.44
t 1
Pronóstico para el cuarto período a partir del actual:
F  A  XT 105.4  4*5.04 125.56
14 1 1
B.- Consideraciones de estacionalidad (Modelo de Winter)

Muchos productos tienen un patrón de demanda de estacionalidad; podemos


nombrar los esquís, muebles para jardín, juguetes, etc. Quizás menos obvias son
las temporadas para un producto durante el día, la semana o el mes, como los
aumentos de depósitos bancarios los días de pago, los viajes los fines de
semana.

Una indicación útil del grado de variación por temporada para un producto es el
índice estacional; este índice estima cuánta demanda habrá durante una
temporada por arriba o por debajo del promedio de demanda de un producto.
Por ejemplo una línea de trajes de baño puede vender 100 unidades al mes en
promedio, pero 150 trajes en la temporada peak y 75 fuera de temporada; el
índice para las ventas en la temporada peak sería 1.5 y 0.75 para las de fuera de
temporada en este caso. El índice estacional se usa para ajustar el pronóstico
por patrones de temporada.

Gran parte del mismo tipo de lógica que se usó para ajustar por tendencia se
aplica al ajuste por temporada de un producto. El método para calcular es el
siguiente:
Considerando estacionalidad y tendencia (Modelo de Winter)

F t+p = ( At + pTt ) I t-L+p

A t =  * Xt + ( 1 -  )* ( A t-1 + Tt-1 )
I t-L

Tt = *( A t - A t-1 ) + ( 1 -  )* Tt-1

I t =  * Xt + ( 1 -  )* I t- L
At
It : estimación de la estacionalidad
I t,S = índice de estacionalidad asociado a la temporada S
 : constante de ajuste a la estacionalidad
L: longitud de la estacionalidad
p: periodos a estimar a futuro
A t : promedio exponencial en t
Tt : Estimación de la tendencia en t
 : Coeficiente de ajuste de tendencia
Ejercicios
Dados los siguientes datos calcular mediante el modelo de Winter el
pronóstico para el mes de Mayo, con longitud 2 y periodo estimar a futuro 1:

Mes Enero Febrero Marzo Abril

Demanda 66 106 78 135


Real

Valores de arranque:
I0 I -1 A0 T0 α β ϒ

1,2 0,8 70 10 0,2 0,2 0,2


Metodología para Modelos de
Suavizamiento Exponencial
4.-Análisis de tendencia:
El último modelo de series de tiempo, es apropiado para detectar
tendencias. Con frecuencia, ésta es una consideración importante
cuando se hacen pronósticos a mediano y largo plazo.
El objetivo del análisis de tendencia es ajustar matemáticamente una
curva a un conjunto de datos. Veremos sólo el análisis de tendencia
lineal, pero existen otros tipos de análisis de tendencia por ejemplo
cuadrática, logarítmica que también pueden realizarse.
Un modelo de análisis de tendencia tiene el tiempo como variable
independiente, y la variable que se está pronosticando es la variable
dependiente. Para obtener un pronóstico, sólo es necesario insertar el
período para el cual se desea el pronóstico y calcular el valor
pronosticado.
Igual que con todos los métodos de series de tiempo se recomienda que
se comience el análisis con una gráfica de los datos. Para ejemplificar se
presentan los datos en la siguiente tabla con los datos de una demanda
trimestral en vez de mensual ya que el análisis de tendencia es
apropiado para pronósticos de mediano a largo plazo.
Período Trimestre Demanda
1 Invierno 1998 390 600
2 Primavera 1998 425
500
3 Verano 1998 420
400

Demanda
4 Otoño 1998 475
5 Invierno 1999 440 300 Demanda

6 Primavera 1999 460 200


7 Verano 1999 465
100
8 Otoño 1999 500
0
9 Invierno 2000 455

10
11
12
1
2
3
4
5
6
7
8
9
10 Primavera 2000 520
Período
11 Verano 2000 495
12 Otoño 2000 560

En la gráfica puede observarse que en los tres últimos años ha habido una demanda
creciente con una componente de tendencia lineal definitiva. Los datos también contienen
una componente estacional fuerte, pero se pospondrá su estudio hasta después que se haya
analizado la tendencia.
La pregunta principal es:¿Qué curva o ecuación lineal describe mejor los datos de demanda?
La respuesta a esta pregunta depende del criterio que se quiera aplicar. Con el enfoque
gráfico simplemente se traza a ojo una curva que parezca el mejor ajuste a los datos. Este
enfoque incluye una combinación de juicio subjetivo y adivinanzas.
Un enfoque matemático para el análisis de tendencia lineal es mucho más
estructurado y preciso. Identifica la ecuación de una línea recta de la forma:

F  a  b t
i
Donde:

Ft  valor pronosticado
a  base
b t  tendencia
t  período para el que se prepara el pronóstico

Los valores de a y b se encuentran con el método de mínimos cuadrados, la aplicación


de éste criterio da como resultado una línea recta que minimiza el cuadrado de las
distancias verticales desde cada observación a la línea, los valores de a y b que
minimizan la suma de los cuadrados de todas las distancias verticales definen la
ecuación que mejor se ajusta a los datos. Las ecuaciones son las siguientes:
a   y b* x
N
b  N *  xy   x *  y
N *  x2   x2
Los datos intermedios se muestran en la siguiente tabla:
Período Demanda y xy X2
1 390 390 1
2 425 850 4
3 420 1260 9
4 475 1900 16
5 440 2200 25
6 460 2760 36
7 465 3255 49
8 500 4000 64
9 455 4095 81
10 520 5200 100
11 495 5445 121
12 560 6720 144

 x  78
 y  5605  xy  38075  x 2  650
Por lo tanto:
1238075  785605
b 11.5
2
12 605   78
560511.5 78
a  392.3
12

El modelo de pronóstico es por lo tanto:

Ft  392.3 11.5t 

Por ejemplo si se quiere el pronóstico de demanda para el invierno de 2001, se


reconoce que esto comprende al período 13 (con base en la numeración dada a
los períodos al realizar el análisis) y el pronóstico es:

F  392.3 11.513  542


t13
El pronóstico para el invierno del 2002 es:

F  392.3 11.517  588


t17

Análisis de Tendencia

600
500
Demanda

400
Demanda
300
Ft
200
100
0
10
11
12
1
2
3
4
5
6
7
8
9

Período
Los modelos de promedios móviles y de suavizamiento exponencial que se
describen antes dejaban atrás cualquier tendencia en los datos. En
consecuencia se afirmó que su mejor uso es para pronósticos a corto
plazo, con el análisis de tendencia se hace una consideración directa de
cualquier tendencia al efectuar los pronósticos.

Sin embargo con frecuencia se necesita una variación estacional, esto


puede hacerse con una extensión al modelo de análisis de tendencia sin
agregar mucha complejidad. Se hará esta modificación calculando cuanto
debe aumentarse o disminuirse el pronóstico de tendencia de acuerdo con
la estación, entonces en esencia, el modelo de pronóstico se convierte en:

Pronóstico= tendencia + ajuste estacional

Los ajustes estacionales pueden determinarse calculando cuánto y en que


dirección se desvían los pronósticos de tendencia en cada estación.
Para este pronóstico es conveniente organizar los datos por estación.
Con el modelo completo con las dos componentes de tendencia y
estacional, se pronosticará la demanda para el otoño de 2001. Este
período corresponde a t=16 y a un ajuste estacional de + 28, por lo
tanto, el pronóstico es:

PRONÓSTICO = TENDENCIA + AJUSTE

Pr onóstico  392.2 11.516  28  604


t16

Intereses relacionados