PRONÓSTICOS - II

MSc. Milton De la Hoz Toscano

 Pronóstico series de tiempo
• Método usado para analizar el patrón de
comportamiento de la variable que se desea predecir
en el tiempo. Este modelo solo usa los valores y
tendencias que la variable a predecir ha presentado
en el pasado

09/03/2022 Gestión de Procesos:Pronósticos 2

 Modelos
• Naïve
• Acumulado
• Media móvil
• Media móvil ponderada
• Suavización exponencial simple
• Suavización exponencial doble
• Winter
• Etc..

09/03/2022 Gestión de Procesos:Pronósticos 3

Procedimiento

1. Seleccionar un modelo basado en el

comportamiento de la demanda en el tiempo.
2. Estimar los parámetros del modelo.
3. Pronósticar con el modelo.
4. Revisar el desempeño del modelo y ajustar los
parámetros.

09/03/2022 Gestión de Procesos:Pronósticos 4

Guía para seleccionar un método de pronóstico apropiado

5
 Pronóstico Naïve
• Un pronóstico Naïve es simplemente el valor observado mas
recientemente.
• Asume que la demanda en el siguiente periodo es la misma
demanda del periodo más reciente.
– P.e., Si en Enero las ventas fueron de 68, entonces las ventas de
febrero serán de 68.
• Lo más reciente dicta lo próximo.

09/03/2022 Gestión de Procesos:Pronósticos 6

 Pronóstico Naïve
Modelo:
x t = xt-1 + e t
donde:
e t ~ iid (=0 , 2=V[e])
Forecasting Model:

es el pronóstico para un período posterior a T, donde k es una constante

positiva.

09/03/2022 Gestión de Procesos:Pronósticos 7

 Pronóstico Acumulado
• El método de pronóstico simple, consiste en atenuar los datos
al obtener la media aritmética de cierto número de datos
históricos para obtener con este el pronóstico para el
siguiente período.
• Asume que la demanda en el siguiente periodo el promedio
de las anteriores.
– P.e., Si en Enero las ventas fueron de 50 y en febrero fue de 100,
entonces las ventas de marzo serán de 75.
• Toda la historia es importante.

09/03/2022 Gestión de Procesos:Pronósticos 8

 Pronóstico Acumulado
Modelo:
xt = a + et
donde:
e t ~ iid (=0 , 2=V[e])
Modelo de pronóstico:
𝑡

∑ 𝑑𝑖
^
𝐷 𝑡 , 𝑡 +1 =
𝑖=1
𝑡

09/03/2022 Gestión de Procesos:Pronósticos 9

 Media móvil (Moving average)
• Usada si hay poca o nada de tendencia.
• Un método intermedio entre pronóstico acumulado y naïve.
– Modelo acumulado (M=n)
– Modelo Naïve (M=1)
• Solo se incluyen las últimas m observaciones. Cada vez que se
calcula el promedio, se descarta la demanda más antigua y se
incluye la más reciente.

09/03/2022 Gestión de Procesos:Pronósticos 10

 Media móvil (Moving average)
Modelo:
xt = a + et
donde:
e t ~ iid (=0 , 2=V[e])
Modelo de pronóstico:
𝑡

∑ 𝑑𝑖
^
𝐷𝑡 , 𝑡 +1=
𝑖=𝑡 +1 − 𝑀
𝑀

09/03/2022 Gestión de Procesos:Pronósticos 11

 Media móvil ponderada
• El método del promedio móvil ponderado asigna un peso a
cada periodo previo y confiere los pesos más altos a la
demanda más reciente.
• Ponderador basado en experiencia o en intuición.
• Usado cuando la tendencia está presente.
 Datos más antiguos menos importantes.

=
Donde
0" Ct " 1.0
 Ejercicio 1
• Una compañía exporta Flores a Estados Unidos. Demanda (En
El gerente de ventas piensa que su demanda Mes Ton)
representa un proceso constante en el tiempo. 1 118
Para el próximo mes (mes 1 de producción) se 2 125
piensa que la demanda será de 125 Toneladas. 3 125
Sabiendo que el pronóstico se hizo paso a paso 4 106
y que los datos mostrados a continuación 5 135
corresponden a las demandas reales de los 6 145
doce meses en los que se debía pronosticar 7 122
¿Cuál debió ser el pronóstico para cada uno de 8 103
esos períodos si se hubiese empleado el 9 126
método Naïve, media móvil, media acumulado 10 130
y media móvil ponderada? Muestre los 11 125
resultados gráficamente y calcule el error total 12 145
absoluto del pronóstico. Cuál será la demanda
pronosticada.

09/03/2022 Gestión de Procesos:Pronósticos 13

 Ejercicio 2
• Tires for you, Inc. (TFY), fundada en 1987, es una empresa de reparación automotriz
que seespecializa en neumáticos de reemplazo. Con sede en Altoona, Pennsylvania,
TFY ha experimentado un enorme crecimiento durante los últimos años debido al
ingreso de un nuevo director general, Ian Overbaugh. Ya que el reemplazo de
neumáticos representa una parte importante del negocio de TFY (también realiza
cambios de aceite, pequeñas reparaciones mecánicas, etc) a Ian le sorprendió la falta
de pronósticos para el consumo de llantas en la empresa. Su gerente mecánico, Skip
Grenoble, le comento que, por lo general, se abastecían para el año corriente con las
ventas del año anterior, aunque rápidamente admitió que muchas veces, durante la
estación, se presentaban carencias de inventario y que los clientes debían comprar el
producto en otra parte. Aunque muchos reemplazos se deben a los neumáticos
defectuosos o destruidos, la mayoría se instala en vehículos cuyos originales se
desgastan. Con frecuencia se colocan los cuatro a la vez. Ian decidió obtener una
mejor perspectiva de cuantos neumáticos deben mantener en inventario durante los
distintos meses del año, A continuación, se presenta un resumen delas ventas
individuales por mes.
09/03/2022 Gestión de Procesos:Pronósticos 14
 Ejercicio 2. Datos
LLANTAS
PERIODO
USADAS
2020  
Octubre 9.797
Noviembre 11.134
Diciembre 10.687
2021 -
Enero 9.724
Febrero 8.786
Marzo 9.254
Abril 10.691
Mayo 9.256
Junio 8.700
Julio 10.192
Agosto 10.751
Septiembre 9.724
Octubre 10.193
Noviembre 11.599
Diciembre 11.130

09/03/2022 Gestión de Procesos:Pronósticos 15

• ¿Cuál debió ser el pronóstico para cada uno de
esos períodos si se hubiese empleado el
método Naïve, media móvil, media acumulado
y media móvil ponderada?
• Muestre los resultados gráficamente y calcule
el error total absoluto del pronóstico.
Comparándolos con las ventas reales para el
2012

09/03/2022 Gestión de Procesos:Pronósticos 16

 Ejercicio 2. Ventas Reales
LLANTAS
PERIODO 2012
USADAS
Enero 10.696
Febrero 9.665
Marzo 10.179
Abril 11.760
Mayo 9.150
Junio 9.571
Julio 8.375
Agosto 11.826
Septiembre 10.696
Octubre 11.212
Noviembre 9.750
Diciembre 9.380

09/03/2022 Gestión de Procesos:Pronósticos 17

 Suavización exponencial simple
Es una técnica para pronosticar series de tiempo
basado en un promedio ponderado entre la
observación real de la demanda y el pronóstico del
periodo anterior.
Involucra pocos registros de datos pasados.
Se emplea cuando el comportamiento de la demanda
es continuo (Constante).
 Los datos no presentan tendencia.
 Los datos son relativamente parecidos.

09/03/2022 Gestión de Procesos:Pronósticos 18

 Suavización exponencial simple
• FORMULAS:
𝑫 𝑻 =𝜶 𝒅 𝑻 −𝟏+ (𝟏 − 𝜶 ) 𝑫 𝑻 −𝟏
• Donde:
• α: Constante de suavización (Factor de ponderación).
• d : Demanda del periodo anterior.
T-l

• D : Pronóstico del periodo anterior.

T-l

𝑭 𝑻 +𝒌= 𝑫𝑻
• F : Valor que toma el pronóstico del futuro.
T+k

• k: Número mayor que cero.

09/03/2022 Gestión de Procesos:Pronósticos 19

 Suavización exponencial simple
Modelo:
dt = a + et
donde:
e t ~ iid (=0 , 2=V[e])
Modelo Pronóstico:
Dt+1 =Dt + et (0<<1)
o
Dt+1=dt + (1-) Dt
Recordando: e t = d t - Dt

09/03/2022 Gestión de Procesos:Pronósticos 20

 Suavización exponencial simple
Dt+1 = dt + (1-) Dt

recordando Dt = dt-1 + (1-) Dt-1

Dt+1 = dt + (1-)(dt-1 + (1-) Dt-1)

Dt+1 = dt + (1-)dt-1 + (1-)2 Dt-1

Dt+1 = dt + (1-)dt-1 + (1-)2dt-2 + (1-)3 Dt-2

Dt+1 = (1-)0dt + (1-)1dt-1 + (1-)2dt-2 + (1-)3dt-3...

09/03/2022 Gestión de Procesos:Pronósticos 21

 Ejemplo
• Una empresa atunera cuenta con datos históricos mensuales de su
demanda de atún (toneladas) y desea saber cual va a ser el pronóstico
de los siguientes cuatro meses..
Los datos históricos se muestran a continuación:
Demand Demand
Meses a Meses a
1 116 11 106
2 100 12 108
3 114 13 117
4 105 14 109
5 118 15 108
6 109 16 120
7 125 17 107
8 111 18 124
9 125 19 123
10 101 20 123

09/03/2022 Gestión de Procesos:Pronósticos 22

 Error del modelo
• Formas de determinar el error:
• Error absoluto:

𝑒 𝑇 =|𝑑 𝑇 − 𝐷 𝑇|

• Error porcentual:

09/03/2022 Gestión de Procesos:Pronósticos 23

 Suavización exponencial doble
Es una técnica para pronosticar series de tiempo usado en
casos donde la variable a pronosticar (demanda) tiene
como comportamiento una tendencia lineal (Sea creciente
o decreciente).

No solamente el comportamiento de la demanda se

suaviza, también se requiere de una constante de
suavización para la tendencia.

09/03/2022 Gestión de Procesos:Pronósticos 24

 Suavización exponencial doble
• FORMULAS:
𝑫 𝑻 =𝜶 𝒅 𝑻 −𝟏+ (𝟏 − 𝜶 ) (𝑫 ¿ ¿ 𝑻 − 𝟏∗ 𝑮𝑻 −𝟏 )¿

• Donde:
• α: Constante de suavización de la demanda.

• d : Demanda del periodo anterior.

T-l

• D : Pronóstico del periodo anterior.

T-l

• G : Valor de la pendiente (tendencia) en el periodo anterior.

T-l

09/03/2022 Gestión de Procesos:Pronósticos 25

 Suavización exponencial doble
• FORMULAS:

𝑮𝑻 = 𝜷 ( 𝑫 𝑻 − 𝑫 𝑻 − 𝟏 )+ (𝟏 − 𝜷 ) 𝑮𝑻 −𝟏

• Donde:
• β: Constante de suavización de la pendiente.

• D : Pronóstico del periodo actual.

T

• D : Pronóstico del periodo anterior.

T-l

• G : Valor de la pendiente (tendencia) en el periodo anterior.

T-l

09/03/2022 Gestión de Procesos:Pronósticos 26

 Pronóstico periodos futuros
𝑭 𝑻 +𝒌= 𝑫𝑻 +𝐊 𝑮𝑻

09/03/2022 Gestión de Procesos:Pronósticos 27

 Ejemplo
• Una compañía cuenta con datos históricos mensuales de su demanda de productos y desea saber cual va a
ser el pronóstico de los siguientes cuatro meses. Se cree que la demanda tiene tendencia.
Los datos históricos se muestran a continuación:
MES DEMANDA MES DEMANDA
1 116 13 201
2 133 14 219
3 139 15 207
4 157 16 205
5 154 17 210
6 159 18 207
7 162 19 225
8 172 20 223
9 163 21 257
10 163 22 232
11 164 23 240
12 191 24 241

• Usar el método de suavización exponencial simple y doble para hallar el pronóstico y minimizar el error
porcentual.

09/03/2022 Gestión de Procesos:Pronósticos 28