Documentos de Académico
Documentos de Profesional
Documentos de Cultura
• La tienda de suministro para jardín de Donna, quiere pronosticar las ventas de cobertizos
ponderando los últimos 3 meses, dando más peso a los datos recientes para hacerlos más
significativo.
•
Promedio móvil simple y
ponderado
Suavizamiento exponencial
Nvo. Pronóstico = (Pronóstico del mes anterior) + α (Demanda real del mes anterior –
pronóstico del periodo anterior)
• Donde
Ft = Nuevo pronóstico.
Ft-1 = Pronóstico del mes anterior.
α = constante de suavizamiento.
A t-1 = Demanda real del mes anterior.
Determinación de un pronóstico por
Suavizamiento exponencial
• La constante de suavizamiento se encuentra en un intervalo de .05 a .50 para aplicaciones de negocios. Puede cambiarse para dar más peso a datos
recientes (cuando α es alta) o más peso a datos anteriores (si α es baja).
• La tabla siguiente ayuda a ilustrar este concepto. Por ejemplo, cuando α = 0.5, podemos ver que el nuevo pronóstico se basa casi por completo en la
demanda de los últimos tres o cuatro periodos. Cuando α = 0.1, el pronóstico pone poco peso en la demanda reciente y toma en cuenta los valores
histórico de muchos periodos.
Ponderación asignada a
Constante de Periodo más 2° periodo más 3er. Periodo 4° Periodo más 5° Periodo más
suavizamiento reciente (α) reciente α (1- más reciente reciente reciente
α) α (1-α)2 α (1-α)3 α (1-α)4
2 168
3 159
4 175
5 190
6 205
7 180
8 182
Suavizamiento exponencial con ajuste a
la tendencia.
Donde:
Ft = α (Demanda real del último periodo) + (1- α) (pronóstico del último periodo + Tendencia estimada para el
último periodo)
Tt= (Pronóstico de este periodo – Pronóstico del último periodo + (1-) (Tendencia estimada para el último periodo))
Así, los tres pasos para calcular el pronóstico con ajuste de tendencia son:
1 12 11 2 13
2 17 =0.2(12)+ (1-0.2)(11 + 2) = 12.8 =0.4 (12.8 - 11) + (1-0.4) 2 = 1.92 = 12.8 + 1.92 = 14.72
3 20 =0.2(17) + (1-0-2) (12.8 + 1.92 ) = 15.18 =0.4 ( 15.18 – 12.8) + (1-0.4) 1.92 = 2.10
= 15.18 + 2.10 = 17.28
4 19 =0.2(20) + (1-0.2) ( 15.18 + 2.10) = 17.82 =0.4 ( 17.82 – 15.18) + (1-0.4)2.10 = 2.32
= 17.82 + 2.32 = 20.14
5 24 =0.2(19) + (1-0.2) ( 17.82 + 2.32) = 19.91 =0.4 (19.91 – 17.82) + (1-0.4) 2.32 = 2.23 = 19.91 + 2.23 = 22.14
6 21
7 31
8 28
9 36
10 ?
Ejemplo
1 12 11 2 13
2 17 =0.2(12)+ (1-0.2)(11 + 2) = 12.8 =0.4 (12.8 - 11) + (1-0.4) 2 = 1.92 = 12.8 + 1.92 = 14.72
3 20 =0.2(17) + (1-0-2) (12.8 + 1.92 ) = 15.18 =0.4 ( 15.18 – 12.8) + (1-0.4) 1.92 = 2.10
= 15.18 + 2.10 = 17.28
4 19 =0.2(20) + (1-0.2) ( 15.18 + 2.10) = 17.82 =0.4 ( 17.82 – 15.18) + (1-0.4)2.10 = 2.32
= 17.82 + 2.32 = 20.14
5 24 =0.2(19) + (1-0.2) ( 17.82 + 2.32) = 19.91 =0.4 (19.91 – 17.82) + (1-0.4) 2.32 = 2.23 = 19.91 + 2.23 = 22.14
6 21
7 31
8 28
9 36
10 ?
Variaciones Estacionales
en los datos
• La estacionalidad puede aplicarse de forma horaria, diaria, semanal, mensual, entre otros
patrones recurrentes.
• A continuación se presenta los pasos que seguiría una compañía que tiene estaciones de un
mes.
Metodología de pronóstico
estacional
• 1.- Encontrar la demanda histórica promedio de cada estación (o mes en este caso), sumando la
demanda media en ese mes de cada año y dividiéndola entre el número de años con datos disponibles.
• 2.- Calcular la demanda promedio de todos los meses, dividiendo el promedio total de la demanda
anual entre el número de estaciones.
• 3.- Calcular un índice estacional para cada estación, dividiendo la demanda histórica real de ese mes
(paso 1) entre la demanda promedio de todos los meses (paso 2).
• 5.- Dividir esta estimación de la demanda total anual entre el número de estaciones , después
multiplicar por el índice estacional para ese mes. Esto proporciona el pronóstico estacional.
Medición del error de
pronóstico
• En la práctica se usan varias medidas para calcular el error global del pronóstico. Estas
medidas pueden utilizarse para para comparar distintos modelos de pronósticos, así
como para vigilar los pronósticos y asegurar su buen desempeño. Las tres medidas
más populares son la MAD (mean absolute desviation; desviación absoluta media),
MSE (mean squared error; error cuadrático medio), y el MAPE (mean absolute percent
error; error porcentual absoluto medio)
Desviación absoluta media
• MAD =
Ejemplo:
• En los últimos 8 trimestres, en el puerto de Baltimore se han descargado de los barcos
grandes cantidades de grano. El administrador de operaciones del puerto quiere probar el
uso de suavizamiento exponencial para ver que tan bien funciona la técnica para predecir
el tonelaje de descarga. Supone que el pronóstico de grano descargado durante el primer
trimestre fue de 175 toneladas. Se examina dos valores de α = 0.10 y α = 0.5.
• Compare los datos reales con los pronosticados (usando cada uno de los valores de α) y
después encuentre la desviación adsoluta
Error porcentual
absoluto medio
• MAPE =