Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema 2
Tema 2
Pronósticos
Contenido
2. Pronósticos
1. Planeación de la demanda.
2. Conceptos básicos de pronósticos
3. Tipos de pronósticos
1. A largo plazo
2. A corto plazo
3. Suavización de la exponencial
4. Regresión lineal simple
4. Análisis de series de tiempo
5. Pronósticos causales
Pronóstico
Medición y retroalimentación
Conceptos básicos de pronóstico
Conceptos
básicos
Horizonte de Errores y
Patrones de Series de Series de
planeación del exactitud en
datos tiempo tiempo
pronóstico los pronósticos
Horizonte de planeación del pronóstico
Horizonte de
Tipo de pronóstico ¿Para que se utilizan?
planeación
Una serie de tiempo es un conjunto de observaciones medidas en puntos sucesivos en el tiempo o en periodos
sucesivos. Una serie de tiempo nos proporciona datos para comprender como ha cambiado históricamente la variable
que queremos pronosticar.
Para explicar un patrón en una serie de datos es útil pensar en términos de cinco características:
Tendencias
1.Estacional
2.Cíclica
3.Variación aleatoria
4.Variación irregular
Una tendencia es un patrón subyacente de crecimiento o declive en una serie de tiempo. Este cambio gradual en el
tiempo puede verse a factores de largo plazo como los cambios en el desempeño, la tecnología, la productividad, la
población, las características demográficas y preferencias del cliente.
Las tendencias pueden ser crecientes o decrecientes; y tener ser lineales o no lineales:
Patrones estacionales
• Se caracteriza por periodos de tiempo repetibles de altibajos en
periodos cortos
Patrones cíclicos
• Son patrones regulares en una serie de tiempo de datos que tienen
lugar en periodos prolongados
Variación aleatoria
• Es una desviación no explicada de una serie de tiempo respecto de
un patrón predecible, como el de tendencias, estacional o cíclico.
Variación irregular
• Es una variación explicable de una sola vez.
Errores y exactitud de pronósticos
Todos los pronósticos están sujetos a errores y comprender la naturaleza y magnitud de estos últimos
es importante para tomar buenas decisiones. Para realizar este cálculo, daremos sentidos a las
variables utilizadas:
𝐸𝑟𝑟𝑜𝑟 = 𝐴 𝑡 − 𝑃 𝑡
Métricas para errores de pronósticos
𝑀𝐴𝐷=
∑ | 𝐴𝑡 − 𝑃 𝑡|
𝑇
𝑀𝐴𝑃𝐸=
∑|( 𝐴𝑡 − 𝑃 𝑡 ) / 𝐴𝑡| ∙ 100
𝑇
Métodos de pronóstico cualitativos
Exactitud
Costo
Método Descripción del método Uso relativo
Corto Alcance Largo
plazo intermedio plazo
Métodos de
series de tiempo
Métodos
estadísticos
Métodos de
regresión
Promedio móvil simple
Un pronóstico de promedio móvil es un pronostico de las observaciones “k” más recientes en una serie de
tiempo.
𝑡
∑ ( 𝐴¿¿ 𝑖)
𝑡 −𝑘+1
𝐹 𝑡 +1= ¿
𝑘
𝐴 𝑡 + 𝐴 𝑡 − 1+ 𝐴𝑡 −2 + 𝐴 𝑡 −3 + ⋯+ 𝐴 𝑡 − 𝑘+1
𝐹 𝑡 +1=
𝑘
Este método funciona mejor para horizontes de planeación cortos, cuando no hay patrones de tendencias,
estacionales o ciclos de negocio.
Una forma de ajustar el modelo hay que encontrar un k que minimice el MSE
Ejemplo
Periodo Observación Estos datos muestran los litros de leche que se venden cada mes en un Gas-Mart.
1 172 Sí utilizamos k=3.¿cómo calcular el pronóstico para el 4 período?
2 217
3 190
4 233
5 179 𝐴 3 + 𝐴 2+ 𝐴1
𝐹 4=
6 162 3
7 204
8 180
9 225 172+217+190
10 250 𝐹 4= =193
3
11 151
12 218
Suavización de la exponencial simple (SES)
Es una técnica de pronóstico que usa un promedio ponderado de valores pasados de una serie de tiempo para
pronosticar el valor de esta última en el periodo siguiente:
𝐹 𝑡 +1=𝛼 𝐴𝑡 + ( 1− 𝛼 ) 𝐹 𝑡
Donde α es la constante de suavización y puede tomar valores entre 0 y 1. . Para usar este modelo, se debe
establecer que el pronóstico del primer periodo es igual a la observación del primer periodo:
Los valores comunes de α van de 0.1 a 0.5. Si la serie de tiempo es muy volátil y contiene una variabilidad
aleatoria, se prefiere un valor pequeño de α.
La constante de suavización α esta aproximadamente vinculada con el valor k en el modelo de promedios
móviles por efecto de la siguiente relación:
Una desventaja de la suavización exponencial es que si la serie de tiempo exhibe una tendencia positiva, el
pronostico demorará los valores reales, y de igual forma, los disparará si existe una tendencia negativa.
Si se necesitan valor mayores a 0.5 de α para desarrollar un buen pronóstico, otros tipos de pronósticos podrían
ser los más apropiados.
Ejemplo
Periodo Observación Estos datos muestran los litros de leche que se venden cada mes en un Gas-Mart.
1 172 Sí utilizamos α=0.2 .¿cómo calcular el pronóstico para el 4 período?
2 217
3 190
4 233
5 179 𝐹 1 = 𝐴 1 =172
6 162
7 204 𝐹 2=𝛼 𝐴 1+ (1 − 𝛼 ) 𝐹 1= 0.2 (172 )+ 0.8 (172 ) =172
8 180
𝐹 3=𝛼 𝐴 2 + ( 1− 𝛼 ) 𝐹 2=0.2 ( 217 )+ 0.8 ( 172 )=181
9 225
10 250
11 151
12 218
Regresión lineal simple
El análisis de regresión, es un método para construir un modelo estadístico que defina una relación entre una
variable dependiente o una o más variables independientes.
La regresión lineal simple determina los mejores valores para obtener una pendiente y una ordenada de origen
utilizando el método de mínimos cuadrados. Dicho método minimiza la suma de desviaciones cuadradas entre
los valores reales de la serie de tiempo At y los valores estimados de la variable dependiente Yt
𝑌 𝑡 =𝑎+ 𝑏𝑡
Periodo de Datos histórico
tiempo Teniendo una serie de tiempo general como la que se muestra en la tabla, el primer
paso es calcular la media tanto de los datos temporales como de los datos históricos:
t1 A1
𝑛 𝑛
∑ 𝑡𝑖 ∑ 𝐴𝑖
t2 A2 𝑡 = 𝑖 =1 𝑖=1
𝐴=
𝑛 𝑛
Una vez que tenemos los promedios, podemos calcular el valor de la pendiente b:
t3 A3
t4 A4
Y para calcular la ordenada de origen a se utiliza la siguiente ecuación:
⁞ ⁞
tn An