07-Pron Ósticos

Pronsticos de Demanda
Ing. Rogelio A. A. Morn
Los pronsticos son necesarios para reducir la incertidumbre sobre el futuro.

Los pronsticos son necesarios porque hay demoras en la provisin.
Los pronsticos son necesarios para reducir los riesgos en la toma de
decisiones.
Mejores decisiones requieren mejores pronsticos.
Los pronsticos son una funcin esencial de la gerencia.
El resultado final de un buen pronstico es la satisfaccin del cliente y la
rentabilidad a largo plazo.
Casi todos los pronsticos se basan en la suposicin de que el pasado se
repetir.
El anlisis estadstico modela el pasado para predecir el futuro.
Anticipar los picos estacionales es esencial para la planificacin.
El horizonte de pronstico es determinado por el plazo (lead time) de las
decisiones.
En operaciones el horizonte de pronsticos es generalmente corto.
Ing. R. Morn
Los mtodos para corto plazo son ms fciles que los que se requieren para
largo plazo, que incluyen regresin mltiple y modelos economtricos.
Pronsticos eficaces requieren una base de datos de demanda precisa. La
base de datos de demanda es un recurso estratgico.
Registrar demandas, no ventas. El faltante de un artculo puede ocasionar la
prdida de ventas de otros complementarios. As el faltante de un artculo
puede distorsionar su pronstico y el de otros complementarios (esto es muy
difcil de detectar).
Registrar la demanda (pedidos) en tiempo real, no despus.
Se deben detectar demandas inusuales.
La demanda agregada (conjunto de artculos) es normalmente menos
aleatoria que la individual (porque se compensan las variaciones). Los
pronsticos de demanda agregada son normalmente ms precisos que los
individuales.
La demanda acumulada (mismo artculo) en el tiempo, normalmente se
pronostica con menor error que la demanda en perodos individuales.
Ing. R. Morn
PRONSTICO
Un buen pronstico es una estimacin probabilstica de un

valor futuro o condicin, que da una media, un intervalo y
una estimacin de probabilidad del intervalo.
HORIZONTES DE PRONSTICOS
INMEDIATO:
Menos de 1 mes, por das o semanas.
CORTO:
1 a 3 meses, por semanas o meses.
MEDIO:
3 meses a 2 aos, por meses o trimestres.
LARGO:
2 a 10 aos, por trimestres o aos.
REVISIN DEL PRONSTICO
PERODO A PERODO (horizonte deslizante)
Ing. R. Morn
NIVELES DE DECISIONES, OBJETIVOS Y
HORIZONTES DE PRONSTICOS
NIVEL
OBJETIVOS
HORIZONTE DE
PRONSTICO
DECISIONES Y FUNCIONES TPICAS
Planeamiento Planeamiento
estratgico.
de metas de la
organizacin.
Largo: ms de 2
aos, por meses,
trimestres o aos.
Planeamiento: Objetivos de rentabilidad, calidad,

participacin en el mercado, servicio al cliente,
automatizacin, relaciones laborales.
Planeamiento Gestin de los

gerencial.
recursos.
Medio: 3 meses a 2
aos, por semanas
o meses.
Gestin: Operaciones, Finanzas, Comercializacin,

Distribucin. Tamao, ubicacin y cantidad de
instalaciones. Planificacin agregada. Plan maestro.
Planificacin y Manejo efectivo Medio a corto: 1

control de las y eficiente de
mes a 2 aos, por
operaciones. los recursos.
semanas o meses.
Operativo.
Control diario
de las
operaciones.
Gestin y Control: Fabricacin y distribucin de

productos. Requerimientos de materiales y de
capacidad.
Inmediato: 1 da a 1 Control: Produccin, compras, pedidos, despachos,

mes, por das o
transporte, etc.
semanas.
Ing. R. Morn
Pronsticos Agregados
EFECTO DE LA AGREGACIN EN LOS PRONSTICOS
Los pronsticos de demanda agregada, en general, tienen menor error que los de
los productos individuales porque la serie de demanda resultante tiene menos
aleatoriedad, dado que se compensan las variabilidades.
Demanda acumulada en el tiempo.

Acumula la demanda de un mismo producto en el tiempo. Por ejemplo: la
agregacin de la demanda mensual en trimestral.
Demanda acumulada por grupos.

Acumula la demanda de artculos individuales, en un mismo perodo, para
obtener la del grupo. Por ejemplo: la agregacin de las demanda de los
artculos de una familia.
Pronstico agregado para el grupo.

Es un solo pronstico para todo el grupo, usando la demanda histrica del
grupo. No es lo mismo que sumar los pronsticos de los artculos individuales.
Ing. R. Morn
Pronsticos agregados y desagregados
En general en las empresas se preparan pronsticos de demanda en diferentes
reas con distintos niveles de agregacin.
Alta gerencia: pronsticos en $.
Gerentes de productos: pronsticos por grupos de productos en unidades y en
$.
Ventas y produccin: pronsticos en unidades por productos individuales.
El problema ms comn es que estos pronsticos se realizan independientemente y
no se renen para verificar la consistencia.
Consistencia en los pronsticos

Si un mismo tem se pronostica de manera diferente, los pronsticos pueden no
coincidir. Esto sucede muy frecuentemente cuando:
Los distintos pronsticos son hechos en diferentes reas funcionales, usando
diferentes datos y/o mtodos.
Se pronostica la demanda agregada a partir de datos histricos agregados y se
compara con la suma de los pronsticos de los artculos individuales.
Ing. R. Morn
Principio del nmero nico
"Todos los pronsticos del mismo producto o actividad deben ser iguales".
La suma de todas las demandas de todos los artculos individuales debe ser
igual a la demanda global de la empresa.
La suma de las demandas de los productos finales debe ser igual a la demanda
total de la lnea o la familia a la que pertenecen.
La suma de las demandas de las familias debe ser igual a la demanda global.
Formas de realizacin de los pronsticos

Hacia abajo (Top-down). Cuando se pronostica la demanda global, a partir de
datos histricos tambin globales, y se desagregan los pronsticos de los productos
individuales utilizando porcentajes histricos de participacin de cada uno en la
demanda global.
Hacia arriba (Bottom-up). Cuando las demandas individuales se acumulan para
obtener la global.
Los pronsticos en diferentes niveles de agregacin deben ser consistentes en
ambos casos. Adems los pronsticos se deben revisar perodo a perodo.
Ing. R. Morn
Tipos de pronsticos
1. Pronstico de demanda desagregada (tems individuales)
Uso: operaciones diarias.
Horizonte: corto plazo.
Perodos: semanas o meses.
El primer uso de este tipo de pronsticos es el reaprovisionamiento por tem y por
ubicacin y el segundo es validar o modificar el pronstico agregado por lneas de
productos, centros de utilidades o unidades de negocios.
En muchas empresas las proporciones de los productos dentro del agregado
permanecen constantes en el tiempo. En este caso se puede utilizar el pronstico
agregado, desagregarlo por porcentajes y revisarlo con pronsticos detallados de
corto plazo.
2. Pronstico de demanda agregada (pocos tems)
Uso: planificacin.
Horizonte: mediano o largo plazo.
Perodos: trimestres o aos.
Ing. R. Morn
Tipos de pronsticos (cont.)
3. Pronsticos integrados
Uso: asegurar consistencia.
Alcance y horizonte: agregados y de corto plazo.
Es la integracin de los dos anteriores. Ajusta el desagregado con datos del
agregado.
Ejemplo
Un producto se vende en tres versiones A, B y C. La participacin histrica de cada
una de las versiones en la demanda total y los precios unitarios de venta son los
siguientes:
ARTCULO
% PARTICIPACIN
PRECIO UNITARIO
65
40
20
60
15
80
100
Precio promedio ponderado: 0,65 40 + 0,20 60 + 0,15 80 = 50

Ing. R. Morn
10
Pronsticos Agregados - Ejemplo

Los cuadros siguientes muestran el pronstico agregado original (plan anual), la
revisin de mitad de ao (se muestran slo los meses 7, 8, y 9 en ambos casos), y
el pronstico desagregado para los mismos meses.
Pronstico agregado (plan anual):
MES
7
8
9
PRON. [u]
MONTO [$]
200
400
500
1100
10000
20000
25000
55000
Pronstico agregado (revisin):

(Solamente los meses que interesan)
MES
7
8
9
PRON. [u]
MONTO [$]
110
500
600
1210
5500
25000
30000
60500
Pronstico desagregado:
MES
ARTCULO
PRON. [u]
P. U. [$/u]
MONTO [$]
ACUM. [$]
A
B
C
5
50
20
75
40
60
80
200
3000
1600
4800
A
B
C
200
125
80
405
40
60
80
8000
7500
6400
21900
A
B
C
280
140
80
500
40
60
80
11200
8400
6400
26000
52700
Para el mes 9 el pronstico desagregado suma 500 u. con un monto de $ 26.000.

El pronstico agregado es de 600 u. por un monto de $ 30.000 a precio unitario
promedio. Cmo se compatibilizan las diferencias?
Ing. R. Morn
11

Pronsticos integrados (pronsticos jerrquicos o en pirmide)
Se debe decidir un pronstico agregado para cada mes y ajustar en consecuencia
los pronsticos desagregados.
Primer paso: Agregacin hacia arriba. Ejemplo para el mes 9 solamente:
600 50
= $ 30.000
vs.
$ 26.000
NIVEL 3
GLOBAL
UNIDADES: 500
NIVEL 2
GRUPO
TOTAL: $ 26.000
NIVEL 1
A
280 40
= 11.200
B
140 60
= 8.400
Ing. R. Morn
12
C
80 80
= 6.400
ARTCULO

Segundo paso: Pronstico agregado y desagregacin hacia abajo.
Se decide el pronstico agregado. Por ejemplo, tomar el promedio de los valores
agregados. Las cantidades desagregadas se ajustan proporcionalmente. Para el
mes 9 resulta:
NIVEL 3
GLOBAL
(600 500)/2
= 550
280 550 / 500 = 308
140 550 / 500 = 154
80 550 / 500 = 88
308 40 = 12.320
154 60 = 9.240
88 80 = 7.040
28.600
NIVEL 2
NIVEL 1
A
308
B
154
Ing. R. Morn
13
GRUPO
C
88
ARTCULO

Otro ejemplo para el segundo paso.
Se decide el pronstico integrado en $ 30.000. La desagregacin hacia abajo, para
el mes 9, es:
NIVEL 3
GLOBAL
$ 30.000
NIVEL 2
NIVEL 1
GRUPO
280 30.000 / 26.000 = 323

140 30.000 / 26.000 = 162
80 30.000 / 26.000 = 92
A
323
B
162
Ing. R. Morn
14
C
92
ARTCULO
Pronsticos para Manufactura
Todas las fuentes de demanda deben ser utilizados para la

programacin.
Los modelos de pronsticos solos no proveen todos los datos
necesarios para la gestin de la demanda.
En la fabricacin por pedidos la demanda del producto puede no ser
pronosticada pero la demanda de capacidad s debera serlo.
El horizonte del programa maestro de produccin debera ser al
menos tan largo como la combinacin ms larga de plazos para
abastecimiento y manufactura.
Los plazos para modificar la capacidad pueden ser ms largos que los
de los materiales.
Compras necesita pronsticos de largo plazo para materiales crticos
o de alto costo.
El planeamiento de finanzas, marketing y produccin requiere el
mismo tipo de pronstico agregado.
Ing. R. Morn
15
Pronsticos para Fabricante-Distribuidor
Se deben analizar los efectos de los convenios con los distribuidores

en los pronsticos.
Convenios, promociones y eventos especiales deberan ser
registrados en la demanda histrica por el sistema de pronsticos.
El pronstico debera ser modificado por el tipo de convenio o
promocin.
La demanda de productos al fabricante puede ser distorsionada por
cambios de prcticas en la distribucin.
La decisin de comprar stock extra durante un convenio, requiere
considerable anlisis.
DRP es esencial para la gestin de la demanda dependiente en una
red fabricante-distribuidor.
Ing. R. Morn
16
Mtodos de Pronsticos
MTODOS CUANTITATIVOS
Intrnsecos (Basados en el anlisis de series de tiempo)
Serie de tiempo: Sucesin de observaciones de una misma variable en
intervalos regulares de tiempo.
Estos mtodos modelan el patrn del pasado para proyectarlo en el
futuro.
Suavizado
Descomposicin
Crecimiento lineal y no lineal
Series de Fourier
Autorregresivos (Box-Jenkins)
etc.
Ing. R. Morn
17
MTODOS CUANTITATIVOS (Cont.)
Extrnsecos (Causales)
Modelan la relacin entre la demanda y otras variables externas

(llamadas predictores o variables independientes) para proyectar el
futuro.
Regresin simple, mltiple, lineal, no lineal
Economtricos
Usos:
Son importantes en pronsticos de demanda agregada para grandes

corporaciones (nivel mundial o regional).
Son ms complicados y caros que los intrnsecos.
Son raramente utilizados en Operaciones, salvo para productos agregados.
Requieren el pronstico de las variables externas.
Ing. R. Morn
18
MTODOS CUALITATIVOS (Subjetivos)
Basados en el juicio y opiniones.
Mtodo Delphi
Investigacin de mercados
Paneles de expertos
etc.
Son tiles:
Cuando no hay datos histricos (o hay pocos), caso de nuevos productos.

En pronsticos de largo plazo cuando no se puede suponer que el pasado
se repetir.
Para ajustar los valores obtenidos por mtodos cuantitativos.
Ing. R. Morn
19
Ejemplos de Series de Tiempo

TENDENCIA
600
550
500
450
400
350
300
250
200
5 9 13 17 21 25 29 33 37 41 45
350
300
200
300
250
200
150
5 9 13 17 21 25 29 33 37 41 45
MESES
TENDENCIA Y ESTACIONALIDAD
UNIDADES
700
5 9 13 17 21 25 29 33 37 41 45
MESES
Ing. R. Morn
20
9 13 17 21 25 29 33 37 41 45
MESES
ESTACIONALIDAD
400
UNIDADES
UNIDADES
AUTOCORRELACIN
400
1 5
MESES
800
500
700
650
600
550
500
450
400
350
300
1 5 9 13 17 21 25 29 33 37 41 45
MESES
600
TENDENCIA Y ALEATORIEDAD
UNIDADES
UNIDADES
UNIDADES
ALEATORIEDAD
750
700
650
600
550
500
450
400
600
550
500
450
400
350
300
250
200
1 5 9 13 17 21 25 29 33 37 41 45
MESES
Error de Pronstico
La determinacin del error de pronstico es fundamental para:
Determinar la efectividad de un mtodo.
Comparar modelos.
Notacin:
Yt : Demanda real observada en el perodo t
Ft : Pronstico para el perodo t
N : Cantidad de perodos observados
Error de pronstico:
et = Yt Ft
Error medio (ME):
1 N
1 N
ME = e = et = (Yt Ft )
N t =1
N t =1
En un buen modelo de pronsticos el ME debe ser prximo a cero.

N
Desviacin estndar del

error (SDE):
SDE =
(e e )
t =1
N 1
Un buen modelo de pronsticos minimiza la SDE.

Ing. R. Morn
21
Error de Pronstico
El error medio y la desviacin estndar son componentes de la exactitud del
mtodo, pero ninguno de ellos por separado es una medida general de la misma.
Las medidas generales de la exactitud ms comunes son:
Suma de los cuadrados de los
errores (SSE):
t =1
t =1
SSE = et2 = (Yt Ft ) 2
Error cuadrtico medio (MSE):
MSE =
Desviacin absoluta
media (MAD):
1 N 2 1 N
et = (Yt Ft ) 2
N t =1
N t =1
MAD =
1 N
1 N
e
=
Yt Ft
t N
N t =1
t =1
Error absoluto porcentual

medio (MAPE):
1 N et
1 N Yt Ft
100% =
100%
MAPE =
N t =1 Yt
N t =1 Yt
Si los errores tienen distribucin Normal, entre la SDE y la MAD existe la siguiente
relacin:
SDE = 2 MAD 1,25 MAD
Ing. R. Morn
22
Modelos de Descomposicin
ANALISIS DE SERIES DE TIEMPO
En las series de tiempo se identifican cuatro componentes:
Tt = Tendencia del crecimiento a largo plazo
Ct = Fluctuaciones cclicas
St = Fluctuaciones estacionales
Rt = Fluctuaciones aleatorias (ruido)
Yt = f (Tt , C t , S t , Rt )
La aleatoriedad se la considera un error (ruido) entre el pronstico y la realidad.
Se pronostican los otros tres y la diferencia con la demanda real es el error.
Modelo multiplicativo:
Yt = Tt C t S t R t
Modelo aditivo:
Yt = Tt + C t + S t + R t
Ing. R. Morn
23
Los modelos multiplicativos se usan cuando el ciclo y la estacionalidad son un
porcentaje del nivel general de la demanda. Este es el caso ms frecuente.
Los modelos aditivos se usan cuando es evidente que no hay relacin entre el
ciclo y la estacionalidad y el nivel general de la demanda.
En los modelos multiplicativos, Ct , St y Rt son proporciones (ndices) expresados
con centro en 1 (o 100%). El valor 1 para un componente significa que no hay
efecto de ese componente.
En los modelos aditivos, Ct , St y Rt son trminos expresados con centro en 0.
El valor 0 para un componente significa que no hay efecto del mismo.
Para horizonte menor a 2 aos tendencia y ciclo se modelan juntos, como
tendencia, y lo indicaremos: TCt :
Modelo aditivo:
Yt = TC t + S t + Rt
Modelo multiplicativo:
Yt = TC t S t R t
Ing. R. Morn
24
Modelo Multiplicativo
SERIE OBSERVADA
700
UNIDADES
600
500
400
300
200
100
0
1
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
MESES
Ing. R. Morn
25
Modelo Multiplicativo - Factores

CICLO
1,10
NDICES
UNIDADES
TENDENCIA
600
550
500
450
400
350
300
250
200
1,05
1,00
0,95
0,90
5 9 13 17 21 25 29 33 37 41 45
MESES
9 13 17 21 25 29 33 37 41 45
MESES
ESTACIONALIDAD
ALEATORIEDAD
1,30
1,50
FACTORES
1,30
NDICES
1,10
0,90
0,70
0,50
1,10
0,90
0,70
5 9 13 17 21 25 29 33 37 41 45
MESES
5 9 13 17 21 25 29 33 37 41 45
MESES
Ing. R. Morn
26
Pasos en el pronstico
1. Calcular promedios mviles con nmero de perodos igual al ciclo estacional.
2. Centrar los promedios mviles con nuevos promedios mviles de dos perodos. Los
promedios mviles centrados estiman tendencia y ciclo:
PMCt = Tt Ct = TCt
PMCt = Tt + Ct = TCt
3. Calcular los componentes estacionales con aleatoriedad.

Factores estacionales para el modelo multiplicativo:
Yt
TC S Rt
= t t
= S t Rt
PMCt
PMCt
Trminos estacionales para el modelo aditivo:
Yt PMCt = TCt + St + Rt PMCt = St + Rt

4. Calcular los ndices de estacionalidad St promediando (o calculando la mediana)
los factores o trminos estacionales de igual perodo y ajustarlos. En el modelo
multiplicativo los ndices deben tener promedio 1 y en el aditivo deben sumar 0.
Ing. R. Morn
27
5. Desestacionalizar la serie para obtener la tendencia y ciclo (con aleatoriedad).
Para el modelo multiplicativo:
Yt TCt S t Rt
=
= TCt Rt
St
St
Para el modelo aditivo:

Yt St = TCt + S t + Rt S t = TCt + Rt
6. Ajustar una curva de tendencia a la demanda desestacionalizada por el mtodo de

mnimos cuadrados. Para la recta:
Ti = A + B t i
con
A=
1
N
[ Y B t ] = Y B t
i
B=
t Y ( t )( Y ) = t Y N t Y
t N (t )
t ( t )
i
1
N
2
i
donde las sumatorias son todas para i = 1, 2, , N

Ing. R. Morn
28
1
N
2
i
7. Obtener la prediccin de la serie aplicando los ndices de estacionalidad a la
demanda estimada y analizar el error.
Para el mtodo multiplicativo:
Ft = Tt S t
Para el mtodo aditivo:
Ft = Tt + St
8. Pronosticar perodos futuros proyectando la tendencia y aplicando el ndice de

estacionalidad correspondiente a cada perodo.
Se deben controlar y ajustar los outliers en la demanda antes de aplicar el mtodo.
Observaciones
La tendencia se puede estimar ajustando una curva apropiada por mnimos
cuadrados directamente sobre los datos de la demanda, en reemplazo de los
promedios mviles centrados. El resto del mtodo contina igual desde el paso 3.
La ventaja sobre los promedios mviles centrados es que no se pierde un ao de
datos. La desventaja es que se ignora completamente el ciclo. Los promedios mviles
centrados estiman tendencia y ciclo. Por lo tanto el ajuste de una curva para la
estimacin inicial de la tendencia es aplicable slo a pronsticos de corto plazo.
Ing. R. Morn
29
-0,03
190,91
11,93
3,57
2,29
2
2
-1
-8
1
-3
4
3
-1
-3
-5
-1
-3
6
1
3
et
ERROR
Modelo Multiplicativo - Ejemplo
70
108
118
180
75
115
126
191
79
122
133
202
84
128
140
213
88
135
148
224
EM =
SCE =
ECM =
DSE =
MAPE [%] =
ERROR
St.Rt
St
TCt.Rt
Tt
Tt.St
et
0,61
0,92
0,99
1,48
0,61
0,92
0,99
1,48
0,61
0,92
0,99
1,48
0,61
0,92
0,99
1,48
0,61
0,92
0,99
1,48
118,75
119,69
117,93
116,02
125,35
121,86
131,03
130,86
128,65
129,48
129,02
135,58
133,59
145,80
142,12
145,70
115,55
117,41
119,26
121,12
122,97
124,83
126,68
128,54
130,39
132,25
134,10
135,96
137,81
139,66
141,52
143,37
145,23
147,08
148,94
150,79
70
108
118
180
75
115
126
191
79
122
133
202
84
128
140
213
88
135
148
224
EM =
SCE =
ECM =
DSE =
MAPE [%] =
2
2
-1
-8
1
-3
4
3
-1
-3
-5
-1
-3
6
1
3
72
110
117
172
76
112
130
194
78
119
128
201
81
134
141
216
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
AO
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
30
A=
B=
R^2 =
0,6063
0,9191
0,9921
1,4825
4,0000
0,6058
0,9182
0,9912
1,4812
3,9964
0,5886
0,9495
0,9706
1,4986
Yt
TRIM. HISTRICA
t
#N/A
117,75
118,75
119,25
122,50
128,00
128,50
130,25
129,75
131,50
132,25
136,00
139,25
143,00
#N/A
118,25
119,00
120,88
125,25
128,25
129,38
130,00
130,63
131,88
134,13
137,63
141,13
113,70
1,85
0,87
0,6000
0,9110
1,0136
1,4995
(COEF. RECTA MN. CUADRADOS)
A=
B=
R^2 =
0,6287
0,8942
0,9894
1,4454
0,6063
0,9191
0,9921
1,4825
4,0000
NDICES
0,6058
0,9182
0,9912
1,4812
3,9964
TENDENCIA LINEAL
0,9894
1,4454
0,6287
0,8942
1,0136
1,4995
0,6000
0,9110
0,9706
1,4986
0,5886
0,9495
NDICES
1
2
3
4
118,75
119,69
117,93
116,02
125,35
121,86
131,03
130,86
128,65
129,48
129,02
135,58
133,59
145,80
142,12
145,70
PROMEDIOS
PROMEDIOS
0,9894
1,4454
0,6287
0,8942
1,0136
1,4995
0,6000
0,9110
0,9706
1,4986
0,5886
0,9495
FACTORES ESTACIONALES
#N/A
118,25
119,00
120,88
125,25
128,25
129,38
130,00
130,63
131,88
134,13
137,63
141,13
113,70
1,85
0,87
TEND. Y EST.
TCt
TEND.
TENDENCIA LINEAL
DESEST.
0,61
0,92
0,99
1,48
0,61
0,92
0,99
1,48
0,61
0,92
0,99
1,48
0,61
0,92
0,99
1,48
0,61
0,92
0,99
1,48
St.Rt
FACTORES
4 PER.
2 PER
0,5886
0,9495
0,9706
1,4986
TCt
0,6000
0,9110
1,0136
1,4995
PRONSTICO
NDICES
115,55
117,41
119,26
121,12
122,97
124,83
126,68
128,54
130,39
132,25
134,10
135,96
137,81
139,66
141,52
143,37
145,23
147,08
148,94
150,79
#N/A
117,75
118,75
119,25
122,50
128,00
128,50
130,25
129,75
131,50
132,25
136,00
139,25
143,00
DEMANDA
FACTORES
TRIM.
TEND. Y EST.
Tt.St
Tt
72
110
117
172
76
112
130
194
78
119
128
201
81
134
141
216
ESTACIONALIDAD
2 PER
TCt.Rt
TEND.
4 PER.
Yt
0,6287
0,8942
0,9894
1,4454
PROM. MVILES
DESEST.
DEMANDA
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
PER.
Ing. R. Morn
ESTACIONALIDAD
1
2
3
4
PROM. MVILES
TRIM.
MTODO DE DESCOMPOSICIN - MODELO MULTIPLICATIVO
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
DEMANDA
HISTRICA
St
TRIM.
NDICES
AO
DEMANDA
PER.
PRONSTICO
MODELO DE DESCOMPOSICIN MULTIPLICATIVO
-0,03
190,91
11,93
3,57
2,29
Modelo Multiplicativo - Ejemplo

M ODELO DE DESCOM POSICIN M ULT IPLICAT IVO
250
UNIDADES
200
150
100
50
0
1
10
11
12
13
14
15
PERODOS
DEMANDA
DEMANDA DESEST.
Ing. R. Morn
31
PRONSTICO
16
17
18
19
20
0,00
446,57
27,91
5,46
3,82
8
3
-1
-11
4
-3
4
3
-2
-4
-6
2
-7
3
-1
9
64
107
118
183
72
115
126
191
80
123
134
199
88
131
142
207
96
139
150
215
EM =
SCE =
ECM =
DSE =
MAPE [%] =
ERROR
St+Rt
St
TCt+Rt
Tt
Ft=Tt+St
et
-50,80
-10,30
-0,76
61,86
-50,80
-10,30
-0,76
61,86
-50,80
-10,30
-0,76
61,86
-50,80
-10,30
-0,76
61,86
-50,80
-10,30
-0,76
61,86
122,80
120,30
117,76
110,14
126,80
122,30
130,76
132,14
128,80
129,30
128,76
139,14
131,80
144,30
141,76
154,14
115,21
117,19
119,17
121,15
123,13
125,11
127,09
129,07
131,05
133,03
135,01
136,99
138,98
140,96
142,94
144,92
146,90
148,88
150,86
152,84
64
107
118
183
72
115
126
191
80
123
134
199
88
131
142
207
96
139
150
215
EM =
SCE =
ECM =
DSE =
MAPE [%] =
8
3
-1
-11
4
-3
4
3
-2
-4
-6
2
-7
3
-1
9
72
110
117
172
76
112
130
194
78
119
128
201
81
134
141
216
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
AO
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
TRIM.
Yt
32
A=
B=
R^2 =
-50,80
-10,30
-0,76
61,86
0,00
NDICES
PROMEDIOS
#N/A
117,75
118,75
119,25
122,50
128,00
128,50
130,25
129,75
131,50
132,25
136,00
139,25
143,00
#N/A
118,25
119,00
120,88
125,25
128,25
129,38
130,00
130,63
131,88
134,13
137,63
141,13
113,23
1,98
0,75
-51,17
-10,67
-1,13
61,50
-1,46
A=
B=
R^2 =
-56,63
-7,13
-3,88
66,88
-50,80
-10,30
-0,76
61,86
0,00
-51,17
-10,67
-1,13
61,50
-1,46
TENDENCIA LINEAL
-1,25
53,00
-44,88
-13,25
1,75
64,63
-52,00
-11,63
-3,88
66,88
-56,63
-7,13
NDICES
-52,00
-11,63
1,75
64,63
122,80
120,30
117,76
110,14
126,80
122,30
130,76
132,14
128,80
129,30
128,76
139,14
131,80
144,30
141,76
154,14
-50,80
-10,30
-0,76
61,86
-50,80
-10,30
-0,76
61,86
-50,80
-10,30
-0,76
61,86
-50,80
-10,30
-0,76
61,86
-50,80
-10,30
-0,76
61,86
St+Rt
TRMINOS
2 PER
4 PER.
PROMEDIOS
-44,88
-13,25
-1,25
53,00
-1,25
53,00
-44,88
-13,25
1,75
64,63
-52,00
-11,63
-3,88
66,88
-56,63
-7,13
1
2
3
4
#N/A
118,25
119,00
120,88
125,25
128,25
129,38
130,00
130,63
131,88
134,13
137,63
141,13
113,23
1,98
0,75
TEND. Y EST.
TCt
TENDENCIA LINEAL
TEND.
DESEST.
HISTRICA
-56,63
-7,13
-3,88
66,88
TCt
-52,00
-11,63
1,75
64,63
PRONSTICO
NDICES
115,21
117,19
119,17
121,15
123,13
125,11
127,09
129,07
131,05
133,03
135,01
136,99
138,98
140,96
142,94
144,92
146,90
148,88
150,86
152,84
#N/A
117,75
118,75
119,25
122,50
128,00
128,50
130,25
129,75
131,50
132,25
136,00
139,25
143,00
DEMANDA
TRMINOS
TRIM.
et
ERROR
TEND. Y EST.
Ft=Tt+St
Tt
72
110
117
172
76
112
130
194
78
119
128
201
81
134
141
216
ESTACIONALIDAD
2 PER
TCt+Rt
TEND.
4 PER.
Yt
-44,88
-13,25
-1,25
53,00
PROM. MVILES
DESEST.
DEMANDA
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
PER.
Ing. R. Morn
ESTACIONALIDAD
1
2
3
4
PROM. MVILES
TRIM.
MTODO DE DESCOMPOSICIN - MODELO ADITIVO
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
DEMANDA
HISTRICA
St
TRIM.
MTODO DE DESCOMPOSICIN - MODELO ADITIVO
NDICES
AO
DEMANDA
PER.
PRONSTICO
Modelo Aditivo - Ejemplo
0,00
446,57
27,91
5,46
3,82
Modelo Aditivo - Ejemplo

M ODELO DE DESCOM POSICIN ADIT IVO
250
UNIDADES
200
150
100
50
0
1
10
11
12
13
14
15
PERODOS
DEMANDA
DEMANDA DESEST.
Ing. R. Morn
33
PRONSTICO
16
17
18
19
20
Determinacin del ciclo
Para analizar el ciclo se requieren datos de varios aos.

El componente cclico se puede obtener dividiendo los promedios mviles
centrados (que estiman la tendencia y el ciclo) por la tendencia ajustada a los
datos desestacionalizados (o restando la tendencia en el modelo aditivo):
PMCt Tt Ct
=
= Ct
Tt
Tt
PMCt Tt = Tt + Ct Tt = Ct
La prediccin de la serie para analizar el error se obtiene como en el paso 7:
Ft = Tt C t S t
Ft = Tt + Ct + St
Los componentes cclicos determinados no son aplicables a perodos futuros, el

ciclo no es peridico. Por lo tanto, para pronosticar se debe hacer alguna
hiptesis sobre la evolucin futura de los componentes cclicos.
Para datos anuales (pronsticos de largo plazo) no existe el componente
estacional y toda la fluctuacin aleatoria se atribuye al ciclo. Los modelos son:
Yt = Tt C t
Yt = Tt + Ct
La tendencia se estima ajustando a la serie de la demanda una curva apropiada
por mnimos cuadrados. La determinacin del ciclo es inmediata.
Ing. R. Morn
34
Ventajas
Fciles de entender y aplicar.

Al descomponer la serie se pueden analizar mejor las causas de las variaciones.
Los ndices de estacionalidad son intuitivamente fciles de entender.
Las series desestacionalizadas proporcionan una importante herramienta de
control temprano de las variaciones de tendencia.
Desventajas
Tienden a sobreajustar con respecto a otros mtodos. Esto es debido a que la

forma del modelo es decidida antes de analizar los datos.
Un error aleatorio grande en un perodo puede originar distorsiones de los

ndices de estacionalidad. Si hay ms de tres estaciones para calcular los
ndices, es mejor usar la mediana que la media.
Los outliers pueden causar valores desproporcionados de tendencia al

desestacionalizar la serie. Por esta razn deben ajustarse previamente.
Por las causas anteriores el coeficiente de determinacin de la tendencia puede

resultar ms grande en el ajuste del modelo que en el pronstico.
Los pronsticos de perodos futuros pueden tener grandes errores por cambios
de tendencia o ciclo.
Estos modelos son tiles para tendencia y ciclo en pronsticos de mediano plazo.
Ing. R. Morn
35
Modelos de descomposicin en MINITAB
Utiliza modelos multiplicativos y aditivos de la forma:

Yt = Tt St + t
+
1. Determina la tendencia ajustando una curva apropiada por mnimos cuadrados a

la demanda.
2. Elimina la tendencia dividiendo la serie por la tendencia en el modelo
multiplicativo, o restndola en el aditivo.
3. Suaviza la serie sin tendencia con promedios mviles de perodo estacional y
luego con promedios mviles de dos perodos para centrar.
4. Divide (o resta) los valores de la serie sin tendencia por los promedios mviles
centrados para obtener los factores (o trminos) estacionales.
5. Determina los ndices de estacionalidad como la mediana de los factores (o
trminos) estacionales.
6. Desestacionaliza los datos dividiendo (o restando) la demanda por los ndices.
7. Pronostica multiplicando (o sumando) los ndices de estacionalidad a la tendencia
obtenida en el paso 1.
Ing. R. Morn
36
Estimacin de Tendencias
MODELOS PARA TENDENCIA
Modelo de demanda
Modelo de tendencia
Lineal:
Yt = 0 + 1 t + t
Tt = 0 + 1 t
Cuadrtica:
Yt = 0 + 1 t + 2 t 2 + t
Tt = 0 + 1 t + 2 t 2
Exponencial:
Yt = 0 e 1 t t
Tt = 0 e 1 t
Logstica:
Yt =
Gompertz:
0
t
1 + 1 e t
Tt =
1 + 1 e
t
2
2 t

Tt = 0 e 1 e
Yt = 0 e 1 e t
Nota: MINITAB dispone de los modelos lineal y cuadrtico anteriores y de los modelos
exponencial y logstico (Pearl-Reed) dados, respectivamente, por:
10 a
Tt =
0 + 12 t
Tt = 0
t
1
Ing. R. Morn
37
Los coeficientes se estiman por el mtodo de los mnimos cuadrados. El modelo

exponencial se transforma a lineal para determinar los coeficientes.
El modelo exponencial se usa cuando la tasa de crecimiento es prcticamente
constante. La tasa de crecimiento por unidad de tiempo es e 1 t. En efecto:
Tt
= 0 1 e 1 t
t
mientras que 0 es el valor de la tendencia en el instante t = 0.
Por ejemplo, si 0 = 100 y la tendencia muestra una tasa de crecimiento del 7%
anual, la ecuacin de tendencia es (datos anuales):
Tt = 100 (1,07 ) t
0 , 067
= 1,07. Luego:
y como ln(1,07) = 0,067 resulta e
Tt = 100 e 0 , 067 t
Ing. R. Morn
38
El modelo exponencial se debera usar cuando la grfica del logaritmo natural de Yt

en funcin de t es casi lineal, pues si Yt = 0 e 1 t t entonces:
ln Yt = ln 0 + 1 t + ln t
Es muy arriesgado suponer que la tendencia continuar creciendo

indefinidamente en forma lineal o exponencial. La tendencia puede crecer a una
cierta tasa constante durante un cierto tiempo, pero en algn momento se llega a
un nivel de saturacin y la tasa comienza a decrecer.
Las ecuaciones de las curvas Logstica y de Gompertz proporcionan tendencias en
forma de S que es tpica del ciclo de vida de muchos productos: al comienzo su
demanda es relativamente baja pero crece a una tasa anual prcticamente
constante hasta que llegan a la madurez y la tasa de crecimiento comienza a
disminuir.
Ajustar estas curvas es ms difcil porque no se las puede transformar en lineales.
Se debe recurrir a mtodos numricos.
Ing. R. Morn
39
Ejemplos de Tendencias
Estimacin
- Ejemplos
Serie 1de Tendencias
Serie 2
Serie 3
Serie 4
Serie 5
t
1
2
3
4
5
6
7
8
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
10
18
11
20
12
17
19
21
22
23
24
13
25
14
27
15
29
16
26
28
30
31
32
33
17
34
18
36
19
38
20
21
Ing. R. Morn
35
37
39
40
41
42
43
44
22
45
23
47
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
46
48
159
1
175 Serie
159
175
116 116
151
151 167
138
167 174
175
138 175
193
117
174 176
175
175 171
179
175 205
202
193 179
227
186
117 215
217
176 233
232
175 204
230
171 263
267
230
179 280
271
205 248
250
202 268
264
179 252
272
289
227 280
270
186 293
259
215 254
258
217 293
289
333
233 283
232
204
230
263
267
230
280
271
248
250
268
264
252
272
289
280
270
293
259
254
258
293
289
333
283
220
192
209
198
274
244
282
297
244
256
306
276
263
281
345
344
346
345
377
343
387
463
385
423
503
496
470
546
477
561
566
569
574
673
713
727
712
798
816
833
850
885
1005
979
1115
1108
1149
1209
Serie 2
220
192
209
198
274
244
282
297
244
256
306
276
263
281
345
344
346
345
377
343
387
463
385
423
503
496
470
546
477
561
566
569
574
673
713
727
712
798
816
833
850
885
1005
979
1115
1108
1149
1209
165
178
180
186
202
207
213
229
255
286
318
338
365
409
442
463
500
550
615
655
682
748
861
897
876
1260
1368
1500
1794
1941
2036
2214
2422
2513
2690
2799
Serie 3
165
178
180
186
202
207
213
229
255
286
318
338
365
409
442
463
500
550
615
655
682
748
861
897
876
1260
1368
1500
1794
1941
2036
2214
2422
2513
2690
2799
40
Serie 4
4
2
4
9
5
11
17
6
14
25
19
25
32
39
33
31
40
41
45
51
49
55
59
66
70
69
72
80
77
80
82
93
89
89
93
96
93
87
93
94
97
92
101
99
99
99
97
92
4
2
4
9
5
11
17
6
14
25
19
25
32
39
33
31
40
41
45
51
49
55
59
66
70
69
72
80
77
80
82
93
89
89
93
96
93
87
93
94
97
92
101
99
99
99
97
92
Serie 5
11
14
13
18
19
17
26
19
40
40
46
40
52
40
60
52
70
60
69
73
70
82
78
79
82
83
86
91
87
90
88
90
86
97
99
91
98
96
91
105
101
95
98
99
100
102
94
107
11
14
13
18
19
17
26
19
40
40
46
40
52
40
60
52
70
60
69
73
70
82
78
79
82
83
86
91
87
90
88
90
86
97
99
91
98
96
91
105
101
95
98
99
100
102
94
107
Estimacin de Tendencias - Ejemplos

Serie 2 - T endencia cuadrtica
1400
300
1200
250
1000
Unidades
Unidades
Serie 1 - T endencia lineal

350
200
150
Tt = 3, 42 + 139,88 t
100
R 2 = 0,9853
800
600
400
R 2 = 0,8485
50
Tt = 250,07 3,871 t + 0, 4782 t 2
200
0
0
1
7 10 13 16 19 22 25 28 31 34 37 40 43 46 49
7 10 13 16 19 22 25 28 31 34 37 40 43 46 49
Perodos
Perodos
Serie 3 - Logaritmos
Serie 3 - T endencia exponencial

3500
Unidades
2500
2000
Tt = 123,71 e 0 , 0871t
R 2 = 0,9892
Logaritm os
3000
1500
1000
500
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37
9
8
7
6
5
4
3
2
1
0
1
5 7
9 11 13 15 17 19 21 23 25 27 29 31 33 35
Perodos
Perodos
Ing. R. Morn
41
Estimacin de Tendencias - Ejemplos

Serie 5 - Curva de Gompertz
120
100
100
80
80
Unidades
Unidades
Serie 4 - Curva logstica

120
60
0 = 100
40
60
0 = 100
40
1 = 20
20
1 = 3
20
2 = 0,15
2 = 0,11
0
1
7 10 13 16 19 22 25 28 31 34 37 40 43 46 49
7 10 13 16 19 22 25 28 31 34 37 40 43 46 49
Perodos
Perodos
Ing. R. Morn
42
Exploracin de Patrones
ANLISIS DE AUTOCORRELACIN
Autocorrelacin es la correlacin existente entre una variable y la misma variable
desfasada k perodos (k = 1, 2, ...).
El coeficiente de autocorrelacin (muestral) de orden k es
nk
rk =
(Y Y )(Y
t =1
t k
(Y Y )
Y )
2
t =1
Un correlograma es un grfico de los coeficientes de autocorrelacin, para varios

desfases, de una serie de tiempo.
El intervalo de confianza para los coeficientes de autocorrelacin de un ruido
blanco es:
1
0 z
n
donde z es el valor normal estndar para un nivel de confianza dado (z = 1,96
para = 0,5) y n el tamao de la muestra.
Ing. R. Morn
43
Autocorrelacin - Ejemplos
Correlograma
Coeficientes
Unidades
Serie estacionaria
180
160
140
120
100
80
60
40
20
0
1
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
r1 r2
7 10 13 16 19 22 25 28 31 34 37 40 43 46
r3 r4
r5 r6
Coef. Autocorr.
Meses
Ing. R. Morn
44
r7 r8
r9 r10 r11 r12

Lmites 95%
Correlograma
Serie con tendencia lineal

350
Coeficientes
300
Unidades
250
200
150
100
50
0
1
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
r1
7 10 13 16 19 22 25 28 31 34 37 40 43 46
r2
r5
r6
r7
r8
Coef. Autocorr.
Meses
r9 r10 r11 r12

Lmites 95%
Correlograma diferencias
Serie con tendencia lineal

400
1,0
300
0,5
Coeficientes
Unidades
r3 r4
200
100
0
0,0
-0,5
-1,0
-100
1
r1
7 10 13 16 19 22 25 28 31 34 37 40 43 46
Meses
Demanda
r2
r3
r4
r5
r6 r7
Coef. Autocorr.
Diferencias
Ing. R. Morn
45
r8
r9 r10 r11 r12

Lmites 95%
Serie con tendencia no lineal
Correlogram a
1400
1200
Coeficientes
Unidades
1000
800
600
400
200
0
1
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
r1
7 10 13 16 19 22 25 28 31 34 37 40 43 46
r2
r5
r6
r7
r8
Coef. Autocorr.
Meses
r9 r10 r11 r12

Lmites 95%
Correlograma diferencias
Serie con tendencia no lineal

1,0
1400
1200
1000
800
600
400
200
0
-200
Coeficientes
Unidades
r3 r4
7 10 13 16 19 22 25 28 31 34 37 40 43 46
Meses
Demanda
0,5
0,0
-0,5
-1,0
r2
Diferencias
r4
r6
Coef. Autocorr.
Ing. R. Morn
46
r8
r10
r12
Lmites 95%
Correlograma
T endencia lineal y estacionalidad

700
Coeficientes
600
Unidades
500
400
300
200
100
0
1
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
r2
7 10 13 16 19 22 25 28 31 34 37 40 43 46
Meses
800
Coeficientes
Unidades
600
400
200
0
-200
4
7 10 13 16 19 22 25 28 31 34 37 40 43 46
r8
r10
r12
Lmites 95%
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
r1 r2 r3 r4 r5 r6 r7 r8 r9 r10 r11 r12 r13
Meses
Demanda
r6
Correlograma dif. 1er. orden
Tendencia lineal y estacionalidad
r4
Coef. Autocorr.
Coef. Autocorr.
Diferencias 1er. orden
Ing. R. Morn
47
Lmites 95%
48
6,68
44,01
47
Sumas
Promedios = 309,00
Desv. Est.= 152,21
N=
45
46
47
48
Nov
Dic
5429
Lmites 5%
0,29
r1
0,30
r2
0,16
r3
0,06
r4
-0,07
r5
-0,33
r13
0,28
53
24707,29
-318,24
-3928,60
r6
-0,58
-51228,80
99
501,66
-29018,00
276,61
2303,53
r7
-0,41
-36422,44
-7317,92
-1946,39
50
11
-71,15
3734,21
260,53
50
2085,74
-5987,56
-29,41
-3841,75
-47
788,08
-51
99
84
465,42
14
-31
-16
5355,19
-2062,43
-4262,28
5675,33
53
-167,26
27
-143,54
r8
-0,12
-10423,11
-3707,56
-437,83
-1069,24
-1040,73
1126,68
-73
-167,07
-12
-6128,39
1248,04
-1257,58
58
934,34
11
84
51
-19
14500,46
1960,38
1148,08
3292,12
-638,09
11
84
14
-12
848,97
r9
-0,14
-12640,11
-834,00
-3261,54
-181,58
-531,37
-13
-51
-30
-45
-822,69
-401,07
2850,04
2811,36
50
11
2584,66
26621,15
-73
-1259,45
-3657,24
-271,28
-2966,94
-39
490,51
99
50
35
-53
89092
-74
-13
-676,13
-7218,60
60
53
99
44
-54,77
-3875,28
-24
53
642,68
-313,92
2264,46
17
1496
-45
27
-51
592,00
-128,20
44
921,66
3683,53
56
-15
-12
-30
67
3035,21
-7516,56
-2862,22
60
-76
-54
84
14
-12
-45
-30
218,68
5676,29
19
3247,44
1504,25
10,02
r10
0,09
7883,05
-6212,71
-553,88
148,12
-659,79
-3072,30
Dt-5 - Dmed
-209,83
975,40
-53
27
17
-19
1402,00
51
1088,04
-8med)
(Dt - Dmed)*(Dt-8 - D
-885,54
2321,95
841,76
-8
56
-15
-31
-16
-31
-15
56
58
762,00
972,12
67
-30
-54
-76
60
19
2050,57
24
14
-12
-45
Dt-12 - Dmed
5990,85
60
19
r11
0,19
16753,11
-1055,05
451,83
566,59
-12
-45
-30
-54
(Dt - Dmed)*(Dt-13 - Dmed)
2157,23
-117,54
Dt-13 - Dmed
-231,86
(D
- Dmed)
t - D med)*(Dt-12-76
-4035,24
67
24
44
Dt-11 - Dmed
634,61
44
27
521,91
-319,11
(D
- Dmed)
t - D med)*(Dt-10-12
-24
-47
27
D702,87
t-10 - D med
-24
-16
-12
-108,26
-47
Dt-9 - Dmed
-517,07
58
-19
-827,92
Dt-8 - Dmed
1418,27
-19
51
-26
-25
584,46
299,97
-25
Dt-7 - Dmed
(D
Dmed)
t - D med)*(Dt-6 --19
-341,66
-26
292,93
-69
-69
17
-20
288,93
Dt-6 - Dmed
2107,19
-20
27
-53
35
44
35
-17
428,38
2274,42
Dt-4 - Dmed
t =1
44
Y )
-39
-51
r12
0,41
-17
-73
36443,84
161
860,66
5283
275,27
-725,71
3387,44
t k
-13
136,44
-73
391,19
14
1058,08
-4273,37
-36,37
84
1385,53
-573,66
-463,30
1111,06
1646,97
-192,98
-454,30
11
3397,12
-8
-45
-148,39
-2550,22
3736,95
-50,45
3926,00
50
-326,88
-12
288,29
-5033,58
1728,29
61,85
-173,32
99
14
-254,26
-2702,26
364,19
404,63
53
84
123,66
-5331,54
-3808,20
682,76
1538,59
-218,90
48,89
-54
975,40
11
230,34
-1582,56
-209,83
-856,05
2569
217,34
-30
-76
27
17
1628,97
348,23
-517,69
-1220,64
(Y Y )
t
-51
50
-45
428,97
-12
99
-76
230,29
-54
53
24
-2382,34
67
19
-2947,88
-30
44
-45
27
-622,81
-4437,66
-2701,17
60
19
24
44
27
t =1
-45
-16
-12
-54
-8
763,48
-1160,13
-31
58
14
-12
116,70
-15
841,76
-19
4495,83
1422,17
-12
2321,95
-856,64
-25
84
14
-319,11
-31
-16
5086,06
603,53
8374,51
r11
0,19
17
11
16753,11
84
-231,86
27
1186,74
2505,87
60
2059,78
27
2682,97
451,83
-1493,52
762,00
1124,21
-30
-517,69
56
-76
35
-53
50
-2248,30
634,61
11
-45
44
-607,62
-3072,30
-17
5295,61
-587,77
-284,07
-6381,34
2050,57
4997,66
-12
-76
-24
-885,54
1418,27
99
720,53
-1055,05
26,25
-53
963,95
288,93
50
14
-54
3901,57
-4526,32
67
1593,23
-284,07
2107,19
2843
4242,87
-54
521,91
-517,07
1088,04
276,63
-827,92
27
-1980,22
428,38
9864
84
195,55
-335,96
-1138,15
-8
19
24
44
t = k +1
53
569,57
2
-30
-674,26
-26
-786,34
346,70
-54,92
2505,87
1186,74
-1850,64
-283,62
3791,36
-186,79
2584,66
-510,34
-599,45
608,14
1152,12
-114,77
573,14
1008,29
-1108,41
r12
0,41
36443,84
860,66
1728,29
376,38
-168,56
2720,59
-326,88
3216,17
1918,76
3387,44
275,27
3736,95
391,19
136,44
1058,08
1385,53
-36,37
1646,97
1111,06
3397,12
-148,39
3926,00
-454,30
2274,42
-701,58
288,29
-173,32
872,04
1076,97
603,83
-254,26
1538,59
404,63
2059,78
-827,92
-856,05
-45
-30
-54
-76
60
19
67
24
44
27
-12
-24
-47
-16
-31
-15
56
-8
58
-19
51
-26
-25
-19
-69
-20
17
27
-53
35
44
-17
t k
Dt-13 - Dmed
(Y Y )
Dt-2 - Dmed
-17
99
11
-505,75
-2502,66
14
2532
-30
-12
-45
-54
376,38
-54
-132,22
-3767,45
-25
2274,42
56
67
44
1010,04
-12
-133,03
1593,23
984,12
1812,55
-1138,15
rk =
t = k +1
(Dt - Dmed)*(D t-12 - D med)
(Y Y )(Y
(Y Y )(Y
rk =
50
-45
67
-12
19
162,08
-984,92
24
14
-12
44
954,42
1207,38
-12
863,72
-701,58
51
-15
58
84
r10
0,09
14
7883,05
-20
128
-553,88
7110
-6212,71
-17
11
3035,21
84
218,68
60
348,23
-1083,69
5676,29
-76
-1220,64
-54,92
-768,66
-26
-827,92
-1086,60
-186,79
-54
27
24
-283,62
33,21
-1980,22
-225,66
3791,36
-47
-3007,88
-1850,64
-425,00
3835,57
-168,56
-30
10,02
19
1402,00
-19
-599,45
-30
-76
566,59
67
608,14
-639,79
2720,59
2157,23
-45
-704,58
-659,79
-810,86
1008,29
-45
-117,54
-30
148,12
-863,20
35
-133,03
-167,26
60
19
984,12
-24
2274,42
-53
-1108,41
-12
884,02
-2695,11
-47
44
-510,34
-27,09
411,70
205
60
-76
27
1271,21
-1138,15
14
627,04
14
3381,48
84
-54
3247,44
-76
19
-27,09
60
2398,51
67
24
-54
702,87
-24
346,70
-8
-103,62
56
51
2584,66
-1315,43
-15
-30
r9
-0,14
-31
521,91
-12640,11
-26
1326,17
-834,00
-19
-45
-3261,54
-69
-30
-510,34
58
-12
-16
1812,55
17
136
44
-24
-721,81
-19
-340,41
-24
-31
35
-20
1996
84
11
44
-12
682,76
-17
-45
24
963,95
-1998,09
1628,97
67
1593,23
-8
63,36
-592,73
-573,41
58
2496,02
627,04
-988,30
19
-209,83
56
-945,86
1369,63
-1790,32
-108,26
346,70
27
-47
-12
102,78
-12
-27,09
-810,86
-1466,52
-8
-650,64
-31
60
1504,25
-45
-12
44
1538,59
-15
-16
2246,27
-30
56,40
274,25
-76
27
2264,46
-2379,09
-224,56
1593,29
24
44
151,17
-54
156,12
-1305,47
3532,85
-3868,05
-68,83
67
24
17
44,80
-3613,75
56
-1359,75
-47
-1147,77
-945,86
-907,03
881
19
67
299,97
-401,07
-31
1792,19
27
-15
-323,54
-592,73
-2703,54
-30
139,89
-1037,07
-26
-15
-31
-1093,83
Oct
34
Oct
60
19
60
-175,52
19
-3237,98
67
60
24
-76
27
-24
-12
-124,49
-786,34
884,02
56
4062,61
-128,20
-45
-12
-30
-2067,54
-15
-76
27
51
-838,17
-694,96
-19
-54
-3354,11
218,21
-31
-16
-16
44
89,72
-428,39
-2068,86
-302,94
-19
2882
-1840,49
-8
-16
-47
-2815,75
-20
24
-16
-69
-54
-5094,77
-47
-47
56
-122,09
44
Sep
33
Sep
67
44
-901,83
-1086,60
-1428,41
58
-19
51
-26
-25
-19
-69
35
44
32
Ago
-1462,09
r8
-0,12
19
-10423,11
-4565,00
-437,83
-24
-47
592,00
60
-3707,56
-457,49
-192,98
-704,58
-856,64
5728
-24
-2701,17
-12
276,63
-76
-225,66
5086,06
1647,87
63,36
27
-12
-988,30
17
27
-20
-53
Ago
31
Jul
527,78
-1315,43
2673,29
11
27
50
-357,03
44
-12
856,21
-16
1271,21
-302,94
1466,91
-45
44
-76
-2065,41
24
-54
469,83
3532,85
-24
-2815,75
4060,63
60
24
56
-1275,28
-1049,52
-681,22
67
19
1300,55
67
442,38
1165,31
-225,66
67
27
757,23
19
24
44
373
-15
-107,45
3638
-47
627,04
-16
527,53
60
-31
19
1792,19
-12
-47
-1052,09
-17
43
30
Jun
171,48
-47
58
1352,89
Jul
29
May
-19
-15
-2065,41
-25
-31
1369,63
-340,41
1593,23
218,21
-69
-1055,62
-1215,28
-19
-16
-20
-3142,52
-4005,41
-47
-8
-69
-1594,17
-8
56
-1089,45
-24
-16
-24
-357,03
-19
-786,34
545,27
-646,94
2496,02
426,85
-12
-24
-1466,52
56
1839,10
-3007,88
-650,64
884,02
27
-15
67
-746,13
-1439,37
27
-15
-31
-25
2983,53
-381,34
-1497,69
44
r7
-0,41
-1359,75
17
1637,14
-31
-16
367,66
24
-694,96
-36422,44
-1135,24
-20
4532
-16
-50,45
-47
116,70
-575,90
-2068,86
442,38
58
1283,02
67
-47
-607,62
-24
863,72
-284,07
-1049,52
-6381,34
-53
311,61
42
28
Abr
-24
102,78
-12
-746,13
664,38
-517,69
-19
-517,69
-209,83
-1055,62
27
-12
584,46
-1381,05
1077,80
1210,76
-25
787,91
44
27
-12
-8
-1215,28
51
362,34
591
1964
-721,81
1538,59
51
-19
143,48
24
44
56
347,66
-24
442,38
412,21
-17
41
27
Mar
-1946,39
-7317,92
-401,07
-15
-12
-681,22
-69
-53
35
-827,92
Jun
26
Feb
r6
-0,58
-15
-838,17
-54
-31
60
-428,39
-76
-16
44
-1275,28
-2067,54
-2379,09
58
-31
-47
27
44
-19
-16
-646,94
19
24
89,72
726,55
58
-24
-1381,05
-31
-26
-319,11
-12
-8
58
-25
-12
181,89
50
99
-657,86
348,97
1198,80
7
746
-8
56
371,34
-26
1402,00
-19
387,02
-19
27
171,48
-1333,69
-16
-319,11
-2395,62
27
44
1145,66
May
25
Ene
56
-51228,80
-15
-3841,75
358,38
61,85
347,66
-4273,37
-31
26,25
-15
-1493,52
183,17
-704,58
726,55
-1083,69
-16
-863,20
-31
56,40
545,27
-1998,09
371,34
-1428,41
51
-381,34
-47
-4526,32
872,04
-901,83
-24
-457,49
-16
84
-19
-3142,52
276,61
-3928,60
-2722,39
1105,44
-657,86
1105,44
58
-47
181,89
-24
358,55
888,80
-136,73
274,25
377,02
-47
-8
561
-1574,52
136
-2629,03
-24
-25
-701,58
17
-224,56
-56,22
561
56
3206,08
1210,76
402,70
27
461,06
151,17
-1390,00
-12
685,31
308,61
-69
-871,71
-444,77
-24
-15
-20
872,04
-19
324,38
35
-659,79
-17
40
24
Dic
1432,21
1076,97
-19
27
757,23
-47
-704,58
-26
-69
-341,66
-12
-107,45
44
1300,21
44
328,29
Abr
23
Nov
-31
99
732,00
53
-16
2179
60
-47
-54
-804,73
19
-3043,88
39
22
Oct
14
51
24
292,93
-16
-19
67
-25
-47
-914,49
-76
195,55
787,91
-24
-12
58
-768,66
362,34
-225,66
1647,87
120,44
-26
-25
292,93
-8
-8
377,02
-19
1152,12
51
-883,13
r5
-0,33
-1574,52
258,51
-53
-1010,00
-3868,05
-26
56
-29018,00
51
-26
-318,24
573,14
-753,41
35
-674,26
-20
1010,04
-753,41
230,21
51
1030,08
364,19
-19
6686,08
19
-573,66
-15
274,25
67
3216,17
-335,96
-1789,28
1918,76
60
884,02
58
-19
-2695,11
235,66
-856,17
156,12
-8
-114,77
-25
-20
-385,58
27
-3524,64
-510,34
-25
481,10
Dt-3 - D med
58
1198,80
-69
-53
-427,45
-69
-907,03
-1446,32
-31
(Dt - Dmed)*(D t-2 - Dmed)

112,76
-573,41
-1727,92
387,02
-26
-24
527,53
199,95
17
17
246
Dt-2 - D med
-8
-25
-2395,62
136
-1052,09
-1135,24
56
-69
-19
-1594,17
450,42
19
-4035,24
143,48
27
485,74
-958,69
-2703,54
411,70
44
-16
-826,81
5990,85
-76
412,21
126,76
-20
-17
-17
38
21
Sep
56
60
-2862,22
402,70
51
-1333,69
-15
-7516,56
-54
-19
-26
872,04
17
17
1695,10
-19
-1093,83
189,57
941
216
-56,22
-2062,43
-1390,00
-804,73
-19
746
-1147,77
-144,05
-69
505,42
-31
-15
r4
-0,07
4
-288,90
Mar
20
-5987,56
53
-872,24
-2425,75
Feb
19
Jul
Ago
-167,07
r3
0,06
3734,21
-25
-76
123,66
11
189,57
-5331,54
84
-1446,32
-54
-1582,56
-30
-25
230,34
-30
-26
-2382,34
-54
197,25
-2947,88
-45
-76
2890,25
1223,72
-30
-622,81
627,04
51
24
-4437,66
-12
-54
-26
972,12
-45
763,48
-27,09
-394,17
-1305,47
60
-1052,09
-3354,11
24
3381,48
67
51
44
-3613,75
-76
19
-19
-1840,49
67
27
143,48
4
-47
3284,48
24
-1037,07
-12
58
5675,33
-51
-24
-19
51
-2722,39
-15
-447,94
292,93
58
56
-432,58
5355,19
51
-8
1960,38
-25
58
-3808,20
-1160,13
14
48,89
-26
59
-5094,77
19
-20
-19
358,55
27
-20
461,06
-20
3172
67
-3237,98
2398,51
-4005,41
-914,49
-8
1964
-323,54
35
-502,69
-19
-53
-8
-181,58
-76
-12
4495,83
217,34
44
56
848,97
14
-30
1422,17
84
-505,75
35
37
18
Jun
-12
-1069,24
-2248,30
14
603,53
33,21
-17
Ene
17
May
-1040,73
84
-45
8374,51
11
-2502,66
-69
-1462,09
60
-1790,32
44,80
-1089,45
19
4062,61
527,78
-19
14
-143,54
-587,77
84
2682,97
-45
-575,90
426,85
-6128,39
11
-12
1124,21
50
720,53
-786,34
-4565,00
-76
2673,29
-1439,37
58
-2629,03
358,38
-25
84
-638,09
4242,87
11
5295,61
-132,22
274,25
-1497,69
603,83
120,44
56
-1789,28
-26
-822,69
50
84
4997,66
99
2
197,25
2992,89
11
-1259,45
14
569,57
50
2843
-30
2890,25
51
60
2882
17
984,12
-69
-180,64
1763,78
-1089,45
5728
-54
19
367,66
367,66
-136,73
7
-510,34
-19
-3657,24
99
954,42
11
9864
53
-425,00
767,57
3401
-76
27
-695,11
58
24
44
3618,17
35
16
Abr
-725,71
50
-676,13
84
2532
99
-3767,45
-24
-20
44
4060,63
60
139,89
-12
1283,02
469,83
67
856,21
-69
-284,07
348,97
24
1165,31
1466,91
-19
1839,10
-136,73
-20
-8
685,31
-31
-69
-883,13
-15
58
461,06
573,14
56
1432,21
183,17
-19
-25
-856,17
479,74
58
-26
-826,81
51
-958,69
56
-26
51
216
35
-1052,09
-53
-394,17
-19
1352,89
51
3284,48
1402,00
143,48
58
349
1300,55
19
27
-19
-432,58
-53
-447,94
-8
888,80
58
-701,58
59
3172
-19
17
-8
56
-455,71
36
15
Mar
27
-26
-444,77
2992,89
-1010,00
51
17
-1089,45
-20
-19
505,42
3401
-3524,64
58
-69
-25
-20
479,74
-958,69
-26
1763,78
-958,69
-69
-20
-19
-69
-19
51
479,74
349
-122,09
-69
54
609
27
375,61
-19
44
375,61
-19
479,74
-187,96
-19
-1266,60
35
-1266,60
-187,96
-25
-1317,92
44
349
-25
-323,54
-53
-25
573,14
230,21
-31
-17
1283,02
611,70
633,83
-19
-15
732,00
44
324,38
-1876,30
-871,71
1036,80
27
-1317,92
67
3638
44
-53
-1189,49
35
-537,66
17
-25
373
60
2246,27
258,51
-53
1300,21
473,14
-17
-26
14
-7218,60
53
128
50
35
27
1351,70
-53
-340,86
-20
660
-2550,22
99
-54,77
-385,58
17
4717
-674,26
35
387
-69
27
-53
1210,76
2634
199,95
44
-427,45
964,89
51
27
35
17
-1439,20
-26
126,76
-53
485,74
746
-739,28
Dic
14
Feb
17
27
-20
878,76
Dt-1 - Dmed
Autocorrelacin - Serie aleatoria con tendencia lineal y estacionalidad - Diferencias de primer orden
Nov
13
Ene

-144,05
-17
1695,10
-2334,77
-69
-73
-20
44
461,06
-51
-502,69
50
-3875,28
11
50
-69
-589,15
-1860,64
-19
-17
35
-180,64
-5033,58
53
642,68
-984,92
14
-136,73
Dt-3 - Dmed
1565,31
2775
(Dt - Dmed)^2
44
-53
99
-313,92
-51
-639,79
-12
-12
-19
-2702,26
921,66
-45
1207,38
2
54
235,66
481,10
-16
27
311,61
Dt - Dmed
-17
1247
609
11
53
3683,53
-73
-167,26
14
-30
428,97
-218,90
-51
161
-12
-827,92

Dt = Yt - Yt-1
Dt-12 - Dmed
1964
35
-25
99
5283
-13
205
-45
11
-45
12
136
Dic
-54
Nov
-103,62
44
19
-17
1145,66
1326,17
-659,79
-30
-17
19
2569
-73
-3043,88
1996
35
44
-45
984,12
r2
0,16
-2425,75
14500,46
r1
0,30
35
-76
-53
60
1593,29
-510,34
26621,15
3618,17
27
27
934,34
-53
-12
2983,53
-323,54
2811,36
-13
-1876,30
664,38
44
17
-73
2850,04
27
27
1637,14
367,66
490,51
-39
-1189,49
-13
5429
17
1077,80
24
-20
44
4532
1283,02
1496
-74
1351,70
591
67
-69
-39
-20
24
349
-175,52
-54
7110
162,08
4717
-912,39
-20
17
-19
Dt-7 - D med
-51
328,29
Dt-8 - D med
-76
-68,83
346,70
-69
-17
633,83
-26
112,76

-872,24
-25
2634
-1727,92
10
Dt-5 - D med
44
660
51
-8
Oct

-695,11
-26
56
Sep
Dt-4 - D med
35
89092
1036,80
Lmites 5%
0,29
-53
6,68
44,01
47
-537,66
Dt-9 - D med
Sumas
Promedios = 309,00
Desv. Est.= 152,21
N=
27
48
-340,86
47
Dic
-124,49
84
230,29
17
Nov
-54
14
53
387
46
-20
43
44
45
Oct
Ago
Sep
-288,90
Jul
Ago
-17
42
767,57
41
-455,71
39
5
881
-30
44
40
Jun
-17
Mar
2
-30
521,91
611,70
Abr
May
-12
1210,76
38
35
36
44
Dic
964,89
37
Feb
-912,39
Ene
35
35
-53
Nov
473,14
34
-1439,20
33
Oct
27
Sep
-53
31
32
-8
-31
2179
-47
300
Jul
Ago
746
30
-15
246
-47
276,61
17
28
941
-16
450,42
27
27
Abr
29
Jun
Mar
-12
Jul
May
Dt-10 - Dmed
Ing. R. Morn
24
Jun
26
878,76
25
Feb
-17
Ene
-2334,77
23
-31
44
Nov
-15
-1860,64
22
35
21
Oct
2775
19
20
Sep
-53
Jul
Ago
18
May
17
Jun
-589,15
May
-17
16
-739,28
Abr
1565,31
15
44
Mar
-17
14
1247
13
Feb
-19
1964
Ene
278
44
27
35
Dic
10
-17
300
44
12
11
Dic
Nov
17
Abr
Mar
278
Jul
-17
Ago
Sep
-10,00
51,00
42,00
-46,00
34,00
24,00
-13,00
-62,00
-12,00
14,00
-18,00
-19,00
58,00
-12,00
65,00
-1,00
63,00
-8,00
-24,00
-9,00
-40,00
-17,00
-5,00
34,00
51,00
31,00
74,00
26,00
67,00
-69,00
-47,00
9,00
-23,00
-38,00
-5,00
21,00
91,00
18,00
57,00
106,00
60,00
11,00
-44,00
-66,00
-6,00
-32,00
-67,00
Jun
Feb
May
-10,00
51,00
42,00
-46,00
34,00
24,00
-13,00
-62,00
-12,00
14,00
-18,00
-19,00
58,00
-12,00
65,00
-1,00
63,00
-8,00
-24,00
-9,00
-40,00
-17,00
-5,00
34,00
51,00
31,00
74,00
26,00
67,00
-69,00
-47,00
9,00
-23,00
-38,00
-5,00
21,00
91,00
18,00
57,00
106,00
60,00
11,00
-44,00
-66,00
-6,00
-32,00
-67,00
Ene
Yt
130
120
171
213
167
201
225
212
150
138
152
134
115
173
161
226
225
288
280
256
247
207
190
185
219
270
301
375
401
468
399
352
361
338
300
295
316
407
425
482
588
648
659
615
549
543
511
444
Yt
130
120
171
213
167
201
225
212
150
138
152
134
115
173
161
226
225
288
280
256
247
207
190
185
219
270
301
375
401
468
399
352
361
338
300
295
316
407
425
482
588
648
659
615
549
543
511
444
Abr
Dt = Yt - Yt-1
Dt - D med
Oct
1
(Dt - Dmed)^2
Dt-1 - D med
Mar
Feb
Dt-6 - D med
Ene
Dt-11 - Dmed
Autocorrelacin - Serie aleatoria con tendencia lineal y estacionalidad - Diferencias de primer orden

r13
0,28
24707,29
3292,12
1148,08
-29,41
3901,57
3835,57
260,53
1030,08
6686,08
1223,72
501,66
2303,53
-167,26
276,61
2085,74
465,42
-71,15
788,08
-4262,28
-463,30
1126,68
-1257,58
1248,04
-1138,15
-674,26
-85,49
442,38
3206,08
308,61
-531,37
-401,07
-2966,94
-271,28
2584,66
311,61
Y )
311,61
-85,49
Modelos de Suavizado
PROMEDIOS MVILES SIMPLES
Pronstico con promedio mvil de n meses:
Ft =
Yt 1 + Y t 2 + L + Yt n
n
Usar n grande para series muy aleatorias.
Usar n pequeo para autocorrelacin.
No modela tendencia ni estacionalidad.
Optimizacin de n : Minimizar la SDE considerando N perodos histricos.

Observacin: Si se aplica el modelo a una serie para la que no es apropiado
(estacionalidad, tendencia), la minimizacin de la SDE puede dar un
pronstico totalmente inestable.
Ing. R. Morn
49
SUAVIZACIN EXPONENCIAL SIMPLE
Pronstico:
Ft = Ft 1 + [Yt 1 Ft 1 ] =
= Yt 1 + (1 ) Ft 1
donde: 0 1. Como valor inicial se toma: F1 = Y1
Es uno de los mtodos ms usados.

Usar alto con series muy suaves, bajo con series muy aleatorias.
Con alta (baja) autocorrelacin usar altos (bajos) valores de .
Con alto reacciona ms rpidamente a la tendencia pero tambin a las
fluctuaciones aleatorias y el pronstico es inestable.
Retrasa la tendencia. Trabaja bien cuando no hay tendencia ni estacionalidad.
Optimizacin de : Minimizar la SDE, considerando N perodos histricos.
Observacin: Si se aplica a una serie para la que no es apropiado (estacionalidad,
tendencia), la minimizacin de la SDE puede dar un pronstico totalmente
inestable.
Ing. R. Morn
50
PMS y SES - Ejemplo

EJEMPLO - DEMANDA HISTRICA ULTIMOS CUATRO AOS
[unidades]
MES
ENE
FEB
MAR
ABR
MAY
JUN
JUL
AGO
SET
OCT
NOV
DIC
AO 1
78
92
85
84
88
73
79
81
75
73
81
79
AO 2
85
93
87
83
78
86
83
92
68
75
83
82
Ing. R. Morn
51
AO 3
92
93
90
82
87
93
81
90
87
95
82
89
AO 4
86
91
86
99
86
89
82
91
84
82
92
91
PROMEDIOS MVILES Y SUAVIZACIN EXPONENCIAL SIMPLE
PMS y SES - Ejemplo

PER. MES
DEM. HIST.
Ing. R. Morn
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
PM 4 PERODOS
Yt
Ft
SES ALFA = 0,3

et
ENE
78
#N/A
PROMEDIOS
SUAVIZACIN EXPONENCIAL SIMPLE
FEB
92 MVILES Y#N/A
MAR
85
#N/A
1 ENE
78
#N/A
78,00
ABR
84 92
#N/A
2 FEB
#N/A
78,00
3 MAR
85
#N/A
82,20
4 ABR
#N/A 84,75
83,04
MAY
88 84
3,25 83,33
5 MAY
88
84,75
3,25
6 JUN
73
87,25
-14,25
84,73
JUN
73 79
87,25 -3,50 -14,25 81,21
7 JUL
82,50
8 AGO
81
81,00
0,00
80,55
9 SET
75
80,25
-5,25
80,68
JUL
79
82,50 -4,00
-3,50 78,98
10 OCT
73
77,00
NOV
81
77,00
4,00
77,18
AGO 11
81
81,00
0,00
12 DIC
79
77,50
1,50
78,33
ENE
77,00
8,00
SET 13
75 85
80,25 13,50
-5,25 78,53
14 FEB
93
79,50
80,47
15 MAR
87
84,50
2,50
84,23
ABR
83
86,00
-3,00
85,06
OCT 16
73
77,00
-4,00
17 MAY
78
87,00
-9,00
84,44
JUN
85,25
0,75
NOV 18
81 86
77,00 -0,50
4,00 82,51
19 JUL
83
83,50
83,56
20 AGO
92
82,50
9,50
83,39
21 SET
68
84,75
85,97
DIC
79 75
77,50 -16,75
1,50 80,58
22 OCT
82,25
-7,25
23 NOV
83
79,50
3,50
78,91
ENE 24 DIC
85 82
77,00
8,00 80,13
79,50
2,50
ENE
92
77,00
15,00
80,69
FEB 25
93 93
79,50 10,00
13,50 84,09
26 FEB
83,00
27 MAR
90
87,50
2,50
86,76
ABR
89,25
MAR 28
87 82
84,50 -7,25
2,50 87,73
29 MAY
87
89,25
-2,25
86,01
30 JUN
93
88,00
5,00
ABR 31 JUL
83 81
86,00 -7,00 -3,00 86,31
88,00
88,32
32 AGO
90
85,75
4,25
86,12
87,75
MAY 33 SET
78 87
87,00 -0,75 -9,00 87,28
34 OCT
95
87,75
7,25
87,20
NOV
88,25
JUN 35
86 82
85,25 -6,25
0,75 89,54
36 DIC
89
88,50
0,50
87,28
37 ENE
86
88,25
-2,25
87,79
JUL
83 91
83,50
-0,50 87,26
38 FEB
88,00
3,00
39 MAR
86
87,00
-1,00
88,38
ABR
88,00
AGO 40
92 99
82,50 11,00
9,50 87,67
41 MAY
86
90,50
-4,50
91,07
JUN
89
90,50
-1,50
89,55
SET 42
68
84,75
-16,75
43 JUL
82
90,00
-8,00
89,38
AGO
89,00
2,00
OCT 44
75 91
82,25 -3,00
-7,25 87,17
45 SET
84
87,00
88,32
46 OCT
82
86,50
-4,50
87,02
NOV
92
84,75
7,25
85,52
NOV 47
83
79,50
3,50
48 DIC
91
87,25
3,75
87,46
87,25
DIC ERROR MEDIO (5 a 48)
82
79,50
2,50 88,52
0,20
SUMA CUAD. ERRORES (5 a 48)
1968,69
CUADR. MEDIO
ENEERROR
92 (5 a 48)
77,00 44,74
15,00
DESV. STD. ERRORES (5 a 48)
6,76
6,30
FEBMAPE (5 a 48) EN %93
83,00
10,00
MAR
90
87,50
2,50
ABR
82
89,25
-7,25
MAY
87
89,25
-2,25
JUN
93
88,00
5,00
JUL
81
88,00
-7,00
AGO
90
85,75
4,25
SET
87
87,75
-0,75
OCT
95
87,75
7,25
NOV
82
88,25
-6,25
DIC
89
88,50
0,50
ENE
86
88,25
-2,25
FEB
91
88,00
3,00
MAR
86
87,00
-1,00
ABR
99
88,00
11,00
MAY
86
90,50
-4,50
JUN
89
90,50
-1,50
JUL
82
90,00
-8,00
AGO
91
89,00
2,00
SET
84
87,00
-3,00
OCT
82
86,50
-4,50
NOV
92
84,75
7,25
DIC
91
87,25
3,75
87,25
PRONSTICO MES 49
PER. MES
DEM. HIST.
PM 4 PERODOS
Yt
Ft
SES ALFA = 0,3
et
PRONSTICO MES 49
ERROR MEDIO (5 a 48)

ERROR CUADR. MEDIO (5 a 48)
MAPE (5 a 48) EN %
0,20
1968,69
44,74
6,76
6,30
52
Ft
Ft
et
78,00
78,00
82,20
0,00
83,04
14,00
2,80
0,96
83,33
4,67
-11,73
84,73
-2,21
0,45
-5,68
81,21
-5,98
3,82
80,55
0,67
6,47
80,68
12,53
2,77
-2,06
78,98
-6,44
3,49
77,18
-0,56
8,61
-17,97
78,33
-5,58
4,09
78,53
1,87
11,31
80,47
8,91
3,24
-5,73
84,23
0,99
6,69
85,06
-7,32
3,88
-0,28
84,44
7,80
-7,54
82,51
1,72
-1,79
83,56
3,74
-2,38
11,33
83,39
-5,07
-0,55
85,97
-7,38
3,83
80,58
-4,32
-5,02
6,48
78,91
3,54
80,13
0,39
1791,47
40,72
80,69
6,44
6,19
84,09
86,76
87,73
86,01
86,31
88,32
86,12
87,28
87,20
89,54
87,28
87,79
87,26
88,38
87,67
91,07
89,55
89,38
87,17
88,32
87,02
85,52
87,46
88,52
0,00
14,00
2,80
0,96
4,67
-11,73
-2,21
0,45
-5,68
-5,98
3,82
0,67
6,47
12,53
2,77
-2,06
-6,44
3,49
-0,56
8,61
-17,97
-5,58
4,09
1,87
11,31
8,91
3,24
-5,73
0,99
6,69
-7,32
3,88
-0,28
7,80
-7,54
1,72
-1,79
3,74
-2,38
11,33
-5,07
-0,55
-7,38
3,83
-4,32
-5,02
6,48
3,54
et
0,39
1791,47
40,72
6,44
6,19
PMS y SES - Ejemplo

P. M VILES Y SUAVIZACIN EXP. SIM PLE
105
100
UNIDADES
95
90
85
80
75
70
65
1
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
PERODOS
DEMA NDA
PM 4 PER.
Ing. R. Morn
53
SES ALFA 0,3
SUAVIZACIN EXPONENCIAL ADAPTATIVA
(ARRES - Adaptive Response-Ratio Exponential Smoothing).
Determina automticamente el coeficiente de suavizacin en base a los errores de
los perodos previos.
Pronstico:
Ft = Ft 1 + TSTt 1 (Yt 1 Ft 1 )
con:
TSTt 1 =
donde:
SADt 1 = (Yt 1 Ft 1 ) + (1 ) SADt 2
SADt 1
MADt 1
MADt 1 = Yt 1 Ft 1 + (1 ) MADt 2
son la desviacin media y de la desviacin absoluta media del pronstico obtenidas
por suavizacin exponencial.
Ing. R. Morn
54
SUAVIZACIN EXPONENCIAL ADAPTATIVA (Cont.)
El coeficiente de suavizacin exponencial para SAD y MAD es 0 1.

El valor tpico que se toma es = 0,2.
Resulta siempre: 0 TSTt 1.
Si el pronstico es bueno el valor de SADt es pequeo y resulta TSTt
pequeo.
No funciona bien con series muy errticas (muy aleatorias, por ejemplo con
baja autocorrelacin). En este caso es mejor suavizacin exponencial simple
con bajo.
No se recomienda para pronsticos rutinarios.
Valores iniciales:
F2
= Y1
= 0,2
SAD1 = 0
MAD1 = Fijado en base a los primeros perodos, por ejemploY2 Y1, o por
valores histricos.
Ing. R. Morn
55
SE Adaptativa - Ejemplo
SUAVIZACIN EXPONENCIAL ADAPTATIVA (ARRES)
PER. MES
DEM. HIST.
BETA = 0,2
PRONST.
t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Yt
SADt
MADt
TSTt
Ft
ADAPTATIVA (ARRES)
ENE
90 SUAVIZACIN EXPONENCIAL
0,00
3,00
FEB
93 DEM. HIST.
0,60
3,00
0,20 PRONST.
90,00
PER. MES
BETA = 0,2
ERROR
MAR
91
0,56SADt
2,48
0,23
t
Yt
MADt
TSTt
Ft 90,60et
1 ENE92
90
3,00
ABR
0,71 0,00
2,25
0,32
90,69
2 FEB
93
0,60
3,00
0,20
90,00
3,00
MAY
93
0,95
2,18
0,44
91,10
3 MAR
91
0,56
2,48
0,23
90,60
0,40
JUN
1,57 0,71
2,55
0,62
4 ABR96
92
2,25
0,32
90,69 91,93
1,31
5 MAY96
93
2,18
0,44
91,10 94,43
1,90
JUL
1,57 0,95
2,36
0,67
6 JUN
96
1,57
2,55
0,62
91,93
4,07
AGO
1,16 1,57
1,98
0,59
7 JUL95
96
2,36
0,67
94,43 95,48
1,57
8 AGO
95
1,98
0,59
95,48 95,20
-0,48
SET
96
1,09 1,16
1,75
0,62
9 SET
96
1,09
1,75
0,62
95,20
0,80
OCT
96
0,93 0,93
1,46
0,64
95,70
10 OCT
96
1,46
0,64
95,70
0,30
NOV
0,97 0,97
1,39
0,70
11 NOV97
97
1,39
0,70
95,89 95,89
1,11
12
DIC
99
1,24
1,58
0,79
96,66 96,66
2,34
DIC
99
1,24
1,58
0,79
13 ENE
98
0,89
1,36
0,66
98,50
-0,50
ENE
0,89 0,88
1,36
0,66
14 FEB98
99
1,25
0,70
98,17 98,50
0,83
FEB
99
0,88 0,75
1,25
0,70
15 MAR
99
1,05
0,71
98,75 98,17
0,25
16 ABR99
97
1,23
0,18
98,93 98,75
-1,93
MAR
0,75 0,22
1,05
0,71
17 MAY
99
0,26
1,06
0,24
98,59
0,41
ABR
0,22 0,47
1,23
0,18
18 JUN97
100
1,11
0,42
98,69 98,93
1,31
19 JUL99
100
1,04
0,50
99,24 98,59
0,76
MAY
0,26 0,53
1,06
0,24
20 AGO
99
0,30
0,96
0,31
99,62
-0,62
JUN
100
0,47
1,11
0,42
98,69
21 SET
98
-0,05
1,05
0,05
99,43
-1,43
JUL
100
0,53 0,29
1,04
0,50
22 OCT
101
1,17
0,25
99,36 99,24
1,64
23 NOV99
102
1,38
0,49
99,77 99,62
2,23
AGO
0,30 0,68
0,96
0,31
24 DIC
103
0,97
1,53
0,63
100,86
2,14
SET
98
-0,05
1,05
0,05
102,21 99,43
PRONSTICO MES 25
OCT
101
0,29
1,17
0,25
99,36
ERROR MEDIO
0,93
NOV
102 (2 a 24)
0,68
1,38
0,49
99,77
63,00
DIC
103 MEDIO (2 a 24)
0,97
1,53
0,63
100,86
ERROR CUADR.
2,74
1,40
PRONSTICO MESDESV.
25 STD. ERRORES (2 a 24)
102,21
MAPE (2 a 24) EN %
Ing. R. Morn
ERROR
et
3,00
0,40
1,31
1,90
4,07
1,57
-0,48
0,80
0,30
1,11
2,34
-0,50
0,83
0,25
-1,93
0,41
1,31
0,76
-0,62
-1,43
1,64
2,23
2,14
1,40

MAPE (2 a 24) EN %
0,93
63,00
2,74
1,40
1,40
56
SE Adaptativa - Ejemplo
SUAVIZACIN EXP. ADAPT AT IVA
105
UNIDADES
100
95
90
85
1
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
PERODOS
DEMA NDA
PRONSTICO
Ing. R. Morn
57
PROMEDIOS MVILES DOBLES
Primer promedio mvil (N perodos):
1
( Yt + Yt 1 + L + Yt N +1 )
N
1
( S t + S t1 + L + S t M +1 )
S t =
M
a t = S t + ( S t S t ) = 2 S t S t
2
( S t S t )
bt =
N 1
Ft + m = a t + m bt
S t =
Segundo promedio mvil (M perodos):

Nivel:
Tendencia:
Pronstico:
Ventajas:
Es til cuando slo hay patrn de tendencia y aleatoriedad.
Desventajas:
Es muy simplista, no modela estacionalidad.

Es computacionalmente ms engorroso que otros. Hay que probar para
encontrar N y M. Requiere datos de la demanda de varios perodos anteriores.
Ing. R. Morn
58
PMD - Ejemplo
PER. DEM. HIST.

t
Ing. R. Morn
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Yt
PM =
S't
PM =
S"t
NIVEL
TEND.
PRON.
ERROR
at
bt
Ft (m=1)
et

63
#N/A
64 PER. DEM.#N/A
HIST.
PM =
3
PM =
3
NIVEL
TEND.
t
Yt
S't
at
bt
66
64,33
#N/A S"t
1
63
#N/A
64
64,67
#N/A
2
64
#N/A
3
66
64,33
#N/A
68
66,00
65,00
67,00
4
64
64,67
#N/A
5
68
66,00
65,00
67,00
70
67,33
66,00
68,671,00
6
70
67,33
66,00
68,67
1,33
67
68,33
67,22
69,441,11
7
67
68,33
67,22
69,44
8
69
68,67
68,11
69,22
69
68,67
68,11
69,220,56
9
74
70,00
69,00
71,00
1,00
74 10
70,00
69,00
71,00
72
71,67
70,11
73,22
1,56
73
73,00
71,56
74,44
72 11
71,67
70,11
73,221,44
12
78
74,33
73,00
75,67
1,33
77
76,00
74,44
77,56
73 13
73,00
71,56
74,441,56
14
80
78,33
76,22
80,44
78 15
74,33
73,00
75,672,11
83
80,00
78,11
81,89
1,89
81
81,33
79,89
82,78
77 16
76,00
74,44
77,561,44
17
86
83,33
81,56
85,11
1,78
80 18
78,33
76,22
80,441,78
88
85,00
83,22
86,78
85
86,33
84,89
87,78
83 19
80,00
78,11
81,891,44
20
87
86,67
86,00
87,33
0,67
92
88,00
87,00
89,00
81 21
81,33
79,89
82,781,00
95
91,33
88,67
94,00
86 22
83,33
81,56
85,112,67
23
93
93,33
90,89
95,78
2,44
24
97
95,00
93,22
96,78
88
85,00
83,22
86,781,78
25
99
96,33
94,89
97,78
1,44
85 26
86,33
84,89
87,781,11
96
97,33
96,22
98,44
102
97,56
100,44
87 27
86,67 99,00
86,00
87,331,44
28
101
99,67
98,67
100,67
1,00
92 29
88,00 102,00
87,00
89,001,78
103
100,22
103,78
30
105
101,56
104,44
95 PRONSTICO
91,33 103,00
88,67
94,001,44
PERODO 31
93
93,33
90,89
95,78
97 SUMA CUAD. 95,00
93,22
96,78
ERRORES (5 a 30)
CUADR.
MEDIO (5 a 30)
99 ERROR
96,33
94,89
97,78
96 MAPE (5 a 30)97,33
96,22
98,44
EN %
102
99,00
97,56
100,44
101
99,67
98,67
100,67
103
102,00
100,22
103,78
105
103,00
101,56
104,44
PRONSTICO PERODO 31

MAPE (5 a 30) EN %
PRON.
ERROR
Ft (m=1)
et
1,00
1,33
68,00
1,11
70,00
70,56
0,56
69,78
1,00
72,00
74,78
1,56
75,89
77,00
1,44
79,11
1,33
82,56
83,78
1,56
84,22
2,11
86,89
88,56
1,89
89,22
88,00
1,44
90,00
1,78
96,67
98,22
1,78
98,56
1,44
99,22
99,56
0,67
101,89
1,00
101,67
105,56
2,67
105,89
2,44
1,78
1,44
1,11
1,44
1,00
1,78
1,44
68,00
70,00
70,56
69,78
72,00
74,78
75,89
77,00
79,11
82,56
83,78
84,22
86,89
88,56
89,22
88,00
90,00
96,67
0,05
146,91 98,22
5,88 98,56
2,47
2,37 99,22
99,56
101,89
101,67
105,56
105,89
2,00
-3,00
-1,56
4,22
0,00
-1,78
2,11
0,00
0,89
0,44
-2,78
1,78
1,11
-3,56
-2,22
4,00
5,00
-3,67
-1,22
0,44
-3,22
2,44
-0,89
1,33
-0,56
2,00
-3,00
-1,56
4,22
0,00
-1,78
2,11
0,00
0,89
0,44
-2,78
1,78
1,11
-3,56
-2,22
4,00
5,00
-3,67
-1,22
0,44
-3,22
2,44
-0,89
1,33
-0,56
0,05
146,91
5,88
2,47
2,37
59
PMD - Ejemplo
PROM EDIOS M VILES DOBLES
110
UNIDADES
100
90
80
70
60
1
11
13
15
17
19
PERODOS
DEMA NDA
PRONSTICO
Ing. R. Morn
60
21
23
25
27
29
31
SUAVIZACIN EXPONENCIAL DOBLE (Brown)
Nivel:
S t = Yt + (1 ) S t1
S t = S t + (1 ) S t1
a t = S t + ( S t S t ) = 2 S t S t
Tendencia:
bt =
Suavizado de primer orden:

Suavizado de segundo orden:
( S t S t )
1
Ft + m = a t + m bt
Pronstico:
donde: 0 1
Valores iniciales:
S 1 = S 1 = a1 = Y1
b1 =
1
2
[(Y2 Y1 ) + (Y4 Y3 ) ]
Ing. R. Morn
61
SUAVIZACIN EXPONENCIAL DOBLE (Cont.)
Ventajas:
Modela tendencia y nivel (tendencia lineal).
Es computacionalmente eficiente.
La optimizacin de es simple.
Desventajas:
No modela estacionalidad, pero es muy til con datos datos previamente

desestacionalizados).
Usa el mismo coeficiente para el nivel que para la tendencia, y pueden no
ser iguales.
Ing. R. Morn
62
SED - Ejemplo
PER. DEM. HIST.

t
Ing. R. Morn
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Yt
S't
ALFA = 0,15
S"t
at

63
63,00
63,00
63,00
ALFA = 0,15
64 PER. DEM. HIST. 63,15
63,02
63,28
t
Yt
S't
S"t
at
bt
58
62,38
62,93
61,83
1
63
63,00
63,00
63,00
1,50
2
64
63,02
63,28
0,02
60
62,02 63,15
62,79
61,25 -0,10
3
58
62,38
62,93
61,83
4
6063,97
62,02 62,97
62,79
61,25
75
64,97 -0,14
5
75
63,97
62,97
64,97
0,18
70
66,49 0,29
6
7064,87
64,87 63,25
63,25
66,49
7
64
63,48
66,01
64
64,74 64,74
63,48
66,01 0,22
8
67
65,08
63,72
66,44
0,24
9
80
67,32
64,26
70,38
67
65,08
63,72
66,44 0,54
10
74
68,32
64,87
71,77
0,61
80
70,38 0,47
11
6667,32
67,97 64,26
65,33
70,61
12
68
67,98
65,73
70,22
0,40
74
68,32
64,87
71,77
13
80
69,78
66,34
73,22
0,61
14
8167,97
71,46 65,33
67,11
75,82
66
70,61 0,77
15
74
71,84
67,82
75,87
0,71
68
70,22 0,68
16
7567,98
72,32 65,73
68,49
76,14
17
87
74,52
69,40
79,64
0,90
80
69,78 75,94
66,34
73,22 0,98
18
84
70,38
81,51
19
7671,46
75,95 67,11
71,21
80,69
81
75,82 0,84
20
74
75,66
71,88
79,44
0,67
74
75,87 0,96
21
9371,84
78,26 67,82
72,84
83,68
22
91
80,17
73,94
86,40
1,10
75
76,14 1,04
23
8572,32
80,89 68,49
74,98
86,81
24
8474,52
81,36 69,40
75,94
86,78
87
79,64 0,96
25
97
83,71
77,10
90,31
1,17
84
81,51 1,24
26
9575,94
85,40 70,38
78,35
92,45
27
89
85,94
79,49
92,39
76
80,69 1,14
28
8675,95
85,95 71,21
80,46
91,44
0,97
29
10375,66
88,51 71,88
81,66
95,35
1,21
74
79,44
30
101
90,38
82,97
97,79
1,31
93
78,26
72,84
83,68
31
32
91
80,17
73,94
86,40
33
85 ERROR MEDIO (2 80,89
74,98
86,81
a 30)
(2 a 30)
84 SUMA CUAD. ERRORES
81,36
75,94
86,78
97 DESV. STD. ERRORES
83,71
77,10
90,31
(2 a 30)
%
95 MAPE (2 a 30) EN85,40
78,35
92,45
89
85,94
79,49
92,39
86
85,95
80,46
91,44
103
88,51
81,66
95,35
101
90,38
82,97
97,79
31
32
33

MAPE (2 a 30) EN %
bt
1,50
PRON.
0,02
Ft (m=1)
-0,10
64,50
-0,14
63,30
61,73
0,18
61,12
0,29
65,15
66,78
0,22
66,23
66,68
0,24
70,92
0,54
72,38
71,08
0,61
70,62
73,83
0,47
76,59
0,40
76,58
76,82
0,61
80,55
82,49
0,77
81,52
0,71
80,10
84,64
0,68
87,50
87,85
0,90
87,74
0,98
91,48
93,70
0,84
93,53
92,41
0,67
96,56
99,10
0,96
100,41
1,10
101,71
1,04
0,96
1,17
1,24
1,14
0,97
1,21
1,31
ERROR
et
-0,50
-5,30
-1,73
13,88
4,85
-2,78
0,77
13,32
3,08
-6,38
-3,08
9,38
7,17
-2,59
-1,58
10,18
3,45
-6,49
-7,52
12,90
6,36
-2,50
-3,85
9,26
3,52
-4,70
-7,53
10,59
4,44
1,95
1392,60
48,02
6,77
7,23
PRON.
ERROR
Ft (m=1)
et
64,50
63,30
61,73
61,12
65,15
66,78
66,23
66,68
70,92
72,38
71,08
70,62
73,83
76,59
76,58
76,82
80,55
82,49
81,52
80,10
84,64
87,50
87,85
87,74
91,48
93,70
93,53
92,41
96,56
99,10
100,41
101,71
-0,50
-5,30
-1,73
13,88
4,85
-2,78
0,77
13,32
3,08
-6,38
-3,08
9,38
7,17
-2,59
-1,58
10,18
3,45
-6,49
-7,52
12,90
6,36
-2,50
-3,85
9,26
3,52
-4,70
-7,53
10,59
4,44
1,95
1392,60
48,02
6,77
7,23
63
SED - Ejemplo
SUAVIZACIN EXP. DOBLE
110
UNIDADES
100
90
80
70
60
50
1
11
13
15
17
19
21
23
PERODOS
DEMA NDA
Ing. R. Morn
64
PRONSTICO
25
27
29
31
33
SUAVIZACIN EXP. DE DOS PARMETROS (Holt)
S t = Yt + (1 ) ( S t 1 + bt 1 )
bt = ( S t S t 1 ) + (1 ) bt 1
Ft + m = S t + m bt
Nivel (corregido por tendencia):

Tendencia:
Pronstico:
donde: 0 1 y 0 1
Valores iniciales:
S 1 = Y1
b1 =
1
2
[(Y2 Y1 ) + (Y4 Y3 ) ]
Ventajas:
Es ms flexible que SED porque nivel y tendencia son suavizados con distintos
pesos. (En MINITAB, si = , aplica SED).
Desventajas:
Requiere dos parmetros. La bsqueda de la mejor combinacin es ms

complicada.
No modela estacionalidad, pero es muy til con datos datos previamente
desestacionalizados).
Ing. R. Morn
65
SE2P - Ejemplo
SUAVIZACIN EXPONENCIAL DE DOS PARMETROS (Holt)
PER. DEM. HIST.

t
Ing. R. Morn
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
ALFA = 0,20
Yt
GAMMA = 0,80
St
bt
SUAVIZACIN
EXPONENCIAL DE DOS
PARMETROS (Holt)
63
63,00
-0,50
64 PER. DEM. HIST. 62,80 ALFA = 0,20
-0,26
GAMMA
= 0,80
PRON.
t
Yt
St
bt
Ft (m=1)
66
63,23
0,29
1
63
63,00
-0,50
64
0,37
2
64 63,62
62,80
-0,26
62,50
3
66
63,23
0,29
62,54
68
64,79
1,01
4
64
63,62
0,37
63,53
5
68 66,64
64,79
1,01
63,99
70
1,68
6
70
66,64
1,68
65,80
67
68,06
1,47
7
67
68,06
1,47
68,33
8
69
1,39
69,53
69
69,42 69,42
1,39
9
74
71,45
1,90
70,81
72 71,45
73,08
1,68
73,34
74 10
1,90
73
74,41
1,40
74,76
72 11
1,68
12
78 73,08
76,24
1,75
75,81
77 74,41
77,80
1,59
78,00
73 13
1,40
14
80
79,51
1,69
79,39
78 15
1,75
83 76,24
81,56
1,98
81,20
81
83,03
1,57
83,54
77 16
77,80
1,59
17
86
84,88
1,80
84,60
88 79,51
86,94
2,01
86,68
80 18
1,69
19
85
88,16
1,38
88,95
83 20
1,98
87 81,56
89,03
0,97
89,53
92 83,03
90,40
1,29
90,00
81 21
1,57
22
95
92,35
1,82
91,69
86 23
1,80
93 84,88
93,94
1,63
94,17
97
1,86
95,57
88 24
86,94 95,86
2,01
25
99
97,97
2,07
97,72
96 88,16
99,23
1,42
100,04
85 26
1,38
27
102
100,92
1,64
100,65
87 28
0,97
101 89,03 102,25
1,39
102,56
103
103,51
1,29
103,63
92 29
90,40
1,29
30
105
104,83
1,32
104,79
106,15
31
95 PRONSTICO PERODO
92,35
1,82
93 ERROR MEDIO (293,94
1,63
a 30)
97 SUMA CUAD. ERRORES
95,86(2 a 30)
1,86
99 DESV. STD. ERRORES
97,97
2,07
(2 a 30)
%
96 MAPE (2 a 30) EN99,23
1,42
102
100,92
1,64
101
102,25
1,39
103
103,51
1,29
105
104,83
1,32
PRONSTICO PERODO 31

MAPE (2 a 30) EN %
PRON.
ERROR
Ft (m=1)
et
62,50
et
62,54
63,53
1,50
3,46
63,99
0,47
4,01
65,80
4,20
68,33
-1,33
-0,53
69,53
3,19
-1,34
70,81
-1,76
73,34
2,19
-1,00
74,76
0,61
75,81
1,80
-2,54
78,00
1,40
1,32
79,39
-3,95
81,20
-2,53
2,00
83,54
3,31
84,60
-1,17
1,43
86,68
1,28
-4,04
88,95
1,35
89,53
-1,56
-0,63
90,00
0,21
91,69
94,17
0,39
147,89
95,57
5,10
97,72
2,26
2,41
100,04
100,65
102,56
103,63
104,79
106,15
1,50
3,46
0,47
4,01
4,20
-1,33
-0,53
3,19
-1,34
-1,76
2,19
-1,00
0,61
1,80
-2,54
1,40
1,32
-3,95
-2,53
2,00
3,31
-1,17
1,43
1,28
-4,04
1,35
-1,56
-0,63
0,21
ERROR
0,39
147,89
5,10
2,26
2,41
66
SE2P - Ejemplo
SUAVIZACIN EXP. DE DOS PARM ET ROS
110
100
UNIDADES
90
80
70
60
50
1
11
13
15
17
19
21
PERODOS
DEMA NDA
Ing. R. Morn
67
PRONSTICO
23
25
27
29
31
0,24
133,66
4,95
2,25
2,31
1,50
3,46
0,47
4,01
4,20
-1,33
-0,53
3,19
-1,34
-1,76
2,19
-1,00
0,61
1,80
-2,54
1,40
1,32
-3,95
-2,53
2,00
3,31
-1,17
1,43
1,28
-4,04
1,35
-1,56
-0,63
0,21
et
S. EXP. DOS PARMETROS

ALFA = 0,20
GAMMA = 0,80
St
bt
Ft (m=1)
63,00
-0,500
62,80
-0,260
62,5
63,23
0,294
62,5
63,62
0,370
63,5
64,79
1,011
64,0
66,64
1,683
65,8
68,06
1,471
68,3
69,42
1,386
69,5
71,45
1,896
70,8
73,08
1,681
73,3
74,41
1,400
74,8
76,24
1,751
75,8
77,80
1,592
78,0
79,51
1,690
79,4
81,56
1,978
81,2
83,03
1,572
83,5
84,88
1,795
84,6
86,94
2,007
86,7
88,16
1,375
88,9
89,03
0,970
89,5
90,40
1,290
90,0
92,35
1,820
91,7
93,94
1,633
94,2
95,86
1,862
95,6
97,97
2,067
97,7
99,23
1,421
100,0
100,92
1,636
100,7
102,25
1,387
102,6
103,51
1,285
103,6
104,83
1,319
104,8
106,2
PMS - SES - SED - SE2P - Ejemplos
0,50
157,19
5,82
2,41
2,47
1,50
2,40
-1,13
3,24
3,09
-2,26
0,32
4,56
-0,78
-0,32
3,93
-0,34
1,60
2,40
-2,42
2,44
1,60
-3,96
-1,32
3,09
2,97
-2,36
1,25
0,90
-4,35
2,47
-1,41
-0,19
0,43
S. EXP. DOBLE
ALFA = 0,30
S"t
at
bt
63,00
63,00
-0,500
63,09
63,51
0,090
63,40
64,82
0,306
63,60
64,55
0,204
64,10
66,41
0,496
64,87
68,48
0,774
65,44
68,11
0,571
66,04
68,84
0,600
67,05
71,77
1,010
67,99
72,38
0,940
68,90
73,16
0,911
70,17
76,07
1,265
71,40
77,17
1,235
72,78
79,22
1,379
74,38
81,82
1,595
75,76
82,18
1,378
77,35
84,81
1,597
79,09
87,22
1,741
80,48
86,94
1,385
81,74
87,65
1,265
83,29
90,49
1,543
85,10
93,55
1,810
86,70
94,15
1,598
88,41
96,39
1,711
90,20
98,56
1,792
91,60
98,13
1,400
93,22
100,79
1,622
94,72
101,69
1,495
96,19
103,09
1,478
97,71
104,79
1,517
62,5
63,6
65,1
64,8
66,9
69,3
68,7
69,4
72,8
73,3
74,1
77,3
78,4
80,6
83,4
83,6
86,4
89,0
88,3
88,9
92,0
95,4
95,8
98,1
100,4
99,5
102,4
103,2
104,6
106,3
et
1,50
2,40
-1,13
3,24
3,09
-2,26
0,32
4,56
-0,78
-0,32
3,93
-0,34
1,60
2,40
-2,42
2,44
1,60
-3,96
-1,32
3,09
2,97
-2,36
1,25
0,90
-4,35
2,47
-1,41
-0,19
0,43
et
Ft
62,5
63,6
65,1
64,8
66,9
69,3
68,7
69,4
72,8
73,3
74,1
77,3
78,4
80,6
83,4
83,6
86,4
89,0
88,3
88,9
92,0
95,4
95,8
98,1
100,4
99,5
102,4
103,2
104,6
106,3
S. EXP. DOS PARMETROS

ALFA = 0,20
GAMMA = 0,80
St
bt Ft (m =1)
et
63,00
-0,500
62,80
-0,260
62,5
1,50
63,23
0,294
62,5
3,46
63,62
0,370
63,5
0,47
64,79
1,011
64,0
4,01
66,64
1,683
65,8
4,20
68,06
1,471
68,3
-1,33
69,42
1,386
69,5
-0,53
71,45
1,896
70,8
3,19
73,08
1,681
73,3
-1,34
74,41
1,400
74,8
-1,76
76,24
1,751
75,8
2,19
77,80
1,592
78,0
-1,00
79,51
1,690
79,4
0,61
81,56
1,978
81,2
1,80
83,03
1,572
83,5
-2,54
84,88
1,795
84,6
1,40
86,94
2,007
86,7
1,32
88,16
1,375
88,9
-3,95
89,03
0,970
89,5
-2,53
90,40
1,290
90,0
2,00
92,35
1,820
91,7
3,31
93,94
1,633
94,2
-1,17
95,86
1,862
95,6
1,43
97,97
2,067
97,7
1,28
99,23
1,421
100,0
-4,04
100,92
1,636
100,7
1,35
102,25
1,387
102,6
-1,56
103,51
1,285
103,6
-0,63
104,83
1,319
104,8
0,21
106,2
0,24
133,66
4,95
2,25
2,31
Ft
S't
63,00
63,30
64,11
64,08
65,25
66,68
66,77
67,44
69,41
70,19
71,03
73,12
74,29
76,00
78,10
78,97
81,08
83,16
83,71
84,70
86,89
89,32
90,42
92,40
94,38
94,86
97,01
98,20
99,64
101,25
S. EXP. DOBLE
ALFA = 0,30
S"t
at
bt
63,00
63,00
-0,500
63,09
63,51
0,090
63,40
64,82
0,306
63,60
64,55
0,204
64,10
66,41
0,496
64,87
68,48
0,774
65,44
68,11
0,571
66,04
68,84
0,600
67,05
71,77
1,010
67,99
72,38
0,940
68,90
73,16
0,911
70,17
76,07
1,265
71,40
77,17
1,235
72,78
79,22
1,379
74,38
81,82
1,595
75,76
82,18
1,378
77,35
84,81
1,597
79,09
87,22
1,741
80,48
86,94
1,385
81,74
87,65
1,265
83,29
90,49
1,543
85,10
93,55
1,810
86,70
94,15
1,598
88,41
96,39
1,711
90,20
98,56
1,792
91,60
98,13
1,400
93,22
100,79
1,622
94,72
101,69
1,495
96,19
103,09
1,478
97,71
104,79
1,517
S't
63,00
63,30
64,11
64,08
65,25
66,68
66,77
67,44
69,41
70,19
71,03
73,12
74,29
76,00
78,10
78,97
81,08
83,16
83,71
84,70
86,89
89,32
90,42
92,40
94,38
94,86
97,01
98,20
99,64
101,25
0,50
157,19
5,82
2,41
2,47
S. EXP. SIMPLE
ALFA = 0,40
Ft
et
63,0
0,00
63,0
1,00
63,4
2,60
64,4
-0,44
64,3
3,74
65,8
4,24
67,5
-0,46
67,3
1,73
68,0
6,04
70,4
1,62
71,0
1,97
71,8
6,18
74,3
2,71
75,4
4,63
77,2
5,78
79,5
1,47
80,1
5,88
82,5
5,53
84,7
0,32
84,8
2,19
85,7
6,31
88,2
6,79
90,9
2,07
91,8
5,24
93,9
5,15
95,9
0,09
95,9
6,05
98,4
2,63
99,4
3,58
100,9
4,15
102,5
3,53
468,60
17,36
2,26
4,20
Ing. R. Morn
S. EXP. SIMPLE
ALFA = 0,40
Ft
et
63,0
0,00
63,0
1,00
63,4
2,60
64,4
-0,44
64,3
3,74
65,8
4,24
67,5
-0,46
67,3
1,73
68,0
6,04
70,4
1,62
71,0
1,97
71,8
6,18
74,3
2,71
75,4
4,63
77,2
5,78
79,5
1,47
80,1
5,88
82,5
5,53
84,7
0,32
84,8
2,19
85,7
6,31
88,2
6,79
90,9
2,07
91,8
5,24
93,9
5,15
95,9
0,09
95,9
6,05
98,4
2,63
99,4
3,58
100,9
4,15
102,5
3,53
468,60
17,36
2,26
4,20
DEMANDA
P. MVIL
PERODO
U.
PM = 3
t
Yt
Ft
et
1
63
2
64
3
66
4
64
64,3
-0,33
5
68
64,7
3,33
6
70
66,0
4,00
7
67
67,3
-0,33
8
69
68,3
0,67
9
74
68,7
5,33
10
72
70,0
2,00
11
73
71,7
1,33
12
78
73,0
5,00
13
77
74,3
2,67
14
80
76,0
4,00
15
83
78,3
4,67
16
81
80,0
1,00
17
86
81,3
4,67
18
88
83,3
4,67
19
85
85,0
0,00
20
87
86,3
0,67
21
92
86,7
5,33
22
95
88,0
7,00
23
93
91,3
1,67
24
97
93,3
3,67
25
99
95,0
4,00
26
96
96,3
-0,33
27
102
97,3
4,67
28
101
99,0
2,00
29
103
99,7
3,33
30
105
102,0
3,00
PRON. 31
103,0
2,88
332,56
12,32
2,05
MAPE (4 a 30) EN %
3,46
MTODOS DE SUAVIZACIN - EJEMPLOS
DEMANDA
P. MVIL
PERODO
U.
PM = 3
t
Yt
Ft
et
1
63
2
64
3
66
4
64
64,3
-0,33
5
68
64,7
3,33
6
70
66,0
4,00
7
67
67,3
-0,33
8
69
68,3
0,67
9
74
68,7
5,33
10
72
70,0
2,00
11
73
71,7
1,33
12
78
73,0
5,00
13
77
74,3
2,67
14
80
76,0
4,00
15
83
78,3
4,67
16
81
80,0
1,00
17
86
81,3
4,67
18
88
83,3
4,67
19
85
85,0
0,00
20
87
86,3
0,67
21
92
86,7
5,33
22
95
88,0
7,00
23
93
91,3
1,67
24
97
93,3
3,67
25
99
95,0
4,00
26
96
96,3
-0,33
27
102
97,3
4,67
28
101
99,0
2,00
29
103
99,7
3,33
30
105
102,0
3,00
PRON. 31
103,0
2,88
332,56
12,32
2,05
3,46
MAPE (4 a 30) EN %
68
PMS - SES - SED - SE2P - Ejemplos

M T ODOS DE SUAVIZACIN - EJEM PLOS
110
100
UNIDADES
90
80
70
60
50
1
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
MESES
DEMANDA
P. MVIL 3 PER.
SED ALFA = 0,30
SE2P ALFA = 0,2 GAMMA = 0,8
Ing. R. Morn
69
SES ALFA = 0,4
SUAVIZACIN EXP. DE TRES PARMETROS (Winters)
Perodos:
L = Longitud del ciclo estacional.

N = Cantidad de perodos de demanda histrica (N > L).
Valores para t > L:

Nivel (desest. y corregido por tendencia):
Tendencia:
ndice estacional:
Pronstico (modelo aditivo-multiplicativo):
donde: 0 1 , 0 1
0 1
Ing. R. Morn
70
Yt
+ (1 ) ( S t 1 + bt 1 )
ItL
bt = ( S t S t 1 ) + (1 ) bt 1
Y
I t = t + (1 ) I t L
St
Ft + m = ( S t + m bt ) I t L + m
St =
SUAVIZACIN EXP. DE TRES PARMETROS
Valores iniciales:
S L = YL
1
(Y1 + L + Y L )
L
Yt
It =
, t = 1, 2 , L , L 1
S t + bt
Y =
1
[(Y L +1 Y1 ) + (Y L + 2 Y 2 ) + (Y L + 3 Y3 ) ]
3L
L +1
S t + bt = Y
b L + t b L , t = 1, 2 , L , L 1
2
bL =
L 1
IL = L It
t =1
Requerimientos de datos
Dado que modela estacionalidad requiere ms datos que otros mtodos. Para una
adecuada medida de la estacionalidad se requieren al menos 3 ciclos estacionales
completos de datos mensuales (36 meses) 4 o 5 ciclos estacionales completos de
datos trimestrales (16 o 20 trimestres) y 3 ciclos estacionales completos de datos
semanales (156 semanas) como mnimo.
Ing. R. Morn
71
SE3P - Ejemplo
SUAVIZACIN EXPONENCIAL DE TRES PARMETROS
L= 4
PER.
t
ALFA = 0,50
AO
TRIM.
GAMMA = 0,80
BETA = 0,20
DEMANDA
SUAVIZACIN
EXPONENCIAL
DE
Yt
St
bt TRES PARMETROS
St + bt
1
1
1
72 ALFA = 0,50
L= 4
2
PER. 2AO
TRIM.110
DEMANDA
t3
Yt
St
3
117
1
1
1
72
4
4
172 110
172,000
2
2
5
2
1
76
147,684
3
3
117
42
4112 172
172,000
6
123,816
5
2
1
76
147,684
7
116,304
63
2130 112
123,816
74
3194 130
116,304
8
119,823
81
4 78 194
119,823
9
3
125,026
9
3
1
78
125,026
10
128,415
10 2
2119 119
128,415
11 3
3128 128
129,163
11
129,163
12
4
201
133,025
12
4
201
133,025
13
4
1
81
134,965
13
4
134,965
14 1
2 81 134
140,483
15 2
3134 141
142,561
14
140,483
16
4
216
145,166
15
3 5
142,561
1141
17
16
145,166
18 4
2216
19 1
3
17
5
4
20
18
2MEDIO (9 a 16)
ERROR
19
SUMA 3
CUAD. ERRORES (9 a 16)
ERROR
20
4CUADR. MEDIO (9 a 16)
ERROR MEDIO
(9 (9
a a16)
MAPE
16) EN %
Ing. R. Morn
MAPE (9 a 16) EN %
It
115,375
0,624
BETA = 0,20
116,958
0,941
PRON.
St118,542
+ bt
It
Ft (m=1)
0,987
115,375
0,624
173,5830,941 1,448
116,958
128,5480,987 0,602
118,542
173,583
100,8951,448 0,933
128,548
0,602
108
105,7100,933 1,013
100,895
121
105,710
100
120,5201,013 1,483
120,520
153
129,3281,483 0,607
129,328
0,607
73
131,9860,932 0,932
131,986
121
130,475
134
130,4751,009 1,009
136,378
1,488
193
136,378
1,488
137,187
0,605
83
137,1870,936 0,605
145,341
128
145,196
147
145,3411,005 0,936
147,777
1,488
216
145,196
1,005
89
147,777
1,488
141
PRON.
ERROR
Ft (m=1)
et
GAMMA = 0,80
bt
1,583
-19,136
1,583
-22,921
-19,136
-10,594
-22,921
-10,594
0,697
0,697
4,302
4,302
3,571
3,571
1,312
1,312
3,353
3,353
2,222
2,222
4,859
2,635
4,859
2,611
2,635
2,611
154
232
ERROR
et
108
121
-32
-9100
30153
41 73
5
-2121
-6134
8
193
-2
6 83
-6128
0
147
216
89
141
0,54
194,41154
24,30232
5,24
3,42
72
-32
-9
30
41
5
-2
-6
8
-2
6
-6
0
0,54
194,41
24,30
5,24
3,42
SE3P - Ejemplo
SUAVIZACIN EXP. DE T RES PARM ET ROS
250
UNIDADES
200
150
100
50
0
1
10
11
12
13
14
15
PERODOS
DEMA NDA
PRONSTICO
Ing. R. Morn
73
16
17
18
19
20
Ventajas
Potente para tendencia, estacionalidad y aleatoriedad, por el uso eficiente de

procesos de suavizacin exponencial.
Los ndices de estacionalidad son fciles de interpretar.
Es computacionalmente eficiente, con fcil actualizacin de parmetros.
La ecuacin de pronsticos es fcilmente entendible por los directivos.
La relacin con los mtodos de descomposicin lo hacen ms intuitivo que
otros.
Desventajas
Puede ser muy complejo para series que no tienen identificable tendencia y
estacionalidad.
La optimizacin simultnea de , y puede ser computacionalmente
intensa. As, el ajuste inicial de los datos puede tomar bastante tiempo.
Ing. R. Morn
74
La forma utilizada del mtodo de Winters es de tendencia aditiva y

estacionalidad multiplicativa.
Otras formas posibles son:
Aditivo Aditivo:
Ft + m = S t + m bt + I t L + m
Multiplicativo Aditivo:
Ft + m = S t btm + I t L + m
Multiplicativo Multiplicativo:
Ft + m = S t btm I t L + m
(MINITAB utiliza los modelos aditivo-multiplicativo y aditivo-aditivo).
Se puede incorporar un factor p de atenuacin de tendencia (0 p 1)

Para el caso Aditivo Multiplicativo sera:
Ft + m = ( St + m p m bt ) I t L + m
Ing. R. Morn
75
Simulacin de Modelos
SIMULACIN
(Para elegir el modelo ms apropiado)
1. Dividir la serie histrica en dos grupos de datos:
Grupo 1: para ajustar los modelos (por ejemplo los 36 primeros meses de
48).
Grupo 2: para evaluar los modelos (por ejemplo los siguientes 12 meses).
2. Ajustar los modelos al grupo 1.
3. Pronosticar los perodos correspondientes al grupo 2 con cada uno de los
modelos ajustados (prediccin).
4. Calcular la desviacin estndar de los errores de cada mtodo con respecto a
los datos del grupo 2.
5. Elegir el mejor modelo por el error. Puede haber diferencias segn la longitud
del horizonte de pronstico.
6. Actualizar los parmetros del mtodo elegido utilizando los datos de ambos
grupos y pronosticar los perodos siguientes (por ejemplo los meses 49 a 60).
Ing. R. Morn
76
Simulacin de Modelos - Ejemplo

L = 12
MESES
t
ALFA = 0,25
DEMANDA
Yt
GAMMA = 0,30
St
bt
St + bt
SUAVIZACIN
1 EXPONENCIAL
546DE TRES PARMETROS
L = 12
2
3St
4
5
6
7
8
9
10
604,00
11
646,99
12
702,31
733,54
13
763,62
14
794,93
819,19
15
835,72
839,05
16
854,40
17
861,46
862,46
18
868,81
19
865,97
864,25
20
870,29
866,86
21
873,24
22
877,87
864,51
23
859,01
24
850,94
847,41
25
847,02
887,39
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
ALFA = 0,25
MESES
t
DEMANDA
Yt
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
546
578
660
707
738
781
848
818
729
691
658
604
629
711
729
798
861
903
968
894
860
792
739
699
773
818
871
882
959
979
955
925
843
790
746
822
Ing. R. Morn
578
GAMMA = 0,30
660 St + bt
bt
It
0,84
707652,96
0,87
738660,88
668,79
0,99
1,04
781676,71
684,63
1,08
848692,54
1,13
1,21
818700,46
708,38
1,15
729716,29
1,02
724,21
0,95
691732,13
0,90
7,92 658611,92
0,82
18,44
665,43
0,93
604,00
29,50 604731,81
0,97
30,02 629763,56
0,99
646,99
30,04
793,66
1,04
702,31
30,42 711825,35
1,08
28,57
847,76
1,11
729860,68 733,54
24,96
1,17
18,47 798857,53
1,09
763,62
17,53
871,93
1,01
794,93
14,39 861875,86
0,93
10,37 903872,83
0,87
819,19
9,17
877,98
0,81
835,72
5,56 968871,53
0,90
3,38
0,95
894867,63
839,05
4,18
874,46
1,00
1,90 860868,76
1,03
854,40
3,24
876,48
1,09
792
861,46
3,66
881,53
1,11
-1,45 739863,06
1,13
862,46
-2,66
856,35
1,08
868,81
-4,28 699846,66
1,00
-4,06
843,35
0,93
773
865,97
-2,96
844,06
0,88
10,04 818897,44
0,89
864,25
871
870,29
882
866,86
959
873,24
979
877,87
955
864,51
925
859,01
843
850,94
790
847,41
746
847,02
822
887,39
857
876
959
981
1051
1124
1073
1020
933
787
830
922
512
582
722
798
856
931
1026
994
873
832
787
712
818
846
860
914
940
973
1035
943
865
787
733
682
It
652,96
0,84
660,88
0,87
668,79
0,99
t
Yt
37
857
676,71
1,04
38
876
684,63
1,08
39
959
40
981
692,54
1,13
41
1051
700,46
1,21
42
1124
43
1073
708,38
1,15
44
1020
45
933
716,29
1,02
46
787
724,21
0,95
47
830
48
922
732,13
0,90
611,92
0,82
GRUPO
1
665,43
0,93
ERROR
CUADR. MEDIO (13
a 36)
731,81
0,97
763,56
0,99
MAPE (13 a 36) EN %
793,66
1,04
GRUPO 2
825,35
ERROR
MEDIO (37 a 48) 1,08
847,76
1,11
DESV.
STD. ERRORES (371,17
a 48)
860,68
MAPE (37 a 48) EN %
857,53
1,09
871,93
1,01
875,86
0,93
872,83
0,87
877,98
0,81
871,53
0,90
867,63
0,95
874,46
1,00
868,76
1,03
876,48
1,09
881,53
1,11
863,06
1,13
856,35
1,08
846,66
1,00
843,35
0,93
844,06
0,88
897,44
0,89
BETA = 0,70
PRON.
Ft (m=1)
BETA = 0,70
ERROR
et
117
7,92
129
18,4470
29,505
-28
30,02
-58
-100
30,04
-13
30,42
-40
-48
28,57
-13
24,96
-45
-28
18,47
11
-32
17,53
19
14,396
-80
10,37
-18
9,17
-22
5,56133
140
3,38
4,18
1,90
3,24
3,66
-1,45
-2,66
-4,28
-4,06
-2,96
10,04
PRON.
Ft (m=1)
ERROR
et
Ft
812
866
916
951
1025
1055
1078
1047
974
920
875
898
512
582
722
798
856
931
1026
994
873
832
787
712
818
846
860
914
940
973
1035
943
865
787
733
682
812
866
916
951
1025
1055
1078
1047
974
920
875
898
117
129
7
0
5
-28
-58
-100
-13
-40
-48
-13
-45
-28
11
-32
19
6
-80
-18
-22
3
13
140
45
10
43
30
26
69
-5
-27
-41
-133
-45
24
GRUPO 1
MAPE (13 a 36) EN %
-3,07
80179,01
3340,79
58,96
5,09
GRUPO 2
MAPE (37 a 48) EN %
-0,31
33131,64
2760,97
54,88
4,59
77
et
45
10
43
30
26
69
-5
-27
-41
-133
-45
24
-3,07
80179,01
3340,79
58,96
5,09
-0,31
33131,64
2760,97
54,88
4,59

1200
1100
UNIDADES
1000
900
800
700
600
500
400
1
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
PERODOS (M ESES)
DEMA NDA
PREDICCIN
Ing. R. Morn
78
AJUSTE FINAL CON TODOS LOS DATOS Y PRONSTICO

L = 12
ALFA = 0,25
MESES
DEMANDA
Yt
St
GAMMA = 0,20
bt
St + bt
AJUSTE FINAL1CON TODOS LOS

DATOS Y PRONSTICO
546
L = 12
MESES
DEMANDA
Yt
546
578
660
707
738
781
848
818
729
691
658
604
629
711
729
798
861
903
968
894
860
792
739
699
773
818
871
882
959
979
955
925
843
790
746
822
Ing. R. Morn
It
652,96
0,84
660,88
0,87
668,79
0,99
676,71
1,04
37
857
917,56
684,63
1,08
38
876
925,45
39
959
940,73
692,54
1,13
40
981
953,54
700,46
1,21
41
1051
962,44
42
1124
981,23
708,38
1,15
43
1073
986,05
716,29
1,02
44
1020
984,81
45
933
980,57
724,21
0,95
46
787
952,32
732,13
0,90
47
830
951,84
48
922
968,08
611,92
0,82
49
661,92
0,96
50
51
722,16
1,00
52
749,61
1,00
53
54
777,18
1,06
55
807,66
1,10
56
57
830,68
1,12
58
59
846,10
1,18
60
847,72
1,09
SUMA
CUAD. ERRORES (13
a 48)
866,51
1,02
875,04
DESV.
STD. ERRORES (130,93
a 48)
MAPE
(13 a 48) EN %
876,84
0,86
885,82
0,80
875,99
0,90
868,13
0,96
875,50
1,00
870,03
1,02
876,05
1,10
880,37
1,12
864,13
1,11
861,65
1,08
853,01
0,99
852,09
0,93
855,43
0,87
905,74
0,90
928,23
0,93
935,57
0,95
951,88
1,02
965,02
1,03
973,40
1,09
993,76
1,14
997,04
1,09
993,36
1,04
986,56
0,96
951,45
0,84
951,05
0,87
970,70
0,95
2
578
GAMMA = 0,20
BETA = 0,90
3
660
PRON.
ERROR
707
St 4
bt
St + bt
It
Ft (m=1)
et
652,96
0,84
5
738
660,88
0,87
668,79
0,99
6
781
676,71
1,04
7
848
684,63
1,08
692,54
1,13
8
818
700,46
1,21
9
729
708,38
1,15
716,29
1,02
10
691
724,21
0,95
11
658
732,13
0,90
604,00
7,92
611,92
0,82
12
604
604,00
7,92
646,99
14,93
661,92
0,96
512
117
13 22,48 629
646,99
14,93
699,68
722,16
1,00
579
132
726,30
23,31
749,61
1,00
713
16
14
711
699,68
22,48
753,16
24,02
777,18
1,06
783
15
15 25,10 729
726,30
23,31
782,57
807,66
1,10
838
23
805,93
24,75
830,68
1,12
911
-8
16
798
753,16
24,02
822,90
23,20
846,10
1,18
1006
-38
828,12
847,72
1,09
977
-83
17 19,60 861
782,57
25,10
847,04
866,51
1,02
863
-3
18 19,46
903
805,93
24,75
857,40
17,64
875,04
0,93
827
-35
861,84
876,84
0,86
786
-47
19 15,00 968
822,90
23,20
871,82
14,00
885,82
0,80
715
-16
20 10,03 894
828,12
19,60
865,96
875,99
0,90
849
-76
861,08
7,04
868,13
0,96
878
-60
21
860
847,04
19,46
868,40
7,10
875,50
1,00
870
1
22
792
857,40
17,64
865,03
5,01
870,03
1,02
926
-44
870,88
5,17
876,05
1,10
955
4
23
739
861,84
15,00
875,34
5,03
880,37
1,12
982
-3
24
699
871,82
14,00
862,65
1,49
864,13
1,11
1039
-84
860,83
0,83
861,65
1,08
939
-14
25
773
865,96
10,03
853,77
-0,75
853,01
0,99
875
-32
26
818
861,08
7,04
852,87
-0,78
852,09
0,93
791
-1
855,52
-0,09
855,43
0,87
734
12
27
871
868,40
7,10
897,43
8,31
905,74
0,90
687
135
28
882
865,03
5,01
29
959
870,88
5,17
30
979
875,34
5,03
31
955
862,65
1,49
32
925
860,83
0,83
33
843
853,77
-0,75
34
790
852,87
-0,78
35
746
855,52
-0,09
36
822
897,43
8,31
37
857
917,56
10,67
38
876
925,45
10,11
39
959
940,73
11,15
40
981
953,54
11,48
41
1051
962,44
10,96
42
1124
981,23
12,53
43
1073
986,05
10,99
44
1020
984,81
8,54
45
933
980,57
5,99
46
787
952,32
-0,86
47
830
951,84
-0,79
48
922
968,08
2,62
49
50
51
52
53
54
55
56
57
58
59
60
MAPE (13 a 48) EN %
ALFA = 0,25
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
BETA = 0,90
PRON.
ERROR
Ft (m=1)
et
10,67
10,11
11,15
11,48
10,96
12,53
10,99
8,54
5,99
-0,86
-0,79
2,62
928,23
935,57
951,88
965,02
973,40
993,76
997,04
993,36
986,56
951,45
951,05
970,70
512
579
713
783
838
911
1006
977
863
827
786
715
849
878
870
926
955
982
1039
939
875
791
734
687
814
887
938
974
1062
1089
1107
1073
984
914
829
860
903
922
993
1006
1072
1124
1076
1028
947
832
869
947
0,93
0,95
1,02
1,03
1,09
1,14
1,09
1,04
0,96
0,84
0,87
0,95
117
132
16
15
23
-8
-38
-83
-3
-35
-47
-16
-76
-60
1
-44
4
-3
-84
-14
-32
-1
12
135
43
-11
21
7
-11
35
-34
-53
-51
-127
1
62
-5,75
112445,23
3123,48
56,38
4,91
79
814
887
938
974
1062
1089
1107
1073
984
914
829
860
903
922
993
1006
1072
1124
1076
1028
947
832
869
947
43
-11
21
7
-11
35
-34
-53
-51
-127
1
62
-5,75
112445,23
3123,48
56,38
4,91

1200
1100
UNIDADES
1000
900
800
700
600
500
400
1
10
13
16
19
22
25
28
31
34
37
40
43
46
PERODOS (M ESES)
DEMA NDA
PRONSTICO
Ing. R. Morn
80
49
52
55
58
Simulacin de Modelos
Multimodelos
Cuando en la simulacin no se elige el mejor sino los dos o tres mejores,
se toma como pronstico final el promedio de los pronsticos de cada uno
de ellos. Esto es mejor que usar uno solo, pero ms complejo.
El grupo 2 no debe ser de slo un perodo sino de mltiples perodos.
Ventajas
Es un mtodo flexible y potente para modelar la demanda.
Desventajas
Pueden cambiar los mejores modelos en cada revisin y esto puede dar
peores pronsticos que con los mtodos anteriores debido a que deben ser
ajustados a los datos. Esto es particularmente serio cuando se pronostica
un solo perodo y se reajusta cada perodo; es menos importante cuando
se pronostican multiperodos.
Ing. R. Morn
81
Demanda de Bajo Volumen

DEMANDA DE BAJO VOLUMEN Y ERRTICA
En estos casos es difcil elegir un mtodo de pronsticos.

Estas demandas tienen gran varianza relativa a la media (coeficiente
de variacin). Si esto no responde a patrones de tendencia y/o
estacionales es difcil identificar un mtodo preciso.
Se debe manejar de manera diferente que la demanda de alto
volumen o con patrn bien definido.
Caminos posibles:
Pronosticar la serie lo mejor que se pueda.
Si se puede, agrupar las demandas y pronosticar el grupo
(agregacin).
Siempre tendrn errores con gran coeficiente de variacin.
Ing. R. Morn
82

Patrones
Gran nmero de consumidores de pequeas cantidades (en total bajo volumen)

mejoran las posibilidades de identificar un patrn y reducir los errores de
pronsticos. Cuando son pocos los consumidores el resultado puede ser errtico.
Si no hay patrn es mejor usar suavizado exponencial simple con parmetro
bajo, o promedios mviles con gran nmero de perodos. Pero hay que medir
los errores y sus desviaciones estndar. Las tpicamente grandes desviaciones
estndar son importantes para establecer los intervalos de confianza del
pronstico y planes de contingencia.
El monitoreo permanente de estas demandas es importante porque pueden
cambiar sbitamente y esto hay que detectarlo rpidamente.
La incertidumbre en la demanda de bajo volumen o errtica debe ser manejada
a travs de la medida del error de pronstico y con planes de contingencia, que
incluyen el mantenimiento del mejor nivel de stock de seguridad para evitar
faltantes.
Cuando hay patrones de tendencia y estacionalidad, los mtodos de suavizado
son inadecuados an para pronsticos de corto plazo.
Ing. R. Morn
83

Patrones grupales
En un tem con bajo volumen o errtico su alta variabilidad de error puede

ocultar patrones de tendencia o estacionalidad.
El agrupamiento con productos similares que formen un grupo comn puede
facilitar la identificacin de patrones. Al sumar las demandas los patrones se
refuerzan unos a otros (son todos altos o todos bajos en un mismo perodo)
mientras que la aleatoriedad puede compensarse entre unos y otros.
El pronstico grupal debe ser luego desagregado manteniendo la consistencia.
Demanda extra baja (Fraccin de unidad por mes en promedio).
Requiere uso de otros mtodos que incluyen la distribucin de Poisson y

clculo especial del stock de seguridad.
Ing. R. Morn
84
EJEMPLO DE DEMANDA
DE BAJO VOLUMEN
Bajo Volumen
- Ejemplo
29
30
31
32
33
34
35
36
Ing. R. Morn
EJEMPLO DE DEMANDA DE BAJO VOLUMEN
DEM ANDA
30
31
32
33
34
35
36
1
0
0
1
0
1
0
0
0
0
0
0
7
0
0
0
0
0
0
0
3
1
0
0
1
0
1
0
0
20
Frecuencias
UNIDADES
3
DIAGRAMA DE FRECUENCIAS
25
10
UNIDADES
16
17
18
19
20
21
22
23
24
25
26
27
28
29
DEMANDA30
12
15
10
5
4
7
9 11 13 15 17 19 21 23 25 27 29 31 33 35
10 11 12
Unidades
PERODOS (M ESES)
0
Estadsticas
de la muestra
1
3
5
7
9 11
Media
1,056
Error tpico
0,394
Mediana
0
Moda
0
Desviacin estndar
2,366
Varianza de la muestra
5,597
Curtosis
9,380
Coeficiente de asimetra
2,973
Rango
11
Mnimo
0
Mximo
11
Suma
38
Nivel de confianza (95,0%)
0,800
13
15
17
19
21
23
25 Valor
27
0
1
2
3
4
5
6
7
PERODOS (MESES)
Estadsticas de la muestra
Media
1,056
Error tpico
0,394
Mediana
0
Moda
0
Desviacin estndar
2,366
Varianza de la muestra
5,597
Curtosis
9,380
Coeficiente de asimetra
2,973
Rango
11
Mnimo
0
Mximo
11
Suma
38
Nivel de confianza (95,0%)
0,800
Valor
0
1
2
3
4
5
6
7
8
9
10
11
12
29Frec.
31 Frec.
33 Rel.
35
25
4
2
2
0
0
1
1
DIAGRAMA DE FRECUENCIAS
30
25
20
15
10
5
0
0
Unidades
85
0,694
0,111
0,056
0,056
0,000
0,000
0,028
0,028
Frec. Frec. Rel.

0,694
825
0
0,000
9
0
0,000
4
0,111
10
0
0,000
11
1
0,028
2
0,056
12
0
0,000
36
2
0,056
0
0,000
0
0,000
1
0,028
1
0,028
0
0,000
0
0,000
0
0,000
1
0,028
0
0,000
36
Frecuencias
MES DEMANDA
DEMANDA
t Yt Yt
0
0
1 2
0
2
2 1
12
0
0
3 11
10
1
4 0
0
8
0
5 0
0
6
6 2 11
0
4
0
7 6
3
2
0
8 0
0
16
0
0
9 0
17
1
18
0
0
10 0
19
20
2
11 70
21
22
0
0
12
0
23
24
6
13 0
25
0
3
14 0
26
27
0
0
15 3
28
MES
t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
10
11
12
4,415
0,415
-2,986
4,174
3,894
1,174
-8,667
-9,507
0,213
-0,068
2,531
4,411
50
Residuos
Regresin Lineal Simple - Ejemplo

REGRESIN DE LA DEMANDA SOBRE LA PUBLICIDAD
22,585
22,585
33,986
40,826
43,106
40,826
47,667
54,507
56,787
59,068
70,469
79,589
Pron. Y
1
2
3
4
5
6
7
8
9
10
11
12
Anlisis de los residuos
Observ.
-8,946
Sup. 95%
2,722
1,838
0,000
11,500
2,280
0,198
-37,093
Inf. 95%
Probab.
Est. t
0,005
Variable X 1
G. de l.
ANLISIS DE VARIANZA
Observaciones
-3,644
F
5,039
Error tpico
Prom. Cuad
0,923
R^2 ajustado
S. Cuad.
0,930
Coeficiente de determinacin R^2
12
0,964
Coeficiente de correlacin mltiple
Estadsticas de la regresin
Resumen
6,316
0
90
80
70
60
50
40
30
20
10
0
20
20
25
28
29
28
31
34
35
36
41
45
27
23
31
45
47
42
39
45
57
59
73
84
[M$]
[K$]
[M$]
PUBLIC. TENDENCIA
DEM.
t
1
2
3
4
5
6
7
8
9
10
11
12
23
23
34
41
43
41
48
55
57
59
70
80
86
Error tpico
-8,946
2,722
Coef.
Sup. 95%
-37,093
1,838
-23,019
Inf. 95%
0,005
0,000
4,415
0,415
-2,986
4,174
3,894
1,174
-8,667
-9,507
0,213
-0,068
2,531
4,411
Intercepcin
Probab.
25,395
2,280
Est. t
-3,644
11,500
253,953
6,316
0,198
3612,667
Error tpico
0,0000004
10
Coef.
-23,019
Valor crtico de F
Residuos
22,585
22,585
33,986
40,826
43,106
40,826
47,667
54,507
56,787
59,068
70,469
79,589
11
3612,667
Pron. Y
1
2
3
4
5
6
7
8
9
10
11
12
Total
11
Anlisis de los residuos

Observ.
Residuos
25,395
50
0,0000004
253,953
45
PRONSTICO PARA LA DEMANDA
Valor crtico de F
10
132,257
40
132,257
3358,714
15
Prom. Cuad
35
Intercepcin
Variable X 1
3358,714
DEMANDA
25
30
Publicidad
3358,714
Total
S. Cuad.
10
Residuos
G. de l.
Demanda
45
ANLISIS DE VARIANZA
Regresin
20
3358,714
5,039
12
15
Error tpico
Observaciones
10
Regresin
0,923
PRONSTICO PARA LA DEMANDA
0,930
R^2 ajustado
AO
Ing. R. Morn
0,964
Coeficiente de determinacin R^2
Demanda
MTODO DE REGRESIN LINEAL SIMPLE
Coeficiente de correlacin mltiple
Publicidad - Curva de regresin ajustada

90
80
70
60
50
40
30
20
10
0
DEMANDA
REGRESIN DE LA DEMANDA SOBRE LA PUBLICIDAD
Estadsticas de la regresin
40
23
23
34
41
43
41
48
55
57
59
70
80
35
[M$]
20
20
25
28
29
28
31
34
35
36
41
45
30
[K$]
27
23
31
45
47
42
39
45
57
59
73
84
Resumen
PUBLIC. TENDENCIA
25
Publicidad
[M$]
20
DEM.
t
1
2
3
4
5
6
7
8
9
10
11
12
Publicidad - Curva de regresin ajustada
AO
Control de la Operacin
VALORES ATPICOS (OUTLIERS)
Valores anormalmente grandes o pequeos, que no se espera que se repitan en el
futuro.
Es muy importante que un sistema detecte cundo un modelo de pronsticos no
representa ms a la demanda.
Un modelo puede salirse de control por un solo valor no normal grande o por
varios eventos menores que producen un desvo a sobrepronosticar o
subpronosticar en forma persistente.
Los outliers confunden el reconocimiento de patrones, pero tambin proveen
informacin que es importante.
Detectar outliers estacionales requiere detectar desviaciones con respecto a los
patrones estacionales.
Los outliers distorsionan ms de una observacin cuando hay patrones de
estacionalidad y tendencia.
La graficacin de los datos en diferentes agregaciones (trimestrales, diferencias,
etc.), es muy til para la deteccin de outliers. La simple observacin de la serie
puede no identificar nada.
Ing. R. Morn
87
Causas de los outliers
Errores en los datos. Deben ser eliminados antes de actualizar la base de datos.
Eventos inusuales o irregulares. Deben ajustarse pero conservar la
informacin si se pueden repetir en el futuro.
Eventos desconocidos. Se los ajusta a los valores normales.
Eventos planificados. Caso de promociones, cambios de precios, etc. Estas
demandas deben ser modeladas por el sistema, de lo contrario aparecern como
outliers y sern ajustadas.
Modelos de pronsticos incorrectos. Es el caso en que no modelan la
estacionalidad; pueden ser correctos en algunos perodos y fallar en otros, justo
cuando se producen los picos estacionales.
Cambios en el patrn de la demanda. En el ciclo de vida del producto puede
cambiar el patrn de la demanda. Si el modelo de pronstico no responde al
cambio, pueden parecer extraos valores que en realidad son normales. Un buen
sistema de pronsticos debe detectar estos cambios de patrn.
Ing. R. Morn
88
Efecto outliers - Ejemplo

Serie sin outliers
L= 4
PER.
t
ALFA = 0,65
AO
TRIM.
GAMMA = 0,55
BETA = 0,60
DEMANDA
Yt
St
bt
St + bt
It
1
1
1
70
112,500
2
2
109
115,000
3
3
116
117,500
4
4
170
170,000
2,500
172,500
5
2
1
72
135,589
-17,801
117,788
6
2
122
124,891
-13,894
110,997
7
3
131
125,100
-6,138
118,962
8
4
180
122,734
-4,063
118,670
9
3
1
80
133,165
3,909
137,074
10
2
135
138,886
4,905
143,791
11
3
148
144,346
5,211
149,557
12
4
190
137,106
-1,637
135,468
13
4
1
105
163,593
13,831
177,424
14
2
170
176,097
13,101
189,198
15
3
190
186,770
11,766
198,536
16
4
275
195,876
10,303
206,179
17
5
1
18
2
3
19
4
20
MAPE (9 a 16) EN %
OBSRVESE QUE ESTA SERIE TIENE TENDENCIA NO LINEAL
0,622
0,948
0,987
1,443
0,567
0,965
1,023
1,457
0,587
0,969
1,024
1,414
0,620
0,967
1,020
1,408
Ing. R. Morn
89
PRON.
ERROR
Ft (m=1)
et
107
112
110
172
67
132
147
218
80
172
194
281
128
209
231
334
-35
10
21
8
13
3
1
-28
25
-2
-4
-6
0,27
1645,32
205,67
15,33
7,82

400
350
UNIDADES
300
250
200
150
100
50
0
1
10
11
12
13
14
15
PERODOS
DEMA NDA
PRONSTICO
Ing. R. Morn
90
16
17
18
19
20

Efecto de un outlier
EFECTO DE UN OUTLIER EN EL PERODO 6
L= 4
PER.
t
ALFA = 0,65
AO
TRIM.
GAMMA = 0,55
BETA = 0,60
DEMANDA
Yt
1
1
1
70
2
2
109
3
3
116
4
4
170
5
2
1
72
6
2
22
7
3
131
8
4
180
9
3
1
80
10
2
135
11
3
148
12
4
190
13
4
1
105
14
2
170
15
3
190
16
4
275
17
5
1
18
2
3
19
4
20
MAPE (9 a 16) EN %
St
170,000
141,030
58,499
84,857
104,217
136,731
203,452
159,338
129,966
160,461
233,323
210,211
192,740
bt
St + bt
It
-5,833
-18,559
-53,743
-9,688
6,288
20,713
46,017
-3,555
-17,754
8,783
44,027
7,100
-6,414
125,000
119,167
113,333
164,167
122,471
4,755
75,169
110,505
157,444
249,469
155,782
112,212
169,243
277,350
217,312
186,326
0,560
0,915
1,024
1,502
0,530
0,592
1,336
1,637
0,563
0,635
1,092
1,532
0,618
0,691
0,979
1,469
PRON.
ERROR
Ft (m=1)
et
92
112
5
113
59
93
333
255
63
107
303
333
115
124
170
245
-20
-90
126
67
21
42
-185
-65
42
63
-113
-58
-31,66
62470,6
7808,8
88,20
46,77
Ing. R. Morn
91

EFECT O OUT LIER
350
300
UNIDADES
250
200
150
100
50
0
1
10
11
12
13
14
15
PERODOS
DEMA NDA
PRONSTICO
Ing. R. Morn
92
16
17
18
19
20

Efecto de un outlier
EFECTO DE UN OUTLIER EN EL PERODO 6
VALORES DE LOS PARMETROS TRATANDO DE REDUCIR LA DSE

L= 4
PER.
t
Ing. R. Morn
ALFA = 0,30
AO
TRIM.
GAMMA = 0,30
BETA = 0,20
DEMANDA
Yt
1
1
1
70
2
2
109
3
3
116
4
4
170
5
2
1
72
6
2
22
7
3
131
8
4
180
9
3
1
80
10
2
135
11
3
148
12
4
190
13
4
1
105
14
2
170
15
3
190
16
4
275
17
5
1
18
2
3
19
20
4
MAPE (9 a 16) EN %
St
170,000
153,488
108,331
100,318
94,759
101,465
118,457
124,096
124,142
141,056
163,197
173,500
181,416
bt
St + bt
It
-5,833
-9,037
-19,873
-16,315
-13,088
-7,150
0,093
1,757
1,243
5,945
10,803
10,653
9,832
125,000
119,167
113,333
164,167
144,451
88,459
84,002
81,671
94,315
118,549
125,852
125,386
147,001
174,001
184,153
191,248
0,560
0,915
1,024
1,502
0,542
0,772
1,080
1,581
0,591
0,846
1,103
1,571
0,622
0,885
1,101
1,560
PRON.
ERROR
Ft (m=1)
et
92
132
91
126
44
73
128
199
74
124
192
289
119
178
232
344
-20
-110
40
54
36
62
20
-9
31
46
-2
-14
21,15
8868,7
1108,6
27,49
21,43
93

EFECT O OUT LIER
400
350
UNIDADES
300
250
200
150
100
50
0
1
10
11
12
13
14
15
PERODOS
DEMA NDA
PRONSTICO
Ing. R. Morn
94
16
17
18
19
20
Deteccin de outliers en datos histricos
Suponiendo que la demanda es normal, sin estacionalidad ni tendencia pronunciadas,
las observaciones de la demanda real no se deberan desviar grandemente de la
media. Entonces se puede plantear el siguiente test de hiptesis:
H0: Yt no es outlier
H1: Yt es outlier
utilizando el estadstico
t Yt =
Yt Y
SY
que tiene distribucin aproximadamente t de Student con n-1 grados de libertad, y

donde SY es la desviacin estndar de la demanda y n es la cantidad de datos
considerados.
Si t Yt supera el valor t , n 1 , el valor Yt es un outlier con coeficiente de confianza
2
1 - . Aproximando por la N(0; 1) es comn tomar K = 3 como valor de rechazo.

Ing. R. Morn
95
Deteccin de outliers en datos histricos (cont.)
Observaciones:
Este test puede ser insuficiente si se usa slo con los valores originales (ver el
ejemplo siguiente).
Si se calculan las diferencias estacionales, o de orden L, (Yt Yt L) y se le

aplica el test a ellas, se pueden detectar los outliers estacionales.
Para tendencia solamente se deben utilizar las diferencias de primer orden,
(Yt Yt 1).
Las diferencias son importantes para detectar outliers.
Estos mtodos son importantes para la puesta a punto del sistema con datos
histricos. Una vez en marcha la mejor forma de detectar outliers es por
diferencia entre pronsticos con un buen modelo y valores reales: si hay
diferencias significativas puede haber un problema con los datos o con el
mtodo de pronstico.
Ing. R. Morn
96
DETECCION DE "OUTLIERS"
USANDO VALORES "t" REGULARES Y ESTACIONALES
Deteccin de Outliers - Ejemplo

DEMANDA
VALORES
DIFER.
VALORES
t
Yt
"t" REG.
ESTAC.
"t"
DETECCION DE "OUTLIERS"
1
31
-1,40
USANDO VALORES "t" REGULARES Y ESTACIONALES
2
40
-0,71
PERIODO
DEMANDA
DIFER.
VALORES
TIPO
3 VALORES 58
0,67DEMANDA EFECTO
t
Yt
4 "t" REG. ESTAC.
42 "t" ESTAC.
-0,55AJUSTADA OUTLIER OUTLIER
1
31
-1,40
31
32
-1,32
1
2
405
-0,71
40
3
586
0,67
58
41
-0,63
1
4
427
-0,55
42
65
1,21
7
5
32
-1,32
1
-0,19
32
44 1
-0,40
2
6
418
-0,63
-0,19
41
7
659
1,21
0,35
65
34 7
-1,17
2
8
44
-0,40
2
-0,10
44
10
45
-0,32
4
9
34
-1,17
2
-0,10
34
11
67 4
1,36
2
10
45
-0,32
0,08
45
11
67
1,36
-0,10
67
12
49 2
-0,02
5
12
49
-0,02
0,17
49
13
36 52
-1,01
2
13
36
-1,01
-0,10
36
14
53
0,29
8
14
53
0,29
8
0,44
53
15
37
-0,94
-3,00
71
-34
2
-30
15
37-30
-0,94
16
51
0,14
2
-0,10
51
16
51 3
0,14
2
17
39
-0,78
-0,01
39
17
39 5
-0,78
3
18
58
0,67
0,17
58
19
74
1,90
3,07
74
18
58 37
0,67
5
20
52
0,21
1
-0,19
52
19
74 3
1,90
37
21
42
-0,55
-0,01
42
22
60
0,83
2
-0,10
60
20
52
0,21
1
23
78
2,21
0,08
78
21
42 4
-0,55
3
24
53
0,29
1
-0,19
53
22
60
0,83 50,63
2
MEDIA
49,21
0,00
3,10
D.STD
13,04
1,00
11,04
23
78
2,21 13,49
4
24
53
0,29
1
Ing. R. Morn
MEDIA
49,21
0,00
3,10
D.STD
13,04
1,00
11,04
CODIGO TIPO OUTLIER
1 - PROMOCION
2 - INCREMENTO DE PRECIOS
3 - REBAJA PRECIOS
4 - OTRA INFLUENCIA
5 - CAUSA DESCONOCIDA
ESTAC.
DEMANDA
EFECTO
TIPO
AJUSTADA
OUTLIER
OUTLIER
31
DET40
ECCIN DE OUT LIERS
90
80
70
-0,19
60
-0,19
0,35
50
-0,10
40
-0,10
30
0,08
20
-0,10 1
0,17
-0,10
0,44
-3,00
-0,10
-0,01
0,17
3,07
-0,19
-0,01
-0,10
0,08
-0,19
UNIDADES
PERIODO
58
42
32
41
65
44
34
45
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
67
PERODOS
49
DEMA NDA
36
53
AJUSTE OUTLIER:
71
-34
2
(Yt-4+Yt+4)/2 = (Y11 + Y19)/2 = (67 + 74)/2 = 70,5
51
39
CODIGO TIPO OUTLIER
58
1 - PROMOCION
74
2 - INCREMENTO DE PRECIOS
3 - REBAJA
52PRECIOS
4 - OTRA INFLUENCIA
42
5 - CAUSA DESCONOCIDA
60
78
53
50,63
13,49
AJUSTE OUTLIER:
(Yt-4+Yt+4)/2 = (Y11 + Y19)/2 = (67 + 74)/2 = 70,5
DETECCIN DE OUTLIERS
90
UNIDADES
80
70
60
50
40
30
20
1
10
11 12 13 14
PERODOS
DEMANDA
97
15
16
17
18
19
20
21
22
23
24
-0,94
-1,05
-0,93
-0,95
-0,53
-0,78
-0,76
-0,70
-1,06
-0,97
-1,21
-0,97
-1,07
-0,85
-0,69
-0,39
-0,02
-0,30
-0,19
-0,33
-0,46
-0,65
-0,78
-0,64
-0,52
-0,02
-0,10
0,50
0,82
-0,34
0,32
0,48
0,24
0,26
-0,19
0,35
0,63
1,00
1,17
1,62
2,60
2,35
1,96
1,73
1,44
1,36
0,77
Serie con tendencia lineal y estacionalidad
700
600
500
400
300
200
100
0
4,0
3,0
2,0
1,0
0,0
-1,0
-2,0
-3,0
-4,0
1
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Meses
Valores "t"
Valores "t"
800
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Meses
-4,0
-3,0
-2,0
-1,0
0,0
1,0
2,0
3,0
100
200
300
400
500
600
700
800
4,0
Ing. R. Morn
Val. "t" reg.
Meses
t
Ene
1
2
Feb
3
Mar
4
Abr
5
May
Jun
6
7
Jul
8
Ago
Sep
9
10
Oct
Nov
11
12
Dic
13
Ene
Feb
14
15
Mar
16
Abr
17
May
18
Jun
Jul
19
20
Ago
21
Sep
Oct
22
23
Nov
24
Dic
25
Ene
26
Feb
Mar
27
28
Abr
29
May
30
Jun
31
Jul
Ago
32
33
Sep
34
Oct
Nov
35
36
Dic
37
Ene
38
Feb
39
Mar
Abr
40
41
May
42
Jun
43
Jul
44
Ago
Sep
45
46
Oct
47
Nov
48
Dic
Promedio =
Desv. Est.=
N=
Unidades
-0,94
-1,05
-0,93
-0,95
-0,53
-0,78
-0,76
-0,70
-1,06
-0,97
-1,21
-0,97
-1,07
-0,85
-0,69
-0,39
-0,02
-0,30
-0,19
-0,33
-0,46
-0,65
-0,78
-0,64
-0,52
-0,02
-0,10
0,50
0,82
-0,34
0,32
0,48
0,24
0,26
-0,19
0,35
0,63
1,00
1,17
1,62
2,60
2,35
1,96
1,73
1,44
1,36
0,77
t
Ene
1
2
Feb
Mar
3
Abr
4
5
May
Jun
6
Jul
7
8
Ago
Sep
9
Oct
10
11
Nov
Dic
12
Ene
13
14
Feb
Mar
15
Abr
16
17
May
Jun
18
Jul
19
20
Ago
Sep
21
22
Oct
23
Nov
Dic
24
25
Ene
26
Feb
Mar
27
28
Abr
29
May
Jun
30
31
Jul
32
Ago
Sep
33
34
Oct
35
Nov
Dic
36
37
Ene
38
Feb
Mar
39
40
Abr
41
May
Jun
42
43
Jul
44
Ago
Sep
45
46
Oct
47
Nov
48
Dic
Promedio =
Desv. Est.=
N=
Yt
125
162
146
164
161
223
186
189
198
145
158
123
158
144
176
199
243
298
257
272
252
233
205
186
206
224
298
285
374
420
250
347
371
336
339
272
352
392
447
472
538
681
644
588
554
512
499
413
300,35
146,48
48
Outliers
Val. "t" reg.
Unidades
0
Valores atpicos (outliers) - Serie aleatoria con tendencia lineal y estacionalidad
Valores atpicos (outliers) - Serie aleatoria con tendencia lineal y estacionalidad

Yt
125
162
146
164
161
223
186
189
198
145
158
123
158
144
176
199
243
298
257
272
252
233
205
186
206
224
298
285
374
420
250
347
371
336
339
272
352
392
447
472
538
681
644
588
554
512
499
413
300,35
146,48
48
Outliers
Meses
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
98
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Meses
Demanda
Diferencias 1
Valores "t" diferencias 1er. orden
4,0
3,0
2,0
1,0
0,0
-1,0
-2,0
-3,0
-4,0
1
Valores "t" diferencias 1er. orden
800
700
600
500
400
300
200
100
0
-100
-200
-300
Diferencias 1
0,57
-0,41
0,22
-0,17
1,04
-0,80
-0,06
0,05
-1,10
0,13
-0,76
0,54
-0,37
0,48
0,31
0,70
0,91
-0,87
0,16
-0,48
-0,47
-0,63
-0,47
0,26
0,22
1,26
-0,35
1,54
0,74
-3,26
1,68
0,33
-0,76
-0,06
-1,36
1,37
0,63
0,91
0,35
1,11
2,54
-0,80
-1,15
-0,74
-0,89
-0,35
-1,71
Demanda
Val."t" dif.
37
-16
18
-3
62
-37
3
9
-53
13
-35
35
-14
32
23
44
55
-41
15
-20
-19
-28
-19
20
18
74
-13
89
46
-170
97
24
-35
3
-67
80
40
55
25
66
143
-37
-56
-34
-42
-13
-86
6,13
53,95
47
Outliers
Meses
Dt=Yt-Yt-1
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Meses
Yt
125
162
146
164
161
223
186
189
198
145
158
123
158
144
176
199
243
298
257
272
252
233
205
186
206
224
298
285
374
420
250
347
371
336
339
272
352
392
447
472
538
681
644
588
554
512
499
413
300,35
146,48
-4,0
-3,0
-2,0
-1,0
0,0
1,0
2,0
3,0
4,0
800
700
600
500
400
300
200
100
0
-100
-200
-300
Ing. R. Morn
t
1
Ene
Feb
2
3
Mar
4
Abr
May
5
6
Jun
7
Jul
8
Ago
9
Sep
Oct
10
11
Nov
12
Dic
Ene
13
14
Feb
15
Mar
16
Abr
17
May
Jun
18
19
Jul
20
Ago
Sep
21
22
Oct
23
Nov
24
Dic
25
Ene
Feb
26
27
Mar
28
Abr
May
29
30
Jun
31
Jul
32
Ago
33
Sep
34
Oct
35
Nov
36
Dic
Ene
37
38
Feb
39
Mar
40
Abr
41
May
Jun
42
43
Jul
44
Ago
Sep
45
46
Oct
47
Nov
48
Dic
Promedios =
Desv. Est.=
N=
Val."t" dif.
0,57
-0,41
0,22
-0,17
1,04
-0,80
-0,06
0,05
-1,10
0,13
-0,76
0,54
-0,37
0,48
0,31
0,70
0,91
-0,87
0,16
-0,48
-0,47
-0,63
-0,47
0,26
0,22
1,26
-0,35
1,54
0,74
-3,26
1,68
0,33
-0,76
-0,06
-1,36
1,37
0,63
0,91
0,35
1,11
2,54
-0,80
-1,15
-0,74
-0,89
-0,35
-1,71
37
-16
18
-3
62
-37
3
9
-53
13
-35
35
-14
32
23
44
55
-41
15
-20
-19
-28
-19
20
18
74
-13
89
46
-170
97
24
-35
3
-67
80
40
55
25
66
143
-37
-56
-34
-42
-13
-86
6,13
53,95
47
Outliers
t
1
Ene
2
Feb
3
Mar
4
Abr
5
May
6
Jun
7
Jul
8
Ago
Sep
9
Oct
10
Nov
11
Dic
12
Ene
13
Feb
14
Mar
15
Abr
16
May
17
18
Jun
19
Jul
20
Ago
21
Sep
22
Oct
23
Nov
24
Dic
25
Ene
26
Feb
27
Mar
28
Abr
May
29
Jun
30
Jul
31
Ago
32
Sep
33
Oct
34
Nov
35
Dic
36
Ene
37
38
Feb
39
Mar
40
Abr
41
May
42
Jun
43
Jul
44
Ago
45
Sep
46
Oct
47
Nov
Dic
48
Promedios =
Desv. Est.=
N=
Yt
125
162
146
164
161
223
186
189
198
145
158
123
158
144
176
199
243
298
257
272
252
233
205
186
206
224
298
285
374
420
250
347
371
336
339
272
352
392
447
472
538
681
644
588
554
512
499
413
300,35
146,48
Dt=Yt-Yt-1
Unidades
99
Valores atpicos (outliers) - Serie aleatoria con tendencia lineal y estacionalidad - Diferencias de primer orden
Valores atpicos (outliers) - Serie aleatoria con tendencia lineal y estacionalidad - Diferencias de primer orden
Meses
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Unidades
11 13 15 17 19 21 23 25 27 29 31 33 35
37 39 41 43 45 47
-1,03
-1,67
-1,07
-1,00
-0,41
-0,50
-0,55
-0,39
-0,76
-0,33
-0,85
-0,65
-0,84
-0,43
0,10
-0,36
0,21
0,10
-1,53
-0,50
0,06
-0,14
0,25
-0,36
0,40
0,68
0,44
0,92
0,63
1,86
3,54
1,60
0,87
0,78
0,58
0,34
700
600
500
400
300
200
100
0
-100
1
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Diferencias 12
Valores "t" diferencias 12 orden
4,0
3,0
2,0
1,0
0,0
-1,0
-2,0
-3,0
-4,0
1
Meses
Demanda
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Meses
33
-18
30
35
82
75
71
83
54
88
47
63
48
80
122
86
131
122
-7
75
119
103
134
86
146
168
149
187
164
261
394
241
183
176
160
141
114,22
79,06
36
Outliers

800
Valores "t" diferencias 12 orden
Val."t" dif.
-4,0
-3,0
-2,0
-1,0
0,0
1,0
2,0
3,0
4,0
-100
100
200
300
400
500
600
700
800
Ing. R. Morn
Dt=Yt-Yt-12
Diferencias 12
Yt
125
162
146
164
161
223
186
189
198
145
158
123
158
144
176
199
243
298
257
272
252
233
205
186
206
224
298
285
374
420
250
347
371
336
339
272
352
392
447
472
538
681
644
588
554
512
499
413
300,35
146,48
Demanda
t
1
Ene
Feb
2
3
Mar
4
Abr
May
5
6
Jun
7
Jul
8
Ago
9
Sep
Oct
10
11
Nov
12
Dic
Ene
13
14
Feb
15
Mar
16
Abr
17
May
Jun
18
19
Jul
20
Ago
Sep
21
22
Oct
23
Nov
24
Dic
25
Ene
Feb
26
27
Mar
28
Abr
May
29
30
Jun
31
Jul
32
Ago
33
Sep
34
Oct
35
Nov
36
Dic
Ene
37
38
Feb
39
Mar
40
Abr
41
May
Jun
42
43
Jul
44
Ago
Sep
45
46
Oct
47
Nov
48
Dic
Promedios =
Desv. Est.=
N=
Meses
Val."t" dif.
-1,03
-1,67
-1,07
-1,00
-0,41
-0,50
-0,55
-0,39
-0,76
-0,33
-0,85
-0,65
-0,84
-0,43
0,10
-0,36
0,21
0,10
-1,53
-0,50
0,06
-0,14
0,25
-0,36
0,40
0,68
0,44
0,92
0,63
1,86
3,54
1,60
0,87
0,78
0,58
0,34
33
-18
30
35
82
75
71
83
54
88
47
63
48
80
122
86
131
122
-7
75
119
103
134
86
146
168
149
187
164
261
394
241
183
176
160
141
114,22
79,06
36
Outliers
t
1
Ene
2
Feb
3
Mar
4
Abr
5
May
6
Jun
7
Jul
8
Ago
Sep
9
Oct
10
Nov
11
Dic
12
Ene
13
Feb
14
Mar
15
Abr
16
May
17
18
Jun
19
Jul
20
Ago
21
Sep
22
Oct
23
Nov
24
Dic
25
Ene
26
Feb
27
Mar
28
Abr
May
29
Jun
30
Jul
31
Ago
32
Sep
33
Oct
34
Nov
35
Dic
36
Ene
37
38
Feb
39
Mar
40
Abr
41
May
42
Jun
43
Jul
44
Ago
45
Sep
46
Oct
47
Nov
Dic
48
Promedios =
Desv. Est.=
N=
Yt
125
162
146
164
161
223
186
189
198
145
158
123
158
144
176
199
243
298
257
272
252
233
205
186
206
224
298
285
374
420
250
347
371
336
339
272
352
392
447
472
538
681
644
588
554
512
499
413
300,35
146,48
Dt=Yt-Yt-12
Unidades
100
Valores atpicos (outliers) - Serie aleatoria con tendencia lineal y estacionalidad - Diferencias de 12 orden
Valores atpicos (outliers) - Serie aleatoria con tendencia lineal y estacionalidad - Diferencias de 12 orden
Meses
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Unidades
11 13 15 17 19 21 23 25 27 29 31 33 35
37 39 41 43 45 47
Demanda
Meses
Diferencias 12 orden
Dif. de las Dif. 12 orden
Valores "t" diferencias de 12 y 1er. orden
3,0
2,0
1,0
0,0
-1,0
-2,0
-3,0
-4,0
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
4,0
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Meses
-4,0
-3,0
-2,0
-1,0
0,0
1,0
2,0
3,0
4,0
800
700
600
500
400
300
200
100
0
-100
-200
Ing. R. Morn
-0,96
0,80
0,03
0,78
-0,18
-0,13
0,16
-0,57
0,55
-0,79
0,23
-0,32
0,52
0,69
-0,70
0,75
-0,22
-2,35
1,41
0,73
-0,34
0,50
-0,91
1,01
0,34
-0,39
0,62
-0,46
1,67
2,31
-2,78
-1,09
-0,18
-0,34
-0,39
Valores "t" diferencias de 12 y 1er. orden
-51
48
5
47
-7
-4
12
-29
34
-41
16
-15
32
42
-36
45
-9
-129
82
44
-16
31
-48
60
22
-19
38
-23
97
133
-153
-58
-7
-16
-19
3,09
56,14
35
Outliers
800
700
600
500
400
300
200
100
0
-100
-200
Diferencias 12 orden
33
-18
30
35
82
75
71
83
54
88
47
63
48
80
122
86
131
122
-7
75
119
103
134
86
146
168
149
187
164
261
394
241
183
176
160
141
114,22
79,06
36
Val."t" dif.
Demanda
D't=Dt-Dt-1
Unidades
Dt=Yt-Yt-12
Meses
Yt
125
162
146
164
161
223
186
189
198
145
158
123
158
144
176
199
243
298
257
272
252
233
205
186
206
224
298
285
374
420
250
347
371
336
339
272
352
392
447
472
538
681
644
588
554
512
499
413
300,35
146,48
t
1
Ene
Feb
2
3
Mar
4
Abr
5
May
6
Jun
Jul
7
8
Ago
9
Sep
Oct
10
11
Nov
Dic
12
13
Ene
14
Feb
Mar
15
16
Abr
May
17
18
Jun
19
Jul
Ago
20
21
Sep
22
Oct
23
Nov
24
Dic
Ene
25
26
Feb
27
Mar
28
Abr
29
May
Jun
30
31
Jul
32
Ago
33
Sep
34
Oct
Nov
35
36
Dic
37
Ene
38
Feb
39
Mar
Abr
40
41
May
42
Jun
43
Jul
44
Ago
Sep
45
46
Oct
47
Nov
48
Dic
Promedios =
Desv. Est.=
N=
-0,96
0,80
0,03
0,78
-0,18
-0,13
0,16
-0,57
0,55
-0,79
0,23
-0,32
0,52
0,69
-0,70
0,75
-0,22
-2,35
1,41
0,73
-0,34
0,50
-0,91
1,01
0,34
-0,39
0,62
-0,46
1,67
2,31
-2,78
-1,09
-0,18
-0,34
-0,39
-51
48
5
47
-7
-4
12
-29
34
-41
16
-15
32
42
-36
45
-9
-129
82
44
-16
31
-48
60
22
-19
38
-23
97
133
-153
-58
-7
-16
-19
3,09
56,14
35
Outliers
33
-18
30
35
82
75
71
83
54
88
47
63
48
80
122
86
131
122
-7
75
119
103
134
86
146
168
149
187
164
261
394
241
183
176
160
141
114,22
79,06
36
t
Ene
1
2
Feb
3
Mar
Abr
4
5
May
6
Jun
Jul
7
Ago
8
9
Sep
Oct
10
Nov
11
12
Dic
Ene
13
Feb
14
15
Mar
Abr
16
May
17
18
Jun
Jul
19
Ago
20
21
Sep
22
Oct
Nov
23
24
Dic
25
Ene
Feb
26
27
Mar
28
Abr
May
29
30
Jun
31
Jul
Ago
32
33
Sep
34
Oct
Nov
35
36
Dic
37
Ene
Feb
38
Mar
39
40
Abr
May
41
Jun
42
43
Jul
Ago
44
Sep
45
46
Oct
Nov
47
48
Dic
Promedios =
Desv. Est.=
N=
Yt
125
162
146
164
161
223
186
189
198
145
158
123
158
144
176
199
243
298
257
272
252
233
205
186
206
224
298
285
374
420
250
347
371
336
339
272
352
392
447
472
538
681
644
588
554
512
499
413
300,35
146,48
Dt=Yt-Yt-12
D't=Dt-Dt-1
Val."t" dif.
Unidades
0
Valores atpicos (outliers) - Serie aleatoria con tendencia lineal y estacionalidad - Diferencias de 12 y de 1er. orden
Valores atpicos (outliers) - Serie aleatoria con tendencia lineal y estacionalidad - Diferencias de 12 y de 1er. orden
Meses
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Dif. de las Dif. 12 orden
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
101
Diferencias 12
1
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Demanda
Meses
Diferencias 1
Diferencias 12
Valores "t" diferencias de 1 y 12 orden
2,0
1,0
0,0
-1,0
-2,0
-3,0
-4,0
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
3,0
Meses
4,0
-4,0
-3,0
-2,0
-1,0
0,0
1,0
2,0
3,0
4,0
800
700
600
500
400
300
200
100
0
-100
-200
-300
Ing. R. Morn
-0,96
0,80
0,03
0,78
-0,18
-0,13
0,16
-0,57
0,55
-0,79
0,23
-0,32
0,52
0,69
-0,70
0,75
-0,22
-2,35
1,41
0,73
-0,34
0,50
-0,91
1,01
0,34
-0,39
0,62
-0,46
1,67
2,31
-2,78
-1,09
-0,18
-0,34
-0,39
800
700
600
500
400
300
200
100
0
-100
-200
-300
-51
48
5
47
-7
-4
12
-29
34
-41
16
-15
32
42
-36
45
-9
-129
82
44
-16
31
-48
60
22
-19
38
-23
97
133
-153
-58
-7
-16
-19
3,09
56,14
35
Outliers
Val."t" dif.
Diferencias 1
37,00
-16,00
18,00
-3,00
62,00
-37,00
3,00
9,00
-53,00
13,00
-35,00
35,00
-14,00
32,00
23,00
44,00
55,00
-41,00
15,00
-20,00
-19,00
-28,00
-19,00
20,00
18,00
74,00
-13,00
89,00
46,00
-170,00
97,00
24,00
-35,00
3,00
-67,00
80,00
40,00
55,00
25,00
66,00
143,00
-37,00
-56,00
-34,00
-42,00
-13,00
-86,00
6,13
53,95
47
Demanda
D't=Dt-Dt-12
Unidades
Dt=Yt-Yt-1
Meses
Yt
125
162
146
164
161
223
186
189
198
145
158
123
158
144
176
199
243
298
257
272
252
233
205
186
206
224
298
285
374
420
250
347
371
336
339
272
352
392
447
472
538
681
644
588
554
512
499
413
300,35
146,48
t
1
Ene
Feb
2
3
Mar
4
Abr
May
5
6
Jun
7
Jul
8
Ago
9
Sep
Oct
10
11
Nov
12
Dic
Ene
13
14
Feb
15
Mar
16
Abr
17
May
Jun
18
19
Jul
20
Ago
Sep
21
22
Oct
23
Nov
24
Dic
25
Ene
Feb
26
27
Mar
28
Abr
May
29
30
Jun
31
Jul
32
Ago
33
Sep
34
Oct
35
Nov
36
Dic
Ene
37
38
Feb
39
Mar
40
Abr
41
May
Jun
42
43
Jul
44
Ago
Sep
45
46
Oct
47
Nov
48
Dic
Promedios =
Desv. Est.=
N=
-0,96
0,80
0,03
0,78
-0,18
-0,13
0,16
-0,57
0,55
-0,79
0,23
-0,32
0,52
0,69
-0,70
0,75
-0,22
-2,35
1,41
0,73
-0,34
0,50
-0,91
1,01
0,34
-0,39
0,62
-0,46
1,67
2,31
-2,78
-1,09
-0,18
-0,34
-0,39
-51
48
5
47
-7
-4
12
-29
34
-41
16
-15
32
42
-36
45
-9
-129
82
44
-16
31
-48
60
22
-19
38
-23
97
133
-153
-58
-7
-16
-19
3,09
56,14
35
Outliers
37,00
-16,00
18,00
-3,00
62,00
-37,00
3,00
9,00
-53,00
13,00
-35,00
35,00
-14,00
32,00
23,00
44,00
55,00
-41,00
15,00
-20,00
-19,00
-28,00
-19,00
20,00
18,00
74,00
-13,00
89,00
46,00
-170,00
97,00
24,00
-35,00
3,00
-67,00
80,00
40,00
55,00
25,00
66,00
143,00
-37,00
-56,00
-34,00
-42,00
-13,00
-86,00
6,13
53,95
47
t
Ene
1
Feb
2
3
Mar
Abr
4
May
5
6
Jun
7
Jul
Ago
8
9
Sep
10
Oct
Nov
11
Dic
12
13
Ene
Feb
14
Mar
15
16
Abr
17
May
Jun
18
19
Jul
20
Ago
Sep
21
22
Oct
23
Nov
Dic
24
Ene
25
26
Feb
Mar
27
Abr
28
29
May
30
Jun
Jul
31
32
Ago
33
Sep
Oct
34
35
Nov
36
Dic
Ene
37
Feb
38
39
Mar
Abr
40
May
41
42
Jun
43
Jul
Ago
44
45
Sep
46
Oct
Nov
47
48
Dic
Promedios =
Desv. Est.=
N=
Yt
125
162
146
164
161
223
186
189
198
145
158
123
158
144
176
199
243
298
257
272
252
233
205
186
206
224
298
285
374
420
250
347
371
336
339
272
352
392
447
472
538
681
644
588
554
512
499
413
300,35
146,48
Dt=Yt-Yt-1
D't=Dt-Dt-12
Val."t" dif.
Unidades
0
Valores atpicos (outliers) - Serie aleatoria con tendencia lineal y estacionalidad - Diferencias de 1 y 12 orden
Meses
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
102
Diferencias 12
3
Demanda
Meses
Diferencias 1
Diferencias 12
3,0
2,0
1,0
0,0
-1,0
-2,0
-3,0
-4,0
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
4,0
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Meses
-4,0
-3,0
-2,0
-1,0
0,0
1,0
2,0
3,0
4,0
700
600
500
400
300
200
100
0
-100
-200
-300
Ing. R. Morn
0,26
0,02
-0,56
-0,52
1,06
-0,54
0,84
0,33
-0,12
-1,08
0,10
0,55
0,44
-0,14
0,04
0,60
0,64
-3,35
2,04
0,10
0,31
-0,68
0,01
0,20
-0,97
0,80
1,26
-0,34
0,37
1,98
-2,10
-0,34
-0,27
-0,81
-0,12
700
600
500
400
300
200
100
0
-100
-200
-300
17
4
-28
-26
61
-27
49
21
-4
-57
8
33
27
-5
5
36
38
-182
115
8
20
-35
3
14
-51
47
72
-16
23
112
-113
-16
-12
-42
-4
2,71
55,11
35
Outliers
Val."t" dif.
Diferencias 1
36,00
17,00
11,00
50,00
-38,00
25,00
-13,00
-67,00
-8,00
34,00
-35,00
23,00
53,00
21,00
-17,00
24,00
23,00
-2,00
36,00
-46,00
-12,00
-23,00
-27,00
56,00
80,00
16,00
-12,00
60,00
61,00
-184,00
151,00
-38,00
8,00
-58,00
-24,00
70,00
29,00
63,00
60,00
44,00
84,00
-72,00
38,00
-54,00
-4,00
-100,00
-28,00
6,62
55,82
47
Demanda
D't=Dt-Dt-12
Unidades
Dt=Yt-Yt-1
Meses
Yt
108
144
161
172
222
184
209
196
129
121
155
120
143
196
217
200
224
247
245
281
235
223
200
173
229
309
325
313
373
434
250
401
363
371
313
289
359
388
451
511
555
639
567
605
551
547
447
419
302,38
144,72
t
1
Ene
Feb
2
3
Mar
4
Abr
5
May
6
Jun
Jul
7
8
Ago
9
Sep
Oct
10
11
Nov
Dic
12
13
Ene
14
Feb
Mar
15
16
Abr
May
17
18
Jun
19
Jul
Ago
20
21
Sep
22
Oct
23
Nov
24
Dic
Ene
25
26
Feb
27
Mar
28
Abr
29
May
Jun
30
31
Jul
32
Ago
33
Sep
34
Oct
Nov
35
36
Dic
37
Ene
38
Feb
39
Mar
Abr
40
41
May
42
Jun
43
Jul
44
Ago
Sep
45
46
Oct
47
Nov
48
Dic
Promedios =
Desv. Est.=
N=
0,26
0,02
-0,56
-0,52
1,06
-0,54
0,84
0,33
-0,12
-1,08
0,10
0,55
0,44
-0,14
0,04
0,60
0,64
-3,35
2,04
0,10
0,31
-0,68
0,01
0,20
-0,97
0,80
1,26
-0,34
0,37
1,98
-2,10
-0,34
-0,27
-0,81
-0,12
17
4
-28
-26
61
-27
49
21
-4
-57
8
33
27
-5
5
36
38
-182
115
8
20
-35
3
14
-51
47
72
-16
23
112
-113
-16
-12
-42
-4
2,71
55,11
35
Outliers
36,00
17,00
11,00
50,00
-38,00
25,00
-13,00
-67,00
-8,00
34,00
-35,00
23,00
53,00
21,00
-17,00
24,00
23,00
-2,00
36,00
-46,00
-12,00
-23,00
-27,00
56,00
80,00
16,00
-12,00
60,00
61,00
-184,00
151,00
-38,00
8,00
-58,00
-24,00
70,00
29,00
63,00
60,00
44,00
84,00
-72,00
38,00
-54,00
-4,00
-100,00
-28,00
6,62
55,82
47
t
Ene
1
2
Feb
3
Mar
Abr
4
5
May
Jun
6
Jul
7
8
Ago
Sep
9
Oct
10
11
Nov
Dic
12
Ene
13
14
Feb
Mar
15
Abr
16
17
May
Jun
18
Jul
19
20
Ago
Sep
21
Oct
22
23
Nov
Dic
24
Ene
25
26
Feb
Mar
27
Abr
28
29
May
Jun
30
Jul
31
32
Ago
Sep
33
34
Oct
35
Nov
Dic
36
37
Ene
38
Feb
Mar
39
40
Abr
41
May
Jun
42
43
Jul
44
Ago
Sep
45
46
Oct
47
Nov
48
Dic
Promedios =
Desv. Est.=
N=
Yt
108
144
161
172
222
184
209
196
129
121
155
120
143
196
217
200
224
247
245
281
235
223
200
173
229
309
325
313
373
434
250
401
363
371
313
289
359
388
451
511
555
639
567
605
551
547
447
419
302,38
144,72
Dt=Yt-Yt-1
D't=Dt-Dt-12
Val."t" dif.
Unidades
1
Meses
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
103
Ajuste de outliers
En series de tiempo, nunca eliminar un outlier, siempre ajustarlo.
Si hay pronstico, puede reemplazarse por el pronstico. Puede ser lo mejor.
Si hay estacionalidad lo mejor es tomar el promedio de los valores

estacionales adyacentes.
Si no hay pronstico ni estacionalidad se puede tomar el promedio de la serie
o de los adyacentes.
Se puede modificar el ajuste en forma subjetiva, sabiendo qu pasar en el
futuro.
Se debe registrar el valor real y el ajustado para anlisis posterior.
Ing. R. Morn
104
Filtrado de outliers individuales en el ingreso de datos
Dado que los errores entre pronstico y real tienen distribucin aproximadamente
Normal con media nula, el estadstico
e 0
e
tt = t
= t
Se
Se
que tiene distribucin aproximadamente t de Student con n-1 grados de libertad,
y donde Se = SDE y n es la cantidad de datos considerados en el clculo de la
SDE; permite detectar errores individuales significativos definiendo un intervalo de
control apropiado
K tt K
En la prctica, como n es suficientemente grande, se puede aproximar la
distribucin por la N(0, 1), y adems frecuentemente se toma K = 2.
Si tt cae fuera de los lmites de control, el correspondiente valor de la demanda
debe revisarse.
Este filtrado debe hacerse en tiempo real al registrar la demanda.
Ing. R. Morn
105
SEAL DE RASTREO
Grandes errores de pronstico acumulados pueden indicar un cambio en el patrn
de demanda. El error acumulado no debe diferir de cero si todo est bajo control.
Errores acumulados grandes pueden detectarse usando seales de rastreo (TS).
Se fija un intervalo de control K TSt K con lmites convenientemente elegidos.
Cuando TSt supera los lmites de control, inferimos que hay un sesgo significativo y
el mtodo de pronstico debe ser revisado.
La revisin puede conducir al ajuste de los parmetros e inclusive al reemplazo del
modelo.
Luego de revisado el modelo la seal de rastreo se debe poner en cero para
recomenzar el control.
Ing. R. Morn
106
Seal de rastreo de sumas acumuladas (TSM)
Sean la suma de errores acumulados y la desviacin media absoluta de los errores
suavizada, respectivamente:
CUSUM
= CUSUM
t 1
MAD t = | et | + (1 ) MAD t 1
+ et
La seal de rastreo est dada por:
TSM t =
CUSUM
MAD t
Usualmente se toma = 0,1.

Si durante la operacin del sistema se superan los lmites de control K TSMt K
se debe revisar el modelo de pronsticos.
Luego se pone CUSUMt = 0 y se recomienza el control.
Ing. R. Morn
107
Como la media de TSMt es cero se podra pensar en tomar los lmites de control K
iguales a un cierto nmero de veces la desviacin estndar de TSMt. Sin embargo, si
los errores no son normales e independientes esa desviacin estndar no est
tericamente bien definida y el valor de K se debe fijar empricamente. Este es el
caso cuando se utilizan modelos de suavizacin para los pronsticos, en los que en
general los errores no son independientes.
Esta seal de rastreo puede dar falsas alarmas. En efecto, es fcil ver que si un gran
error en un perodo es seguido por varios pequeos errores en los perodos
sucesivos, el valor de TSMt puede salir de control despus de estos ltimos porque
creci el numerador CUSUMt debido al gran error y decreci el denominador MADt
por los pequeos.
Adems CUSUMt da el mismo peso a todos los valores de los errores, y es lgico
darle ms peso a los ltimos valores que a los ms antiguos.
La seal de rastreo de Trigg (TST) no tiene estos inconvenientes y es ms utilizada
en la prctica.
Ing. R. Morn
108
Seal de rastreo de Trigg (TST)
Est dada por
TST t =
donde
SAD t
MAD t
SAD t = e t + (1 ) SAD t 1
MAD t = e t + (1 ) MAD t 1
son el promedio del error suavizado y la desviacin media absoluta de los errores
suavizada, respectivamente.
Resulta 1 TSTt 1.
Valores iniciales:
SAD1 = 0
MAD1 = |Y2 - Y1|
Usualmente se toma = 0,1.

Esta seal le da ms peso a los ltimos valores de los errores y adems es un
mtodo simple.
Ing. R. Morn
109
Si los errores se distribuyen normalmente y son independientes, la desviacin
estndar de SAD es
SD SAD t =
S et 1, 25
MAD t
Tomando para SADt un intervalo de k SD SAD t , es decir
k 1, 25
se obtiene
k 1, 25
MAD t SAD t k 1, 25
TST t k 1, 25
MAD t
Como los errores no son independientes, la deduccin anterior se debe considerar

slo como una aproximacin. En la prctica se toman valores empricos para los
lmites de control.
Ing. R. Morn
110
Para fijar los lmites de control Brown propone la expresin:
TST t k 0 ,55
Para k = 2 (intervalo de aproximadamente el 95%) y = 0,1 estos lmites
k 0 ,55
resultan 0,35, que son valores son muy exigentes. Recomienda comenzar con
ellos y luego ajustarlos segn la experiencia.
Makridakis da los siguientes valores de los lmites de control, para intervalos del
95% y errores no independientes, para distintos valores de .
Lmites de control
0,1
0,42
0,2
0,57
0,3
0,69
Cuando TSTt exceda los lmites de control se deber revisar el modelo de

pronsticos y luego poner TST y SAD a cero y recomenzar el control.
Ing. R. Morn
111
Sistemas de Pronsticos
Sistema de informacin basado en computadora
Procesa y valida los datos en tiempo real.

Mantiene una base de datos con la demanda de 24 a 36 meses o ms.
Genera automticamente pronsticos de hasta 12 meses para todos los tems.
Integra los diferentes mtodos para modelar demandas con tendencia y
estacionalidad.
Analiza la demanda histrica y propone el mtodo ms adecuado para cada
tem.
Recolecta datos desde distintos lugares (otros sistemas).
Agrupa los tems con baja demanda para pronsticos agregados.
Permite la operacin interactiva de distintos tipos de usuarios.
Genera informes y grficos para distintos niveles de decisin.
Integra las necesidades de pronsticos de demanda de diferentes reas de la
empresa, como Operaciones, Comercializacin y Finanzas.
Un sistema de pronsticos es considerablemente ms complejo que los

mtodos de pronsticos. Es mucho ms que un paquete de software de
pronsticos.
Ing. R. Morn
112
Sistemas de Pronsticos
Beneficios de un buen sistema de pronsticos
Reduccin de stocks con alto nivel de servicio al cliente.

Mejor manejo de los plazos de entrega.
Reduccin de errores en los pronsticos (siempre de alguna manera
se pronostica).
Reduccin de stocks de materia prima y en proceso.
Incremento de los pedidos despachados contra stocks.
Mejora del nivel de entrega al cliente.
Ing. R. Morn
113

07-Pron Ósticos

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

07-Pron Ósticos

Încărcat de

Drepturi de autor:

Formate disponibile

Pronsticos de Demanda

Ing. Rogelio A. A. Morn

Los pronsticos son necesarios para reducir la incertidumbre sobre el futuro.

Un buen pronstico es una estimacin probabilstica de un

REVISIN DEL PRONSTICO

PERODO A PERODO (horizonte deslizante)

DECISIONES Y FUNCIONES TPICAS

Planeamiento: Objetivos de rentabilidad, calidad,

Planeamiento Gestin de los

Gestin: Operaciones, Finanzas, Comercializacin,

Planificacin y Manejo efectivo Medio a corto: 1

Gestin y Control: Fabricacin y distribucin de

Inmediato: 1 da a 1 Control: Produccin, compras, pedidos, despachos,

Demanda acumulada en el tiempo.

Demanda acumulada por grupos.

Pronstico agregado para el grupo.

Consistencia en los pronsticos

Formas de realizacin de los pronsticos

Precio promedio ponderado: 0,65 40 + 0,20 60 + 0,15 80 = 50

Pronsticos Agregados - Ejemplo

Pronstico agregado (revisin):

Para el mes 9 el pronstico desagregado suma 500 u. con un monto de $ 26.000.

Pronsticos Agregados - Ejemplo

Primer paso: Agregacin hacia arriba. Ejemplo para el mes 9 solamente:

Pronsticos Agregados - Ejemplo

Pronsticos Agregados - Ejemplo

280 30.000 / 26.000 = 323

Todas las fuentes de demanda deben ser utilizados para la

Se deben analizar los efectos de los convenios con los distribuidores

Crecimiento lineal y no lineal

Modelan la relacin entre la demanda y otras variables externas

Regresin simple, mltiple, lineal, no lineal

Son importantes en pronsticos de demanda agregada para grandes

Son ms complicados y caros que los intrnsecos.

Son raramente utilizados en Operaciones, salvo para productos agregados.

Requieren el pronstico de las variables externas.

Cuando no hay datos histricos (o hay pocos), caso de nuevos productos.

Ejemplos de Series de Tiempo

Error medio (ME):

En un buen modelo de pronsticos el ME debe ser prximo a cero.

Desviacin estndar del

Un buen modelo de pronsticos minimiza la SDE.

SSE = et2 = (Yt Ft ) 2

Error cuadrtico medio (MSE):

Error absoluto porcentual

Modelo Multiplicativo - Factores

3. Calcular los componentes estacionales con aleatoriedad.

Trminos estacionales para el modelo aditivo:

Yt PMCt = TCt + St + Rt PMCt = St + Rt

Para el modelo aditivo:

6. Ajustar una curva de tendencia a la demanda desestacionalizada por el mtodo de

donde las sumatorias son todas para i = 1, 2, , N

Para el mtodo aditivo:

8. Pronosticar perodos futuros proyectando la tendencia y aplicando el ndice de

Modelo Multiplicativo - Ejemplo

(COEF. RECTA MN. CUADRADOS)

(COEF. RECTA MN. CUADRADOS)

MTODO DE DESCOMPOSICIN - MODELO MULTIPLICATIVO

MODELO DE DESCOMPOSICIN MULTIPLICATIVO

Modelo Multiplicativo - Ejemplo

(COEF. RECTA MN. CUADRADOS)

(COEF. RECTA MN. CUADRADOS)

MTODO DE DESCOMPOSICIN - MODELO ADITIVO