Pronos Ticos

10/02/2016
Temática
1. Generalidades
2. Modelos de Pronósticos.
Pronósticos 3. Series de tiempo
“Estimaciones de la demanda” 3.1 Errores de pronósticos.
3.2 Identificación de la componente.
3.3 Métodos componente de Nivel
3.4 Métodos componente de Tendencia
3.5 Métodos componente estacional
Ing. Andrés A. García L.
Programa de Ingeniería Industrial.
Administración de Operaciones 2.
Semestre A 2016. García, 2016. Ingeniería Industrial. Pronósticos.
Importancia
Anticipar el futuro es una necesidad humana de
tal forma que en la medida de lo posible, se
aprovechen los efectos positivos y se aminoren
1. Generalidades los efectos negativos de los eventos.
Al pronosticar el futuro de una manera proactiva

las organizaciones toman la responsabilidad de
su propio porvenir.
García, 2016. Ingeniería Industrial. Pronósticos. García, 2016. Ingeniería Industrial. Pronósticos.
Concepto Rasgos históricos

Aportante(S) Aportes
Sociedad Antigua Uso de la astrología.
Un pronóstico es una afirmación Issac Asimov Uso de robots en la sociedad.
Da Vinci y Verne Una sociedad avanzada
de naturaleza cualitativa o Naisbit y Toffler Evolución de la tecnología
cuantitativa sobre un evento en Sociedades Agrarias Relaciones estadísticas entre los astros y las
cosechas
el futuro. Comunidad Metereologica Asociación entre las manchas solares y el

cambio climático.
National Bureau of Economic Research Estudios sobre el ciclo económico.
Econometría Uso de modelos matemáticos a nivel macro y
microeconónico.
Cibernética Desarrollo de Software.
1
10/02/2016
Tendencia de uso Aplicaciones

Corto Plazo: Se utilizan para las predicciones de
Los pronósticos de naturaleza producción,planificación, programación.
cuantitativa, apoyados con el Mediano Plazo: Es utilizado para la presupuestación ya que

sentido común, se han convertido se realizan cada año. Sobresalen las fluctuaciones ciclicas
causadas por las condiciones económicas, moda o
en un instrumento importante en novedades pasajeras.
la planeación estratégica de las Largo Plazo: Planificación de recursos, capital, recursos

humanos, tecnología, nuevos productos y servicios.
empresas.
Características
Herramienta
de planeación
2. Modelos de
pronósticos Capacidad de
actualización
Herramienta
explicable
Capacidad de
incorporar Estructura
variables y Robusta
datos
Clasificación Modelos Cuantitativos
Series de
Tiempo
Promedios móviles,
Cuantitativos Suavización, métodos
Series de Tiempo
Análisis de descomposición y
Modelos Causal Box & Jekins.
Cuantitativos
Cualitativos Análisis Causal

Regresión
Modelos econométricos
2
10/02/2016
Modelos Cualitativos Modelos cualitativos

Delphi Delphi.
Un conjunto de expertos realizan juicios
informados y opiniones acerca del conocimiento
individual usando una serie de cuestionarios que
Analogía Investigación
histórica de mercados desarrollan un pronóstico del consenso acerca de
lo que va a ocurrir en el futuro.
Investigación de mercados
Método sistemático y formal, el cual permite
recopilar información acerca de las condiciones
Previsión Panel de actuales del mercado.
Visionaria consenso
Modelos cualitativos Modelos cualitativos

Panel de consenso
Se basa en el supuesto de que varios expertos Analogía histórica
pueden obtener una mejor previsión que una sola
persona. Se favorece la comunicación sin ningún Es un análisis comparativo de la introducción y
tipo de reserva sobre la información. desarrollo de nuevos productos similares. La
previsión se basa en suponer que a productos
Previsión visionaria parecidos comportamientos parecidos.
Se emplea la experiencia personal, el juicio y
cuando es posible, hechos acerca de diferentes
escenarios en el futuro. Se caracteriza por un
trabajo subjetivo e imaginativo.
Metodología
Cálculo del
Identificación del Ajuste del modelo pronóstico par a el
propósito si es necesario periodo de
planeación 3. Series de tiempo
Ajuste de
Recolección y Evaluar la precisión
información
análisis de los datos del modelo
cualitativa
Desarrollo de un
Selección del Monitoreo del
pronóstico para los
modelo modelo
datos
3
10/02/2016
Concepto Componentes de serie de tiempo

Nivel u Horizontal:
Es la componente de largo plazo que representa la fluctuación de la
Cualquier variable que conste variable observada alrededor de un valor central, la cual permanece
constante y no sufre cambios de forma considerable.
de datos reunidos, registrados
Tendencia:
u observados sobre Es la componente de largo plazo que representa el
crecimiento o disminución en la serie de un periodo amplio de
incrementos sucesivos de tiempo.
tiempo, se le denomina serie de Estacional:

Es un patrón de cambio que se repite así mismo año tras año.
tiempo (Hank, 2005) En esta existe la influencia de factores positivos y/o negativos
que alteran el comportamiento de la variable.
Componentes Autocorrelación y correlograma

Ciclo:
La autocorrelación, es la correlación
Es la fluctuación en forma de onda aleatoria alrededor de la que existe entre una variable
tendencia. Se diferencia generalmente de la estación en la
medida que considera periodos superiores al año. desfasada uno o mas periodos y la
misma variable.
Aleatoriedad: El correlograma, es una herramienta
Mide la variabilidad de la serie de tiempo, luego de retirar las
otras componentes. Ella permite identificar cambios en la gráfica, que se emplea para mostrar
variable observada, los cuales no son previsibles. las autocorrelaciones para varios
desfases de una serie de tiempo.
Autocorrelación Correlograma
n 1 Z Limites de la autocorrelación para serie

 (Y  Y )(Y
t t 1 Y) n estacionaria (El valor promedio no
cambia a través del tiempo)
r1: Coeficiente de autocorrelación
de primer orden
r 1  t 1
n
2
rk: Coeficiente de autocorrelación  (Y  Y )
t Z: Valor normal estándar para un nivel
de confianza dado.
de orden k. t 1
Yt : Valor de la variable observada nk n: Número de observaciones en la
serie de datos.
en el periodo t esimo.  (Y  Y )(Y t tk Y )
rK  t 1
n
2
 (Y  Y )
t 1
t
Z Z
 
n n
4
10/02/2016
Nivel, Horizontal o estacionaria
3.1 componentes e
Identificación
El correlograma de una serie
estacionaria, muestra que sus
autocorrelaciones permanecen
dentro de los limites.
Tendencia Estacionalidad
Las diferencias están altamente

Se presentará un coeficiente de
correlacionadas y es típico que los
autocorrelación significativo en el
coeficientes de autocorrelación sean
periodo de desfasamiento
diferentes de cero de manera
correspondiente: dos en datos
significativa para varios de los
semestrales, doce en datos mensuales,
primeros periodos de desfasamiento
cuatro en trimestrales…….
y caigan gradualmente hacia cero al
incrementarse el número de periodos.
Errores de pronóstico
Nombre Fórmula
Residual “e” et = Dt - Ft
3.2 Errores de Promedio de Error “BIAS”

e
t
t
t to
BIASt 
pronósticos Desviación Absoluta Media “MAD”
t  to  1
t
Mean Absolute Deviation | e |

t  to
t
MADt 
t  to  1
Error Medio Cuadrado “MSE” t
2
Mean Square Error  (e )
t  to
t
MSEt 
t  to  1
to: Periodo de tiempo en el cual empieza la ocurrencia de error.
5
10/02/2016
Errores de pronóstico
Nombre Fórmula
Porcentaje de Error Medio “MPE”
Mean Percent Error e
t
t
3.3 Métodos
D t  to
componente de nivel
t
MPE t
t  to  1
Porcentaje de Error Medio Absoluto “MAPE”
e
t
t
Mean Absolute Percent Error
MAPE 
Dt
t t o t
t  to  1
to: Periodo de tiempo en el cual empieza la ocurrencia de error.
Métodos Nomenclatura
Dt = Demanda en el periodo t-esimo.
Método WinQsb Sigla At = Promedio de la demanda en el periodo
Promedio Simple Simple Average SA t-esimo.
Promedio Móvil Moving Average MA Ft = Pronóstico de la demanda en el periodo
Simple t-esimo.
Promedio Móvil Weighted Moving WMA
α = Constante de atenuación para el
Ponderado Average
promedio α ϵ [0,1]
Suavización Single Exponential SES
Exponencial Simple Smoothing n = Número de periodos en el promedio.
ω = Peso ponderado. ω ϵ [0,1]
Ejemplo Correlograma y serie de tiempo

La serie de tiempo mostrada tiene un t Dt
t Dt 1 200
comportamiento de nivel.
1 200 2 220
1. Dibuje el correlograma que afirme el supuesto
2 220 3 210
de la existencia de componente de nivel.
3 210 4 198
2. Halle los pronósticos y los errores de cada uno
4 198 5 197
de los métodos de nivel.
5 197 6 187
3. Elabore una gráfica comparativa de los
6 187 7 215
pronósticos de los métodos.
7 215 8 213
4. Elabore una cuadro comparativo de los errores.
8 213 9 210
5. Elija el mejor modelo y determine cual es el
9 210 pronóstico de la demanda estimada para los 10 220
10 220 periodos 13 y 14. 11 186
11 186 12 179
12 179
6
10/02/2016
Promedio Simple “SA” Gráfica

t
 Dt
1
A t t
F A t 1 t
Tabla final Promedio móvil simple

t
 Dt
t  n 1
At  n
F t 1
 A t
Gráfica(n=3) Tabla final
7
10/02/2016
Promedio móvil ponderado Tabla final

i  1,2,.....n
n
  1
i 1
i
At    D
t  n 1
i t
F t 1
 A t
Gráfica Suavización Exponencial Simple
A0  D1
A    D  (1   )  A
t
t
t 1
F A t 1 t
Tabla Final Gráfica
8
10/02/2016
Comparación de resultados
3.4 Métodos
componente de
Error
SA MA
Método
WMA SES
Tendencia
BIAS -2,32 -5,22 -4,74 -2,03 SES, es el mejor modelo, se
DAM 13,52 15,59 14,83 12,97 esperan vender 186,6 unidades.
EMC 234,18 300,56 277,41 245,79
PEM -1,66% -3,15% -2,89% -1,48%
PEMA 6,82% 7,98% 7,58% 6,52%
Métodos Nomenclatura Adicional

Método WinQsb Sigla β = Constante de atenuación para la
Suavización Single Exponential SEST tendencia β ϵ [0,1]
Exponencial Simple con Smoothing with linear
ajuste a Tendencia Trend Tt = Valor de la componente de tendencia.
Suavización Double Exponential DEST A’t = Promedio doble en el periodo t-ésimo.
Exponencial Doble con Smoothing with linear
ajuste a Tendencia Trend at = Intersección de la tendencia con el eje
Promedio Móvil Doble vertical en el periodo t-esimo.
Regresión Lineal Linear Regresion with LR bt = Pendiente de la tendencia en el período
time t-esimo.
Ejemplo de Tendencia Correlograma y Serie de tiempo

t Dt
La serie de tiempo mostrada tiene un 1 3245
t Dt 3408
comportamiento de tendencia. 2
1 3245
3 3610
2 3408 1. Dibuje el correlograma y muestre el supuesto 4 3715
3 3610
4 3715
de la existencia de componente de tendencia. 5 4025
5 4025 2. Halle los pronósticos y los errores de cada uno 6 4134
6 4134 7 4279
de los métodos de tendencia.
7 4279 8 4486
8 4486 3. Elabore una gráfica comparativa de los 9 4865
9 4865 pronósticos de los métodos. 10 5480
10 5480
11 5970
4. Elabore una cuadro comparativo de los errores. 11 5970
12 6310
12 6310 5. Elija el mejor modelo y determine cual es el
6680 13 6680
13 pronóstico de la demanda estimada para los 14 7150
14 7150
periodos 15 a 18.
9
10/02/2016
Suavización exponencial simple Resultados SEST (α=0.4 y β=0.7)

con ajuste a tendencia “SEST”
A0  D1
T0  0
A    D  (1   )  ( A  T
t
t t 1 )
t 1
T    ( A  A )  (1   ) T
t t t 1 t 1
F  A Tt 1 t t
Si se va pronosticar a partir de dos periodos (P≥2), después de la ultima
demanda conocida (t).
F  A  P T
t P t t
P  2,3,......
Gráfica Suavización exponencial doble con

ajuste a tendencia “DEST”
A0  A'0  D1 Si se va pronosticar a partir de dos
periodos (P≥2), después de la ultima
At    Dt  (1   )  At  1 demanda conocida (t).
'
A' t    At  (1   )  A t 1
F  a  P b
tP t t
a  2 A A'
t t t P  2,3,......
b   A
t t A' t 
1 
F t 1  at  bt
Resultados DEST (α=0.6) Gráfica
10
10/02/2016
Resultados LR Gráfica LR
(Ft=300.04t+2560.91)
Promedio Móvil Doble Promedio Móvil Doble (n=3)

t
Si se va pronosticar a partir de dos periodos (P≥2),
 Dt
t  n 1
después de la ultima demanda conocida (t).
At 
n
A
t
t n1
F  a  P b
tP t t
A' t  2 n 1
n
P  2,3,......
a  2 A  A'
t t t
b  2 ( A  A' )
t t t
n 1
F t 1  at  bt
Gráfica Comparación de resultados
DEST, es el mejor modelo, tiene

los menores errores absolutos.
11
10/02/2016
Métodos
Método WinQsb Sigla
Winters Multiplicativo Holt-Winters HWM
3.4 Métodos Multiplicative Algorithm
Winters Aditivo Holt-Winters HWA
componente Additive Algorithm
estacional Regresión Lineal con

ajuste estacional
Nomenclatura Adicional Correlograma y serie de tiempo

γ = Constante de atenuación para el Marca de diferencias significativas
promedio γ ϵ [0,1] cada cuatro periodos, existencia de
estacionalidad trimestral
St = Valor de la componente estacional.

Ii = Índice estacional.
Ī = índice estacional promedio.
c = Longitud del ciclo estacional. Número de
ciclos en un año.
Winters Multiplicativo Resultados (α= 0.3, β=0.4, γ=0.7)

Dt c
At    (1   )  ( At  1  Tt  1)  Dt
St  c A0  1
c
Tt   ( At  At  1)  (1   )  Tt  1
D1
S1  c 
Dt A0
St    (1   )  St  c
At .
Ft  1  ( At  Tt )  St  1  c .
F  ( At  PT t )  St  P  c Dc
t P
Supuestos S0 
P  1,2...c A0
F t  P  ( At  PT t )  St  P  2 c
T0  0
P  c  1,....2c
12
10/02/2016
Gráfica Winters Aditivo

c
At    ( Dt  St  c)  (1   )  ( At  1  Tt  1)  Dt
1
Tt    ( At  At  1)  (1   )  Tt  1 A0 
c
St    ( Dt  At )  (1   )  St  c
S 1  c  D1  A0
Ft  1  At  Tt  St  1  c
.
F t P  At  PTt  St  P  c
.
P  1,2...c
Supuestos S 0  Dc  A0
F t P  At  PTt  St  P  2c T0  0
P  c  1,....2c
Resultados (α= 0.3, β=0.4, γ=0.7) Gráfica
Regresión Lineal con ajuste Resultados

estacional Año
Penidente
t
10,6996992 Intersecto
Dt Yt
165,12316
Ii Ī Ft et BIAS |et| MAD et^2 MSE et/Dt MPE |et|/Dt MAPE
1 150,00 175,82 0,8531 0,6317
1. Hallar la ecuación de regresión. 2007

2
3
4
255,00
275,00
248,00
186,52
197,22
207,92
1,3671
1,3944
1,1928
1,0444
1,2066
1,1350
5 141,00 218,62 0,6449 0,6317 138,09 2,91 2,91 2,91 2,91 8,44 8,44 0,0206 0,0206 0,0206 0,0206
6 246,00 229,32 1,0727 1,0444 239,51 6,49 4,70 6,49 4,70 42,08 25,26 0,0264 0,0235 0,0264 0,0235
2. Hallar los valores Yt = a + bt 2008

7
8
9
267,00
260,00
140,50
240,02
250,72
261,42
1,1124
1,0370
0,5374
1,2066
1,1350
0,6317
289,60
284,57
165,13
-22,60
-24,57
-24,63
-4,40
-9,44
-12,48
22,60
24,57
24,63
10,66
14,14
16,24
510,77
603,58
606,57
187,10
291,22
354,29
-0,0846
-0,0945
-0,1753
-0,0126
-0,0330
-0,0615
0,0846
0,0945
0,1753
0,0439
0,0565
0,0803
10 256,00 272,12 0,9408 1,0444 284,21 -28,21 -15,10 28,21 18,23 796,02 427,91 -0,1102 -0,0696 0,1102 0,0853
2009
3. Hallar el índice estacional “Ii = Dt/Yt” 11

12
13
298,80
287,00
175,00
282,82
293,52
304,22
1,0565
0,9778
0,5752
1,2066
1,1350
0,6317
341,24
333,14
192,16
-42,44
-46,14
-17,16
-19,01
-22,40
-21,82
42,44
46,14
17,16
21,69
24,75
23,91
1801,13
2129,32
294,56
624,08
812,24
754,72
-0,1420
-0,1608
-0,0981
-0,0800
-0,0901
-0,0910
0,1420
0,1608
0,0981
0,0934
0,1018
0,1014
14 300,00 314,92 0,9526 1,0444 328,91 -28,91 -22,53 28,91 24,41 836,06 762,85 -0,0964 -0,0915 0,0964 0,1009
2010
4. Hallar los índices estacionales promedio

15 393,50 325,62 1,2085 1,2066 392,88 0,62 -20,42 0,62 22,24 0,39 693,54 0,0016 -0,0830 0,0016 0,0919
16 404,30 336,32 1,2021 1,1350 381,72 22,58 -16,84 22,58 22,27 509,81 678,23 0,0558 -0,0715 0,0558 0,0889
17 190,00 347,02 0,5475 0,6317 219,20 -29,20 -17,79 29,20 22,80 852,47 691,63 -0,1537 -0,0778 0,1537 0,0938
18 318,00 357,72 0,8890 1,0444 373,62 -55,62 -20,49 55,62 25,15 3093,10 863,16 -0,1749 -0,0847 0,1749 0,0996
2011
por periodo. Ī. 19
20
21
464,60
479,70
368,42
379,12
389,82
1,2611
1,2653
1,2066
1,1350
0,6317
444,52
430,30
246,23
20,08
49,40
-17,79
-13,59
-13,59
20,08
49,40
24,81
26,35
26,35
403,27
2440,59
832,50
933,01
933,01
0,0432
0,1030
-0,0762
-0,0650
-6,50%
0,0432
0,1030
0,0959
0,0963
9,63%
22 400,52 1,0444 418,32
2012
23 411,22 1,2066 496,16
5. Obtener el pronóstico ajustado. 24 421,92 1,1350 478,87
Ft= Yt x Ī
13
10/02/2016
Gráfica Comparación de resultados
HWM, es el mejor modelo, tiene los

menores errores absolutos.
14

Pronos Ticos

Încărcat de

Informații document

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

Pronos Ticos

Încărcat de

Drepturi de autor:

Formate disponibile

10/02/2016

Al pronosticar el futuro de una manera proactiva

Concepto Rasgos históricos

el futuro. Comunidad Metereologica Asociación entre las manchas solares y el

Tendencia de uso Aplicaciones

cuantitativa, apoyados con el Mediano Plazo: Es utilizado para la presupuestación ya que

la planeación estratégica de las Largo Plazo: Planificación de recursos, capital, recursos

Clasificación Modelos Cuantitativos

Cualitativos Análisis Causal

Modelos Cualitativos Modelos cualitativos

Modelos cualitativos Modelos cualitativos

Concepto Componentes de serie de tiempo

tiempo, se le denomina serie de Estacional:

Componentes Autocorrelación y correlograma

Nivel, Horizontal o estacionaria

Las diferencias están altamente

3.2 Errores de Promedio de Error “BIAS”

Mean Absolute Deviation | e |

to: Periodo de tiempo en el cual empieza la ocurrencia de error.

Ejemplo Correlograma y serie de tiempo

Promedio Simple “SA” Gráfica

Tabla final Promedio móvil simple

Gráfica(n=3) Tabla final

Promedio móvil ponderado Tabla final

Gráfica Suavización Exponencial Simple

Tabla Final Gráfica

Métodos Nomenclatura Adicional

Ejemplo de Tendencia Correlograma y Serie de tiempo

Suavización exponencial simple Resultados SEST (α=0.4 y β=0.7)

Gráfica Suavización exponencial doble con

Resultados DEST (α=0.6) Gráfica

Promedio Móvil Doble Promedio Móvil Doble (n=3)

Gráfica Comparación de resultados

DEST, es el mejor modelo, tiene

estacional Regresión Lineal con

Nomenclatura Adicional Correlograma y serie de tiempo

St = Valor de la componente estacional.

Winters Multiplicativo Resultados (α= 0.3, β=0.4, γ=0.7)

Gráfica Winters Aditivo

Resultados (α= 0.3, β=0.4, γ=0.7) Gráfica

Regresión Lineal con ajuste Resultados

1. Hallar la ecuación de regresión. 2007

2. Hallar los valores Yt = a + bt 2008

3. Hallar el índice estacional “Ii = Dt/Yt” 11

4. Hallar los índices estacionales promedio

5. Obtener el pronóstico ajustado. 24 421,92 1,1350 478,87

Gráfica Comparación de resultados

HWM, es el mejor modelo, tiene los

S-ar putea să vă placă și