Documente Academic
Documente Profesional
Documente Cultură
Código: 760033M
DATOS
H IS T O R IC O S P o sib le m o d ific a c ió n d e l
M o d e lo o su s p a rá m e tro s
S e le c c ió n e in ic ia liz a c ió n
d e l m o d e lo
M ODELO
M A T E M A T IC O
D e m a n d a re a l o b se rv a d a
IN T E R V E N C IO N P ro n ó stic o
HUM ANA e sta d ístic o
CALCU LO DE
P R O N O S T IC O ERRORES DE
DE DEM ANDA P R O N O S T IC O
Error cuadrático e = ( x t − xˆ t )
2
t
2
xt MAD = t =1
n
∑ ( xt − xˆ t )
n
100 * ∑
ECM = t =1 t =1 xt
MAPE =
n n
PARÁMETROS INDICADORES
ERROR
N PROM.
MAD ECM MAPE MAPE'
8 5,78 13,38 267,31 22% 24%
PERÍODO DEMANDA ESTIMADOR PRONÓSTICO e lel e2 lel/xt lel/x't
1 31
DATOS DE INICIO
2 26
Medición de errores del
3 34
4 26
pronóstico en Excel
5 33
6 31
7 38
8 26
9 56
10 30
11 42
12 41 37,1
13 35 37,4 37,1 -2,13 2,13 4,52 0,06 0,06
14 41 38,6 37,4 3,63 3,63 13,14 0,09 0,10
15 58 41,1 38,6 19,38 19,38 375,39 0,33 0,50
16 49 44,0 41,1 7,88 7,88 62,02 0,16 0,19
17 54 43,8 44,0 10,00 10,00 100,00 0,19 0,23
18 56 47,0 43,8 12,25 12,25 150,06 0,22 0,28
19 80 51,8 47,0 33,00 33,00 1089,00 0,41 0,70
20 46 52,4 51,8 -5,75 5,75 33,06 0,13 0,11
21 33 52,1 52,4 -19,38 19,38 375,39 0,59 0,37
SIMULACIÓN
∑ e(t ) Y (T )
YˆT : t =1
=
T T
Donde Y(T), es la suma de los errores de los pronósticos, o el Error acumulado
Y (T ) : Y (T − 1) + e(t )
Pronóstico del Error
El pronóstico del error se puede obtener a partir de los
últimos N datos históricos, como un promedio simple.
T
1
ˆe(T ) = ∑ e (t )
N t =T − N +1
donde :
n
∑ t t
( x − x ) 2
σˆ ε = t =1
Con base en residuos de la R.L.
n−2
n:Número de datos que se toman para inicializar el pronóstico
cτ = 1 +
α
( 1 + β) 3
1 + 4 β[(
+ 5 β 2
+ 2 )
α( 1 + 3 β) τ + 2 α τ
2 2
] 2
∑ t t
( x − ˆ
x ) 2
A partir del ECMS se puede obtener la desviación estándar de los errores del
pronóstico para cada período.
σˆ 1 (T ) = ECMS (T )
Cálculo del Inventario de Seguridad
Inventario de seguridad para el sistema de Revisión
Continua (s, Q)
Inventario de seguridad SS = kσ L
σ L = σ1 L
Inventario de seguridad para el sistema de Revisión
Periódica (R, S)
Inventario de seguridad SS = kσ R + L
σ R+ L = σ 1 R + L
σˆ 1 se obtiene como se mostró así :
σˆ 1 (T ) = ECMS (T ) ≈ 1.25 MAD suavizada
Inventario de Seguridad Dinámico
Inventario de seguridad para el sistema de Revisión
Continua (s, Q)
Inventario de seguridad SS = kσ L
σ L = σ1 L
Inventario de seguridad para el sistema de Revisión
Periódica (R, S)
Inventario de seguridad SS = kσ R + L
σ R+ L = σ 1 R + L
Señales de rastreo
esté utilizando.
Señales de rastreo
La señal de rastreo en función del error suavizado y la MAD :
Q(T )
Señal de Rastreo =
MAD(T )
La señal de rastreo siempre está entre -1 y 1.
Los valores máximos aceptables dependen de la aplicación y
pueden variar de 0.4 a 0.6.
Cuando dos o más señales de rastreo sucesivas sobrepasan el valor
máximo, entonces deben recalcularse los parámetros del modelo y/o
revisarse el modelo que se está utilizando.
PERÍODO DEMANDA PRONÓSTICO e lel e2 lel/xt lel/x't Y(T) T MAD(T) ECM(T) 1 5 Q(T)/MAD(T) Y(T)/MAD8T)
13 35 42,7 -7,73 7,73 59,71 0,22 0,18 -7,7273 -1,1591 7,9852 60,6283 94 0,14515547 -0,967703126
14 41 39,4 1,64 1,64 2,70 0,04 0,04 -6,0839 -0,7387 7,0339 51,9391 88 0,10502340 -0,864942459
15 58 40,9 17,09 17,09 291,97 0,29 0,42 11,0031 1,9351 8,5419 87,9434 89 0,22654803 1,288142353
16 49 51,9 -2,88 2,88 8,31 0,06 0,06 8,1198 1,2124 7,6931 75,9990 111 0,15759186 1,055464764
17 54 52,4 1,59 1,59 2,53 0,03 0,03 9,7104 1,2691 6,7777 64,9786 110 0,18724712 1,432697278
18 56 55,4 0,64 0,64 0,41 0,01 0,01 10,3502 1,1747 5,8570 55,2932 113 0,20056319 1,767136815
19 80 57,9 22,12 22,12 489,13 0,28 0,38 32,4664 4,3159 8,2959 120,3684 115 0,52024834 3,913543293
20 46 73,4 -27,35 27,35 748,06 0,59 0,37 5,1156 -0,4341 11,1541 214,5227 148 0,03891576 0,458631108
21 33 61,1 -28,13 28,13 791,19 0,85 0,46 -23,0124 -4,5882 13,7002 301,0221 134 0,33489710 -1,679709142
SIMULACIÓN
22 56 46,0 10,02 10,02 100,45 0,18 0,22 -12,9897 -2,3965 13,1486 270,9368 114 0,18226608 -0,987918425
23 35 51,2 -16,19 16,19 261,97 0,46 0,32 -29,1753 -4,4649 13,6041 269,5921 122 0,32820133 -2,144590487
24 85 41,6 43,43 43,43 1886,09 0,51 1,04 14,2538 2,7192 18,0779 512,0666 107 0,15041635 0,788468219
25 61 66,3 -5,27 5,27 27,76 0,09 0,08 8,9855 1,5211 16,1564 439,4198 160 0,09414699 0,556157107
26 53 65,7 -12,66 12,66 160,17 0,24 0,19 -3,6704 -0,6055 15,6314 397,5326 155 0,03873413 -0,234808935
27 65 60,1 4,86 4,86 23,65 0,07 0,08 1,1928 0,2148 14,0161 341,4504 144 0,01532761 0,085103612
28 36 64,0 -27,99 27,99 783,45 0,78 0,44 -26,7973 -4,0159 16,1122 407,7498 146 0,24924590 -1,663164192
29 61 48,6 12,43 12,43 154,53 0,20 0,26 -14,3664 -1,5489 15,5600 369,7663 125 0,09954304 -0,923290519
30 66 54,9 11,12 11,12 123,62 0,17 0,20 -3,2481 0,3512 14,8938 332,8441 135 0,02358008 -0,218081628
31 63 61,5 1,47 1,47 2,17 0,02 0,02 -1,7735 0,5197 12,8809 283,2436 144 0,04034700 -0,137682005
32 73 63,4 9,62 9,62 92,48 0,13 0,15 7,8430 1,8842 12,3912 254,6284 142 0,15206028 0,632944322
33 76 70,3 5,74 5,74 32,95 0,08 0,08 13,5834 2,4626 11,3936 221,3771 153 0,21614295 1,192194914
34 94 75,7 18,32 18,32 335,79 0,19 0,24 31,9080 4,8419 12,4333 238,5390 159 0,38943441 2,566341507
35 66 89,2 -23,16 23,16 536,31 0,35 0,26 8,7496 0,6419 14,0420 283,2050 185 0,04571180 0,623099163
36 88 79,4 8,60 8,60 73,95 0,10 0,11 17,3488 1,8355 13,2256 251,8161 173 0,13878240 1,311755673
37 67 86,6 -19,61 19,61 384,69 0,29 0,23 -2,2648 -1,3819 14,1838 271,7472 183 0,09742597 -0,159672541
38 100 77,7 22,33 22,33 498,52 0,22 0,29 20,0627 2,1745 15,4053 305,7625 170 0,14115434 1,302321259
39 59 92,1 -33,13 33,13 1097,66 0,56 0,36 -13,0682 -3,1213 18,0642 424,5468 198 0,17278872 -0,723432387
40 66 75,3 -9,32 9,32 86,93 0,14 0,12 -22,3920 -4,0517 16,7531 373,9046 176 0,24184490 -1,336584782
Métodos Auto-Adaptivos
Qué hacer cuando se considera que el
sistema de pronósticos está fuera de control?
La alternativa es corregir los parámetros que optimizan los modelos.
Se sugieren dos técnicas a seguir:
1. Recalcular la constante de suavización Alfa
2. Hacer que la constante de suavización tome los valores
obtenidos en la señal de rastreo del período
20 39
21 52
22 53
23 66
24 41
25 36
26 36
27 31
28 70
29 68
30 81
31 67
32 54
33 89
34 58
35 95
36 83
37 63
38 109
39 230
Eliminación de Outliers
Cuando el dato atípico será utilizado para realizar la
regresión en la inicialización de un modelo.
1 4 21 3 41 3 61 10 81 2 101 4
2 2 22 11 42 14 62 2 82 2 102 4
3 3 23 8 43 6 63 8 83 2 103 7
4 11 24 7 44 7 64 7 84 8 104 1
5 3 25 2 45 7 65 2 85 3 105 1
6 2 26 8 46 7 66 7 86 3 106 10
7 5 27 1 47 9 67 9 87 1 107 3
8 6 28 2 48 3 68 4 88 4 108 7
9 2 29 5 49 5 69 3 89 4 109 63
10 1 30 4 50 3 70 2 90 3 110 1
11 2 31 1 51 2 71 7 91 1 111 1
12 2 32 2 52 1 72 3 92 5 112 6
13 1 33 10 53 3 73 1 93 5 113 7
14 11 34 4 54 5 74 2 94 1 114 4
15 5 35 1 55 2 75 4 95 4 115 2
16 7 36 2 56 7 76 1 96 3 116 2
17 2 37 3 57 6 77 4 97 2 117 3
18 7 38 7 58 2 78 1 98 4 118 5
19 3 39 9 59 2 79 7 99 2 119 7
20 4 40 3 60 6 80 3 100 7 120 2
PRONÓSTICOS FUTUROS
Pronósticos Futuros - Notación
[
Varianza del pronóstico τ períodos futuros : Var Xˆ T + τ (T ) ]
L
Pronóstico acumulado L Períodos : X̂ L (T) = ∑X T+τ (T)
τ =1
c1 = 1 +
α
(1 + β) 3
[(
1 + 4β + 5β 2
+ 2 α()
1 + 3β) τ + 2α τ
2 2
]
αL2
Factor PL = L +
2 * (1 + β ) 3
[5(1 + 2β + β 2
) + 4 L(1 − β 2 ) + α 2 L2 ]
Pronósticos Futuros – Ejemplo en Excel
Alfa Beta MAD(T) C1
0,3 0,7 16,7531 1,657643
e2
[2]
PERÍODO DEMANDA St St PRONÓSTICO e lel lel/xt
40 66 72,3 74,1 75,3 -9,32 9,32 86,93 0,14
PRONÓSTICO PRONÓSTICO HORIZONTE INVENTARIO
FACTOR PL
FUTURO ACUMULADO L MÁXIMO
41 Tao 1 69,8
42 2 69,1
43 3 68,3
44 4 67,6 275 4 15,748 401
45 5 66,8
46 6 66,1
47 7 65,3
48 8 64,6 538 8 79,380 822
49 9 63,8
50 10 63,1
51 11 62,3
52 12 61,6 788 12 240,134 1282
Pronósticos Futuros - Notación
Dada la siguiente información, calcule el pronóstico futuro para las
próximas cuatro semanas y el acumulado, utilizando las técnicas de
promedio móvil, suavización exponencial simple y suavización
exponencial doble a partir de la última fila de la hoja de cálculo:
Método de Croston
χt = ytzt
yt = 1 Si existe la transacci ón
0 Sí la transacci ón no ourre
zt Es el tamaño de la transacción
Prob(y = 1) = 1 Prob(y = 0) = 1 - 1
n n
Modelo de Croston (1)
χt = 0 (Demanda no ocurre)
1.El tamaño estimado de la transacció n no se actualiza.
2. nˆt = n̂ t −1
χt = 1 (Transacción ocurre)
1 .z t = αχ t + (1 − α ) z t−1
2. nˆ t = α n t + (1 − α ) nˆ t- 1
nt = Número de períodos desde la última transacción
nˆt = Valor estimado de n al final del período t
z t = Valor estimado del promedio del tamaño de la transacción
al final del período t
1 Silver, et. al. Pag 128.
ẑ t
Pr onóstico =
nˆt
Pronósticos de Ítems sin historia
• El principal problema radica en que no se dispone de información
histórica
• Las proyecciones se hacen con base en estudios de mercado, con
métodos causales y/o con base en el análisis del comportamiento de
la demanda e ítem semejantes que ya se encuentren en su etapa de
madurez.
• Proyecciones de demanda suelen ser exageradas en algunos casos y
cortas en otros
• Mientras la historia se obtiene se pueden hacer pronósticos con
promedio móvil progresivo
• El pronóstico se utiliza hasta tener un tamaño de N = 6, a partir de ahí,
se puede aplicar otros sistema de pronósticos
• Como la MAD y el ECM no son confiables para pocos datos, Vidal
sugiere asumir el proceso de demanda como Poisson y calcular la
desviación a partir de la raíz cuadrada del pronóstico estadístico del
ítem
Pronósticos de Ítems sin historia
Ejemplo