Documente Academic
Documente Profesional
Documente Cultură
DEMANDA
Y Yˆ t t
DAM t 1
n
Error medio cuadrado :
n
Yt Yˆt
2
EMC t 1
n
5. Fórmulas de medición del error
en el pronóstico
Porcentaje de error medio absoluto :
n Yt Yˆt
Yt
t 1
PEMA
n
Porcentaje medio de error :
n
Y Yˆ t
t 1 Yt
PME
n
6. Modelos de series de tiempo
6.1. Modelos no formales:
• Estas técnicas suponen que los periodos
recientes son los mejores para
pronosticar el futuro.
• El método más sencillo es el método del
último valor:
Pronóstico = último valor
6.1. Método del último valor
t Yt Yt+1 et
1 42
2 52 42 10
3 54 52 2
4 65 54 11
5 51 65 -14
6 64 51 13
6.2. Métodos de promedio
• Promedios simples:
• Se obtiene la media de todos los
valores pertinentes, la cual se
emplea para pronosticar el periodo
siguiente.
Promedios simples:
t Yt Yt+1
1 42
2 52 42
3 54 47.00
4 65 49.33
5 51 53.25
6 64 52.80
Promedio móvil simple:
• Este método no considera la media de
todos los datos, sino solo los más recientes.
• Se puede calcular un promedio móvil de n
periodos.
• El promedio móvil es la media aritmética de
los n periodos más recientes.
Promedio móvil simple:
promedio móvil
t Yt n=3 n=4
1 42
2 52
3 54
4 65 49.33
5 51 57.00 53.25
6 64 56.67 55.5
Promedio móvil doble:
Promedio móvil doble:
Promedio móvil doble:
Mes Yt Mt Mt’ At Bt Ft
m=3
1 1140 p=1,2,3
2 1212
3 1274 F7=1337+41=1378
4 1297 1209 F8=1361+33(1)=1394
F9=1361+33(2)=1427
5 1317 1261
F10=1361+33(3)=1460
6 1370 1296 1255 1337 41
7 1348 1328 1295 1361 33 1378
8 1394
9 1427
10 1460
M4=(1140+1212+1274)/3=1209 A6=2*1296-1255=1337
M5’=(1209+1261+1296)/3=1255 A7=2*1328-1295=1361
B6=(2/(3-1))*(1296-1255)=41
B7=(2/(3-1))*(1328-1295)=33
Promedio móvil ponderado:
• El promedio ponderado suele reaccionar más
rápido ante los cambios de la demanda, con
relación al promedio simple. Sin embargo, la
verdadera utilidad del método dependerá de la
experticia del administrador de operaciones al
pronosticar la demanda, como en todos.
𝑎𝑡 = 2𝐴𝑡 − 𝐴𝑑𝑡
𝛼(𝐴𝑡 − 𝐴𝑑𝑡)
𝑏𝑡 =
1−𝛼
𝐹𝑡+𝑝 = 𝑎𝑡 + 𝑏𝑡𝑝
6.5. Método de suavización
exponencial con ajuste de
tendencia
Llamado método de Holt, es un pronostico que
incluye tendencia.
𝐹𝐼𝑇𝑡 = 𝐹𝑡 + 𝑇𝑡
Pronostico que incluye la tendencia 𝐹𝐼𝑇𝑡
= Pronostico de suavización exponencial 𝐹𝑡
+ Tendencia de suavización exponencial 𝑇𝑡
𝐹𝑡 = 𝐹𝑡−1 + 𝛼(𝐴𝑡−1 − 𝐹𝑡−1 )
Demanda real 𝐴𝑡
𝑇𝑡 = 𝛽(𝐹𝑡 − 𝐹𝑡−1 ) + (1 − β) 𝑇𝑡−1
𝛼 𝑦 𝛽 son parámetros (toman valores entre 0 y 1)
6.6. Descomposición de series de
tiempo
• Las tendencias son movimientos a largo plazo en
una serie de datos a lo largo del tiempo.
• La tendencia puede ser descrita por una recta o
por una curva.
• Las tendencias se dan por varias causas: cambios
en la población, cambios en la productividad,
cambios tecnológicos, etc.
• En este tipo de análisis la variable independiente
es el tiempo.
6.6.1. Tendencia lineal
• El método más empleado para describir una
tendencia lineal es el de mínimos cuadrados, para
encontrar una línea de mejor ajuste para un
conjunto de puntos.
Y´ = a + bX
• Y´ = valor pronosticado en un periodo X
• a = valor de la tendencia cuando X = 0
• b = pendiente de la recta de tendencia
• X = periodo (codificado)
6.6.1. Tendencia lineal: ejemplo
Año Periodo X Demanda (Y)
1994 1 35
1995 2 42
1996 3 48
1997 4 51
1998 5 54
1999 6 60
2000 7 71
2001 8 75
6.6.1. Tendencia lineal: ejemplo
80
75
70
65
60
55
50
45
40
35
30
1994 1995 1996 1997 1998 1999 2000 2001
6.6.1. Tendencia lineal: ejemplo
X Y XY X²
1 35
2 42
3 48
4 51
5 54
6 60
7 71
8 75
Sumas
6.6.1. Tendencia lineal: fórmulas
n xy x y
b
n x x
2 2
a
y
b
x
n n
6.6.1. Tendencia lineal
t Yt Y´t et
1 35
2 42
3 48
4 51
5 54
6 60
7 71
8 75
9
6.6.1. Tendencia lineal
• Se puede calcular el coeficiente de determinación, a fin
de evaluar qué tan correcta es la estimación de la recta
de regresión.
• El coeficiente de determinación r² se calcula como:
n xy x y
2
n x x n y y
2
r 2 2 2 2
6.6.1. Tendencia lineal
• También es posible calcular intervalos de
confianza para la estimación. Para ello es
necesario calcular el error estándar de la
estimación.
Se y 2
a y b xy
n2
6.6.1. Tendencia lineal
Nivel de Z Fórmula
confianza
68% 1 y’ ± Se
95% 2 y’ ± 2Se
99% 3 y’ ± 3Se
7. Aplicación de varios métodos a
datos desestacionalizados
• Los datos muestran alguna tendencia creciente a lo largo
del tiempo, además de una marcada estacionalidad. Se
procederá a desestacionalizar los datos, lo que permite
observar hasta donde las variaciones se deben a efectos
estacionales o bien, a otros factores.
• El proceso de ajuste estacional se realizará a través del
cálculo de factores estacionales:
Factor estacional = Prom. periodo / prom. global
Año Trim. Yt
1 1 13618
2 12930
3 13138
4 16532
2 1 14514
2 14128
3 15568
4 17448
3 1 13984
2 13644
3 15898
4 19300
7. Aplicación de varios métodos a
datos desestacionalizados
20000
19000
18000
17000
16000
15000
14000
13000
12000
11000
10000
1 2 3 4 1 2 3 4 1 2 3 4
Trim estres
7. Aplicación de varios métodos a
datos desestacionalizados
Año Factor
Trim 1 2 3 Suma Prom Estac.
1 13618 14514 13984 42116 14039 0.9323
2 12930 14128 13644 40702 13567 0.9010
3 13138 15568 15898 44604 14868 0.9873
4 16532 17448 19300 53280 17760 1.1794
Total 60234
Prom. 15058.5
Pronostico de demanda trimestral
para el año 4
Si para el año 4 se espera una demanda de 68000 unidades
La demanda promedio por trimestre será de 17000 unidades
Yt
Factor Yt ajustada
Año Trimestre Estacional Demanda Demanda
promedio estacional
1 0.9323 17000 15849
2 0.9010 17000 15317
4
3 0.9873 17000 16784
4 1.1794 17000 20050
Total 68000 68000
7. Aplicación de varios métodos a
datos desestacionalizados
• Se aplican varios métodos de pronóstico para
finalmente seleccionar el mejor pronóstico.
• A. Método de pronóstico del último valor
• B. Promedios móviles
• C. Suavizamiento exponencial
• D. Suavizamiento exponencial con tendencia
Otros métodos: