Este documento describe varios métodos de series de tiempo para realizar pronósticos, incluyendo pronósticos empíricos, promedios móviles simples y ponderados, y suavizamiento exponencial. Explica cómo incorporar tendencias y patrones estacionales, y proporciona ejemplos del cálculo de pronósticos, errores de pronóstico y métricas como CFE, MSE, desviación estándar, MAD y MAPE.
2. • Usan información histórica que solo se refiere a la variable
dependiente
• Se basa en la suposición de que el patrón de la variable
dependiente en el pasado habrá de continuar en el futuro
3. • Un método de series de tiempo es el pronóstico empírico:
En el cual el pronóstico de la demanda para el siguiente
periodo es igual a la demanda observada en el periodo
actual; es decir, pronóstico= Dt
4. • Pronostico empírico se puede adoptar para tomar en
cuenta una tendencia de la demanda
5. • Ventajas: Simplicidad y bajo costo.
• Estimación de Promedio: Tiene 2 de 5 patrones posibles
de demanda: Horizontal y aleatorio, o tendencia
estacional o cíclicos.
• Patrón Horizontal: se basa en la media de las demandas
6. Las Técnicas de estadística útiles para el pronóstico de esas
series de tiempo son:
1. Promedios Móviles Simples
2. Promedios Móviles ponderados y
3. Suavizamiento exponencial
7. Método De Promedio
Móvil Simple
• Se usa para estimar el promedio de una serie de tiempo de
demanda, promediando la demanda de los n periodos más
reciente.
8. Error de pronóstico
• Es simplemente la diferencia que se obtiene al restar el
pronóstico de la demanda real en cualquier periodo
determinado, o.
• E1=D1-F1
• E1=error de pronóstico en el periodo t
• D1= demanda real en el periodo t
• F1= pronóstico para el periodo t
9. Suavizamiento
exponencial
• Es un método de promedio móvil ponderado muy
refinado que permite calcular el promedio de una serie de
tiempo, asignando a las demandas recientes la mayor
ponderación que a las demandas anteriores.
10. Inclusión de una
tendencia
• Una tendencia es un incremento o decremento sistemático
en el promedio de la serie a través del tiempo.
• Cuando existe una tendencia significativa, los métodos de
suavizamiento exponencial deben modificarse, de lo
contrario, los pronósticos siempre estarán por arriba o por
debajo de la demanda real.
11. • El método para incorporar una tendencia en un pronóstico
suavizado exponencialmente, se conoce como “método de
suavizamiento exponencial ajustado a la tendencia.
• Ventaja: es capaz de ajustar el pronóstico a los cambios
registrados como tendencia.
12. Patrones estacionales
• Están formados por movimientos ascendentes o
descendentes de la demanda, que se repiten con
regularidad, medidos en periodos de menos de un año.
13. • Existen varios métodos para analizar todos los datos del
pasado, usando un modelo para pronosticar la demanda
de todas las estaciones. Entre ellos, el método estacional
multiplicativo y método estacional aditivo.
14. Método estacional
multiplicativo
• Los factores estacionales se multiplican por una
estimación de la demanda promedio y así se obtiene el
pronóstico estacional.
15. Método estacional
aditivo.
• Los pronósticos estacionales se obtienen sumando una
constante a la estimación de la demanda promedio por
estación.
16. Ejemplo: PROMEDIO MÓVIL
SIMPLE
Promedio de ventas en unidades en el período t.
Sumatoria de datos
Ventas reales en unidades de los períodos anteriores a t
Número de datos
17. • Una compañía presenta en el siguiente tabulado el reporte
de ventas correspondiente al año 2009.
MES
VENTAS REALES
(2009)
Enero 80
Febrero 90
Marzo 85
Abril 70
Mayo 80
Junio 105
Julio 100
Agosto 105
Septiembre 100
Octubre 105
Noviembre 100
Diciembre 150
Al ser un pronóstico con un período móvil de 3
meses, este deberá efectuarse a partir del mes de
abril, es decir que para su cálculo tendrá en
cuenta tres períodos, es decir, Enero, Febrero y
Marzo.
Luego para efectuar la previsión del mes de
Mayo, deberán tenerse en cuenta los últimos tres
períodos que anteceden al mes de Mayo, es decir
Febrero, Marzo y Abril.
18. • De esta manera se efectúan las previsiones restantes
obteniendo el siguiente resultado:
19. Ejemplo: PROMEDIO MOVIL
PONDERADO
Formula
Promedio de ventas en unidades en el
período t
Sumatoria de datos
Factor de ponderación
Ventas o demandas reales en unidades de
los períodos anteriores a t
n Número de datos
20. • Un almacén ha determinado que el mejor pronóstico se
encuentra determinado con 4 datos y utilizando los
siguientes factores de ponderación (40%, 30%, 20% y
10%). Determinar el pronóstico para el período 5.
Ejemplo de aplicación de un pronóstico de Promedio
Móvil Ponderación
En este caso el primer paso consiste
en multiplicar a cada período por su
correspondiente factor de
ponderación, luego efectuar la
sumatoria de los productos.
Podemos así determinar que el
pronóstico de ventas para el
período 5 es equivalente a 97500
unidades.
21. Ejemplo: SUAVIZAMIENTO
EXPONENCIAL
• FORMULA
Promedio de ventas en unidades en el período t
Pronóstico de ventas en unidades del período t
-1
Ventas reales en unidades en el período t - 1
Coeficiente de suavización (entre 0,0 y 1,0)
22. • En Enero un vendedor de vehículos estimó unas ventas de 142
automóviles para el mes siguiente. En Febrero las ventas reales
fueron de 153 automóviles. Utilizando una constante de suavización
exponencial de 0.20 presupueste las ventas del mes de Marzo.
• Podemos así determinar que el pronóstico de ventas para el período 3
correspondiente a Marzo es equivalente a 144 automóviles.
23. Ejemplo Error de
Pronóstico:
• Estas son las fórmulas que se van a usar en el ejemplo de
Medición de error del pronóstico:
Suma Acumulada de Errores de Pronóstico
(CFE):
El error del promedio es simplemente:
Fórmulas para medir la dispersión de los
errores de pronóstico:
Error Cuadrático Medio (MSE):
Desviación estándar:
Desviación Media Absoluta (MAD):
Fórmula para colocar el desempeño del
pronóstico en su perspectiva correcta
Error Porcentual Medio Absoluto (MAPE):
24. • La tabla siguiente muestra las ventas reales de sillones
tapizados que realizó un fabricante de muebles y los
pronósticos correspondientes a cada uno de los últimos 8
meses. Calcule la CFE, MSE, Desviación estándar, MAD
y MAPE para este producto.
25.
26. • Una CFE de -15 indica que el pronóstico tiene una ligera
tendencia a sobrestimar la demanda. Las estadísticas del MSE,
desviación estándar y MAD proporcionan medidas de la
variabilidad del error de pronóstico. Una MAD de 24.4
significa que el error de pronóstico promedio fue de 24.4
unidades en valor absoluto. El valor de σ, 27.4, indica que la
distribución de los errores de pronóstico dentro de la muestra
tiene una desviación estándar de 27.4 unidades. Un MAPE de
10.2% implica que, en promedio, el error de pronóstico fue de
más o menos 10% de la demanda real observada. Estas
medidas se vuelven más confiables a medida que aumenta el
número de periodos de datos.