Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
e t como:
e t=Dt F t
Donde
Dt
Ft
es la
MAD=
1
|e |
n t =1 t
Donde n es la cantidad de datos disponibles desde el inicio del clculo del pronstico.
Error cuadrtico medio (MSE): Al igual que la MAD, es una medida de dispersin del
error de pronstico, sin embargo esta medida maximiza el error al elevar al cuadrado,
castigando aquellos periodos donde la diferencia fue ms alta a comparacin de otros. En
consecuencia, se recomienda el uso del MSE para periodos con desviaciones pequeas.
MSE=
1
(e )2
n t=! t
Donde n es la cantidad de datos disponibles desde el inicio del clculo del pronstico.
MAPE=
||
n
et
1
n t =! Dt
Donde n es la cantidad de datos disponibles desde el inicio del clculo del pronstico.
Seal de Rastreo (Tracking Signal o TS): es una medida de desempeo que permite
medir la desviacin del pronstico respecto a variaciones en la demanda. Anlogamente
se puede interpretar como el nmero de MAD (Desviacin Media Absoluta) que el
pronstico est sobre o bajo la demanda real.
n
et
TS= t=1
MAD
Para que una seal de rastreo sea un indicador eficiente de error en el pronstico debe
compararse con lmites preestablecidos de control. S la seal de rastreo excede los
lmites de control ser un
indicador de que algo anda
mal con el pronstico.
Usualmente se considera
como lmites aceptables una
Seal de Rastreo que vara
en el rango de [-4,4] MAD,
siempre y cuando los errores
se comporten siguiendo una
distribucin
normal.
La
siguiente tabla nos indica el
porcentaje del rea de una
distribucin normal de media
cero cubierta en el rango
# de MADs.
Pronsticos
Periodos mensuales
5
6
7
8
9
Mayo
Junio
Julio
Agosto
Septiembre
Periodos
mensuales
100
120
130
120
140
Demand
a
5
6
Mayo
Junio
Julio
Agosto
Deman
da
Septiembr
e
Tenemos que
n
Suavizaci
n
exponenci
al
110
107
110,9
116,63
117,641
SUAVIZACION EXPONENCIAL
2
Pronostic
|e t|
(et )
o
||
110
10
100
120
107
13
169
130
110,9
19,1
364,81
120
116,63
3,37
11,3569
140
117,641
22,359
499,924881
TOTAL
67,829
1145,091781
1
67,829
MAD= |e t|=
=13,565
n t =1
5
106
114
122
130
138
et
Dt
100
n=5
Regre
sin
Lineal
0,1
0,10833333
3
0,14692307
7
0,02808333
3
0,15970714
3
0,54304688
6
et
-10
13
19,1
3,37
22,359
47,829
MSE=
1
=229,018
( e ) 2= 1145,091
n t=! t
5
MAPE=
||
n
e t 0,5430
1
=
=0,1086=10,86
n t =! Dt
5
et
TS= t=1 =
MAD
47,829
=3,526
5
Regresin Lineal
Periodos mensuales
5
6
7
8
9
Mayo
Junio
Julio
Agosto
Septiembre
Tenemos que
n=5
1
32
MAD= |e t|= =6,4
n t =1
5
n
MSE=
1
2 240
et ) =
=40
(
n t=!
5
Demand
a
100
120
130
120
140
Pronostico
|e t|
(et )
106
114
122
130
138
TOTAL
6
6
8
10
2
32
36
36
64
100
4
240
||
et
Dt
0,06
0,05
0,06153
0,0833
0,0143
0,2691
et
-6
6
8
-10
2
0
||
n
e t 0,2691
1
=
=0,0538=5,38
n t =! Dt
5
MAPE=
et
0
TS= t=1 =
=0
MAD 6,4
Para ambos metodos de pronosticos la seal de rastreo nos indica que estan dentro de
los limites comumente aceptables, por lo que ambos son pronosticos consistentes, sin
embargo, el metodo de suavizacion esta entregando predicciones sobreestimadas.
Partiendo de la premisa que buscamos los menores errores posibles, la regresion lineal
resulta mas eficaz para explicar el comportamiento del pronostico de venta ( para este
problema ) segun lo demuestran la MAD, MSE y MAPE, la dispercion de los errores es
siginificativamente menor a los arrojados por la suavizacion exponencial.
En este ejercicio hallamos los indicadores para el mes de septiembre, de igual forma
podemos aplicar estos modelos mes a mes, y asi obtener un fundamento mas acertado a
la hora de tomar desiciones. Es importante utilizar una tcnica de estimacin del error
comn, y no utilizar medidas propias, ya que en general las medidas propias hacen que
se pierda objetividad en el anlisis.
La mayora de los criterios de seleccin del modelo intentan determinar que ste tenga el
mnimo error cuadrtico medio una etapa fuera de la muestra. Los criterios que
examinaremos ahora se apegan a este mtodo general; las diferencias entre ellos
equivalen a asignar distintas penalizaciones a los grados de libertad usados en la
estimacin del modelo (esto es la cantidad de parmetros estimados). Debido a que todos
los criterios son en realidad estimadores del error de prediccin Cuadrtico promedio
fuera de la muestra, y tienen orientacin negativa, entonces cuanto ms pequeo es
mejor.
La idea es que si se desea obtener un estimador exacto de la varianza del error de
prediccin a un paso fuera de la muestra, se necesita penalizar la varianza de los
Residuales dentro de la muestra (el ECM) para reflejar la cantidad de grados de libertad
usada. Hay dos criterios de este tipo muy importantes, que son el criterio de informacin
de Akaike (CIA) y el criterio de informacin de Schwarz (CIS). Sus ecuaciones son:
N
( )
( )
e2t
CIA=Ln
t =!
2k
N
k ln ( N)
N
e2t
CIS=Ln
t =!
Donde:
k =Los grados de libertad usados en el ajuste del modelo , que son simplemente la cantidad de
parametro s .
Aunque el criterio Akaike penaliza los grados de libertad sigue siendo inconsistente, pues
este criterio tiende a seleccionar modelos que son demasiados grandres o
sobreparametrizados, pero es Un criterio de seleccin de modelo asintticamente
eficiente, es decir, elige, a medida que aumenta el tamao de la muestra, una serie de
modelos cuyas varianzas del error de pronstico a un paso tienden a la que se obtendra
con el modelo verdadero, con parmetros conocidos. Sin embargo, el de Schwarz, que
penaliza con maxima intesidad los grados de libertad, si es consistente pero no es
asintticamente eficiente.
En la practica de los pronosticos se regitran y examinan los criterios de Akaike y de
Schwarz. Con mucha frecuencia es el mismo modelo el que selecciona con ambos. Pero
cuando no es asi y a pesar de la propiedad terica de eficiencia asinttica del criterio de
Akaike, muchos autores recomiendan usar el modelo de Schwarz.