Sei sulla pagina 1di 78

PRONÓSTICOS

Parte II

Elaborado por Gino Sedano Zevallos


Modelos de Pronóstico de Series de Tiempo
 Método del Ultimo Valor: Se toma como predicción
del siguiente periodo el último valor de una serie de
datos históricos.
 Método del Promedio general: Se toma como
predicción del siguiente periodo el promedio de los
valores de una serie de datos históricos.
 Método del Promedio Móvil: Es un método
intermedio entre los anteriores. Consiste en tomar
como predicción del siguiente periodo el promedio de
los valores de una porción de los últimos n valores de
una serie de datos históricos.
Promedio Móvil Simple
 Se calcula como:

t: Representa el último periodo de la serie de datos históricos.


n: Número de periodos a considerar para el promedio.
i: Cada periodo utilizado en el promedio.
Precisión de los pronósticos
 Error absoluto (EAt+1): Sirve para medir el error del pronóstico respecto al
valor real.
 Desviación media absoluta (DMA): Es el promedio de los EA de los T-n
pronósticos, donde los primeros n datos sirven para formar el primer
pronóstico.

 Error porcentual absoluto (EPAt+1): Sirve para medir el error porcentual


del pronóstico respecto al valor real.

 Error porcentual medio absoluto (EPMA):


Métodos de Series de Tiempo
Promedio Móvil Simple
450 —

430 —

410 —
Demanda

390 —

370 — Demanda real

| | | | | |
0 5 10 15 20 25 30
Semana
Métodos de Series de Tiempo
Promedio Móvil Simple
450 —

430 —

410 —
Demanda

390 —

370 — Actual patient


arrivals

| | | | | |
0 5 10 15 20 25 30
Semana
Métodos de Series de Tiempo
Promedio Móvil Simple
450 —
Semana Demanda
430 — 1 400
2 380
410 — 3 411
Demanda

390 —

370 — Demanda real

| | | | | |
0 5 10 15 20 25 30
Semana
Métodos de Series de Tiempo
Promedio Móvil Simple
450 —
Semana Demanda
430 — 1 400
2 380
410 — 3 411
Demanda

390 —

370 — Demanda
Real

| | | | | |
0 5 10 15 20 25 30
Semana
Métodos de Series de Tiempo
Promedio Móvil Simple
450 — Semana Demanda
1 400
430 — 2 380
3 411
410 —
Demanda

390 —
411 + 380 + 400
F4 =
370 — 3

| | | | | |
0 5 10 15 20 25 30
Semana
Métodos de Series de Tiempo
Promedio Móvil Simple
450 —
Semana Demanda
430 — 1 400
2 380
410 — 3 411
Demanda

390 —
F4 = 397.0
370 —

| | | | | |
0 5 10 15 20 25 30
Semana
Métodos de Series de Tiempo
Promedio Móvil Simple
450 — Semana Demanda
2 380
430 — 3 411
4 415
410 —
Demanda

390 —
415 + 411 + 380
F5 =
370 — 3

| | | | | |
0 5 10 15 20 25 30
Semana
Métodos de Series de Tiempo
Promedio Móvil Simple
450 — Semana Demanda
2 380
430 — 3 411
4 415
410 —
Demanda

390 —
F5 = 402.0
370 —

| | | | | |
0 5 10 15 20 25 30
Semana
Métodos de Series de Tiempo
Promedios Móviles (PM)

450 — Pronóstico PM Pronóstico PM


3 semanas 6 semanas
430 —

410 —
Demanda

390 —

370 — Demanda Real

| | | | | |
0 5 10 15 20 25 30
Semana
Promedio Móvil Simple
 Ejercicio 1:
Una embotelladora produce diferentes variedades de bebidas, y
habitualmente requiere predecir las ventas que tendrá el siguiente mes
para realizar la programación óptima de producción y compras de
insumos. Si se programa una menor producción se tendría una menor
cantidad de insumos de los necesarios para producir lo suficiente para
abastecer una cierta demanda de pedidos de los mayoristas y minoristas.
Esto generaría quejas, penalidades por incumplimiento o probablemente
busquen a otro proveedor en el futuro.
Por el contrario, si se programa una producción excesiva el exceso de
inventarios de productos terminados generará un costo financiero
excesivo.
Un buen pronóstico le permitirá minimizar los costos totales y maximizar
la disponibilidad del producto cuando sea requerido.
Promedio Móvil Simple
 Ejercicio 1:
Se tienen los siguientes datos históricos de las ventas de su bebida
energizante:

Mes Bebidas
despachadas
por mes (en
miles)
Enero 20
Febrero 25
Marzo 18
Abril 16
Mayo 18
Junio 14
Hacer un pronóstico de las ventas para Julio mediante el método de
Promedio Móvil Simple con n=2 , 3 y 4 periodos. ¿Cuál de los 3
pronósticos le parece el mejor?
Promedio Móvil Ponderado
• Un defecto de los promedios móviles simples es que no distingue entre
datos antiguos y datos nuevos. Les da la misma importancia a todos los
valores dentro del grupo de n valores de la serie de datos.
• Para corregir este problema se usa el promedio móvil ponderado que
consiste en asignar pesos relativos a cada periodo.
• El pronóstico se calcula de la siguiente manera:

αi-t+n : pesos relativos de cada uno de los n periodos.


Se debe cumplir que:
Promedio Móvil Ponderado
 Ejercicio 2:
Del ejercicio anterior se tienen los siguientes datos históricos de las ventas de su
bebida energizante:
Mes Bebidas
despachadas
por mes (en
miles)
Enero 20
Febrero 25
Marzo 18
Abril 16
Mayo 18
Junio 14

Hacer un pronóstico de las ventas para Julio mediante el método de Promedio


Móvil Ponderado con n=3 periodos. Si tenemos dos combinaciones de pesos
relativos, una que tiene una relación proporcional a 1, 2 y 3 y otra que tiene una
relación proporcional a 1, 2 y 9. ¿Cuál de las dos combinaciones de pesos
relativos cree que es la mejor? ¿Por qué?
Suavización Exponencial Simple
• El problema con el promedio móvil ponderado es que se
requiere seleccionar un conjunto de pesos relativos y el
número de periodos a considerar., además que se pierde
información de los datos mas antiguos.
• Para simplificar este proceso se emplea el método de
suavización exponencial simple.
• Este consiste en un proceso iterativo de pronósticos que
utiliza todos los datos de la serie de datos históricos y
asigna un peso crecientemente mayor a los últimos valores
de la serie.
• Tenemos:
Donde α es el único coeficiente que define el pronóstico
del siguiente periodo.
: Es el pronóstico realizado para el periodo anterior a t+1.
Suavización Exponencial Simple
• Si procedemos iterativamente hacia atrás obtenemos lo
siguiente:

• Se observa una sumatoria de todos los datos ponderados


por pesos relativos que decrecen con periodos mas
antiguos y en proporción al valor de α.
• Y al igual que en el promedio móvil ponderado se cumple
que:

• El pronóstico inicial es un parámetro.


• No se considera el EA ni EPA del primer pronóstico para el cálculo del DMA y
EPMA.
• Puede asumirse igual al promedio de todos los datos o al promedio de los
primeros periodos (por ej. los dos primeros periodos).
Métodos de Series de Tiempo
Suavización Exponencial Simple
450 —
Suavización Exponencial
430 —  = 0.10

410 — Ft +1 = (1-  )Ft +  Dt


Demanda

390 —

370 —

| | | | | |
0 5 10 15 20 25 30
Semana
Métodos de Series de Tiempo
Suavización Exponencial Simple
450 —
Suavización Exponencial
430 —  = 0.10

410 — Ft +1 = (1-  )Ft +  Dt


Demanda

390 — F1 = (400 + 380)/2 = 390


D1 = 400
370 —
F2 = 0.90(390) + 0.10(400)

| | | | | |
0 5 10 15 20 25 30
Semana
Métodos de Series de Tiempo
Suavización Exponencial Simple
450 —
Suavización Exponencial
430 —  = 0.10

410 — Ft +1 = (1-  )Ft +  Dt


Demanda

390 — F1 = (400 + 380)/2 = 390


D1 = 400
370 —
F2 = 391
| | | | | |
0 5 10 15 20 25 30
Semana
Métodos de Series de Tiempo
Suavización Exponencial Simple
450 —
Suavización Exponencial
430 —  = 0.10

410 — Ft +1 = (1-  )Ft +  Dt


Demanda

390 — F2 = 391
D2 = 380
370 —
F2 = 391 F3 = 389.9
| | | | | |
0 5 10 15 20 25 30
Semana
Métodos de Series de Tiempo
Suavización Exponencial Simple
450 —

430 —

410 —
Demanda

390 —

370 —

| | | | | |
0 5 10 15 20 25 30
Semana
Métodos de Series de Tiempo
Suavización Exponencial Simple
450 —

430 —

410 —
Demanda

390 —

370 — Suavización
Exponencial
 = 0.10
| | | | | |
0 5 10 15 20 25 30
Semana
Métodos de Series de Tiempo
Suavización Exponencial Simple
450 — Pronóstico PM Pronóstico PM
3 semanas 6 semanas
430 —

410 —
Demanda

390 —

370 — Suavización
Exponencial
 = 0.10
| | | | | |
0 5 10 15 20 25 30
Semana
Suavización Exponencial Simple
 Ejercicio 3:
Del ejercicio anterior se tienen los siguientes datos históricos de las
ventas de su bebida energizante:
Mes Bebidas
despachadas
por mes (en
miles)
Enero 20
Febrero 25
Marzo 18
Abril 16
Mayo 18
Junio 14

Hacer un pronóstico de las ventas para Julio mediante el método de


Suavización exponencial. Si consideramos α=0.5 y α=0.1 . ¿Cuál de los 2
α`s cree que es mejor? ¿Por qué?
Suavización Exponencial con tendencia
• Los modelos antes vistos se basan en los datos de
series históricas, por lo tanto capturan la información
de valores anteriores.
• En el caso de que haya tendencia la información
anterior tenderá a ser menor que la información
última.
• Como la suavización exponencial no es otra cosa que
un tipo especial de Promedio ponderado, el pronóstico
siempre tenderá a ser menor o igual al ultimo valor yt,
en tendencias positivas y mayor o igual en tendencias
negativas, lo cual no es bueno.
• Para el caso de tendencias necesitamos realizar un
ajuste en el modelo de suavización exponencial.
Suavización Exponencial con tendencia
Método Holt:
•Este método permite considerar el efecto de tendencia
y agregarlo al efecto dado por la suavización exponencial
simple.
•Este método permite pronosticar hasta k periodos en el
futuro y requiere asignar dos parámetros α y β.
•Se obtiene de la siguiente manera:

donde Lt es el nivel básico pronosticado y Tt representa


el cambio en los valores por periodo por efecto de la
tendencia.
Suavización Exponencial con tendencia
Método Holt:

• Observamos que el Lt considera todos los valores de los


datos incluyendo un Nivel Lt-1 y una tendencia Tt-1.
• Análogamente a la suavización exponencial simple
tenemos como parámetros aparte de α y L1, a β y T1.
•Usualmente se asume T1 = 0
•Otras alternativas son T1 = Promedio de todas las
tendencias.
Suavización Exponencial con tendencia
80 —

70 —

60 —
Demanda

50 —
Demanda
40 — Real

30 —

| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Suavización Exponencial con tendencia
80 —
Demanda
70 —

60 — Lt =  Dt + (1 – )(Lt-1 + Tt-1)
Tt =  (Lt – Lt-1) + (1 – )Tt-1
Demanda

50 —

40 —

30 —

| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Suavización Exponencial con tendencia
80 —
Demanda
70 —

60 — Lt =  Dt + (1 – )(Lt-1 + Tt-1)
Tt =  (Lt – Lt-1) + (1 – )Tt-1
Demanda

50 —
L1 = (27+45)/2 = 36 T1 = 0
40 — α = 0.20  = 0.20
F2 = 36 + 0 = 36
30 — L2 = 0.2(45) + 0.80(36 + 0) = 37.8
T2 = 0.2(37.8-36) + 0.80(0) = 0.36
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Suavización Exponencial con tendencia
80 —
Demanda
70 —

60 — Lt =  Dt + (1 – )(Lt-1 + Tt-1)
Tt =  (Lt – Lt-1) + (1 – )Tt-1
Demanda

50 —
L1 = 36 T1 = 0 F2 = 36 + 0 = 36
40 —
 = 0.20  = 0.20
30 — L2 = 37.8 F3 = 37.8 + 0.36 = 38.16
T2 = 0.36
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Suavización Exponencial con tendencia
80 —
Demanda
70 —

60 — Lt =  Dt + (1 – )(Lt-1 + Tt-1)
Tt =  (Lt – Lt-1) + (1 – )Tt-1
Demanda

50 —
L2 = 37.8 D2 = 38 T2 = 0.36
40 —  = 0.20  = 0.20

30 — L3 = 0.2(38)+ 0.80(37.8+0.36) = 38.13


T3 = 0.2(38.13-37.8)+ 0.80(0.36) = 0.354
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Suavización Exponencial con tendencia
80 —
Demanda
70 —

60 — Lt =  Dt + (1 – )(Lt-1 + Tt-1)
Tt =  (Lt – Lt-1) + (1 – )Tt-1
Demanda

50 —
L2 = 37.8 D2 = 45 T2 = 0.36
40 —  = 0.20  = 0.20

30 — L3 = 38.13 F4 = 38.13 + 0.354 = 38.48


T3 = 0.354
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Suavización Exponencial con
Pronóstico con tendencia
suavización
80 — exponencial
con tendencia
70 —

60 —
Demanda

50 —
Demanda
40 — Real

30 —

| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Suavización Exponencial con tendencia
 Ejercicio 4:
Suponga que usted cree que hay una ligera tendencia decreciente debido
a un incremento de la inflación. Del ejercicio anterior se tienen los
siguientes datos históricos de las ventas de su bebida energizante:
Mes Bebidas
despachadas
por mes (en
miles)
Enero 20
Febrero 25
Marzo 18
Abril 16
Mayo 18
Junio 14

Hacer un pronóstico de las ventas para Julio mediante el método de


Suavización exponencial con tendencia. Se consideran dos pares de α’s y
β´s diferentes. Uno de ellos con α=0.5 y β=0.5 y otro con α=0.5 y
β=0.1. Se asume que ambos tienen T1=0 y L1=promedio de todos los
datos. ¿Cuál pronóstico cree que es mejor? ¿Por qué?
Suavización Exponencial con tendencia
 Ejercicio 5:
Si en el ejercicio anterior se obtienen datos históricos de la ventas de los últimos
6 meses del año pasado de su bebida energizante
y sigue creyendo que hay una ligera tendencia decreciente.

Hacer un pronóstico de las ventas para Julio mediante el método de Suavización


exponencial con tendencia. Se consideran dos pares de α’s y β´s diferentes. Uno
de ellos con α=0.5 y β=0.5 y otro con α=0.5 y β=0.1. Se asume que
ambos tienen T1=0. ¿Con estos nuevos datos usted cree que el pronóstico es
mejor, igual o peor que el anterior? ¿Por qué?
Factor Estacional
 El factor estacional (FE) sirve para hacer predicciones con cualquier
método pero considerando la estacionalidad.
 El patrón de estacionalidad es la repetición de características en picos y
depresiones que se repiten luego de cierto tiempo que sería la duración
del ciclo de estacionalidad. Por ej. la duración del ciclo de estacionalidad
podría ser 12 meses y cada periodo vendría a ser 1 mes en este caso.
 Se calcula relacionando el promedio de un periodo del ciclo con el
promedio de toda la serie:
FE =Promedio periodo/Promedio Total
• El ajuste por estacionalidad consiste en reducir o eliminar el patrón
estacional para facilitar la aplicación de otros métodos que no incorporan
la estacionalidad.
Factor Estacional

Estacionalidad sin tendencia


Factor Estacional
Estacionalidad con tendencia
Patrón multiplicativo
Demanda

| | | | | | | | | | | | | | | |
0 2 4 5 8 10 12 14 16
Periodo
Factor Estacional
 Ajuste por estacionalidad (patrón multiplicativo):
Valor ajustado por estacionalidad = Valor real/FE
• La nueva serie obtenida con los valores ajustados por estacionalidad
mantendrá un patrón con menos picos y depresiones.
•Procedimiento de pronóstico con Factor de Estacionalidad:
1.Graficar la serie de datos
2. Observar si hay estacionalidad.
3. En caso que haya ciclos de estacionalidad identificar la duración de cada
ciclo.
4. Calcular el FE para todos los periodos de un ciclo. Se usarán los mismos
FE correspondientes para todos los periodos siguientes.
Factor Estacional
5. Obtener una nueva serie de datos con valores ajustados por estacionalidad.
6. Seleccionar el método de pronóstico de series de tiempo mas adecuado para
pronosticar sin estacionalidad.
7. Aplicar este método a la serie de datos ajustada por estacionalidad para obtener
un pronóstico.
8. Multiplicar los valores pronosticados por el factor de estacionalidad
correspondiente al periodo para obtener un pronóstico con estacionalidad
(patrón multiplicativo).
9. Cuando se trata de un patrón de estacionalidad aditivo en vez de dividir se
resta (en el cálculo del FE y cuando se desestacionaliza la serie original) y se
suma en vez de multiplicar (en la reestacionalización).
Patrones de Estacionalidad
(b) Patrón Aditivo
Demanda

| | | | | | | | | | | | | | | |
0 2 4 5 8 10 12 14 16
Periodo
Factor Estacional
Ejercicio 6:
En una empresa de bebidas se han recopilado 2 años de datos de ventas mensuales
de su bebida
energizante. Hallar el pronóstico para
el siguiente mes con el método de
Promedio Móvil de 3 periodos y aplicando
factores estacionales en 2 casos:
a) Si se asume patrón multiplicativo.
b) Si se asume patrón aditivo.
Factor Estacional
Ejercicio 7:
En una empresa de bebidas se han recopilado 2 años de datos de ventas mensuales
de su bebida
energizante. Si asume que hay
tendencia y estacionalidad, hallar el
pronóstico para el siguiente mes con
el método de Suavización Exponencial
con tendencia y aplicando factores
Estacionales en 2 casos:
a) Si se asume patrón multiplicativo.
b) Si se asume patrón aditivo.
Suavización exponencial con estacionalidad (Winters)

• Se emplea cuando no se observa una tendencia considerable en la serie


de datos pero se observa estacionalidad.
• Se obtienen T – s pronósticos, donde s es la duración del ciclo de
estacionalidad.
• El método puede ser con estacionalidad aditiva o con estacionalidad
multiplicativa.
• Consiste en separar el pronóstico en dos factores uno llamado Nivel L y
otro llamado estacionalidad S.
• El método es con estacionalidad aditiva cuando el pronóstico resulta de
la suma de los dos factores.
• El método es con estacionalidad multiplicativa cuando el pronóstico
resulta de la multiplicación de los dos factores.
Suavización exponencial con estacionalidad
• Con estacionalidad aditiva:

t: Periodo actual o último periodo de la serie de datos.


α: Constante exponencial de nivel
s: Duración del patrón de estacionalidad.
S: Factor de estacionalidad exponencial
γ: Constante exponencial de estacionalidad
: Pronóstico
k: Horizonte del pronóstico, si el pronóstico es para el siguiente
periodo k = 1.
Suavización exponencial con estacionalidad
Ejercicio 8:
En una empresa de bebidas se han recopilado 2 años de datos de ventas mensuales
de su bebida
energizante. Si asume que hay estacionalidad
pero no tendencia, hallar el pronóstico para
los siguientes 12 meses con el método de
Suavización Exponencial con estacionalidad
usando el método aditivo.
Suavización exponencial con estacionalidad
• Con estacionalidad multiplicativa:

t: Periodo actual o último periodo de la serie de datos.


α: Constante exponencial de nivel
s: Duración del patrón de estacionalidad.
S: Factor de estacionalidad exponencial
γ: Constante exponencial de estacionalidad
: Pronóstico
k: Horizonte del pronóstico, si el pronóstico es para el siguiente
periodo k = 1.
Suavización exponencial con estacionalidad
Ejercicio 9:
En una empresa de bebidas se han recopilado 2 años de datos de ventas mensuales
de su bebida
energizante. Si asume que hay estacionalidad
pero no tendencia, hallar el pronóstico para
los siguientes 12 meses con el método de
Suavización Exponencial con estacionalidad
usando el método multiplicativo.
Suavización exponencial con tendencia y estacionalidad

Método de Holt-Winters:
• Este método consiste en combinar los métodos de suavización
exponencial con tendencia y suavización exponencial con
estacionalidad y separar el pronóstico en 3 factores de nivel,
tendencia y estacionalidad.
• Es uno de los mas efectivos y populares en la industria.
• Al igual que los otros métodos de suavización exponencial se
emplea para pronosticar a corto y mediano plazo.
• En comparación con otros métodos estadísticos no requiere muchos
datos pero requiere cierta estabilidad de los patrones de la serie.
• Se recomienda al menos 2 años de datos mensuales si el ciclo de
estacionalidad dura 1 año.
• En general se recomienda al menos datos suficientes para cubrir 2
veces la duración del ciclo de estacionalidad.
Suavización exponencial con tendencia y estacionalidad
• Con estacionalidad aditiva:

t: Periodo actual o último periodo de la serie de datos.


α: Constante exponencial de nivel
s: Duración del patrón de estacionalidad.
S: Factor de estacionalidad exponencial
T: Factor de tendencia.
β: Constante exponencial de tendencia
γ: Constante exponencial de estacionalidad
: Pronóstico
k: Horizonte del pronóstico, si el pronóstico es para el siguiente periodo m = 1.
Suavización exponencial con tendencia y estacionalidad
Ejercicio 10:
En una empresa de bebidas se han recopilado 2 años de datos de ventas mensuales
de su bebida
energizante. Si asume que hay estacionalidad
y tendencia, hallar el pronóstico para
los siguientes 12 meses con el método de
Suavización Exponencial con tendencia y estacionalidad usando el
método aditivo.
Suavización exponencial con tendencia y estacionalidad
• Con estacionalidad multiplicativa:

t: Periodo actual o último periodo de la serie de datos.


α: Constante exponencial de nivel
s: Duración del patrón de estacionalidad.
S: Factor de estacionalidad exponencial
T: Factor de tendencia.
β: Constante exponencial de tendencia
γ: Constante exponencial de estacionalidad
: Pronóstico
k: Horizonte del pronóstico, si el pronóstico es para el siguiente periodo k = 1.
Suavización exponencial con tendencia y estacionalidad

Ejercicio 11:
En una empresa de bebidas se han recopilado 2 años de datos de ventas mensuales
de su bebida
energizante. Si asume que hay estacionalidad
y tendencia, hallar el pronóstico para
el siguiente mes con el método de
Suavización Exponencial con tendencia y estacionalidad usando el
método
multiplicativo.
Suavización exponencial con tendencia y estacionalidad

Ejercicio 12:
En una empresa de bebidas se han recopilado 3 años de datos de ventas mensuales
de su bebida
gaseosa. Si asume que hay estacionalidad
y tendencia, hallar el pronóstico para
el siguiente mes con el método de
Suavización Exponencial con tendencia y estacionalidad usando el
método
multiplicativo.
Intervalos de Confianza de Pronósticos de series de
tiempo
 De similar manera que en el caso de Análisis de Regresiones podemos
obtener un intervalo de confianza para:
 Pronóstico de un valor puntual en el siguiente periodo:

Sin embargo por lo general un pronóstico se da en k periodos en el futuro.


Intervalos de Confianza de Pronósticos de series de
tiempo
 Por sentido común sabemos que conforme k sea mayor
la incertidumbre sobre el pronóstico sería mayor, por lo
tanto el SE debería ser mayor.
 Matemáticamente esto se explica mediante la varianza
residual del pronóstico.
• Asumiendo que los errores en cada periodo en el
futuro son idénticamente distribuidos e
independientes, sus varianzas son iguales y la varianza
de la suma de los errores sería igual a la suma de las
varianzas, por lo tanto tenemos:
Var(k errores)=Var(errort+1)+Var(errort+2)+…Var(errort+k)
Intervalos de Confianza de Pronósticos de series de
tiempo
 Var(error )=kVar(errort+1) y See(error)=(kVar(errort+1))1/2 = (k1/2)*s
 Entonces el SE del pronóstico de un valor para k periodos en el
futuro se podría aproximar a:
SE(yp) = s(k+1/T)1/2
Donde: s = (SSR/(T-1))^1/2 . Para series de tiempo se
emplea una sola variable independiente y ninguna
constante.
 Un intervalo de confianza aproximado para un pronóstico puntual
a k periodos en el futuro con un nivel de confianza sería:
Límite Inferior = yp – z*SE(yp)
Límite Superior = yp + z*SE(yp)
 Para un nivel de confianza de 95% z= 1.96.
Intervalos de Confianza de Pronósticos de series de
tiempo
Ejercicio 13:
En una empresa de bebidas se han recopilado 3 años de datos de ventas mensuales
de una de sus bebidas.
Hallar el pronóstico hasta los 12 siguientes meses en el futuro con el método de
Suavización exponencial con tendencia y estacionalidad multiplicativa.
Halle los intervalos de confianza de los 12 pronósticos en el futuro y grafíquelos.
Evaluación y Comparación de Pronósticos
 Un pronóstico nunca es completamente preciso.
 Los pronósticos se desvían siempre de la realidad.
 La diferencia entre los valores reales y el pronóstico se le llama error de
pronóstico.
 Aunque una cierta cantidad de error de pronóstico es inevitable, el
objetivo del pronóstico es de reducir este lo más posible.
 Si el grado del error no es pequeño este puede indicar tanto que la técnica
usada no es conveniente en este caso o que requiere que sus parámetros
sean reajustados (por ej. modificar α).
Evaluación y Comparación de Pronósticos
 Los métodos mas usados son DMA, EPMA, Error Acumulado (E), error
medio (EM), error cuadrado medio (ECM) y desviación estándar (σ).
 De estos hemos visto anteriormente el DMA y EPMA.
 El error o residual (ei) se define como la diferencia entre el valor real del
periodo i y el valor pronosticado del mismo periodo i con el método
empleado. ei = Di - Fi
 El error acumulado (E) se define como la suma de todos los errores:

n es el número de errores calculados que no es necesariamente igual al


número de datos T. Esto dependerá del método elegido.
Evaluación y Comparación de Pronósticos
 Interpretación del error acumulado:
 Si E < 0 y los e en su mayoría son negativos indicaría que los pronósticos tienden a
estar siempre por encima del valor real, lo cual puede mostrar un sesgo del
pronóstico que podría ser corregido agregando un valor constante negativo.
 Si E > 0 y los e en su mayoría son positivos indicaría que los pronósticos
tienden a estar siempre por debajo del valor real, lo cual puede mostrar un
sesgo del pronóstico que podría ser corregido agregando un valor constante.
Evaluación y Comparación de Pronósticos

 Interpretación del error acumulado:


 Si E < 0 o E > 0 y los “e” no son en su mayoría negativos ni positivos indicaría que
por algún motivo algunos pronósticos tienden a estar muy por encima o muy por
debajo del valor real, lo cual puede mostrar que hay una mala medición, se dan
eventuales situaciones raras, desastres, accidentes, o hay factores estacionales o
cíclicos no considerados en el método usado para el pronóstico.
Evaluación y Comparación de Pronósticos

 Error medio (EM):


Se calcula así:
La interpretación de EM es similar a la de E.
 Error cuadrado medio (ECM):
Se calcula así:
Similar como en el caso del DMA y el EPMA, a menor
ECM el pronóstico es mas preciso. Es mas sensible a los
errores grandes.
• Desviación estándar de los errores (σ):
σ = (e – e )2
i
n–1
Evaluación y Comparación de
Pronósticos

Error
Mes, Demanda, Pronóstico, Error, Cuadrado, EA EPA
t Dt Ft Et Et2 |Et| |Et|/Dt
1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3%
3 300 285 15 225 15 5.0%
4 270 290 –20 400 20 7.4%
5 230 250 –20 400 20 8.7%
6 260 240 20 400 20 7.7%
7 210 250 –40 1600 40 19.0%
8 275 240 35 1225 35 12.7%
Total –15 5275 195 81.3%
Evaluación y Comparación de
Pronósticos
Medición de Errores

Error
Mes, Demanda, Pronóstico, Error, Cuadrado, EA EPA
t Dt Ft Et Et2 |Et| |Et|/Dt
1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3%
3 300 285 15 225 15 5.0%
4 270 290 –20 400 20 7.4%
5 230 250 –20 400 20 8.7%
6 260 240 20 400 20 7.7%
7 210 250 –40 1600 40 19.0%
8 275 240 35 1225 35 12.7%
Total –15 5275 195 81.3%
Evaluación y Comparación de
Pronósticos
Medición de Errores

E = – 15
Error
Mes, Demanda, Pronóstico, Error, Cuadrado, EA EPA
t Dt Ft Et Et2 |Et| |Et|/Dt
1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3%
3 300 285 15 225 15 5.0%
4 270 290 –20 400 20 7.4%
5 230 250 –20 400 20 8.7%
6 260 240 20 400 20 7.7%
7 210 250 –40 1600 40 19.0%
8 275 240 35 1225 35 12.7%
Total –15 5275 195 81.3%
Evaluación y Comparación de
Pronósticos
Medición de Errores

E = – 15
Error
– 15
Mes,
EM = – 1.875
= Demanda, Pronóstico, Error, Cuadrado, EA EPA
t 8 Dt Ft Et Et2 |Et| |Et|/Dt
1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3%
3 300 285 15 225 15 5.0%
4 270 290 –20 400 20 7.4%
5 230 250 –20 400 20 8.7%
6 260 240 20 400 20 7.7%
7 210 250 –40 1600 40 19.0%
8 275 240 35 1225 35 12.7%
Total –15 5275 195 81.3%
Evaluación y Comparación de
Pronósticos
Medición de Errores

E = – 15 Error
Mes, Demanda, Pronóstico, Error, Cuadrado, EA EPA
– 15
EM =t =D–t 1.875 Ft Et Et2 |Et| |Et|/Dt
8
1 200 225 -25 625 25 12.5%
2 240
5275 220 20 400 20 8.3%
ECM 3= 300 = 285
659.4 15 225 15 5.0%
4 8 270 290 –20 400 20 7.4%
5 230 250 –20 400 20 8.7%
6 260 240 20 400 20 7.7%
7 210 250 –40 1600 40 19.0%
8 275 240 35 1225 35 12.7%
Total –15 5275 195 81.3%
Evaluación y Comparación de
Pronósticos
Medición de Errores

E = – 15 Error
Mes, Demanda, Pronóstico, Error, Cuadrado, EA EPA
– 15
EM =t –t 1.875 Ft
=D Et Et2 |Et| |Et|/Dt
8
1 200 225 -25 625 25 12.5%
2 5275240 220 20 400 20 8.3%
ECM 3= 300 = 285
659.4 15 225 15 5.0%
4 8 270 290 –20 400 20 7.4%
5 230 250 –20 400 20 8.7%
6 s = 27.4
260 240 20 400 20 7.7%
7 210 250 –40 1600 40 19.0%
8 195275 240 35 1225 35 12.7%
DMA = = 24.4
8 Total –15 5275 195 81.3%
Evaluación y Comparación de
Pronósticos
Medición de Errores

E = – 15 Error
Mes, Demanda, Pronóstico, Error, Cuadrado, EA EPA
– 15
EM =t –t 1.875 Ft
=D Et Et2 |Et| |Et|/Dt
8
1 200 225 -25 625 25 12.5%
2 5275240 220 20 400 20 8.3%
ECM 3= 300 = 285
659.4 15 225 15 5.0%
4 8 270 290 –20 400 20 7.4%
5 230 250 –20 400 20 8.7%
6 s = 27.4
260 240 20 400 20 7.7%
7 210 250 –40 1600 40 19.0%
8 195
275 240 35 1225 35 12.7%
DMA = = 24.4
8 Total –15 5275 195 81.3%

81.3%
EPMA = = 10.2%
8
Evaluación y Comparación de
Pronósticos
Medición de Errores

E = – 15 Error
Mes, Demanda, Pronóstico, Error, Cuadrado, EA EPA
– 15
EM =t –t 1.875 Ft
=D Et Et2 |Et| |Et|/Dt
8
1 200 225 -25 625 25 12.5%
2 5275240 220 20 400 20 8.3%
ECM 3= 300 = 285
659.4 15 225 15 5.0%
4 8 270 290 –20 400 20 7.4%
5 230 250 –20 400 20 8.7%
6 s = 27.4
260 240 20 400 20 7.7%
7 210 250 –40 1600 40 19.0%
8 195
275 240 35 1225 35 12.7%
DMA = = 24.4
8 Total –15 5275 195 81.3%

81.3%
EPMA = = 10.2%
8
Evaluación y Comparación de
Pronósticos
Límites de control

Relación entre la σ y el DMA:


Asumiendo que los errores del pronóstico son
aproximadamente normalmente distribuidos (se da en la
mayoría de casos), la relacíón entre σ y DMA es:
σ = (π/2)1/2 x DMA o aproximadamente 1.25 DMA

Ratio de Control (RC):


Ratio que indica el número de DMA’s equivalentes al error
acumulado de un pronóstico. Un pronóstico perfecto
debería tener un valor RC = 0. RC = E/DMA
Se puede establecer límites de control para detectar en qué
momento un pronóstico debe corregirse o actualizarse.
Evaluación y Comparación de
Pronósticos
Límites de control
Asumiendo que el pronóstico sigue una distribución normal la probabilidad de
que el valor real se encuentre dentro de los límites de control es:

Límites de control Número Probabilidad


(Número de DMA’s) de σ2
± 1.0 ± 0.80 57.62
± 1.5 ± 1.20 76.98
± 2.0 ± 1.60 89.04
± 2.5 ± 2.00 95.44
± 3.0 ± 2.40 98.36
± 3.5 ± 2.80 99.48
± 4.0 ± 3.20 99.86
Evaluación y Comparación de
Pronósticos
Límites de control E
Ratio de control= DMA

Fuera de control
+2.0 —
Límite de control
+1.5 —
+1.0 —
Ratio de control

+0.5 —
0—
–0.5 —
–1.0 —
Límite de control
–1.5 —
| | | | |
0 5 10 15 20 25
Número de observaciones acumuladas