Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
TEMA: SUAVIZACIÓNLIMA,
EXPONENCIAL
PERÚ SIMPLE
2020
CURSO : MODELOS PARA LA TOMA DE
DECISIONES
LIMA,
PROFESOR: ABEL RODOLFO PERÚAVENDAÑO
ZARATE
2020
INTEGRANTES:
COSI QUEQUE, DURIGHT BRAYAN
GUTIERREZ RAMOS, JAZMIN ISABEL
GUILLERMO VALVERDE, MIGUEL ANGEL
LIMA, PERÚ
2020
LIMA, PERÚ
2020
Tabla de contenido
1. INTRODUCCIÓN............................................................................................2
2. MARCO TEÓRICO..........................................................................................2
3. VENTAJAS Y DESVENTAJAS...........................................................................3
4. APLICACIONES..............................................................................................3
6. CONCLUSIONES............................................................................................7
7. BIBLIOGRAFÍA..............................................................................................8
SUAVIZACIÓN EXPONENCIAL SIMPLE
1. INTRODUCCIÓN
ASDASD
2. MARCO TEÓRICO
La suavización exponencial simple es una técnica útil para suavizar una serie de tiempo, además
es utilizada para conseguir predicciones a corto plazo. Se caracteriza por dar un mayor peso a los
últimos valores de la serie y un menor valor a los primeros. (Aguilera, 2009) Bellas & Martínez
(2005) desarrollaron una metodología de series de tiempo para el área de la salud, cuyo objetivo
es analizar el número de consultas externas realizadas en la institución prestadora de servicios de
salud de la universidad de Antioquia (IPS Universitaria), debido a que la institución ha
incrementado su prestación de servicios como también el número de usuarios en los últimos
años, por lo que es importante saber que tanto ha cambiado el comportamiento de estas
variables en el tiempo. Para este caso de estudio el número de consultas externas no es muy
cambiante, por esto se procedió a estimar el modelo mediante el método de suavización. La
suavización exponencial simple mostró que el pronóstico es muy influenciado por el último mes
de la serie, donde las consultas han incrementado, sin embargo, se llega a la conclusión de no
realizar proyecciones de más de 6 meses ya que se introducirían muchos datos y tienden a
robustecer el modelo. En Venezuela se hizo un estudio por parte de Guerra, Sánchez, & Reyes,
(1997) con el objetivo de predecir mediante modelos de series de tiempo la inflación en dicho
país. Por lo que se eligieron períodos de un mes con el propósito de hacer predicciones a corto
plazo. Mediante la suavización exponencial se obtiene una ecuación que permite describir el
proceso estocástico que ha sufrido la variable en un pasado reciente como un promedio
ponderado. Luego se presentan los resultados mediante un modelo ARIMA, y finalmente se
estima un modelo que combina diversas técnicas de series de tiempo para estimar la inflación.
2.1 FÓRMULA:
El pronóstico del período t ( ) será igual al pronóstico del período anterior, es decir, del
período t-1 ( ) más alfa (α) por el error del período anterior ( ), según se muestra
en la fórmula a continuación:
Para efectos académicos suele proporcionarse el factor de suavización “α”; sin embargo, en la
práctica éste es comúnmente hallado de la forma descrita arriba.
Aplicando esta metodología a 58 series mensuales cada una con 133 observaciones del sector
industrial, se pudo identificar que a medida que los coeficientes de variación aumentan, los
rangos de Alpha que disminuyen el MAPE incrementan también.
3. VENTAJAS Y DESVENTAJAS
Posee una ventaja sobre el modelo de promedio móvil ponderado ya que no requiere de una gran
cantidad de períodos y de ponderaciones.
Su formulación es sencilla, pues solo requiere el pronóstico anterior, la demanda real del periodo
de pronóstico y la constante de suavización.
No requiere de gran volumen de datos históricos.
Su desventaja, al igual que los métodos de promedio móvil, es la respuesta a la tendencia. Aun
cuando un valor de alfa (α) logra responder frente a cambios en el promedio, cambios
sistemáticos de este harán más grande el error de pronóstico. Es tan así, que cuando se está
aplicando un alfa mayor a 0.5 con buenos resultados, optar por el alisado exponencial doble suele
ser mejor idea.
Tiene una desventaja en las series de tiempo que en ocasiones puede cambiar ciertos niveles
llevando un poco más de tiempo en su modelación. Por lo tanto, no es flexible para adaptarse a
nuevas observaciones que se van encontrando en la serie temporal a diferencia del Suavizamiento
Exponencial Lineal (Holt) que involucra tendencias lineales locales que se van desarrollando
dentro de la serie de tiempo, suavizando directamente el nivel y la pendiente y usando diferentes
constantes de suavizamiento para cada una.
4. APLICACIONES
La suavización exponencial es la técnica de pronóstico más común. Es parte integral de casi todos
los programas de pronóstico por computadora, y se usa con mucha frecuencia al ordenar el
inventario en empresas minoristas, compañías mayoristas y agencias de servicios. Las técnicas de
suavización exponencial se generalizaron por seis razones principales:
5. Los requerimientos de almacenamiento en computadora son bajos en virtud del uso limitado
de datos históricos.
6. Es fácil calcular las pruebas de precisión relacionadas con el desempeño del modelo.
En el método de suavización exponencial solo se necesitan tres piezas de datos para pronosticar
el futuro: el pronóstico más reciente, la demanda real que ocurrió durante el periodo de
pronóstico y una constante de suavización alfa ( ). Esta constante de suavización determina el
nivel de uniformidad y la velocidad de reacción ante las diferencias entre los pronósticos y los
hechos reales. El valor de una constante se determina tanto por la naturaleza del producto como
por la idea del gerente de lo que constituye un buen índice de respuesta. Por ejemplo, si una
empresa produjo un artículo estándar con una demanda relativamente estable, el índice de
reacción ante las diferencias entre la demanda real y pronosticada tenderían a ser pequeñas,
quizá de solo 5 o 10 puntos porcentuales. No obstante, si la empresa experimentara un
crecimiento, sería mejor tener un índice de reacción más alto, quizá de 15 o 30 puntos
porcentuales, para dar mayor importancia a la experiencia de crecimiento reciente. Mientras más
rápido sea el crecimiento, más alto deberá ser el índice de reacción. En ocasiones, los usuarios del
promedio móvil simple cambian a la suavización exponencial, pero conservan las proyecciones
similares a las del promedio móvil simple.
Las industrias o rubros, que implementan el método suavización exponencial simples,
sustentando el momento y condición se aplica el método.
N° INDUSTRIA/RUBRO APLICACION
1 Automotriz El pronóstico de ventas de automóviles.
2 Seguros El pronóstico de ventas de seguros.
3 Comercio El pronóstico de las ventas del producto.
4 manufacturera El pronostico de ventas de fabricación de papel
5 alimentos El pronostico de envasados de fruta y verduras
5.1 EJEMPLO 1:
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.
Solución:
Podemos así determinar que el pronóstico de ventas para el período 3 correspondiente a marzo
es equivalente a 144 automóviles.
5.2 EJEMPLO 2:
La siguiente tabla muestra las ventas
semanales de un producto:
La SES nos ayudará a pronosticar la demanda muestra la siguiente gráfica la serie de tiempo
del producto para la semana 17, pues, como es estable.
Antes de aplicar la fórmula debemos decidir qué valor le daremos a la constante de suavizamiento
α. Vamos a considerar que α=0.3 y, que el pronóstico de la semana 1 es igual a la demanda real
observada en la misma semana:
D1 = F1 = 58
Ahora podemos aplicar la fórmula para calcular el pronóstico de ventas de la semana 2:
Ft = αD t -1 + (1- α) Ft-1
Semana 2: Semana 4:
F2 = 0.3D1 + (1- 0.3) F1 F4 = 0.3D3 + (1- 0.3) F3
La siguiente tabla muestra los resultados obtenidos para α=0.3 para todas las semanas:
La siguiente gráfica muestra la serie de tiempo de las ventas del producto y la serie de tiempo
correspondiente al suavizamiento exponencial.
Ambas, tabla y gráfica, muestran que el suavizado exponencial se mantuvo muy cerca de los
valores reales. Los valores que seleccionemos para α y la estimación inicial influirán en la precisión
del pronóstico, un pronóstico impreciso producirá un error más grande. Existen medidas de
precisión que permite seleccionar entre diferentes valores de α, la desviación media absoluta, el
porcentaje de error promedio absoluto y el error cuadrático medio son algunas de ellas. Por
ejemplo, el pronóstico será mejor entre más pequeño sea el valor de la desviación media
absoluta.
El pronóstico de demanda del período 1 es 2869 seguros de carro adquiridos por personas, pero la
demanda para ese periodo fue de 3200. La compañía según su criterio asigna α = 0,35.
Este mismo ejercicio lo realizó a través del año, obteniendo la siguiente tabla comparativa entre lo
realmente obtenido (demanda – segunda columna) y lo pronosticado en ese momento (tercera
columna).
1.
6. CONCLUSIONES
La diferencia entre otros métodos suavización exponencial simple funciona con muy pocos
registros de periodos anteriores, destacando los hechos más recientes sobre los más antiguos
ya que no necesita un gran número de datos históricos de la demanda ya que cada vez que se
calcula el pronóstico, se remueve la observación anterior y es reemplazada por la demanda
más reciente, y es ahí donde radica la ventaja.
7. BIBLIOGRAFÍA