Formulación y Evaluación de Proyectos SESIÓN 7 y 8 ...Modelos de series de tiempo: Promedio...
Transcript of Formulación y Evaluación de Proyectos SESIÓN 7 y 8 ...Modelos de series de tiempo: Promedio...
Formulación y Evaluación de Proyectos
SESIÓN 7 y 8:
ESTUDIO DE MERCADO Parte 2
INGENIERÍA AGROINDUSTRIAL Y AGRONEGOCIOS E INGENIERÍA
INDUSTRIAL
Elaborado por Gino Sedano Zevallos
Pronóstico
Es la predicción realizada con alguna
técnica cualitativa o cuantitativa con
algún sustento en datos, información o
experiencia. • No depende de la persona que realiza el
pronóstico, es decir puede replicarse por otra
persona.
• Si otra persona utiliza la misma técnica, con los
mismos datos, información o experiencia su
pronóstico sería el mismo.
Componentes de un Pronóstico Por lo general se da una combinación de estos
componentes en todo pronóstico para replicar la realidad.
Variación
aleatoria
Variación
aleatoria Ciclo
Estacionalidad
sin tendencia
Tendencia y
Estacionalidad
Gino Sedano Zevallos, Marzo 2012
Patrones de Demanda V
en
tas
Tiempo
(a) Horizontal: Datos agrupados alrededor de una
línea horizontal.
Patrones de Demanda V
en
tas
Tiempo
(b) Tendencia: Datos que incrementan o disiminuyen
consistentemente.
Patrones de Demanda V
en
tas
| | | | | | | | | | | |
E F M A M J J A S O N D
Meses
(c) Estacionalidad: Datos que muestran picos y valles de
forma consistente.
Año 1
Año 2
Patrones de Demanda V
en
tas
| | | | | |
1 2 3 4 5 6
Tiempo
(d) Aleatorio: Datos que muestran variaciones imprevisibles.
Patrones de Demanda C
an
tida
d
| | | | | |
1 2 3 4 5 6
Años
(e) Cíclico: Datos que muestran un incremento y decrecimiento
gradual durante largos periodos.
Factores que afectan la demanda
Externos: Están fuera del control de la
gerencia como ciertas actividades
económicas, reglamentación del
gobierno, etc.
Internos: Como precios y promociones
publicitarias, diseño, incentivos para el
personal de ventas, etc.
Métodos de Pronósticos
Podemos distinguir entre pronósticos cuantitativos y cualitativos.
Pronósticos cualitativos:
No se basan en modelos matemáticos.
Se basan en la opinión de expertos.
Se basan en la opinión de personas.
Se pueden mencionar los siguientes métodos:
Juicio Experto
Consenso de panel
Método Delphi
Consulta a vendedores
Investigación de mercados
Métodos de Pronósticos Pronósticos cuantitativos:
Los pronósticos cuantitativos son aquellos que emplean modelos matemáticos.
Emplean técnicas estadísticas.
Permite que pueda ser modificado y mejorado en base a nuevos datos.
Los modelos empleados se pueden clasificar en modelos causales y modelos de series de tiempo.
Métodos de Pronósticos
Pronósticos cuantitativos:
Son poco efectivos en entorno de crisis o cambios económicos drásticos.
Su efectividad aumenta a mayor número de datos.
Entre los principales métodos o modelos podemos mencionar:
Modelos de series de tiempo: Promedio Móvil (Simple y Ponderado), Suavización exponencial (con tendencia y con estacionalidad).
Modelos de datos históricos: Extrapolación de tendencias con modelos de regresión.
Modelos causales o modelos econométricos.
Pronósticos Cualitativos Método Delphi: Es un método que busca obtener un consenso acerca de un tema con un grupo de expertos o panel. Se caracteriza por: • Anonimato: Ningún experto conoce la identidad de los
otros que componen el grupo de debate. Con esto se evita que: – Que un miembro del grupo sea influenciado por la reputación
de otro de los miembros o por el peso que supone oponerse a la mayoría. La única influencia posible es la de la congruencia de los argumentos.
– Permite que un miembro pueda cambiar sus opiniones sin que eso suponga una pérdida de imagen.
– El experto puede defender sus argumentos con la tranquilidad que da saber que en caso de que sean erróneos, su equivocación no va a ser conocida por los otros expertos.
Pronósticos Cualitativos
Método Delphi:
• Como se van presentando los resultados obtenidos con los cuestionarios anteriores, se consigue que los expertos vayan conociendo los distintos puntos de vista y puedan ir modificando su opinión si los argumentos presentados les parecen más apropiados que los suyos.
• La información que se presenta a los expertos no es sólo el punto de vista de la mayoría, sino que se presentan todas las opiniones indicando el grado de acuerdo que se ha obtenido.
Pronósticos Cualitativos Procedimiento del Método Delphi: 1. Antes de iniciar un Delphi se realizan una serie de tareas
previas, como son: – Delimitar el contexto y el horizonte temporal en el que se
desea realizar el pronóstico sobre el tema en estudio. – Seleccionar el panel de expertos y conseguir su compromiso
de colaboración. Las personas que sean elegidas no sólo deben ser grandes conocedores del tema sobre el que se realiza el estudio, sino que deben presentar una pluralidad en sus planteamientos. Esta pluralidad debe evitar la aparición de sesgos en la información disponible en el panel.
– Explicar a los expertos en qué consiste el método. Con esto se pretende conseguir la obtención de pronósticos fiables, pues los expertos van a conocer en todo momento cuál es el objetivo de cada una de los procesos que requiere la metodología.
Pronósticos Cualitativos
2. Se entrega el primer cuestionario. Este es abierto. Se pide a los expertos que establezcan cuáles son los eventos y tendencias más importantes que van a suceder en el futuro referentes al área en estudio.
3. Cuando los cuestionarios son devueltos, el coordinador realiza una labor de síntesis y selección, obteniéndose un conjunto manejable de eventos, en el que cada uno está definido de la forma más clara posible. Este conjunto formará el segundo cuestionario.
4. Los expertos reciben el cuestionario con los sucesos y se les pregunta por un dato mas preciso.
Pronósticos Cualitativos
5. Una vez contestados, los cuestionarios son devueltos al coordinador, que realiza un análisis estadístico del pronóstico de cada evento. El análisis se centra en el cálculo de la mediana de los valores pronosticados, el primer cuartil o cuartil inferior (25 %) y tercer cuartil o cuartil superior (75%).
6. El coordinador confecciona el tercer cuestionario que comprende la lista de eventos y los estadísticos calculados para cada evento (si pertenece al cuartil inferior, mediana o cuartil superior).
Pronósticos Cualitativos
7. Los expertos reciben el tercer cuestionario y se les solicita que realicen nuevos pronósticos. Si se reafirman en su pronóstico anterior y éste queda fuera de los márgenes medianos (entre 25% y 75%) entre los cuartiles inferior y superior, deben dar una explicación del motivo por el que creen que su pronóstico es correcto y la del resto del panel no. Estos argumentos retroalimentarán al panel en el siguiente cuestionario.
8. Cuando el coordinador recibe los cuestionarios, realiza un nuevo análisis y sintetiza los argumentos utilizados por los expertos.
Pronósticos Cualitativos
9. Normalmente el cuestionario se habría terminado aquí, pero si hay aún posiciones muy diferentes al de la mayoría entonces se continuaría confrontando las posiciones.
10. Cuando el coordinador recibe los cuestionarios, realiza un nuevo análisis y sintetiza los argumentos utilizados por los expertos.
11. Normalmente el cuestionario se habría terminado aquí y se haría un informe con los pronósticos consensuados por los diferentes expertos.
12. Si hubiera aún posiciones muy diferentes al de la mayoría entonces se continuaría confrontando estas posiciones con nuevos cuestionarios hasta llegar a un consenso.
Pronósticos Cualitativos
Ejemplo: Proyecto de afianzamiento del Oleoducto Nor-Peruano
– Transporte de petróleo de Loreto a Bayobar. – Muchas roturas por deslizamientos (huaicos), inundaciones y por
movimiento del suelo por la construcción. – No se podía arreglar rápidamente por encontrarse en lugares lejanos. – Se quería saber cada cuánto tiempo podrían venir ese tipo de derrumbes y
cuáles los lugares mas vulnerables para realizar las obras de protección. – Como no se tenían datos históricos suficientes y por la incertidumbre del
clima, no se podía realizar un pronóstico cuantitativo o estadístico formal. – Se realizó el Método Delphi, para lo cual se contrató a un grupo de
geólogos expertos. – En base a este estudio se logró un financiamiento del BID, se construyó la
protección, un aeropuerto y se asignó la logística suficiente para minimizar el tiempo de llegada y solucionar el problema en menos de 3 días de producido el desastre.
Pronósticos Cualitativos
Ejemplo : Proyecto de Construcción de puerto
– Se requiere conocer como variarían las mareas y los oleajes en el futuro.
– En este caso probablemente no se tengan estadística confiable.
– Se aplica el método Delphi con expertos, conocedores del mar, pescadores con experiencia de varios años, etc.
– Se pregunta cuántas veces ha habido oleajes fuertes y la frecuencia y severidad que se produciría en los siguientes años.
– En el caso de puertos fluviales el río muchas veces cambia de cauce y para esto se requiere un pronóstico como se daría en esto en el futuro.
Pronósticos Cualitativos
Investigación de Mercado:
• Estudia las características de productos, empresas o consumidores.
• Las etapas de un estudio de investigación de mercado con encuestas son:
1. Selección de la unidad de análisis adecuada y lo que quiero medir de una determinada población.
Elemento a ser encuestado o contado. Por ej. Vehículos, familias, personas, empresas, etc.
2. Cálculo del tamaño de la muestra.
n = σ2Z2/e2
Pronósticos Cualitativos
Investigación de Mercado:
σ: Desviación estándar de los datos de la población o la muestra. Como no se puede saber antes de determinar el tamaño de la muestra se obtiene en base a otros estudios o con pruebas pilotos.
Z: Nivel de confianza deseado. Se obtiene de una tabla de probabilidades de una distribución normal.
Por ej. para 95% de confianza, Z= 1.96.
e2: Nivel de error máximo permitido. Mayor diferencia entre la media de la muestra y la media de la población.
Pronósticos Cualitativos
Investigación de Mercado: 2. Elaboración de cuestionario. Facilitar respuestas breves, simples, específicas y con opciones limitadas.
• Escala nominal: Por ej. el producto que usa, su marca preferida, etc.
• Escala ordinal: Por ej. Que ordene productos o servicios en orden de preferencia.
• Escala de intervalos: Preguntas sobre datos que se tiene sólo una idea aproximada. Por ej. Toma entre 1 y 3 cervezas, 4 y 6, y 7 y 9 por semana.
3. Toma correcta de la encuesta por muestreo. Muestreo probabilístico o no probabilístico.
4. Análisis de los datos recopilados
Pronósticos Cualitativos
Investigación de Mercado: Ejemplo: Una empresa fabricante de aceite comestible
tradicional evalúa un proyecto para colocar un nuevo producto en el mercado, como el aceite combinado de oliva y maíz.
Si la media histórica de consumo anual ha sido 12 litros, la desviación estándar de la muestra (obtenida mediante una prueba piloto) es 3 y el error máximo permitido es de 0,3.
a) Indicar cuál sería la unidad de análisis adecuada. b) Estimar el tamaño de la muestra adecuado a un nivel de
confianza de 95%. c) Elaborar un cuestionario de recopilación de información.
Indicar preguntas con escala nominal, escala ordinal o escala de intervalos.
d) Indicar si el muestreo debe ser probabilístico o no probabilístico. Especificar la forma como se tomaría la muestra.
Pronósticos Cualitativos Investigación de Mercado:
Solución:
a) Asumiendo que el producto es principalmente para consumo personal y no para restaurantes o en uso industrial, la unidad de análisis podría ser la familia debido a que la compra se realiza por lo general por familia.
b) n = 32*1.962/0.32 = 385
c) Escala Nominal: Marca(s) de su preferencia, Atributos que prefiere en un aceite, Tipo de uso que le da, etc.
Escala Ordinal: Ordene los atributos que prefiere, ordene las marcas que prefiere, ordene los tipos de uso que le da.
Escala de intervalos: Consumo de aceite anual entre 1 y 3 litros, 4 y 6 litros, 7 y 9 litros, 10 y 12 litros, 13 y 15 litros, etc.
d) Debe ser probabilístico, y estratificado dependiendo del nicho de mercado elegido. Si no se sabe donde están los consumidores meta (casas), se debe preguntar primero. Asumiendo que todas las familias son consumidoras de aceite y son potenciales clientes del nuevo producto, entonces puede elegirse al azar las manzanas y dentro de cada manzana las casas a las cuales se visitará en cada una de las áreas geográficas en proporción a la población.
Métodos Causales Regresión Lineal
variable
dependie
nte
variable independiente
X
Y
Estimado de
Y dado por la
ecuación de
regresión
Ecuación de
Regresión:
Y = a + bX
Valor
actual
de Y
Valor de X usado
para estimar Y
Desviación,
de error
{
Métodos Causales Ejemplo: Pronóstico con Regresión Lineal
Ventas galletas Publicidad
Mes (Miles de unidades) (Miles de $)
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
Si la cantidad invertida en publicidad en
el mes 6 es de $ 1,750, hallar un pronóstico
de las ventas de galletas para el mes 6 en
base a los datos dados.
Métodos Causales Ejemplo: Pronóstico con Regresión Lineal
Sales Advertising
Month (000 units) (000 $)
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
| | | |
1.0 1.5 2.0 2.5
Publicidad (Miles de dólares)
300 —
250 —
200 —
150 —
100 —
50 Venta
s (
Mile
s d
e u
nid
ades)
Métodos Causales Ejemplo: Pronóstico con Regresión Lineal
Sales Advertising
Month (000 units) (000 $)
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
a = – 8.136
b = 109.229X
r = 0.98
r2 = 0.96
| | | |
1.0 1.5 2.0 2.5
Publicidad (Miles de dólares)
300 —
250 —
200 —
150 —
100 —
50
Y = – 8.136 + 109.229X
Venta
s (
Mile
s d
e u
nid
ades)
Métodos Causales Ejemplo: Pronóstico con Regresión Lineal
Sales Advertising
Month (000 units) (000 $)
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
a = – 8.136
b = 109.229X
r = 0.98
r2 = 0.96
| | | |
1.0 1.5 2.0 2.5
Publicidad (Miles de dólares)
300 —
250 —
200 —
150 —
100 —
50
Y = – 8.136 + 109.229X
Venta
s (
Mile
s d
e u
nid
ades)
Métodos Causales Ejemplo: Pronóstico con Regresión Lineal
Sales Advertising
Month (000 units) (000 $)
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
a = – 8.136
b = 109.229X
r = 0.98
r2 = 0.96
| | | |
1.0 1.5 2.0 2.5
Advertising (thousands of dollars)
300 —
250 —
200 —
150 —
100 —
50
Y = – 8.136 + 109.229X
Venta
s (
Mile
s d
e u
nid
ades)
Pronóstico para el mes 6
X = $1750, Y = – 8.136 + 109.229(1.75)
Métodos Causales Ejemplo: Pronóstico con Regresión Lineal
Sales Advertising
Month (000 units) (000 $)
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
a = – 8.136
b = 109.229X
r = 0.98
r2 = 0.96
| | | |
1.0 1.5 2.0 2.5
Advertising (thousands of dollars)
300 —
250 —
200 —
150 —
100 —
50
Y = – 8.136 + 109.229X
Venta
s (
Mile
s d
e u
nid
ades)
Pronóstico para el mes 6
X = $1750, Y = 183.015, or 183,015 unidades
Métodos Causales Ejemplo: Pronóstico con Regresión Lineal
Sales Advertising
Month (000 units) (000 $)
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
a = – 8.136
b = 109.229X
r = 0.98
r2 = 0.96
| | | |
1.0 1.5 2.0 2.5
Publicidad (Miles de dólares)
300 —
250 —
200 —
150 —
100 —
50
Y = – 8.136 + 109.229X
Venta
s (
Mile
s d
e u
nid
ades)
Sabiendo que el pronóstico para el mes 6 es
183,015 unidades.
¿Cuánto habría que producir para satisfacer la
demanda del mes 6?
Métodos Causales Ejemplo: Pronóstico con Regresión Lineal
Sales Advertising
Month (000 units) (000 $)
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
a = – 8.136
b = 109.229X
r = 0.98
r2 = 0.96
| | | |
1.0 1.5 2.0 2.5
Advertising (thousands of dollars)
300 —
250 —
200 —
150 —
100 —
50
Y = – 8.136 + 109.229X
Venta
s (
Mile
s d
e u
nid
ades)
Depende…
Si el inventario actual es = 62,500 unidades,
Producción = 183,015 – 62,500 = 120,015 unidades
Métodos Causales Ejemplo: Pronóstico con Regresión Lineal (Fórmulas)
Ventas Publicidad
Mes (Miles unidades) (Miles $)
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
Métodos Causales Ejemplo: Pronóstico con Regresión Lineal (Fórmulas)
Ventas Publicidad
Mes (Miles unidades) (Miles $)
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
a = Y – bX b = XY – nXY
X 2 – nX 2
Métodos Causales Ejemplo: Pronóstico con Regresión Lineal (Fórmulas)
Ventas, Y Publicidad, X
Mes (Miles unidades) (Miles $) XY X 2 Y 2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
a = Y – bX b = XY – nXY
X 2 – nX 2
Ventas, Y Publicidad, X
Mes (Miles unidades) (Miles $) XY X 2 Y 2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Métodos Causales Ejemplo: Pronóstico con Regresión Lineal (Fórmulas)
a = Y – bX b = XY – nXY
X 2 – nX 2
Métodos Causales Ejemplo: Pronóstico con Regresión Lineal (Fórmulas)
a = Y – bX b = 1560.8 – 5(1.64)(171)
14.90 – 5(1.64)2
Ventas, Y Publicidad, X
Mes (Miles unidades) (Miles $) XY X 2 Y 2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Métodos Causales Ejemplo: Pronóstico con Regresión Lineal (Fórmulas)
a = Y – bX b = 109.229
Ventas, Y Publicidad, X
Mes (Miles unidades) (Miles $) XY X 2 Y 2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Métodos Causales Ejemplo: Pronóstico con Regresión Lineal (Fórmulas)
a = 171 – 109.229(1.64) b = 109.229
Ventas, Y Publicidad, X
Mes (Miles unidades) (Miles $) XY X 2 Y 2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Métodos Causales Ejemplo: Pronóstico con Regresión Lineal (Fórmulas)
a = – 8.136 b = 109.229
Ventas, Y Publicidad, X
Mes (Miles unidades) (Miles $) XY X 2 Y 2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Métodos Causales Ejemplo: Pronóstico con Regresión Lineal (Fórmulas)
a = – 8.136 b = 109.229
Ventas, Y Publicidad, X
Mes (Miles unidades) (Miles $) XY X 2 Y 2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Y = – 8.136 + 109.229(X)
Pronósticos con Análisis de Regresión • El modelo de regresión permite hacer
predicciones sobre los valores futuros o hipotéticos en base a una relación causal.
• Los pronósticos con análisis de regresión cuya única variable independiente es el tiempo son tan sólo extrapolaciones de los datos hacia el futuro o representación de tendencias.
Gino Sedano Zevallos, Marzo 2012
Pronósticos con Análisis de Regresión • Los pronósticos con análisis de regresión
múltiple forman parte de los modelos causales o econométricos.
• El modelo de regresión permite predecir valores medios.
• Para que estos valores medios sean útiles en la práctica se requiere calcular errores estándar de las predicciones e intervalos de confianza.
Gino Sedano Zevallos, Marzo 2012
Pronósticos con Análisis de Regresión Predicción del valor esperado de y
Cuando se desea conocer la predicción media para ciertas condiciones se denomina predicción del valor esperado de y.
Ym = c0 + c1 * x1 + c2* x2 + c3 * x3 ….
ym : valor esperado que toma la variable dependiente y cuando xm toma ciertos valores.
xi : variable explicativa i. i=1,2,3,…
c0 : coeficiente independiente.
ci : coeficiente i estimado en la regresión asociado a la variable independiente i.
Gino Sedano Zevallos, Marzo 2012
Pronósticos con Análisis de Regresión
Predicción del valor medio de y
Sabemos que:
t(α,T-k) : distribución t student con nivel de significancia α, número de datos T y k grados de libertad.
Intervalo de confianza a un nivel de significancia α:
Límite inferior μy(xm) = ym – t(α,T-k)*SE(ym)
Límite superior μy(xm) = ym + t(α,T-k)*SE(ym)
Aproximación de SE (Standard error):
Gino Sedano Zevallos, Marzo 2012
s = (Ʃe2 /(T-k))1/2
Ejercicio 1:
En un restaurante se tienen los datos de sus clientes mas frecuentes: consumo mensual , edad y salario mensual.
a) Estimar una relación entre el consumo mensual y la edad y el salario mensual, para elaborar una estrategia de marketing adecuada.
b) Con el modelo obtenido predecir el consumo medio para las personas de 40 años y que ganen 5000 soles mensuales.
c) Hallar un intervalo de confianza al 90% del consumo obtenido del nuevo cliente.
Pronósticos con Análisis de Regresión
Gino Sedano Zevallos, Marzo 2012
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 n valores de una serie de datos históricos.
Gino Sedano Zevallos, Marzo 2012
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.
Gino Sedano Zevallos, Marzo 2012
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):
Gino Sedano Zevallos, Marzo 2012
Métodos de Series de Tiempo Promedio Móvil Simple
Semana
450 —
430 —
410 —
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
Dem
anda
Demanda real
Gino Sedano Zevallos, Marzo 2012
Métodos de Series de Tiempo Promedio Móvil Simple
Actual patient
arrivals
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |
0 5 10 15 20 25 30
Dem
anda
Gino Sedano Zevallos, Marzo 2012
Métodos de Series de Tiempo Promedio Móvil Simple
Demanda real
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |
0 5 10 15 20 25 30
Semana Demanda
1 400
2 380
3 411
Dem
anda
Gino Sedano Zevallos, Marzo 2012
Métodos de Series de Tiempo Promedio Móvil Simple
Demanda
Real
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |
0 5 10 15 20 25 30
Semana Demanda
1 400
2 380
3 411
Dem
anda
Gino Sedano Zevallos, Marzo 2012
Métodos de Series de Tiempo Promedio Móvil Simple
Semana
450 —
430 —
410 —
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
Semana Demanda
1 400
2 380
3 411
F4 = 411 + 380 + 400
3
Dem
anda
Gino Sedano Zevallos, Marzo 2012
Métodos de Series de Tiempo Promedio Móvil Simple
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |
0 5 10 15 20 25 30
Semana Demanda
1 400
2 380
3 411
F4 = 397.0 Dem
anda
Gino Sedano Zevallos, Marzo 2012
Métodos de Series de Tiempo Promedio Móvil Simple
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |
0 5 10 15 20 25 30
Semana Demanda
1 400
2 380
3 411
F4 = 397.0 Dem
anda
Gino Sedano Zevallos, Marzo 2012
Métodos de Series de Tiempo Promedio Móvil Simple
Semana
450 —
430 —
410 —
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
Semana Demanda
2 380
3 411
4 415
F5 = 415 + 411 + 380
3
Dem
anda
Gino Sedano Zevallos, Marzo 2012
Métodos de Series de Tiempo Promedio Móvil Simple
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |
0 5 10 15 20 25 30
Semana Demanda
2 380
3 411
4 415
F5 = 402.0 Dem
anda
Gino Sedano Zevallos, Marzo 2012
Métodos de Series de Tiempo Promedios Móviles (PM)
Semana
450 —
430 —
410 —
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
Dem
anda
Demanda Real
Pronóstico PM
3 semanas
Pronóstico PM
6 semanas
Promedio Móvil Simple Ejercicio 2: 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 y/o 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.
Gino Sedano Zevallos, Marzo 2012
Promedio Móvil Simple Ejercicio 2: Se tienen los siguientes datos históricos de las ventas de
su bebida energizante: 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?
Gino Sedano Zevallos, Marzo 2012
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.
Gino Sedano Zevallos, Marzo 2012
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. Usualmente se
asume igual al valor inicial de los datos pero sin considerar el EA ni EPA (que serían iguales a 0) para el cálculo del DMA y EPMA.
• También puede asumirse igual al promedio de todos los datos o al promedio de los 2 primeros periodos.
Gino Sedano Zevallos, Marzo 2012
Métodos de Series de Tiempo Suavización Exponencial Simple
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |
0 5 10 15 20 25 30
Suavización Exponencial
= 0.10
Ft +1 = (1- )Ft + Dt
Dem
anda
Gino Sedano Zevallos, Marzo 2012
Métodos de Series de Tiempo Suavización Exponencial Simple
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |
0 5 10 15 20 25 30
Suavización Exponencial
= 0.10
F4 = 0.90(390) + 0.10(411)
F3 = (400 + 380)/2
D3 = 411
Ft +1 = (1- )Ft + Dt
Dem
anda
Gino Sedano Zevallos, Marzo 2012
Métodos de Series de Tiempo Suavización Exponencial Simple
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |
0 5 10 15 20 25 30
F4 = 392.1
Suavización Exponencial
= 0.10
F3 = (400 + 380)/2
D3 = 411
Ft +1 = (1- )Ft + Dt
Dem
anda
Gino Sedano Zevallos, Marzo 2012
Métodos de Series de Tiempo Suavización Exponencial Simple
Semana
450 —
430 —
410 —
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
F4 = 392.1
D4 = 415
Suavización Exponencial
= 0.10
F4 = 392.1 F5 = 394.4
Ft +1 = (1- )Ft + Dt
Dem
anda
Gino Sedano Zevallos, Marzo 2012
Métodos de Series de Tiempo Suavización Exponencial Simple
Semana
450 —
430 —
410 —
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
Dem
anda
Gino Sedano Zevallos, Marzo 2012
Métodos de Series de Tiempo Suavización Exponencial Simple
450 —
430 —
410 —
390 —
370 —
Dem
anda
Semana
| | | | | |
0 5 10 15 20 25 30
Suavización
Exponencial
= 0.10
Gino Sedano Zevallos, Marzo 2012
Métodos de Series de Tiempo Suavización Exponencial Simple
450 —
430 —
410 —
390 —
370 —
Dem
anda
Semana
| | | | | |
0 5 10 15 20 25 30
Pronóstico PM
3 semanas
Pronóstico PM
6 semanas
Suavización
Exponencial
= 0.10
Gino Sedano Zevallos, Marzo 2012
Suavización Exponencial Simple Ejercicio 3: Del ejercicio anterior se tienen los siguientes datos históricos de las
ventas de su bebida energizante: Hacer un pronóstico de las ventas para Julio mediante el método de
Suavización exponencial. Si consideramos α=0.5 y α=0.1 . ¿Asumiendo que el pronóstico inicial es igual al valor real del primer periodo, cuál de los 2 α`s cree que es mejor? ¿Por qué?
Gino Sedano Zevallos, Marzo 2012
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.
Gino Sedano Zevallos, Marzo 2012
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.
Gino Sedano Zevallos, Marzo 2012
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 β, a T1 y L1.
•Usualmente se asume T1 = 0 y L1=y1
•Otras alternativas son T1 = Promedio de todas las tendencias y L1=Promedio de todos los pronósticos.
Gino Sedano Zevallos, Marzo 2012
Suavización Exponencial con tendencia
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
80 —
70 —
60 —
50 —
40 —
30 —
Dem
and
a
Semana
Demanda
Real
Gino Sedano Zevallos, Marzo 2012
Di
27
44
38
35
55
38
58
62
38
55
50
70
60
75
Suavización Exponencial con tendencia
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
80 —
70 —
60 —
50 —
40 —
30 —
Dem
and
a
Semana
Demanda
Lt = Dt + (1 – )(Lt-1 + Tt-1)
Tt = (Lt – Lt-1) + (1 – )Tt-1
Gino Sedano Zevallos, Marzo 2012
Suavización Exponencial con tendencia
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
80 —
70 —
60 —
50 —
40 —
30 —
Dem
and
a
Semana
L1 = 0.2(27) + 0.80(27 + 2.67) = 29.14
T1 = 0.2(29.14 - 27) + 0.80(2.67) = 0.43
Demanda
L0 = 27 T0 = (17-6-3)/3=2.67
= 0.20 = 0.20
Lt = Dt + (1 – )(Lt-1 + Tt-1)
Tt = (Lt – Lt-1) + (1 – )Tt-1
Gino Sedano Zevallos, Marzo 2012
Suavización Exponencial con tendencia
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
80 —
70 —
60 —
50 —
40 —
30 —
Dem
and
a
Semana
L1 = 29.14
T1 = 0.43
Demanda
L0 = 27 T0 = 2.67
= 0.20 = 0.20
Lt = Dt + (1 – )(Lt-1 + Tt-1)
Tt = (Lt – Lt-1) + (1 – )Tt-1
F2 = 29.14 + 0.43 = 29.57
Gino Sedano Zevallos, Marzo 2012
Suavización Exponencial con tendencia
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
80 —
70 —
60 —
50 —
40 —
30 —
Dem
and
a
Semana
Demanda
L1 = 29.14 D2 = 44 T1 = 0.43
= 0.20 = 0.20
Lt = Dt + (1 – )(Lt-1 + Tt-1)
Tt = (Lt – Lt-1) + (1 – )Tt-1
L2 = 0.2(44) + 0.80(29.14 + 0.43) = 32.45
T2 = 0.2(32.45 - 29.14) + 0.80(0.43) = 1.00
Gino Sedano Zevallos, Marzo 2012
Suavización Exponencial con tendencia
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
80 —
70 —
60 —
50 —
40 —
30 —
Dem
and
a
Semana
Demanda
L1 = 29.14 D2 = 44 T1 = 0.43
= 0.20 = 0.20
Lt = Dt + (1 – )(Lt-1 + Tt-1)
Tt = (Lt – Lt-1) + (1 – )Tt-1
L2 = 32.45
T2 = 1.00 F3 = 32.45 + 1.00 = 33.45
Gino Sedano Zevallos, Marzo 2012
Suavización Exponencial con tendencia
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
80 —
70 —
60 —
50 —
40 —
30 —
Dem
and
a
Semana
Demanda
Real
Pronóstico con
suavización
exponencial con
tendencia
Gino Sedano Zevallos, Marzo 2012
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:
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=Venta inicial de los datos y que k=1, porque queremos predecir las ventas de 1 mes en el futuro. ¿Cuál pronóstico cree que es mejor? ¿Por qué?
Gino Sedano Zevallos, Marzo 2012
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 lígera 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 y L1=Venta inicial de los datos y que k=1, porque queremos predecir las ventas de 1 mes en el futuro. ¿Con estos nuevos datos usted cree que el pronóstico es mejor, igual o peor que el anterior? ¿Por qué?
Gino Sedano Zevallos, Marzo 2012
Factor Estacional El factor estacional (FE) sirve para hacer predicciones con
cualquier método pero considerando el factor estacional.
El patrón de estacionalidad es la repetición de características en picos y depresiones que se repiten en un periodo que sería la duración del patrón de estacionalidad. Por ej. la duración del patrón de estacionalidad climática podría ser 12 meses.
Se calcula relacionando el promedio para el mismo periodo 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 funcionan con estacionalidad.
Gino Sedano Zevallos, Marzo 2012
Factor Estacional
Gino Sedano Zevallos, Marzo 2012
Estacionalidad sin tendencia
Factor Estacional
Periodo
Dem
and
a
| | | | | | | | | | | | | | | |
0 2 4 5 8 10 12 14 16
Estacionalidad con tendencia
Factor Estacional Ajuste por estacionalidad: 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 estaciones identificar la duración del patrón de estacionalidad.
4. Calcular el FE para todos los periodos de una estación. Se usarán los mismos FE correspondientes para todos los periodos siguientes.
Gino Sedano Zevallos, Marzo 2012
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.
Gino Sedano Zevallos, Marzo 2012
Patrones de Estacionalidad
Periodo
Dem
and
a
| | | | | | | | | | | | | | | |
0 2 4 5 8 10 12 14 16
a) Patrón Multiplicativo
Patrones de Estacionalidad
Periodo
| | | | | | | | | | | | | | | |
0 2 4 5 8 10 12 14 16
Dem
and
a
(b) Patrón Aditivo
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.
Gino Sedano Zevallos, Marzo 2012
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.
Gino Sedano Zevallos, Marzo 2012
Suavización exponencial con estacionalidad • Se emplea cuando no se observa una tendencia
considerable en la serie de datos.
• Se obtienen T – s pronósticos, donde s es la duración del patrón 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.
Gino Sedano Zevallos, Marzo 2012
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.
Gino Sedano Zevallos, Marzo 2012
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
el siguiente mes con el método de
Suavización Exponencial con estacionalidad
usando el método aditivo.
Gino Sedano Zevallos, Marzo 2012
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.
Gino Sedano Zevallos, Marzo 2012
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
el siguiente mes con el método de
Suavización Exponencial con estacionalidad
usando el método multiplicativo.
Gino Sedano Zevallos, Marzo 2012
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 la estacionalidad dura 1 año.
• En general se recomienda al menos datos suficientes para cubrir 2 veces la duración de la estacionalidad.
Gino Sedano Zevallos, Marzo 2012
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.
Gino Sedano Zevallos, Marzo 2012
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
el siguiente mes con el método de
Suavización Exponencial con tendencia y estacionalidad usando el método aditivo.
Gino Sedano Zevallos, Marzo 2012
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.
Gino Sedano Zevallos, Marzo 2012
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.
Gino Sedano Zevallos, Marzo 2012
Intervalos de Confianza de Pronósticos de series de tiempo
Por sentido común sabemos que conforme el horizonte del pronóstico sea mayor la incertidumbre sobre el pronóstico sería mayor, por lo tanto el intervalo de confianza debería ser mas amplio.
Un intervalo de confianza aproximado para un pronóstico a k periodos en el futuro con un nivel de confianza determinado sería:
Límite Inferior = ypr – z*SE(yp)
Límite Superior = ypr + z*SE(yp)
Para una confianza de 95% se usarían valores de 1.96 o aproximadamente 2.
SE = s*(k+ 1/T)1/2 s = (Ʃe2 /(T-1))1/2 SSR = Ʃe2
k: periodos futuros de pronóstico ; T. Número de pronósticos
Gino Sedano Zevallos, Marzo 2012
Intervalos de Confianza de Pronósticos de series de tiempo Ejercicio 12:
En una empresa de bebidas se han recopilado 2 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.
Gino Sedano Zevallos, Marzo 2012
Intervalos de Confianza de Pronósticos de series de tiempo Ejercicio 12:
Datos para los pronósticos:
Gino Sedano Zevallos, Marzo 2012
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).
Gino Sedano Zevallos, Marzo 2012
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.
Gino Sedano Zevallos, Marzo 2012
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 =
Gino Sedano Zevallos, Marzo 2012
(ei – e )2
n – 1