Modelos de Pronósticos

MAESTRA EN ADMINISTRACIN
La Universidad
que siembra
APURE
ADMINISTRACIN DE LA
PRODUCCIN Y
UNIDAD 1
OPERACIONES
S1
Serie cronolgica
Modelos de Pronsticos
Prof. Alexis J. Gonzlez
Objetivos
Aprender a ajustar una curva a partir de datos
histricos de produccin.
Conocer los conceptos bsicos de series de tiempo, y
aplicarlos en la modelacin.
Al observar una serie de tiempo en un grfico,
aprender a detectar las componentes esenciales de la
serie.
Aprender a construir los modelos de serie de tiempo,
mediante las componentes: tendencia, estacional y un
trmino de error aleatorio.
Ajustar el modelo adecuado para la serie que se est
analizando.
Predecir los datos de una serie de tiempo, de acuerdo
con el modelo ms adecuado.
Serie
Cronolgica
Series de tiempo
Una secuencia de observaciones sobre intervalos de tiempo
con separacin regular. Por ejemplo:
Tasas mensuales de desempleo durante los ltimos cinco
aos
Produccin diaria en una planta de manufactura durante
un mes
Poblacin dcada por dcada de un estado en el ltimo
siglo
Grfica de series de tiempo de Ventas
360
340
320
Ventas
300
280
260
240
220
200
ene
feb
mar
abr
may
jun
Mes
jul
ago
sep
oct
Resumen

360
340
320
Ventas
300
280
260
240
220
200
ene
feb
mar
abr
may
jun
Mes
jul
ago
sep
oct
Grfica de series de tiempo de VentasB

240
220
VentasB
200
180
160
140
120
100
Trimestre Q1
Ao 2012
Q2
Q3
Q4
Q1
2013
Q2
Q3
Q4
Q1
2014
Q2
Q3
Q4
Grfica de series de tiempo de hotel

45000
40000
hotel
35000
30000
25000
20000
ene
mar
may
jul
Mes
sep
nov
ene

1600
Ventas
1400
1200
1000
800
600
ene
jul
ene
jul
ene
jul
Mes
ene
jul
ene
jul
Grfica de series de tiempo de Comercio; Alimentos; Metales

Variable
Comercio
Alimentos
Metales
400
Datos
300
200
100
0
feb
ago
feb
ago
feb
ago
Mes
feb
ago
feb
ago
Qu modelo aplicar?
Anlisis de tendencia
Ajusta un modelo de tendencia
general a los datos de las series
de tiempo. Elija entre los
modelos lineal, cuadrtico,
crecimiento o decadencia
exponencial y curva S. Utilice
este procedimiento para ajustar
la tendencia cuando sus series no
incluyan un componente
estacional.
Longitud: largo
Perfil: extensin de la lnea de
tendencia
Promedio mvil
Descomposicin
Suaviza sus datos utilizando la

frmula de pronstico de ARIMA
ptimo (0,1,1) de un paso
adelante. Este procedimiento
funciona mejor sin un componente
de tendencia o estacional. El
componente dinmico individual
en un modelo de promedio mvil
es el nivel
Longitud: corto
Perfil: lnea plana
Separa las series de tiempo en

componentes de tendencia lineal y
estacional, as como error. Elija si el
componente estacional es aditivo o
multiplicativo con la tendencia.
Utilice este procedimiento para
pronosticar
cuando
hay
un
componente estacional en sus series Longitud: largo
o si usted desea simplemente Perfil: tendencia con
examinar la naturaleza de las partes patrn de estacin
integrales
Suavizacin exponenc
ial simple
Suaviza sus datos utilizando la frmula
de pronstico de ARIMA ptimo (0,1,1)
de un paso adelante. Este
procedimiento funciona mejor sin un
componente de tendencia o estacional.
El componente dinmico individual en
un modelo de promedio mvil es el
nivel.
Longitud: corto
Perfil: lnea plana
Mtodo de Winters
Suavizacin exponenci
al doble
Suaviza sus datos utilizando la frmula de
pronstico de ARIMA ptimo (0,2,2) un
paso adelante. Este procedimiento puede
funcionar mejor cuando la tendencia est
presente, pero tambin puede servir como
un mtodo de suavizacin general. La
suavizacin exponencial doble calcula las
estimaciones dinmicas para dos
componentes: nivel y tendencia.
Suaviza sus datos mediante la suavizacin

exponencial de Holt-Winters. Utilice este
procedimiento cuando la tendencia y
estacionalidad estn presentes, y estos dos
componentes sean aditivos o
multiplicativos. El Mtodo de Winters
calcula estimados dinmicos para tres
componentes: nivel, tendencia y estacional.
Longitud: de corta a
mediana
Perfil: tendencia con patrn
de estacin
Longitud: corto
Perfil: lnea recta con
pendiente igual al ltimo
clculo de tendencia
Suavizacin exponencial
La herramienta de anlisis Suavizacin exponencial
predice un valor que est basado en el pronstico del
perodo anterior, ajustado al error en ese pronstico
anterior. La herramienta utiliza la constante de
suavizacin , cuya magnitud determina la exactitud
con la que los pronsticos responden a los errores en el
pronstico anterior.
Pt Pt 1 (Yt 1 Pt 1 )
Pt Yt 1 (1 ) Pt 1
13
Suavizacin exponencial
0 1
Nota : Los valores de 0,2 a 0,3 son constantes de
suavizacin adecuadas. Estos valores indican que
el pronstico actual debe ajustarse entre un 20%
y un 30% del error en el pronstico anterior. Las
constantes mayores generan una respuesta ms
rpida, pero pueden producir proyecciones
errneas. Las constantes ms pequeas pueden
dar como resultado retrasos prolongados en los
valores pronosticados.
14
Cmo usar los modelos de pronsticos?

Descomposicin
T
Si
Si
Tendencia Lineal
Componente Estacional
Variacin Cclica
Pronsticos de largo
Error
Recorrido aleatorio con

tendencia
Mtodo de Holt-Winters
(Suavizacin exponencial)
Datos
15
alcance
Examinar la naturaleza de
las partes integrales
Multiplicativo y Aditivo
Nivel
Tendencia
Componente Estacional
ARIMA (Box-Jenkins)
C
E
Promedio Simple
T
No
No
Promedio Mvil
Suavizacin exponencial simple= ARIMA (0,1,1). Lnea plana

Suavizacin exponencial doble
Si
Pronsticos de Corto
Plazo
MEDIDAS DE EXACTITUD
MAPE
MAD
MSD
Largo alcance: Anlisis de Tendencia (lineal, cuadrtica, crecimiento o

decadencia exponencial, curva S)
Recorrido aleatorio con tendencia
CRITERIOS DE INFORMACIN
Corto Plazo: Suavizacin exponencial doble (Holt, Brown)
AIC
SBIC
ARIMA: Promedio movil integrado autorregresivo (Box-Jenkins): Utilizado
HQC
para modelar patrones que pudieran no estar visibles en los datos graficados.
Medidas de exactitud
MAPE= Error porcentual absoluto medio
Y Y / Y
n
MAPE
t 1
MAD= Desviacin absoluta media
*100
Yt 0
MSD= Desviacin cuadrtica media
MAD
Y
t t
t 1
MSD
Y
t t
t 1
Criterios de seleccin de Modelos

Criterio de informacin de Akaike (AIC) y Criterio bayesiano
de informacin (SBIC): Son criterios que se utilizan en la
seleccin de modelos para elegir el mejor entre un conjunto
de modelos admisibles. Un modelo es mejor que otro si tiene
un valor AIC (o SBIC) menor. El AIC se basa en la distancia
de Kullback-Leibler en la teora de la informacin y el SBIC
se basa en una verosimilitud integrada en la teora bayesiana.
Si no aumenta la complejidad del modelo verdadero con el
tamao del conjunto de datos, es preferible el criterio SBIC, y
en caso contrario el AIC. [18]. Tambin se tiene el criterio de
Hannan-Quinn (HQC)
17
Mtodo de Holt-Winters
18
Multiplicativo
El modelo multiplicativo es:
Lt = (Yt / St-p) + (1-) [Lt-1 + Tt-1]
Tt = [Lt - Lt-1] + (1 - )Tt-1
St =(Yt / Lt) + (1 - ) St-p
Yt = (Lt-1 + Tt-1) St-p
Donde
Lt es el nivel en el tiempo t, es la ponderacin para el nivel.
Tt es la tendencia en el tiempo t, es la ponderacin para la
tendencia
St es el componente estacional en el tiempo t, es la ponderacin
para el componente estacional
p es el periodo estacional
Yt es el valor del dato en el tiempo t
Y es el valor ajustado, o el pronstico, para el tiempo t
19
Mes
Ao hotel
enero
2011 23119
febrero
2011 22705
marzo
2011 23879
abril
2011 30165
mayo
2011 37375
junio
2011 41882
julio
2011 42416
agosto
2011 42385
septiembre 2011 42364
octubre
2011 36453
noviembre 2011 21975
diciembre 2011 21216
enero
2012 22680
Grfica de mtodo Winters de hotel

Mtodo multiplicativo
50000
Variable
Actual
Ajustes
Pronsticos
I P de 95,0%
45000
hotel
40000
Constantes de suavizacin
Alfa (nivel)
0,2
Gamma (tendencia)
0,2
Delta (estacional)
0,2
35000
MAPE
5
MAD
1363
MSD
2437809
30000
25000
20000
ene
may
sep
ene
may
Mes
sep
ene
Grfica de mtodo Winters de hotel

Mtodo multiplicativo
45000
Variable
Actual
Ajustes
Pronsticos
I P de 95,0%
40000
hotel
35000
Constantes de suavizacin
Alfa (nivel)
0,7
Gamma (tendencia)
0,4
Delta (estacional)
0,3
30000
MAPE
2
MAD
529
MSD
608815
25000
20000
15000
ene
may
sep
ene
Mes
may
sep
MODELO DE PRONOSTICO: ARIMA

Utilice ARIMA para modelar el comportamiento de series de
tiempo y para generar pronsticos. ARIMA ajusta un modelo
ARIMA de Box-Jenkins a las series de tiempo. ARIMA
significa Autoregressive Integrated Moving Average
(Promedio mvil integrado autorregresivo), donde cada
trmino representa los pasos realizados en la construccin
del modelo hasta que slo queda el ruido aleatorio. El
modelo ARIMA difiere de los otros mtodos de series de
tiempo por el hecho de que utiliza tcnicas correlacionales.
ARIMA puede utilizarse para modelar patrones que
pudieran no estar visibles en los datos graficados. Los
conceptos que se utilizan en este procedimiento se basan en
Box y Jenkins .
22
Mtodo de Box-Jenkins
23
Modelo lineal que agrupa:

* Modelo Autorregresivo. AR(p)
Yt ai * yt 1 et
i 1
Para un AR(p) : Yt a0 a1 yt 1 a2 yt 2 .... a p yt p et

q
* Modelo de Medias Mviles. MA(q) Yt bn * et n b1et 1 .... b p et q

n 1
i 1
n 1
ARIMA(p,q): Yt ai * yt 1 bn * et n et
ARIMA(p,d,q)x(P,D,Q) d = N de Trminos diferenciados
(p,d,q): Orden de los componentes no Estacional
(P,D,Q): Orden de los componentes Estacional
Yt es el valor ajustado, o el pronstico, para el tiempo t
Procedimiento
24
Analizar grficamente la serie (ACF Y PACF)

Serie previamente diferenciada (Eliminar tendencia y
Estacionalidad) y transformada si hay heterocedasticidad.
Determinar el orden del modelo.
N de picos al inicio de PACF diferenciada.
Correr el modelo y calcular coeficientes
|t|>2 para que sean significativos
Chequeo y Diagnstico (ACF Y PACF + Prueba de
aleatoriedad de Box-Pierce)
No debe haber correlacin estadsticamente significativa
entre los residuos para un retraso o desfase particular.
Iterar hasta lograr resultados aceptables
MAPE: el menor Error Porcentual absoluto medio
PACF: Todos los residuos dentro del IC
Elementos del cuadro de dilogo (Minitab)
35
Elementos del cuadro de dilogo

Serie: Ingrese la columna que contiene la variable de respuesta de las series de tiempo que
usted desea ajustar.
Ajustar modelo estacional: Marque esta opcin para ajustar un modelo estacional.
Periodo: Especifique el nmero de unidades en un ciclo completo.
Autorregresivo
No estacional: Ingrese el orden del componente (p) autorregresivo (AR).
Estacional: Si usted tiene un modelo estacional, ingrese el orden del componente
autorregresivo estacional (P).
Diferencia
No estacional: Ingrese el nmero de diferencias (d) utilizadas para descontar las tendencias
en el tiempo. Al menos tres puntos de datos deben permanecer despus de la diferenciacin.
Estacional: Si usted tiene un modelo estacional, ingrese el nmero de diferencias para el
componente estacional (D).
Promedio mvil
No estacional: Ingrese el orden del componente (q) del promedio mvil (MA).
Estacional: Si usted tiene un modelo estacional, ingrese el orden del componente de
promedio mvil estacional (Q).
Incluir trmino constante en el modelo: Marque esta opcin para incluir un trmino
constante en el modelo ARIMA.
Modelo Autorregresivo de
Orden 1
AR (1)
Modelo Autorregresivo de
Orden 2
AR (2)
Introduccin de
Parmetros
44
Introduccin de
Parmetros
45
47
48
Ejemplo 1
La informacin que se presenta en la siguiente tabla,
representa las ventas por trimestres en miles de bolvares de
una empresa representativa en la produccin de juguetes en
los ltimos cuatro aos:
Estmese las ventas para cada trimestre del ao nmero 5,
por el mtodo del anlisis de series cronolgicas, si el
analista considera que el prximo ciclo econmico har
aumentar las ventas en un 1% y no presiente cambios
irregulares en la economa..
a) Asuma un modelo Multiplicativo
b) Asuma un modelo aditivo.
49
50
Tarea
PRONSTICO DE DEMANDA
Una empresa especializada en la fabricacin de envases
plsticos, presenta un registro de sus ventas mensuales de
uno de sus formatos (botellas de champ de 10 onzas) en los
ltimos 5 aos. (Ver Data Ejercicio 3)
Elabore un pronstico de la demanda para el ao siguiente,
tomando en cuenta las variaciones estacionales.
a) Aplicando directamente un anlisis de serie de tiempo por
descomposicin.
b) Aplicando el Mtodo de Winter
c) Aplicando el Mtodo ARIMA
Hacer comparacin.
51
Modelo de pronstico
seleccionado:
ARIMA(2,0,2)x(2,1,2)12
con constante

Modelos de Pronósticos

Cargado por

Copyright:

Formatos disponibles

Modelos de Pronósticos

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modelos de Pronósticos

Cargado por

Copyright:

Formatos disponibles

MAESTRA EN ADMINISTRACIN

Prof. Alexis J. Gonzlez

Grfica de series de tiempo de Ventas

Grfica de series de tiempo de VentasB

Grfica de series de tiempo de hotel

Grfica de series de tiempo de Ventas

Grfica de series de tiempo de Comercio; Alimentos; Metales

Suaviza sus datos utilizando la

Separa las series de tiempo en

Suaviza sus datos mediante la suavizacin

Cmo usar los modelos de pronsticos?

Recorrido aleatorio con

Suavizacin exponencial simple= ARIMA (0,1,1). Lnea plana

Largo alcance: Anlisis de Tendencia (lineal, cuadrtica, crecimiento o

MAD= Desviacin absoluta media

MSD= Desviacin cuadrtica media

Criterios de seleccin de Modelos

Grfica de mtodo Winters de hotel

Grfica de mtodo Winters de hotel

MODELO DE PRONOSTICO: ARIMA

Modelo lineal que agrupa:

Para un AR(p) : Yt a0 a1 yt 1 a2 yt 2 .... a p yt p et

* Modelo de Medias Mviles. MA(q) Yt bn * et n b1et 1 .... b p et q

Analizar grficamente la serie (ACF Y PACF)

Elementos del cuadro de dilogo (Minitab)

Elementos del cuadro de dilogo

También podría gustarte