Técnicas de pronósticos para la planeación de recursos de manufactura

UNIDAD 4
TECNICAS DE
PRONOSTICOS
El objetivo bsico de un pronstico consiste en reducir el rango de
incertidumbre dentro del cual se toman las decisiones que afectan el
futuro del negocio y con l a todas las partes involucradas. Aunque, el PLANEACION DE
pronstico no sustituye el juicio administrativo en la toma de
decisiones, simplemente es una ayuda en ese proceso.
RECURSOS DE
MANUFACTURA
PROFESOR HERNANDO CASTRO PIERES

1
2
UNIDAD 4
TECNICAS DE PRONOSTICOS
PROFESOR: HERNANDO CASTRO PIERES

3
4
UNIDAD 4
PRONOSTICOS
4.1 El Rol de los Pronsticos en la Planeacin de Recursos de
Manufactura- MRP II
Muchas decisiones de negocio dependen de algn tipo de pronstico.
Pronosticar es el arte de especificar informacin significativa acerca del
futuro. Su importancia se nota con los siguientes roles:
Los pronsticos son imprescindibles para la toma de decisiones

efectiva y estratgicas.
Los pronsticos son necesarios para reducir el nivel de
incertidumbre o riesgo acerca del futuro.
Los pronsticos son necesarios por la existencia de tiempos de
implantacin (entrega, proceso, decisin, construccin).
Tiempos largos de implantacin incrementan el riesgo en la toma
de decisiones actual que involucra la asignacin de recursos.
Todas las decisiones de asignacin de corto y mediano plazo se
basan en pronsticos.
Un sistema jerrquico de pronsticos debe soportar la toma de
decisiones jerrquica de una empresa.
5
4.2 Fundamentos de Pronsticos

Los pronsticos son solo afirmaciones para estimar variables que
posiblemente ocurrirn en el futuro. Los pronsticos correctos pueden ser
de gran valor si se observa los siguientes fundamentos:
Un pronstico es un estimado o descripcin de un valor o

condicin futura.
Un buen pronstico debe ser un estimado probabilstico de un
valor futuro que incluye media, rango y una inferencia de
probabilidad. Por ejemplo. las ventas esperadas del prximo mes
sern de 400 unidades con un 70% de probabilidad de que estn
entre 300 y 500
Los pronsticos siempre son errneos, y cuando aciertan es por
razones equivocadas.
Todos los pronsticos se basan en el supuesto de que el pasado
se repite.
Pronstico de Demandas
La administracin de la demanda tiene como fin coordinar y controlar todas
las fuentes de la demanda, de manera que los sistemas de produccin y
operaciones puedan utilizarse en forma eficiente. Para manejar la demanda
toca limitarse a responderla con elaboracin de pronstico con base en los
patrones anteriores de demanda, con el fin pronosticar las necesidades a
futuro. El inters primordial de los pronsticos es la siguiente
Pronosticar las demandas independientes y calcular las

dependientes.
Principio del pronstico nico: Todos los pronsticos de un
producto o actividad deben ser iguales.
Normalmente existen diferentes pronsticos de demanda de un
producto realizados por diferentes funciones de la empresa, unos a
nivel agregado y otros a nivel desagregado.
La utilizacin de diferentes pronsticos origina que la toma de
decisiones en las funciones de la empresa sea inconsistente e
incongruente.
Pronsticos de Demanda de Varios Artculos
El error acumulativo de pronsticos de demandas de varios
artculos es normalmente menor que los errores de cada uno de
ellos.
Este principio no aplica si tenemos variaciones
consistentemente positivas o negativas.
6
Los errores acumulativos son ms bajos que los errores de

artculos
Pronsticos de Demanda de Periodos
El error acumulativo de pronsticos de demanda de varios periodos es
normalmente menor que los errores de cada uno de ellos.
Este principio no se aplica si los errores son consistentemente
positivos o negativos
Pronsticos de Grupos de Artculos

Las demandas de grupos de artculos son normalmente menos
variables que las de los artculos individuales.
Los pronsticos de demanda de los grupos son normalmente ms
precisos que los de cada artculo
Si la demanda de un artculo es grande y de muy poca variabilidad, el
error de su pronstico puede ser menor el de grupo.
7
4.3 Tipos de Mtodos de Pronsticos
Anlisis de series de Tiempos: Se basan en la idea de que

los datos histricos pueden usarse para predecir el futuro
Cualitativos: Mtodos basados en opiniones o estimados
subjetivos o de juicio.
Anlisis Causa-Efecto: Supone que la demanda, o el factor
de inters, se afecta por la variacin de otra(s) variable(s)

8
4.3.1 Pronsticos -Series de Tiempo

Es un procedimiento para predecir la demanda, comportndose como dato
histrico de un artculo de inters particular. El intervalo de tiempo o unidad
de tiempo para cada dato puede ser da, semana, mes, trimestre, ao, o
cualquier perodo especfico.
Normalmente los datos de la serie de tiempo tienen cinco componentes

relevantes: promedio, tendencia, influencia estacional, movimientos cclicos,
y el error aleatorio.
9
10
11
Tenemos 13 algoritmos que estn disponibles en un Pronstico de Serie de

Tiempo. Usemos la siguiente anotacin para describir los algoritmos:
12
x(t): Dato Actual de la demanda (histrico) en el perodo t, t=1,...,n
F(t): Pronstico base simple o valor suavizado(derivado) en el perodo t
F'(t): Pronstico base doble o valor suavizado doble en el periodo t
T(t): La componente de la tendencia en el perodo t
S(t): El factor estacional en el perodo t
f(t+h):El pronstico(Prediccin) del periodo t+h realizado en el tiempo t, y.,
h= nmeros de periodos pronosticados haca el futuro.
MAD = Desviacin media absoluta
BIAS = sesgo
MSE = Error cuadrtico medio
MAPE = Error porcentual medio absoluto
Tracking Signal = Seal de rastreo o de seguimiento
MEDIDA DE DESEMPEO DE LOS PRONOSTICOS
Comportamientos de la demanda
13
14
15
16
4.3.1.1 PROMEDIO SIMPLE (Simple Average; SA):

El patrn de la demanda es estable. Su pronstico es promediado y
constante en los periodos futuros.
x(t): Dato Actual de la demanda (histrico) en el perodo t, t=1, ..., n
f(t+h):El pronstico(Prediccin) del periodo t+h realizado en el tiempo t,

17
Calculo:
18
4.3.1.2 PROMEDIO MOVIL SIMPLE (Moving Average; MA)

El patrn de la demanda es estable. Su pronstico es promediado y
constante en los periodos futuros.
m: El nmero de perodos movibles
Donde m es el nmero de perodos movibles = 3; h = 1

19
GRAFICA
20
4.3.1.3 PROMEDIO MOVIL PONDERADO (Weighted Moving

Average; WMA).
Esta tcnica de pronstico se utiliza tambin para patrones de demanda
estable dando como resultado pronstico estable
w(1), w(2), ..., w(m) son las ponderaciones con w(1) es usado para x(t) y w(m)
es usada para x(t-m+1).
21
m es el nmero de perodos movibles = 3; W(1) = 30% , W(2) = 40% , W(3)=

30%; h = 1
22
F (3) = 239x0.30 + 325x0.40 + 268x0.30 =
F (4) = 325x0.30 + 268X0.40 +345x0.30 =
F (5) = 268X0.30 + 345x0.40 + 254x0.30 =
F (6) = 345x0.30 + 254x0.40 + 216x0.30 =
Siendo la grfica del promedio mvil ponderado la siguiente grfica
GRAFICA
23
4.3.1.4 PROMEDIO MOVIL CON TENDENCIA LINEAL (Moving

Average with linear trend; MAT):
f(t+h): El pronstico(Prediccin) del periodo t+h realizado en el tiempo t,
m es el nmero de periodos movibles = 3

24
Desarrollo:
25
GRAFICA
4.3.3.1.5 PROMEDIO MOVIL DOBLE (Moving Double Average;

MDA):
1. x(t): Dato Actual de la demanda (histrico) en el perodo t, t=1,...,n
2. F(t): Pronstico base simple o valor suavizado(derivado) en el perodo t
3. F'(t): Pronstico base doble o valor suavizado doble en el periodo t
4. At = Parmetro aditivo
5. Bt = Parmetro multiplicativo o factor de ajuste adicional

26
6. T(t): La componente de la tendencia en el perodo t
7. f(t+h): El pronstico(Prediccin) del periodo t+h realizado en el tiempo t,
8. m: El nmero de perodos movibles
9. h= nmeros de periodos pronosticados haca el futuro.
m es el nmero de periodos movibles = 3
Desarrollo
27
1. Se calcula el pronstico base como la tcnica promedio mvil simple

2. Se calcula el pronstico base doble aplicando el promedio mvil a los
pronostico base simple
3. Para calcular los valores pronosticados (f(t+h)) previamente se debe
determinar At y Bt
4.3.1.6 SUAVIZACION EXPONENCIAL SIMPLE (Single Exponential

Smoothing; FES):
x(t):Dato Actual de la demanda (histrico) en el perodo t, t=1,...,n
El F(o) calculado es la x(t)/N (Promedio de la demanda)
=0.3; h = 1
28
29
GRAFICA
30
4.3.1.7 SUAVIZACION EXPONENCIAL CON TENDENCIA LINEAL

(Single Exponential Smoothing with linear trend; SEST):
= coeficiente de tendencia; valor comprendido entre 0 y 1
F(o) calculado es la x(t)/N (Promedio de la demanda), T(o) = 0
=0.3; =0.5; h=1

31
GRAFICA
32
4.3.1.8 SUAVIZACION EXPONENCIAL DOBLE (Double Exponential

Smoothing; DES):
F (0) = promedio de la demanda
F (0) =promedio de los pronsticos bases simples (Los F(t)).
=0.3; F(0) = 276.33; F(0) =270.13

33
GRAFICA
34
4.3.1.9 SUAVIZACION EXPONENCIAL DOBLE CON TENDENCIA

LINEAL (Double Exponential Smoothing with linear trend;DEST):

35
GRAFICA
36
4.3.1.10 SUAVIZACION EXPONENCIAL TRIPLE O SUAVIZACION

EXPONENCIAL CUADRATICA
Asume que los datos histricos de la demanda siguen una tendencia que se
caracteriza como un polinomio de segundo orden usando tres niveles de
suavizacin con un solo parmetro, el alfa (), quitando la tendencia
cuadrtica. Este mtodo es conocido tambin como Suavizacin
Exponencial cuadrtico de Brown
Nomenclatura:
X(t) = dato actual de la demanda en el periodo t
F(t) = pronstico base simple en el periodo t
F(t) = pronstico base doble en el periodo t
F(t) = pronstico base triple en el periodo t
= coeficiente de suavizacin o de atenuacin
F(t-1) = pronstico base simple del periodo anterior

37
F(t-1)= pronstico base doble del periodo anterior
F(t-1) = pronstico base triple del periodo anterior
a0 = parmetro de inicio de la regresin simple cuadrtica
b0 = parmetro de tendencia de la regresin simple cuadrtica
c0 = parmetro de aceleracin de la regresin simple cuadrtica
h = nmero de periodos a pronosticar haca el futuro
f(t+h) = valores pronosticados a partir del periodo t + h
Clculo de los parmetros a0, b0y c0mediante clculo matriciales

38
39
Para pronosticar se necesita los siguientes
Ejemplo:
Recurriendo a los ejemplos anteriores de las series de tiempo tenemos:
a0 = 345.91 F0 = 451.14 = 0.30

40
b0 = -36.37 F0 = 573.13
c0 = 3.08 F0 = 711.89
Grfica
41
4.3.1.11 SUAVIZACION EXPONENCIAL ADAPTATIVA

Fses(t) = Pronstico base simple del mtodo suavizacin exponencial simple
E0 = Error inicial
= coeficiente de inicializacin; valor comprendido entre 0 y 1
ESt = Error suavizado en el periodo t
EASt = Error suavizado absoluto en el periodo t
Valores iniciales
El F(o) calculado es la x(t)/N (Promedio de la demanda)

42
Esta tcnica requiere una inicializacin de los valores ES t y EASt
Desarrollo
43
4.3.1.12 METODO WINTER ADITIVO:


44
f(t+h):El pronstico(Prediccin) del periodo t+h realizad en el tiempo t, y.,
= coeficiente de estacionalidad; valor comprendido entre 0 y 1
c = longitud del ciclo estacional
Para pronosticar por esta tcnica se hace en dos partes:
Primera parte
45
=0.3; =0.6; = 0.05

46
GRAFICA
47
4.3.1.13 METODO WINTER MULTIPLICATIVO:

f(t+h):El pronstico(Prediccin) del periodo t+h realizad en el tiempo t, y.,
= coeficiente de estacionalidad; valor comprendido entre 0 y 1
c = longitud del ciclo estacional

48
Para pronosticar por esta tcnica se hace en dos partes:
Primera parte
Segunda parte
49
50
GRAFICA
4.4 ANALISIS DE SERIES TEMPORALES UNIVARIANTES-

METODOLOGA DE BOX JENKINS -MODELOS ARIMA
Con stos tipos de modelos se van a estudiar el comportamiento de una

serie utilizando como fuente de informacin los valores pasados de la propia
serie. La metodologa que vamos a seguir es la aportada por los
investigadores Box y Jenkins, por lo que en ocasiones se conoce este tipo
de anlisis de series temporales como anlisis de Box Jenkins. Tambin se
puede encontrar con la denominacin de modelos ARIMA.
DEFINICIONES
Proceso estocstico: llamamos proceso estocstico a una sucesin

de variables aleatorias {Yt} donde t= --1, 0, 1, 2, .......
Ruido Blanco: se llama ruido blanco a una sucesin de variables

aleatorias con esperanza cero, igual varianza e independientes en el
tiempo {t}
Paseo aleatorio: llamamos paseo aleatorio a un proceso estocstico

{Yt} cuyas primeras diferencias forman un proceso ruido blanco.
51
Yt-Yt-1 = t Yt = t
Un proceso estocstico es estacionario en sentido estricto si para toda m-

tupla (t1,...tm) y todo entero k, el vector de variables (Yt1,...,Ytm) tiene la
misma distribucin de probabilidad conjunta que el vector (Y t1+k,...,Ytm+k).
La estacionariedad en sentido dbil o segundo orden se produce cuando

los momentos de primer y de segundo orden del proceso estocstico son
invariantes en el tiempo.
Para nuestro anlisis vamos a exigir a las series que estudiemos que
cumplan la condicin de estacionariedad en sentido dbil.
FUNCION DE AUTOCORRELACION MUESTRAL Y PARCIAL
Existen dos conceptos muy utilizados en anlisis de series temporales,

estos son la funcin de autocorrelacin y la funcin de autocorrelacin
parcial. Parece que tenemos que seguir con algunas definiciones ms:
Supongamos que la E(Yt)=0 se define la autocovarianza para el retardo k:
k=E(YtYtt-k) k=-.....-2,-1,0,1,2,3..........
cuando k=0 0=E(Yt2)= 2y
La funcin autocorrelacin muestral o terica ( FAC ) es una funcin

compuesta por los llamados coeficientes de autocorrelacin, que se
calculan del siguiente modo:
tanto los coeficientes de la funcin de autocovarianza como los coeficientes

de la funcin de autocorrelacin son simtricos con respecto a k y
supondremos, por ahora, que son independientes del subndice t, es decir,
que estos coeficientes son constantes a lo largo del tiempo y dependen solo
de la longitud del retardo k.
52
Para procesos reales se cumple, adems:
k= -k ; k= -k; 0=1; [ k] 1
Funcin de autocorrelacin muestral: en las aplicaciones prcticas, en las

que se dispone de ciertas observaciones, Yt t=1,...,T relativas a un proceso
estocstico, la media del proceso se puede estimar mediante:
Anlogamente, la funcin de autocorrelacin muestral se podr calcular como:
la representacin grfica de , denominada correlagrama muestral,

constituye un importante instrumento de anlisis de series temporales.
Para obtener correlogramas, debe partirse en la prctica de muestras de

tamao suficientemente grandes. Algunos autores consideran que se
necesitan al menos 50 observaciones. La funcin de autocorrelacin
muestral no se puede calcular cuando k >T-1. En la prctica no se debe
calcular para k > T/4. Es decir si dispone de una serie de 100 observaciones,
puede calcular los 25 primeros coeficientes de la FAC.
Aproximacin de Barlett
53
Barlett ha proporcionado una frmula aproximada para calcular la

covarianza entre rk y rk-s, en el caso de procesos estocsticos normales.
Supuesto k=0 para todo k>K:
para s=0, se obtiene
Para T suficientemente grande, si k=0, rk sigue aproximadamente una

distribucin normal.
En la prctica, se sustituye i por ri y as:
Expresin que suele utilizarse para verificar la hiptesis de que k=0.
A menudo se aplica la formula de Barlett para verificar si k=0 para

k=1,2,3...., es decir si la serie es aleatoria. De forma aproximada, y por
simplificar los clculos, se suele calcular como hemos visto el intervalo
y se comprueba si cada rk (k=1,2,3..) cae dentro del mismo. En el caso de que

algn rk caiga fuera del intervalo, se rechaza la hiptesis de que k=0, lo que
se traduce en que hay evidencia de que la serie no es aleatoria.
Hay que tener presente que la formula de Barlett es solo aproximada y que el
intervalo correcto puede llegar a ser en algunos casos, para valores de k
muy bajos, hasta la mitad del que arroja la frmula. Por lo tanto el hecho de
que todos los valores de rk estn dentro de la banda de fluctuacin descrita,
54
no garantiza el cumplimiento de la hiptesis de ausencia de autocorrelacin,

especialmente para valores bajos de k.
La funcin autocorrelacin parcial ( FAP ). Es la funcin de autocorrelacin

de un proceso estocstico {Yt} para cada instante t y cada entero k, toma un
valor igual a la correlacin entre Yt e Yt-k ajustada por el efecto de los
retardos intermedios Yt-1,.....,Yt-k-1
El inters en que el proceso sea estacionario es que las FAC y las FAP son
independientes del tiempo, lo que es fundamental para calcular los
coeficientes de ambas funciones.
B. Clculo de los coeficientes FAP
Los coeficientes de la FAP los podemos calcular de dos maneras. A partir de

regresiones o a travs de las ecuaciones de Yule Walker.
C. Mtodo 1 A partir de regresiones
Vamos a operar en desviaciones con respecto a la media:
Llamamos yt=Yt -
Para calcular el primer coeficiente de la FAP 11 estimamos la

siguiente ecuacin:
yt= 11 yt-1+ t estimamos 11
podemos comprobar como el primer coeficiente de la FAP coincide con el

primer coeficiente de la FAC
Para calcular el segundo coeficiente de la FAP, planteamos la

siguiente ecuacin:
yt= 21 yt-1+ 22 yt-2 + t y estimamos 22 el
segundo coeficiente de la FAP
Y se procede de forma similar para el clculo de coeficientes de orden

superior.
Mtodo 2 A partir de las ecuaciones de Yule-Walker

55
Estas ecuaciones nos indican la relacin existente entre cada i y el resto

de los (del mismo modo se podra escribir como la relacin entre cada i
y el resto de los ):
1= 1* 0+ 2* 1+.......+ p* p-1
2= 1* 1+ 2* 0+........+ p* p-2 donde i= -i
..
k= 1* k-1+ 2* k-2+........+ p* k-p
para k=p tenemos el siguiente sistema (escrito en forma matricial)
Para calcular los coeficientes de la FAP, vamos dando sucesivamente

distintos valores a p , p=1,2,3,...... y resolvemos el sistema para dichos
valores.
Por ejemplo,
p=1
p=2
p=3
de forma anloga se pueden calcular 44, 55, etc

56
En un principio , si hay evidencia de que kk=0 para todo k>p* el proceso

generador de datos, es un proceso autorregresivo de orden p*.
Ejemplo 1
Supngase que la venta de un producto determinado tiene el siguiente

comportamiento.
Se dispone de una serie de 24 observaciones de las cuales se puede

calcular los 6 primeros coeficientes de la FAC.
57
Se calcula los coeficientes de autocorrelaciones muestrales mediante
Se obtiene los siguientes resultados:
Clculos de los coeficientes de autocorrelaciones muestrales o tericas,

mediante la aplicacin de la frmula anterior.
58
Las desviaciones de los errores se calcularon mediante la siguiente frmula:

59
Serie de tiempo para la Demanda

600
500
400
Ventas
300 Demanda
200
100
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Tiempo
Grf
icas
60
FAC
Autocorrelaciones muestrales
00,001
00,001
00,001
00,000
00,000 Autocorrelaciones
00,000 Lmite superior
00,000 1 2 3 4 5 Lmite inferior
6
00,000
-00,001
-00,001
Retardos
A partir de las ecuaciones de Yule-Walker se calcula los coeficientes de

autocorrelaciones parciales.
61
Sustituyendo los valores tenemos:

62
63
64
Resumiendo, los resultados anteriores obtenemos los coeficientes de

autocorrelaciones parciales.
65
Grficas
FAP
00,001
00,001
Autocorrelacion Parcial
00,000
00,000 Autocorrelacion parcial

Limite superior
00,000
1 2 3 4 Limite
5 inferior 6
00,000
00,000
-00,001
Retardos
Tipos de procesos de series temporales

66
Existen tres tipos de procesos de series temporales con el propsito de

hacer predicciones que a su vez son:
Procesos Autorregresivos (AR)
Procesos de Medias Mviles (MA)
Procesos Autorregresivos y de Medias Mviles (ARMA)
Vamos analizar cada tipo de proceso con el fin de buscar cul de

stos procesos ser el que mejor genere una serie de datos
bondadosos para realizar un pronstico o una prediccin con el
menor error posible
Procesos Autorregresivos
Se define un modelo AR de orden p, tambin escrito AR(p), como:
Yt= 1Yt-1+ 2Yt-2++ pYt-p+ t , donde t es ruido blanco
Es decir, escribimos Yt en funcin de los valores pasados de la propia serie,

e incluimos en la expresin un trmino de perturbacin o error, t, que
suponemos se comporta como ruido blanco.
Un proceso autorregresivo de orden p, tambin podemos expresarlo en funcin del

operador de retardos.
Si (L)=1- 1L- 2L2-.....- p Lp donde LpYt=Yt-p
De modo que un modelo AR(p), se puede escribir como:
(L) Yt= t
Caractersticas de los procesos AR
AR(1)
Los procesos Autorregresivos de orden 1, AR(1), tambin conocidos como

procesos de Markov, son de la forma:
Yt= 1Yt-1+ t ;
67
Si bien en forma compacta se puede escribir como: (1- 1L)Yt= t ;
Supongamos que t se comporta bien ( E( t)=0 y E( t 't)= 2*I )
Despejando Yt de la expresin en forma compacta.
Es decir :
Y podemos observar que hemos transformado un proceso AR(1) en un
MA() para que esto tenga sentido,lgicamente , de lo contrario, la

suma sera divergente.
Por lo tanto, para un proceso AR(1) la varianza viene determinada por:
Si queremos ver ahora como es la forma de la funcin de autocorrelacin de

un proceso AR(1) tendremos que aplicar:
El denominador ya est calculado, varianza de Yt.
En cuanto a k , vamos dando valores a k.
1=E(YtYt-1)=E[( 1Yt-1+ t)Yt-1]=E( 1Yt-12+Yt-1 t ]=E[ 1Yt-12]= 1 2= 1 o
del mismo modo,
2=E(YtYt-2)= 21 o
3=E(YtYt-3)= 31 o
.........
s=E(YtYt-s)= s1 o
por lo tanto, los coeficientes de autocorrelacin:

68
En un AR(1) la funcin de autocorrelacin tiene la forma:
de modo que se trata de una funcin que decrece exponencialmente y

oscilar en signo si 1 es negativo.
AR ( 2 )
Vamos a estudiar ahora las caractersticas de un proceso autorregresivo de

orden 2, AR(2).
Los procesos del tipo AR(2) son de la forma:
donde t es ruido blanco
En un proceso AR(1) bastaba con que para que la serie tuviera una
varianza finita, y la serie {yt} poda considerarse estacionaria.
En este caso, la ecuacin caracterstica se puede escribir como:
Para que este proceso sea estacionario, las races de la ecuacin

caracterstica deben caer fuera del crculo unidad.
Y esto se cumple si las races de la ecuacin caracterstica cumplen las

siguientes condiciones:
69
Para ver como son los coeficientes de la FAC de un proceso AR(2)
Sobre la expresin Yt= 1Yt-1+ 2Yt-2+ t ; multiplicamos por Yt-s
Yt Yt-s = 1Yt-1 Yt-s + 2Yt-2 Yt-s + t Yt-s ; tomando esperanzas
E(Yt Yt-s )=E( 1Yt-1 Yt-s + 2Yt-2 Yt-s + t Yt-s)
Que no es otra cosa que la expresin de las ecuaciones de Yule Walker para
un AR(2).
Si queremos expresar la relacin anterior en funcin de los coeficientes de

la FAC:
Esta relacin es muy til, ya que para calcular los coeficientes de la FAC de
un AR(2), podremos calcular todos los i a partir de los dos primeros
coeficientes. Y para calcular los dos primeros coeficientes:
Haciendo s=1 y sabiendo que 0=1 y 1= -1 ;
(i) 1= 1*1+ 2*1
(ii) 2= 1* 1+ 2*1
70
resolviendo este sistema de dos ecuaciones con dos incgnitas:
conociendo 1 y 2 y utilizando s= 1 s-1+ 2 s-2 conoceremos los

coeficientes de autocorrelacin de ordenes superiores. Adems las
condiciones de estacionariedad aseguran que la FAC decrece a medida que
aumenta la longitud del retardo.
Para hallar la varianzas de un proceso autorregresivo de orden 2.
E(YtYt 1Yt-1+ 2Yt-2+ t)( 1Yt-1+ 2Yt-2+ t)] operando llegamos a:
Ejemplo 2
Partiendo del ejemplo anterior desarrollar un autorregresivo de orden 1 (

AR(1)). La ecuacin de pronstico es la siguiente:
t = 1Yt-1 + constante
En donde la constante = (1 1).

71
Clculos.
Los pronsticos de los seis meses siguientes son:

72
Ejemplo 3
Partiendo del ejemplo anterior desarrollar un autorregresivo de orden 2 (

AR(2)). La ecuacin de pronstico es la siguiente:
t = 1Yt-1 + 2Yt-2 + constante
En donde la constante = (1 1 2).
Clculos.
73
74
Procesos de Medias Mviles MA(q)
Pasamos a definir ahora los ya conocidos procesos de medias mviles.
Un proceso de medias mviles de orden q, tiene la forma general:
Yt= t+ 1 t-1+ 2 t-2+ 3 t-3+....+ q t-q
donde t es ruido blanco
Definiendo el operador (L) como:
(L)=1+ 1L+ 2 L2 + 3 L3 +....+ q Lq
donde L es el operador de retardos
Podemos expresar un modelo MA(q) en forma compacta como:
Yt= (L) t
75
Es decir, en un proceso MA(q) cada componente de la serie analizada Y t se

explica en funcin del t de otra serie y de los q anteriores.
Proceso MA(1)
Antes de seguir con otros temas, vamos a considerar el proceso ms

sencillo dentro de los procesos de medias mviles de orden 1.
Un MA(1) se puede escribir como:
Yt= t+ t-1
En este caso, la varianza del proceso puede ser fcilmente calculada:
VAR(Yt) = 0 =E(Yt Yt)=E[( t+ t-1)( t+ t-1)]=E[ 2t+ 2 2t-1+2 t t1]=
{el ltimo sumando es cero por ser t ruido blanco}
=(1+2) ;
para calcular el primer coeficiente de la funcin de autocovarianza:
1 =E(Yt Yt-1) = E[( t+ t-1)( t-1+ t-2)]=E[ 2t-1+ trminos que se anulan]=
y para calcular el primer coeficiente de la funcin de autocorrelacin:
y los coeficientes de ordenes mayores son todos nulos en el caso de un

MA(1), 2=0, 3=0, etc.
Este modelo no lo podemos estimar tal cual est escrito. Para poder
utilizarlo es necesario invertirlo y expresarlo como un modelo de tipo
autorregresivo. Si hemos llegado a este punto, se da por hecho que nuestro
modelo es invertible (los coeficientes cumplen las condiciones necesarias).
Un modelo como el anterior, siempre se podr escribir como:
Yt=(1++ 2+ 3+....)- sYt-s+ t;
Yt=(1-- sYt-s+ t
76
Supongamos por comodidad que =0
Yt+1= -Yt- 2Yt-2- 3Yt-3-....+ t;
Por tanto
E(Yt+1)= -Yt- 2Yt-2- 3Yt-3-....;
Para el ao siguiente t+2
E(Yt+2)= -Yt+1)- 2Yt-2- 3Yt-3-....=
- -Yt- 2Yt-2- 3Yt-3-....- 2Yt-2- 3Yt-3-....=0;
y en general
E(Yt+k)=0 para k>1
Por eso se dice que los modelos MA(1) solo tienen memoria para un solo
periodo (y en general un modelo de orden MA(q) solo tiene memoria para q
periodos)
Procesos ARMA(p,q)
Como era de esperar, el proceso que nos queda por definir son los
procesos de tipo ARMA(p,q). Son una combinacin de los dos anteriores, de
modo que podemos escribir:
Yt= 1Yt-1+ 2Yt-2+.+ pYt-p+ t+ 1 t-1+ 2 t-2 3 t-3 q t-q
Y en forma compacta se puede escribir como:
(L)Yt=(L) t
donde L es el operador de retardos visto anteriormente.
Identificacin de los procesos AR, MA y ARMA
A partir de las figuras de las FAC y de las FAP, tendremos que intentar
identificar el proceso generador de la serie. Para ello podemos hacer uso de
la siguiente tabla:
77
FAC FAP
AP(p) Decrecimiento rpido de tipo Se anula para retardos superiores a

geomtrico puro, y geomtrico p
con alternancia de signos,
sinusoidal o mezcla de varios
tipos.
MA(q) Se anula para retardos Decrecimiento rpido de tipo

superiores a q. exponencial y/o sinusoidal
ARMA(p,q) Los primeros valores iniciales Los primeros valores iniciales no

no tienen patrn fijo y van tienen patrn fijo y van seguidos de
seguidos de una mezcla de una mezcla de oscilaciones
oscilaciones sinusoidales y/o sinusoidales y/o exponenciales
exponenciales amortiguadas amortiguadas.
ETAPA DE VALIDACION EN LA ESTIMACION DE MODELOS ARIMA
Una vez estimado el modelo, conviene analizar los resultados y

someterlos a algunos test antes de hacer uso del mismo para la
prediccin. Este proceso es el que se denomina validacin o
comprobacin del diagnstico.
Conviene tener presente que, sin embargo, que la validacin ltima de

cualquier modelo de prediccin es la que proporciona la comparacin de
realizaciones con predicciones ex post.
Para que el modelo ajustado sea aceptable, debe cumplir algunos

requisitos que implcita o explcitamente van incorporados a su
especificacin. Estos requisitos son, ante todo, las hiptesis relativas a:
a) los coeficientes del modelo

b) el trmino de error
78
Anlisis de los coeficientes

De los coeficientes de procesos ARMA(p,q) se espera que cumplan las
condiciones de estacionariedad e invertibilidad
Como hemos visto la comprobacin en la prctica de estas condiciones es
sencilla cuando p y q son menores o iguales a dos. En los casos de rdenes
superiores, hay que proceder a hallar las races de: (L)=0 y (L)=0
Si alguna de esas races fuese inferior a la unidad, el modelo se rechazara.
Por otra parte, el clculo de las races caractersticas de (L) y (L) permite
la factorizacin de los polinomios en:
(L)Zt=(L) t
Y factorizando:
En donde i son las races caractersticas de (L)=0 y i las de (L)=0.
Si existen races comunes pueden cancelarse en ambos miembros de la
ecuacin. Esto significa que se podra utilizar para las predicciones un
modelo igualmente til, que contiene dos parmetros menos, ARMA(p-1,q-1)
Anlisis de los residuos
Se supone que el trmino de error de un modelo ARMA es un proceso
normal puramente aleatorio, es decir, que su varianza es constante, su
media es nula y no presenta autocorrelacin ni correlacin serial con la
propia seria retardada.
Las t son inobservables, as que cualquier test sobre las mismas habr de
basarse en los residuos. Esta es una limitacin de todos los tests.
79
4.5 PRONOSTICOS DE SERIES DE TIEMPO CON TENDENCIA

CURVILINEA
Los modelos de pronsticos con tendencia curvilnea son tcnicas que nos
permiten ajustar la relacin causal entre dos variables (Demanda y tiempo) y
usarlo para predecir la demanda o venta futuro si sta se comporta como
tipo polinomio o de carcter no-lineal. Vamos a ver en este apartado algunas
de stas tcnicas. Son en concreto:
Donde:
a = es el parmetro de inicio (constante)
b= es la pendiente (razn de cambio de la demanda entre cambio del tiempo)
c= es el cambio de la pendiente b en funcin del tiempo

80
d= es el cambio de c en funcin del tiempo
e= la base del logaritmo natural
t = variable independiente del tiempo (variable causal)
Y(t) = la variable dependiente de la demanda a pronosticar
ln = logaritmo natural de
N= Nmero de datos de tiempo
(t)=valores pronosticados de la demanda
SERIE DE POTENCIA DE TIEMPO
4.5.1REGRESION SIMPLE EXPONENCIAL

Para pronosticar demandas mediante este modelo se requiere utilizar la
siguiente ecuacin:
(t) = aebt
81
El lector encontrar que las ecuaciones para a y b no se pueden determinar por

medio de un enfoque convencional. Sin embargo, en muchos casos una
transformacin de los datos podra propiciar una situacin en la que se pueda
aplicar la regresin. Se transforma para que resulte un modelo lineal como lo
veremos ahora:
LnY (t) = lna + lnebt = lna + bt , por consiguiente el modelo lineal

sera as
lnY(t) = lna + bt
En donde el parmetro de inicio es igual a lna, aplicando la frmula de la

regresin simple lineal para determinar los parmetros a y b tenemos:
Ejemplo:
Supngase que la demanda de un producto tiene un patrn de regresin

exponencial simple
82
Clculo:
(10) = 204,37
ESTIMACION DE PARAMETROS.
El error de pronstico (et ) = Y(t) (t)
La suma de los errores al cuadrado (SSE) =(lnY ln)
La suma de las regresiones al cuadrado (SSR)= (ln lnY prom)
La suma total de los errores al cuadrado (SST) = (lnY lnY prom)
En donde SST = SSR + SSE
________ ___________
83
SSR 2.072
El coeficiente de determinacin (r) = = = 0.963
SST 2.1519
4.5.2 REGRESION SIMPLE LOGARITMICA.

Determinar un pronstico mediante este modelo se hace a travs de la
siguiente ecuacin:
(t) = a + blnt
Para encontrar los valores de a y b se hace de la siguiente manera
Ejemplo:
84
Supngase que la demanda de un producto tiene un patrn de regresin simple

logartmico.
Clculo:
Parmetros Ecuacin
b= 32,93
a= 5,896 (t) = 5,896+32,93lnt
(10)= 335,19
La suma de los errores al cuadrado (SSE) =(Y )
La suma de las regresiones al cuadrado (SSR)= ( Y prom)
La suma total de los errores al cuadrado (SST) = (Y Y prom)

85
SST = 3051.155 + 476.8454 = 3528
SSR 3051.15
SST 3528
4.5.3 REGRESION SIMPLE CUADRATICA.

Para pronosticar demandas con patrones cuadrtico se utiliza el siguiente
modelo:
En donde
a = es el parmetro de inicio (Constante)
b= es el parmetro de pendiente (cambio de la demanda con respecto al

tiempo)
c= es el parmetro de cambio de la pendiente b con respecto al tiempo
(Aceleracin de la demanda con respecto al tiempo)
TT = Producto cruz de la transpuesta del matriz tiempo por la matriz de
Tiempo
T`Y = Producto cruz de la transpuesta de la matriz de tiempo por matriz de la
Demanda
Para determinar los parmetros a, b y c se tienen en cuenta los siguientes:

86
Los parmetros son:
Ejemplo:

cuadrtica.
87
Clculo:
Los parmetros son:

88
La suma de los errores al cuadrado (SSE) =(Y )
ST = 3449.44 + 78.6667 = 3528.11
SSR 3449.44
SST 3528.11
4.5.4 REGRESION SIMPLE CUBICA.

Para pronosticar demandas con patrones cbico se utiliza el siguiente modelo:
89
En donde
a= es el parmetro de inicio (Constante)
b= es el parmetro de pendiente (cambio de la demanda con respecto al

tiempo)
c= es el parmetro de cambio de la pendiente b con respecto al tiempo
(Aceleracin de la demanda con respecto al tiempo)
d= es el cambio de c en funcin del tiempo
TT = Producto cruz de la matriz de tiempo transpuesto por la matriz de tiempo
T`Y = Producto cruz de la matriz de tiempo transpuesto por matriz de la
Demanda
Para determinar los parmetros a, b, c y d se tienen en cuenta los siguientes:
Los parmetros son:

90
Ejemplo:

cbica.
Clculo:
t = 28 t4 =4676 a=15,143 d=-0,222

t = 140 t5 =29008 b=-1,659 (t) = 15,143 - 1,659t + 3,119t - 0,222t
t = 784 t6 =184820 c=3,119
Los parmetros son:

91
El error de pronstico (et) = Y (t) (t)
La suma de los errores al cuadrado (SSE) = (Y )
SST = 3460 + 68 = 3528
SSR 3460
SST 3528
92
4.5.5 REGRESION SIMPLE COMPUESTA.

siguiente ecuacin:

veremos ahora:
En donde el parmetro de inicio es igual a lna, aplicando la frmula de la

regresin simple lineal para determinar los parmetros a y b tenemos:
Ejemplo:

compuesto.
93
Clculo:
Parmetros Ecuacin
lnb= 0,2723
lna= 2,5999
(t) = 13,463(1,313)t
a= 13,463
b= 1,313
La suma de los errores al cuadrado (SSE) = (lnY ln)

94
SST = 2.072 + 0.07589864 = 2.1519
SSR 2.076
SST 2.1519
4.5.6 REGRESION SIMPLE POTENCIAL.

siguiente ecuacin:

veremos ahora:
en donde el parmetro de inicio es igual a lna, aplicando la frmula de la

regresin simple lineal para determinar los parmetros a y b tenemos
95
Ejemplo:

potencial.
Clculo:
Parmetros Ecuacin
b= 0,8644
lna= 2,6364 (t) = 13,963(t)0,8644
a= 13,963

96
SST = 2.125 + 0.072 = 2.197
SSR 2.125
SST 2.197
4.5.7 REGRESION SIMPLE INVERSA.
La regresin simple inversa tiene el siguiente modelo para pronosticar.
En donde
b= es el parmetro de pendiente (Cambio de la demanda con respecto al tiempo)

97
Ejemplo:

inverso.
Clculo:
98
La suma de los errores al cuadrado (SSE) = (Y )
SST = 2323,80 + 1204,02 = 3527,82
SSR 2323,80
SST 3527,82
4.5.8 REGRESION SIMPLE CURVA S.

La regresin simple curva S tiene el siguiente modelo para pronosticar.

veremos ahora:
99
Ejemplo:

curva S.
Clculo:
100
La suma de los errores al cuadrado (SSE) =(lnY ln)

La suma de las regresiones al cuadrado (SSR)= (ln lnYprom)
La suma total de los errores al cuadrado (SST) = (lnY lnYprom)
SST = 97.10 + 0.31385 = 97.414
SSR 97.10
SST 97.414
4.5.9 REGRESION SIMPLE DE CRECIMIENTO.

La regresin simple de crecimiento tiene el siguiente modelo para pronosticar.

101

veremos ahora:
Ejemplo:

crecimiento.
Clculo:
102

La suma de las regresiones al cuadrado (SSR)= (ln lnYprom)
La suma total de los errores al cuadrado (SST) = (lnY lnYprom)
SST = 2,076 + 0.076 = 2.152
SSR 2.076
SST 2.152
4.5.10 REGRESION SIMPLE LOGISTICA.
La regresin simple logstica tiene el siguiente modelo para pronosticar.

103
En donde
b= es el parmetro de pendiente (Cambio de la demanda con respecto al

tiempo)
= valor del lmite superior para el modelo logstico. (Este valor por lo menos
debe ser igual a la demanda mxima +1).
Transformacin de variables.
Para determinar los parmetros a y b no se pueden determinar por medio de un
enfoque convencional. Sin embargo, en muchos casos una transformacin de
los datos podra propiciar una situacin en la que se pueda aplicar la regresin.
Se transforma para que resulte un modelo lineal como lo veremos ahora:
104
Ejemplo:

logstico. (= 79).
Clculo:
105
106
4.6 EJERCICIOS
1. Pedro Antonio es el gerente de produccin de la compaa ProtoPlastic.
La compaa produce dos productos codificados como A10 y B10. Pedro
Antonio est interesado en saber su capacidad instalada para los meses
25,26 y 27, y por tal motivo lo contrat a Ud. para que pronostique el A10
mediante la tcnica suavizacin exponencial doble con tendencia lineal ( =
0,3 y = 0,6) y el B10 mediante la tcnica promedio mvil con tendencia
lineal con m = 3. Ambas tcnicas son bondadosas para el pronstico de los
dos productos. Se necesitan 16 horas-trabajador para hacer un A10 y 24
horas-trabajador para hacer un B10, existen actualmente 40 trabajadores en
la planta con una jornada laboral de 8 horas diarias. A continuacin, se darn
a conocer la demanda histrica para cada producto y sus listas de
materiales.
Ventas Histricas del ao anterior Lista de Materiales
Cada mquina requiere de un trabajador, pero la compaa tiene capacidad

financiera para tener ocupada u ociosa las maquinarias
Con base en los pronsticos determinar:
1) Las unidades pronosticadas de los meses 25,26, y 27

2) El costo unitario de los productos
107
3) Cuntos trabajadores se contratan o se despiden

4) Qu cantidad de G30 y F30 se requieren para los meses 25, 26 y27.

Antonio est interesado en saber su capacidad instalada para los meses 25 ,
26 y 27, y por tal motivo lo contrat a Ud. para que pronostique el A100
mediante la tcnica suavizacin exponencial doble con tendencia lineal ( =
0,3 y = 0,6) y el B200 mediante la tcnica Winter multiplicativo (= 0.3, =
0.6 y = 0,05). Ambas tcnicas son bondadosas para el pronstico de los dos
productos. Se necesitan 16 horas-trabajador para hacer un A100 y 24 horas-
trabajador para hacer un B200, existen actualmente 40 trabajadores en la
planta con una jornada laboral de 8 horas diarias. A continuacin, se darn a
conocer la demanda histrica para cada producto y sus listas de materiales .

108

1) Las unidades pronosticadas de los meses 25,26 y 27
4) Qu cantidad de G200 y F200 se requieren para los meses 25,26 y 27.

Antonio est interesado en saber su capacidad instalada para los meses 25 ,
mediante la tcnica Winter aditivo (= 0.3, = 0.6 y = 0,05) y el B10 mediante
la tcnica Suavizacin exponencial con tendencia lineal con = 0,3 y = 0,5.
Ambas tcnicas son bondadosas para el pronstico de los dos productos.
Se necesitan 16 horas-trabajador para hacer un A10 y 24 horas-trabajador
para hacer un B10, existen actualmente 40 trabajadores en la planta con una
jornada laboral de 8 horas diarias. A continuacin, se darn a conocer la
demanda histrica para cada producto y sus listas de materiales.
109


4) Qu cantidad de G30 y F30 se requieren para los meses 25,26 y 27

Antonio est interesado en saber su capacidad instalada para los meses
25,26 y 27, y por tal motivo lo contrat a Ud. para que pronostique el A100
mediante la tcnica Regresin simpleexponencial y el B200 mediante la
tcnica promedio mvil contendencia lineal con m = 3. Ambas tcnicas son
bondadosas para el pronstico de los dos productos. Se necesitan 16 horas-
trabajador para hacer un A100 y 24 horas-trabajador para hacer un B200,
existen actualmente 40 trabajadores en la planta con una jornada laboral de
8 horas diarias. A continuacin, se darn a conocer la demanda histrica
para cada producto y sus listas de materiales.

110


4) Qu cantidad de G200 y F200 se requieren para los meses 25,26 y 27
5 .Pedro Antonio es el gerente de produccin de la compaa ProtoPlastic.

Antonio est interesado en saber su capacidad instalada para los meses 25,
mediante la tcnica suavizacin exponencial triple ( = 0,3 ) y el B10
mediante la tcnica Winter multiplicativo(= 0.3 , = 0.6 y = 0,05). Ambas
tcnicas son bondadosas para el pronstico de los dos productos. Se
necesitan 16 horas-trabajador para hacer un A10 y 24 horas-trabajador para
hacer un B10, existen actualmente 40 trabajadores en la planta con una
jornada laboral de 8 horas diarias. A continuacin, se darn a conocer la
demanda histrica para cada producto y sus listas de materiales.
111


4) Qu cantidad de G30 y F30 se requieren para los meses 25,26 y 27.
6. Pedro Antonio es el gerente de produccin de la compaa ProtoPlastic. La

compaa produce dos productos codificados como A10 y B10. Pedro
Antonio est interesado en saber su capacidad instalada para los meses 25,
mediante la tcnica Regresin simple Logartmica y el B10 mediante la
tcnica Regresinsimple Cuadrtica. Ambas tcnicas son bondadosas para
el pronstico de los dos productos. Se necesitan 16 horas-trabajador para
hacer un A10 y 24 horas-trabajador para hacer un B10, existen actualmente
40 trabajadores en la planta con una jornada laboral de 8 horas diarias. A
continuacin, se darn a conocer la demanda histrica para cada producto y
sus listas de materiales.

112

1) Las unidades pronosticadas de los meses 25, 26 y 27

2 ) El costo unitario de los productos
4) Qu cantidad de G30 y F30 se requieren para los meses 25, 26 y 27.

Técnicas de pronósticos para la planeación de recursos de manufactura

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Técnicas de pronósticos para la planeación de recursos de manufactura

Uploaded by

Copyright:

Available Formats

UNIDAD 4

PROFESOR HERNANDO CASTRO PIERES

PROFESOR: HERNANDO CASTRO PIERES

Los pronsticos son imprescindibles para la toma de decisiones

4.2 Fundamentos de Pronsticos

Un pronstico es un estimado o descripcin de un valor o

Pronosticar las demandas independientes y calcular las

Los errores acumulativos son ms bajos que los errores de

Pronsticos de Grupos de Artculos

4.3 Tipos de Mtodos de Pronsticos

Anlisis de series de Tiempos: Se basan en la idea de que

4.3.1 Pronsticos -Series de Tiempo

Normalmente los datos de la serie de tiempo tienen cinco componentes

Tenemos 13 algoritmos que estn disponibles en un Pronstico de Serie de

x(t): Dato Actual de la demanda (histrico) en el perodo t, t=1,...,n

F(t): Pronstico base simple o valor suavizado(derivado) en el perodo t

F'(t): Pronstico base doble o valor suavizado doble en el periodo t

T(t): La componente de la tendencia en el perodo t

S(t): El factor estacional en el perodo t

f(t+h):El pronstico(Prediccin) del periodo t+h realizado en el tiempo t, y.,

h= nmeros de periodos pronosticados haca el futuro.

MAD = Desviacin media absoluta

MSE = Error cuadrtico medio

MAPE = Error porcentual medio absoluto

Tracking Signal = Seal de rastreo o de seguimiento

MEDIDA DE DESEMPEO DE LOS PRONOSTICOS

4.3.1.1 PROMEDIO SIMPLE (Simple Average; SA):

x(t): Dato Actual de la demanda (histrico) en el perodo t, t=1, ..., n

F(t): Pronstico base simple o valor suavizado(derivado) en el perodo t

f(t+h):El pronstico(Prediccin) del periodo t+h realizado en el tiempo t,

h= nmeros de periodos pronosticados haca el futuro.

4.3.1.2 PROMEDIO MOVIL SIMPLE (Moving Average; MA)

x(t): Dato Actual de la demanda (histrico) en el perodo t, t=1,...,n

F(t): Pronstico base simple o valor suavizado(derivado) en el perodo t

f(t+h):El pronstico(Prediccin) del periodo t+h realizado en el tiempo t,

m: El nmero de perodos movibles

h= nmeros de periodos pronosticados haca el futuro.

Donde m es el nmero de perodos movibles = 3; h = 1

4.3.1.3 PROMEDIO MOVIL PONDERADO (Weighted Moving

x(t): Dato Actual de la demanda (histrico) en el perodo t, t=1,...,n

F(t): Pronstico base simple o valor suavizado(derivado) en el perodo t

f(t+h):El pronstico(Prediccin) del periodo t+h realizado en el tiempo t,

m: El nmero de perodos movibles

h= nmeros de periodos pronosticados haca el futuro.

m es el nmero de perodos movibles = 3; W(1) = 30% , W(2) = 40% , W(3)=

F (3) = 239x0.30 + 325x0.40 + 268x0.30 =

F (4) = 325x0.30 + 268X0.40 +345x0.30 =

F (5) = 268X0.30 + 345x0.40 + 254x0.30 =

F (6) = 345x0.30 + 254x0.40 + 216x0.30 =

Siendo la grfica del promedio mvil ponderado la siguiente grfica

4.3.1.4 PROMEDIO MOVIL CON TENDENCIA LINEAL (Moving

F(t): Pronstico base simple o valor suavizado(derivado) en el perodo t

T(t): La componente de la tendencia en el perodo t

f(t+h): El pronstico(Prediccin) del periodo t+h realizado en el tiempo t,

m: El nmero de perodos movibles

h= nmeros de periodos pronosticados haca el futuro.

m es el nmero de periodos movibles = 3

4.3.3.1.5 PROMEDIO MOVIL DOBLE (Moving Double Average;

2. F(t): Pronstico base simple o valor suavizado(derivado) en el perodo t

3. F'(t): Pronstico base doble o valor suavizado doble en el periodo t

5. Bt = Parmetro multiplicativo o factor de ajuste adicional

6. T(t): La componente de la tendencia en el perodo t

7. f(t+h): El pronstico(Prediccin) del periodo t+h realizado en el tiempo t,