Pronsticos Pronsticos

Modelos de Control de Produccin

Gonzalo Meja
Modelos de Control de Produccin
Gonzalo Meja
Pronsticos
Predicciones de una variable en el tiempo
Basado en:
Comportamiento histrico
Relacin con otras variables
Opinin de expertos
2
Elementos del pronstico
3
Variables
Demanda, disponibilidad de materias primas, ventas
Perodo a
pronosticar
Horas, semanas, das, meses, aos
Horizonte
Corto Plazo: compras, programacin de produccin, asignacin de operarios
Mediano Plazo: Planeacin de ventas y produccin agregada
Largo Plazo: Nuevos productos, nuevas plantas
Informacin
requerida
Datos histricos, informacin de ventas, de mercadeo, eventos, etc
Frecuencia
de Revisim
Meses, aos
Etapas
4
Recoleccin de
Datos Histricos
Modelo
Matemtico
Evaluacin humana
Pronstico de
demanda
Seleccin
del modelo
Modificacin
Pronstico
Estadstico
Demanda real
Clculo del
error de
pronstico
Recoleccin de Datos Histricos
Una de las actividades que ms
consume tiempo es la de adquisicin
de datos. Por tanto los datos deben
ser:
Confiables
Precisos
Consistentes
Relevantes
Adquiridos a tiempo
En ocasiones hay que filtrar los datos.
Eliminar datos que son atpicos y que
pueda explicarse su origen (una
promocin de ventas, un da de paro
nacional, etc.)
5
Mtodos de Pronsticos
Cualitativos
Fuerza de ventas
Encuestas a los clientes
Jurado de expertos
Mtodo Delphi
Cuantitativos
Mtodos causales:
Mtodos basados en series de tiempo
6
Elementos de los pronsticos
7
demanda estacionaria
demanda con tendencia
demanda con estacionalidad
Definiciones
Demanda en t. D
t
.
Pronstico hecho en t para t perodos en el futuro: F
t, t+t
Pronstico hecho en t-1 para t : F
t
Error del Pronstico: e
t
= F
t
- D
t
T el nmero de perodos en los cuales se calcula el pronstico
8
Evaluacin de Mtodos de Pronstico
Sea T el nmero de perodos en los cuales se calcul un
pronstico.
Error: e
t
= F
t
- D
t
9
Evaluacin de Mtodos de Pronstico
10
T
e
T
t
t
|
.
|

\
|
=

=1
DAM
T
e
T
t
t
|
.
|

\
|
=

=1
2
RECM
T
D
e
T
t
t
t
|
|
.
|

\
|
=

=1
% 100 EPAM
Desviacin Media
Absoluta
Raz del Error
Cuadrtico Medio
Error Porcentual
Absoluto Medio
Desviacin estndar del error
Puede calcularse con la frmula:
o
e
~ 1.25 DAM (MAD)
Esta frmula es muy til en el clculo de inventarios de seguridad.
11
Modelos Estacionarios
Demanda sin tendencia ni estacionalidad
La demanda se comporta como D
t
= + c
t
c
t
= NID (0, o
2
)
F
t, t+t
= F
t+1
12
Promedios Mviles
Produce un pronstico basado en las N anteriores
observaciones de la demanda
La variable n es el span del pronstico.
Funciona mejor cuando no hay tendencia
Escogencia de n?

=
=
1
1
t
n t i
i t
D
n
F
13
Ejemplo PM(3)
t Dt Ft
1 20
2 18
3 21
4 25
5 24
6 27
7 22
8 30
9 23
10 20
11 29
12 22
14
Ejemplo PM(3)
t Dt Ft
1 20
2 18
3 21
4 25 19.67
5 24 21.33
6 27 23.33
7 22 25.33
8 30 24.33
9 23 26.33
10 20 25.00
11 29 24.33
12 22 24.00
15
Grfica
16
15
17
19
21
23
25
27
29
31
0 2 4 6 8 10 12 14
Dt
PM(2)
PM(4)
Suavizacin Exponencial Simple
Modelo:
F
t
= oD
t-1
+ (1- o) F
t-1
Pronstico: F
t, t+t
= F
t+1
Funciona mejor en series sin estaciones ni tendencias
El mtodo debe inicializarse con un valor de F
1
(suponiendo que
el primer dato de demanda es D
1
).
Cmo escoger o?
17
Ejemplo
SE exponencial o
t D
t
F
t
0
1 20
2 18
3 21
4 25
5 24
6 27
7 22
8 30
9 23
10 20
11 29
12 22
18
Ejemplo
SE exponencial o 0.1
t D
t
F
t
0
1 20 23.42
2 18 23.08
3 21 22.57
4 25 22.41
5 24 22.67
6 27 22.80
7 22 23.22
8 30 23.10
9 23 23.79
10 20 23.71
11 29 23.34
12 22 23.91
19
Grficas Pronsticos demanda estacionaria
20
15
20
25
30
35
0 2 4 6 8 10 12 14
Demanda
Pronstico (alfa = 0.1)
Pronstico alf a = 0.5
PM (3)
Valor esperado y desviacin del error
Si se calcula el pronstico con alguno de los mtodos antes vistos,
qu se espera del error del pronstico y de su desviacin?
21
n
n
E
e E
t
t
1
) (
0 ) (
+
=
=
o o
Promedios Mviles
o
o o

=
=
2
2
) (
0 ) (
t
t
E
e E
Suavizamiento Exponencial
Suavizacin Exponencial con Tendencia (modelo de
Holt)
Modelo: D
t
= a +bt + c
t
(a y b son constantes)
Puntos en la recta: S
t
= oD
t
+ (1- o) (S
t-1
+ G
t-1
)
Pendiente: G
t
= |(S
t
- S
t-1
) + (1- |) G
t-1
Pronstico: F
t, t+t
= S
t
+ t G
t
Sirve cuando hay tendencia pero no estacionalidad
S
0
y G
0
(corte con el eje t=0 y pendiente inicial) deben
inicializarse (regresin)
Cmo escoger o y |?
22
Interpretacin
23
0
5
10
15
20
25
30
35
40
45
50
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
Demanda
Dt
S
t
eslaproyeccinde
larectaquepasa
porS
t1
yquetiene
pendienteG
t1
S
t1
St
G
t1
St
Dt
Dt1
NotequeS
t
debeestarenel
segmentoentre
S
t
yD
t
Ejemplo Holt
o 0.1 | 0.1
Dt St Gt Ft et
-3
-2
-1
0
1 15
2 20
3 26
4 30
5 35
6 36
7 36
8 37
24
Demanda y Pr onst ico
0
5
10
15
20
25
30
35
40
45
0 1 2 3 4 5 6 7 8 9
t
Demanda
Pronst ico alf a =0.1, bet a =0.1
Pronst ico (a=0.3, b=0.3)
25
Ejemplo Holt
o 0.1 | 0.1
Dt St Gt Ft et
-3
-2
-1
0 15 3.2
1 15 17.9 3.17 18.2 3.17
2 20 20.9 3.16 21 1.02
3 26 24.3 3.18 24.1 -1.9
4 30 27.7 3.21 27.5 -2.5
5 35 31.3 3.25 30.9 -4.1
6 36 34.7 3.26 34.6 -1.4
7 36 37.8 3.24 38 1.97
8 37 40.6 3.2 41 4.01
26
Series con tendencia y estacionalidad
(Winters Multiplicativo)
La demanda oscila alrededor de una recta con tendencia.

La serie tiene una estacionalidad cuyo periodo es N

La demanda se comporta como D
t
= c
t
S
t
+ c
t
donde c
t
es un FACTOR
ESTACIONAL y S
t
corresponde al punto sobre la recta a +bt y c
t
es el
ruido.
E c
t
= N
27
Winters Multiplicativo
0
10
20
30
40
50
60
70
80
0 5 10 15 20 25 30
Dt
Los factores estacionales
El factor estacional c
t
se define como la relacin entre D
t
/ S
t
Una condicin de la demanda estacional es que, en ausencia de
ruido, el factor estacional c
t
= c
t+N
Adems : c
t
(de 1 a N)= N
Por ejemplo supongamos que la demanda tiene un ciclo de 4 meses
(se repiten los picos cada 4 meses). Entonces los factores
estacionales c
1
, c
2
, c
3
, c
4
deben sumar 4.
28
Suavizamiento Exponencial con
tendencia y estacionalidad (Winters)
Modelo Multiplicativo:
ct es el factor estacional
Pronstico:
Tendencia y Estacionalidad (N)
Escogencia de
29
, ,
( )
N t t t t t
c G S F
+ +
+ =
t t
t
,
( )( )
1 1
1

+ + =
t t
N t
t
t
G S
c
D
S o o
( ) ( )
1 1
1

+ =
t t t t
G S S G | |
( )
N t
t
t
t
c
S
D
c

+ = 1
Inicializacin
S
0
y G
0
(corte con el eje t=0 y pendiente inicial) deben inicializarse
(regresin)
Los factores estacionales iniciales tambin deben inicializarse
c
0
, c
-1
, c
-2
, c
-N+1.
Si los factores estacionales no suman N, entonces normalizar
30

=
=
N
t
calculado t
calculado o normalizad
c
N
c c
1
AVERIGUAR CMO SE HACE. Las
siguientes diapositivas lo muestran
pero no lo vamos a ver en clase
Inicializacin factores estacionales
(Regresin)
Segn el modelo de Winters los factores quedan as:
c
0
=D
0
/ S
0
, c
-1
=D
-1
/ S
-1
, c
-2
=D
-2
/ S
-2
, c
-N+1
= D
-N+1
/ S
-N+1
Podemos calcular S
-1
, S
-2
, S
-N+1
,
El problema es que no tenemos D
0
, D
-1
, D
-2
, etc. (las demandas
empiezan en t=1)
31
32
Inicializacin factores estacionales
los factores estacionales deben parecerse en puntos
equivalentes esto es:
c
0
~ c
N
~ c
2N.
Ejemplo: N= 4 c
0
~ c
4
~ c
8
c
1
~ c
N+1
~ c
2N+1
Ejemplo: N= 4 c
1
~ c
5
~ c
9
0
5
10
15
20
25
30
35
0 1 2 3 4 5 6 7 8 9
Demanda vs Tiempo
Demanda
Pronstico (a= b= g = 0.1)
Lineal (Demanda)
33
Inicializacin factores estacionales
(Regresin)
Sabemos que c
0
~ c
N
~ c
2N
y que c
-1
~ c
N-1
~ c
2N-1
c
N
= D
N
/ S
N
c
2N
=D
2N
/ S
2N

c
2N-1
=D
2N-1
/ S
2N-1

Podemos promediar c
N
~ c
2N
~ c
3N
~ c
4N
etc y hallar c
0
y hacer lo
mismo para los dems factores.
Ejemplo: c
-1
~ c
N-1
~c
2N-1
34
Demanda
0.0
50.0
100.0
150.0
200.0
250.0
300.0
350.0
0 1 2 3 4 5 6 7 8 9
Ti empo
U
n
i
d
a
d
e
s
Serie1
Tendencia
D
t
S
t
D
t-1
S
t-1
Ejemplo
Demanda vs Tiempo
0
5
10
15
20
25
30
35
0 1 2 3 4 5 6 7 8 9
Demanda
Pronstico (a= b= g = 0.1)
Linear (Demanda)
35
Inicializar
Inicializar S
0
= 13.57 y G
0
= 1.43
Factores estacionales
c
0
~ c
4
= D
4
/ S
4
= c
8
= D
8
/ S
8
c
0
= promedio(c
4,
c
8
)
c
4
= 0.881; c
8
= 0.880; c
0
= 0.880
Igual para los otros factores
c
-3
= 0.62; c
-2
= 1.13; c
-1
= 1.36; c
0
= 0.880;
La suma es 3.996. Si se es demasiado estricto habra que
normalizar.
36
Ejemplo
o 0.1 | 0.1 0.1
Dt St Gt ct Ft et
-3
-2
-1
0
1 10
2 20
3 26
4 17
5 12
6 23
7 30
8 22
37
Ejemplo
o 0.1 | 0.1 0.1
Dt St Gt ct Ft et
-3 0.62
-2 1.13
-1 1.36
0 13.6 1.43 0.88
1 10 15.1 1.44 0.63 9.34 -0.7
2 20 16.7 1.45 1.14 18.7 -1.3
3 26 18.2 1.46 1.37 24.7 -1.3
4 17 19.6 1.46 0.88 17.3 0.32
5 12 20.9 1.44 0.62 13.2 1.22
6 23 22.1 1.42 1.13 25.4 2.35
7 30 23.4 1.4 1.36 32.3 2.27
8 22 24.8 1.4 0.88 21.8 -0.2
38
Winters Aditivo vs Multiplicativo
Winters Multiplicativo
0
10
20
30
40
50
60
70
80
0 5 10 15 20 25 30
Dt
39
Winters Aditivo
0
10
20
30
40
50
60
70
0 5 10 15 20 25 30
Serie 1
Winters Aditivo
Averiguar el modelo!!
40
Cmo seleccionar los parmetros de un
mtodo o entre varios mtodos de pronstico?
No es tan simple como hallar los parmetros que minimicen el DAM
o el ECM para una serie de tiempo.
Qu hace falta?
Evaluar el mtodo con otros datos
Evaluar sesgos
41
Evaluar el mtodo con otros datos
1. Tomar datos de (1) calibracin y de (2) prueba
2. Ajustar los parmetros y el modelo con los datos de calibracin.
(Verificar indicadores y sesgos)
3. Calcular indicadores con los datos de prueba
4. Verificar
42
Auto-correlacin
Cuando una variable se observa en el tiempo es posible que algunas
observaciones estn correlacionadas
La Autocorrelacin es la correlacin entre una variable con retraso de
uno o ms periodos contra s misma
Patrones de datos como tendencia y estacionalidad pueden
identificarse con la autocorrelacin
43
Auto-correlacin
44
) 1 . 3 ( .... , 2 , 1 , 0
) (
) )( (
1
2
1
=

+ =
k
Y Y
Y Y Y Y
r
n
t
t
k t
n
k t
t
k
k
r
= coeficiente de autocorrelacin por un retraso
de k periodos
= Valor medio de la serie de datos
Y
= observacin en el periodo t
= observacin en el periodo t-k
t
Y
k t
Y

Tomado del libro Business Forecasting de Hanke y Wichern
Ejemplo
45
Month Data
January 123
February 130
March 125
April 138
May 145
June 142
July 141
August 146
September 147
October 157
November 150
December 160
0
20
40
60
80
100
120
140
160
180
Yt
Yt
572 . 0
1474
843
) (
) )( (
1
2
1
1 1
1
= =

+ =
n
t
t
t
n
t
t
Y Y
Y Y Y Y
r
Hay cierta correlacin entre las
ventas de dos periodos
sucesivos
Repitiendo para los otros k
46
Lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
3 2 1
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Autocorrelation Function
Preguntas
Son los datos aleatorios?
Los datos tienen tendencia?
Tienen estacionalidad?
Si los datos son aleatorios, la autocorrelacin r
k
(para todo k) debe ser
cercana a 0.
Si hay tendencia el patrn tpico es r
1
> r
2
> r
3
Si hay estacionalidad con periodo k, r
k
debe ser grande
La pregunta es qu es cercana a 0 o grande?
47
Datos aleatorios (autocorrelacin cercana a 0)
Los coeficientes de autocorrelacin de datos aleatorios tienen una
distribucin muestral aproximadamente normal.
En un nivel de confianza determinado, una serie puede considerarse
aleatoria si los coeficientes de autocorrelacin se encuentran dentro
del intervalo [0 t SE (r
k
)], (z en lugar de t para muestras grandes).
El siguiente estadstico t puede utilizarse:
48
) (
k
k
r SE
r
t =
Error estndar
r
i
= la autocorrelacin del retraso i.
k = el retraso
n = el nmero de observaciones de la serie temporal
49
n
r
r SE
k
i
i
k

=
+
=
1
1
2
2 1
) (
Con los datos del ejemplo anterior
Hay algn coeficiente de autocorrelacin particular que sea
significativamente diferente de cero?
El valor crtico del estadstico t
n-1,o=0.05
= 2.2
Entonces la regla es
-t
n-1,o=0.05
< t < +t
n-1,o=0.05
Si el estadstico t est afuera del intervalo crtico entonces se rechaza la
hiptesis de que los datos NO estn autocorrelacionados en el retraso
(lag) = k. Rechazar H

: r
k
= 0
En el caso r
1
, el valor t=1.98. Por lo cual no se rechaza la hiptesis nula.
El intervalo de confianza es IC = 0 t
n-1,o=0.05
SE(r
k
).
Para k =1 = 0.636; Para k =2 = 0.816;
50
n es el nmero de datos y n-1
son los grados de libertad
Tambin se pueden verificar varios coeficientes r
k
al
tiempo
El estadstico Q de Box-Pierce Modificado (desarrollado por: Ljung y
Box) "LBQ.
n = nmero de observaciones
k = nmero de periodos de retraso
m = nmero de retrasos a evaluar
r
k
= Coeficiente de autocorrelacin de orden k
El valor de Q se puede comparar con el valor chi-cuadrado con m
grados de libertad
51

=

+ =
m
k
k
k n
r
n n Q
1
2
) 2 (
Ejemplo
52
t Y
t
t Y
t
t Y
t
t Y
t
1 343 11 946 21 704 31 555
2 574 12 142 22 291 32 476
3 879 13 477 23 43 33 612
4 728 14 452 24 118 34 574
5 37 15 727 25 682 35 518
6 227 16 147 26 577 36 296
7 613 17 199 27 834 37 970
8 157 18 744 28 981 38 204
9 571 19 627 29 263 39 616
10 72 20 122 30 424 40 97
Ejemplo
53
0
200
400
600
800
1000
1200
0 5 10 15 20 25 30 35 40 45
Data
Data
54
10 9 8 7 6 5 4 3 2 1
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
LBQ T Corr Lag LBQ T Corr Lag
7.75
7.73
7.67
7.63
6.17
6.13
3.04
2.53
1.58
1.57
0.12
-0.18
-0.15
0.95
0.16
-1.50
0.63
-0.89
-0.04
-1.21
0.02
-0.03
-0.03
0.17
0.03
-0.25
0.10
-0.15
-0.01
-0.19
10
9
8
7
6
5
4
3
2
1
Autocorrelation Function
Ejemplo (cont.)
Se calcula el estadstico Q para m = 10 retrasos = 7,75 (utilizando
Minitab).
El valor de chi-cuadrado _
0.05, m
= 18,307,
(probado con un nivel de significancia 0,05, df = m = 10 grados de
libertad ).
Q < _
0.05, m
Conclusin: la serie es aleatoria
55
Tendencia en los datos
Existe una relacin significativa entre los valores de la serie de tiempo
sucesivos.
Los coeficientes de autocorrelacin son grandes para los primeros
retrasos, y luego caen gradualmente hacia cero a medida que el
nmero de retrasos aumenta.
La autocorrelacin k=1 es cercana a 1, para k=2 es grande, pero
menor que la de k=1.
56
Ejemplo
57
Year Y
t
Year Y
t
Year Y
t
Year Y
t
1955 3307 1966 6769 1977 17224 1988 50251
1956 3556 1967 7296 1978 17946 1989 53794
1957 3601 1968 8178 1979 17514 1990 55972
1958 3721 1969 8844 1980 25195 1991 57242
1959 4036 1970 9251 1981 27357 1992 52345
1960 4134 1971 10006 1982 30020 1993 50838
1961 4268 1972 10991 1983 35883 1994 54559
1962 4578 1973 12306 1984 38828 1995 34925
1963 5093 1974 13101 1985 40715 1996 38236
1964 5716 1975 13639 1986 44282 1997 41296
1965 6357 1976 14950 1987 48440 1998 .
Grfica
58
0
10000
20000
30000
40000
50000
60000
70000
1950 1960 1970 1980 1990 2000
Datos
Yt
0
0.2
0.4
0.6
0.8
1
1.2
1 2 3 4 5 6 7 8 9 10
r
k
rk
Estacionalidad
Para los datos trimestrales: un coeficiente de autocorrelacin
significativo aparecer en el retraso de tiempo 4.
Para los datos mensuales: un coeficiente de autocorrelacin
significativo aparecer al desfase temporal 12.
59
Ejemplo
60
Year December 31 March 31 June 30 September 30
1994 147.6 251.8 273.1 249.1
1995 139.3 221.2 260.2 259.5
1996 140.5 245.5 298.8 287.0
1997 168.8 322.6 393.5 404.3
1998 259.7 401.1 464.6 497.7
1999 264.4 402.6 411.3 385.9
2000 232.7 309.2 310.7 293.0
2001 205.1 234.4 285.4 258.7
2002 193.2 263.7 292.5 315.2
2003 178.3 274.5 295.4 286.4
2004 190.8 263.5 318.8 305.5
2005 242.6 318.8 329.6 338.2
2006 232.1 285.6 291.0 281.4
61
0
100
200
300
400
500
600
Q
u
a
r
t
e
r
l
y

S
a
l
e
s
Years
Quarterly Sales: 1995-2007
62
12 7 2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
LBQ T Corr Lag LBQ T Corr Lag
87.77
78.83
78.32
71.46
59.10
56.92
49.60
49.44
48.14
46.79
14.91
10.00
8.49
-1.34
0.32
-1.24
-1.79
-0.77
1.48
-0.23
-0.64
0.67
4.30
1.81
1.03
2.83
-0.35
0.09
-0.32
-0.43
-0.18
0.34
-0.05
-0.15
0.15
0.74
0.29
0.16
0.39
13
12
11
10
9
8
7
6
5
4
3
2
1
Autocorrelation Function
Los coeficientes de autocorrelacin en los
retrasos 1 y 4 son significativamente diferentes
de cero. Las ventas son estacionales en forma
trimestral.
Seal de Seguimiento
Definiciones
Error Acumulado E
t
= e
i
i = 1t
E
t
= e e
t
+ (1-e) E
t-1
(otra forma suavizada)
DAM
t
= e |e
t
| + (1-e) DAM
t-1
(otra forma)
Estas dos ltimas ecuaciones son del mtodo suavizado.
Al igual que en los otros mtodos de suavizamiento hay
que inicializar E
0
y DAM
0
63
Deteccin de sesgos Seal de Rastreo
E
t
= error acumulado
DAM
t
= error ponderado
acumulado absoluto
T
t
= seal de rastreo
e = constante 0 e 1
Si los errores no tienen sesgo
E
t
~ 0 y T
t
~ 0. Si T
t
se
aproxima a 1 ( a -1) se
supone un sesgo
64
E
t
= e e
t
+ (1-e) E
t-1
DAM
t
= e |e
t
| + (1-e) DAM
t-1
T
t
= abs (E
t
/ MAD
t
)
Tambin es comn la definicin
de seal de rastreo sin valor
absoluto:
T
t
= E
t
/ DAM
t
Acciones Correctivas
Cambiar parmetros en el modelo
Cambiar el modelo radicalmente!!!
65
Ejemplo
66
15
17
19
21
23
25
27
29
31
33
1 2 3 4 5 6 7 8 9 10 11 12
V
a
l
o
r
e
s
Tiempo
Pronsticos
Demanda Ft (a cte =0.2)
Ejemplo Tracking (e = 0.1)
67
Serie con tendencia, pronosticada con SE (o=0.2)
t Dt Ft et abs(et) Et DAM t Tt
0 0 0
1 20 21.67 1.67 1.67 0.17 0.17 1.00
2 22 21.33 -0.67 0.67 0.08 0.22 0.38
3 21 21.47 0.47 0.47 0.12 0.24 0.50
4 22 21.37 -0.63 0.63 0.05 0.28 0.17
5 23 21.50 -1.50 1.50 -0.11 0.40 -0.27
6 22 21.80 -0.20 0.20 -0.12 0.38 -0.31
7 28 21.84 -6.16 6.16 -0.72 0.96 -0.75
8 29 23.07 -5.93 5.93 -1.24 1.46 -0.85
9 31 24.26 -6.74 6.74 -1.79 1.99 -0.90
10 32 25.61 -6.39 6.39 -2.25 2.43 -0.93
11 31 26.88 -4.12 4.12 -2.44 2.60 -0.94
12 30 27.71 -2.29 2.29 -2.42 2.57 -0.95
13 32 28.17 -3.83 3.83 -2.57 2.69 -0.95
14 34 28.93 -5.07 5.07 -2.82 2.93 -0.96
15 35 29.95 -5.05 5.05 -3.04 3.14 -0.97
E
t
y DAM
t
suavizados
SE adaptivo
Hacer o = o(t)
La idea es adaptar el valor de o para que reaccione en mayor o
menor medida a los cambios en la demanda
Qu valor tomar?
Podra ser el valor absoluto de la seal de rastreo!
68
Ejemplo
69
Tt con signo
t Dt Ft o(t) et abs(et) Et DAM t Tt o(t)
0 0 0
1 20 21.67 1.67 1.67 0.17 0.17 1 1
2 22 20.00 -2.00 2.00 -0.05 0.35 -0.14 0.14
3 21 20.28 -0.72 0.72 -0.12 0.39 -0.30 0.30
4 22 20.50 -1.50 1.50 -0.25 0.50 -0.51 0.51
5 23 21.27 -1.73 1.73 -0.40 0.62 -0.65 0.65
6 22 22.39 0.39 0.39 -0.32 0.60 -0.54 0.54
7 28 22.18 -5.82 5.82 -0.87 1.12 -0.78 0.78
8 29 26.71 -2.29 2.29 -1.01 1.24 -0.82 0.82
9 31 28.59 -2.41 2.41 -1.15 1.35 -0.85 0.85
10 32 30.64 -1.36 1.36 -1.17 1.35 -0.87 0.87
11 31 31.82 0.82 0.82 -0.98 1.30 -0.75 0.75
12 30 31.21 1.21 1.21 -0.76 1.29 -0.59 0.59
e =0.1
70
Intervalo de Confianza para un pronstico
Un intervalo aproximado del 95% confianza para F
t+1
es
donde p es el nmero de parmetros del mtodo de pronstico
71
p - N
N
RMSE
95 . 0
z
Intervalos de Confianza
Supuestos (errores normalmente distribuidos)
Los intervalos de confianza de ms de un perodo son ms
complicados
72