INGENIERIA DE PRODUCCION - INGENIERIA INDUSTRIAL - GRUPO B

UNIVERSIDAD NACIONAL DE SAN AGUSTIN

INGENIERIA DE PRODUCCION
TEMA:

FORMAS DE DETERMINAR EL ERROR DE UN

PRONSTICO
INTEGRANTES:

CRUCES HUARANCA, CINTHIA LIZBETH

JUSTO APAZA, CELINA LUCIA

DOCENTE:

ING. PABLO ALFONSO AZALGARA NEIRA

ESCUELA PROFESIONAL:

INGENIERIA INDUSTRIAL

AREQUIPA PER

2017

MEDICIN DEL ERROR DE

PRONSTICO
1
INGENIERIA DE PRODUCCION - INGENIERIA INDUSTRIAL - GRUPO B

Debido a que las tcnicas cuantitativas de elaboracin de pronsticos a

menudo incluyen datos de series de tiempo, se desarroll una notacin matemtica
para referirse a cada periodo especfico. La letra Y se usa para representar una
variable de serie de tiempo, a menos que haya ms de una variable El periodo

asociado con una observacin se identifica como un subndice. De modo que Yt se

refiere al valor de la serie de tiempo en el periodo t.

Tambin debe desarrollarse notacin matemtica para distinguir entre un valor real de
la serie de tiempo y el valor del pronstico. Un smbolo ^ (sombrero) se coloca arriba

de un valor para indicar que se trata del pronstico. El valor del pronstico para Yt

es t . La exactitud de una tcnica para la elaboracin de un pronstico a menudo

se juzga por la comparacin entre las series originales Y 1 ,Y 2 , , y los valores

pronosticados de las series Y 1 ,Y 2 ,

La notacin bsica para pronsticos se resume de la siguiente manera:

Hay varios mtodos cuya finalidad es resumir los errores generados por una tcnica
especfica de pronsticos. La mayora de estas medidas son el promedio de alguna
funcin de la diferencia entre su valor real y su valor pronosticado. Estas diferencias se
conocen como residuos.

La siguiente ecuacin se usa para calcular el error o residuo de cada periodo

pronosticado:

2
INGENIERIA DE PRODUCCION - INGENIERIA INDUSTRIAL - GRUPO B

Donde:

e t=error d e pron stico en el tiempo t

Y t =valor real en el periodo t

t =valor del pron stico en el periodo t

La desviacin media absoluta (DAM)

til cuando se mide el error del pronstico en las mismas unidades de la serie original.
Un mtodo para evaluar una tcnica de pronsticos usa la suma de los errores
absolutos. La desviacin media absoluta (DAM) mide la exactitud del pronstico,
promediando las magnitudes de los errores del pronstico (los valores absolutos de los
errores). DAM est en las mismas unidades que la serie original, y proporciona un
tamao promedio de los errores sin importar la direccin. La siguiente ecuacin
muestra cmo se calcula la DAM:

El error cuadrtico medio (ECM)

El error cuadrtico medio (ECM) es otro mtodo para evaluar una tcnica de
elaboracin de pronsticos. Cada error o residuo se eleva al cuadrado; luego stos se
suman y se dividen entre el nmero de observaciones. Este enfoque sanciona errores
grandes en la elaboracin de pronsticos, ya que los errores estn elevados al
cuadrado, lo cual es importante porque una tcnica que produce errores moderados
quiz sea preferible a una que usualmente tenga pequeos errores, pero
ocasionalmente produce errores extremadamente grandes. ECM est dado por la
siguiente ecuacin:

3
INGENIERIA DE PRODUCCION - INGENIERIA INDUSTRIAL - GRUPO B

La raz cuadrada del RMSE

La raz cuadrada del MSE, o la raz cuadrada del error cuadrado medio (RMSE),
tambin se usa para evaluar los mtodos de elaboracin de pronsticos. Tanto la
RMSE como la MSE sancionan los errores grandes, pero tienen las mismas unidades
de la serie que se est pronosticando, de modo que su magnitud se interpreta con
mayor facilidad. La RMSE se presenta a continuacin.

Porcentaje del error absoluto medio (PEAM)

A veces es ms til calcular los errores del pronstico en trminos de porcentajes en

vez de cantidades. El error porcentual absoluto medio (PEAM) se calcula obteniendo
el error absoluto de cada periodo, dividiendo ste entre el valor real observado en ese
periodo y promediando estos errores porcentuales absolutos. El resultado final se
multiplica despus por 100 y se expresa como porcentaje. Este enfoque es til cuando
el error relativo al tamao respectivo del valor de la serie de tiempo es importante,
para la evaluacin de la exactitud del pronstico. El PEAM es especialmente til

cuando los valores Y t son grandes. El PEAM no tiene unidades de medicin (es un

porcentaje) y sirve para comparar la exactitud de la misma tcnica o de otras tcnicas

en dos series completamente diferentes. La siguiente ecuacin muestra cmo se
calcula el PEAM:

4
INGENIERIA DE PRODUCCION - INGENIERIA INDUSTRIAL - GRUPO B

Error porcentual medio (EPM)

Note que el PEAM no puede calcularse si cualquiera de las Y t es cero. Algunas

veces es necesario determinar si el mtodo para pronosticar est sesgado (con

pronsticos consistentemente altos o bajos). En estos casos, se usa el error
porcentual medio (EPM) el cual se calcula obteniendo el error en cada periodo,
dividiendo ste entre el valor real de ese periodo y luego promediando estos errores
porcentuales. El resultado usualmente se multiplica por 100 y se expresa como un
porcentaje. Si el enfoque del pronstico no tiene sesgo, el EPM producir un resultado
que est cercano a cero. Si el resultado es un porcentaje negativo grande, el mtodo
de elaboracin del pronstico est sobreestimando consistentemente. Si el resultado
es un porcentaje positivo grande, el mtodo de elaboracin del pronstico est
subestimando consistentemente. El EPM est dado por:

o Valores cercanos a cero, indica que el enfoque de pronostico no est sesgado.

o Porcentaje positivo grande, significa que el mtodo de pronostico subestima la

mayor parte del tiempo.

o Porcentaje negativo grande, significa que el mtodo de pronostico sobreestima la

mayor parte del tiempo.

La decisin para usar una tcnica de elaboracin de pronsticos especfica se basa,

en parte, en la determinacin de si la tcnica producir errores en el pronstico que se
consideren lo suficientemente pequeos. En efecto, es realista esperar que una buena
tcnica de elaboracin de pronsticos produzca errores relativamente pequeos de
manera consistente. Las cinco medidas de precisin de un pronstico recientemente
descritas son usadas para:

Comparar la exactitud de dos (o ms) tcnicas diferentes.

Medir la utilidad o confiabilidad de una tcnica en particular.
Ayudar en la bsqueda de una tcnica ptima.

5
INGENIERIA DE PRODUCCION - INGENIERIA INDUSTRIAL - GRUPO B

El ejemplo siguiente ilustrar cmo se calcula cada una de estas mediciones

del error.

EJEMPLO:

La tabla que se presenta muestra los datos del nmero diario de clientes que solicitan

reparaciones, Y t , y un pronstico de tales datos, Y t , para la estacin de servicio

Chevron de Gary. La tcnica de elaboracin del pronstico utiliz el nmero de clientes

atendidos en el periodo anterior como el pronstico para el periodo actual. Se
emplearon los siguientes clculos para evaluar este modelo usando DAM, ECM,
RMSE, PEAM y EPM.

MAD

6
INGENIERIA DE PRODUCCION - INGENIERIA INDUSTRIAL - GRUPO B

ECM

RMSE EC
M

PEAM

EPM

La DAM indica que cada pronstico est desviado un promedio de 4.3 clientes.
El ECM de 23.5 (o la RMSE de 4.8) y el PEAM de 6.95% se compararan con el
ECM (RMSE) y el PEAM de cualquier otro mtodo usado para pronosticar esos
datos. Finalmente, el pequeo EPM de 2.03% indica que la tcnica no tiene
sesgo: Puesto que el valor est cercano a cero, la tcnica no sobreestima ni
subestima consistentemente el nmero de clientes atendidos diariamente.

Aqu una muestra resumida de los clculos de error de un pronstico

En los modelos no formales se basan en periodos recientes para pronosticar el

futuro.

7
INGENIERIA DE PRODUCCION - INGENIERIA INDUSTRIAL - GRUPO B

Mtodo promedios

Mtodo de atenuacin exponencial

8
INGENIERIA DE PRODUCCION - INGENIERIA INDUSTRIAL - GRUPO B

Para este hacemos: 0.8*131.7+0.2*128.66

De los tres observamos el EPM ms pequeo y escogemos dicho modelo.

Seleccin de una tcnica de pronostico

Aspectos a tomar en cuenta al decidir sobre la tcnica de pronostico ms adecuada:

Objetivo del pronstico
Usuario de los pronsticos
Caractersticas de los datos disponibles
Horizonte del pronstico
Requerimientos mnimos de los datos
Precisin requerida
Costo del pronstico

9
INGENIERIA DE PRODUCCION - INGENIERIA INDUSTRIAL - GRUPO B

METODO DE CLCULO DE LOS

PRONOSTICOS:

PROMEDIOS MOVILES DOBLES:

Una manera de pronosticar los datos de las series de tiempo que tienen una tendencia
lineal es usar promedios mviles dobles. Este mtodo hace lo que indica su nombre:
se calcula un con- junto de promedios mviles y luego se calcula un segundo conjunto
como un promedio mvil del primer conjunto. La siguiente tabla presenta los datos de
rentas semanales de Movie Video Store, junto con los resultados de la aplicacin de
un promedio mvil de tres semanas para pronosticar las ventas futuras. El examen de
la columna de error en la segunda tabla indica que todas las entradas son positivas, lo
cual significa que los pronsticos no alcanzaron la tendencia. El promedio mvil de
tres semanas y el promedio mvil doble para estos datos se presentan en la siguiente
figura. Observe cmo los promedios mviles de tres semanas se quedan retrasados
con respecto a los valores reales de periodos similares. Esto ilustra lo que pasa
cuando se emplea la tcnica de promedios mviles con datos que muestran una
tendencia. Advierta tambin que los pronsticos realizados mediante promedios
mviles dobles se retrasan con respecto al primer conjunto de pronsticos casi tanto
como ste se atrasa con respecto a los valores reales. La diferencia entre los dos
conjuntos de promedios mviles se suma al promedio mvil de tres semanas para
pronosticar los valores reales. Primero, se usa la ecuacin 4.8 para calcular el
promedio mvil de orden k.

10
INGENIERIA DE PRODUCCION - INGENIERIA INDUSTRIAL - GRUPO B

Para calcular el segundo promedio mvil:

Se emplea la ecuacin siguiente para desarrollar un pronstico sumando al

promedio mvil simple la diferencia entre el promedio mvil simple y el segundo
promedio mvil.

La siguiente ecuacin es un factor de ajuste adicional, que es similar a la

medida de cambio a lo largo de la serie:

11
INGENIERIA DE PRODUCCION - INGENIERIA INDUSTRIAL - GRUPO B

Finalmente, se usa la siguiente ecuacin para realizar el pronstico de p periodos en

el futuro.

Donde:

k = nmero de periodos en el promedio mvil

p = nmero de periodos futuros por pronosticar

MTODOS DE SUAVIZACIN
EXPONENCIAL
Mientras que el mtodo de promedios mviles toma en cuenta slo las observaciones
ms recientes, la suavizacin exponencial simple ofrece un promedio mvil con peso
exponencial para todos los valores previos observados. A menudo el modelo es
adecuado para datos que no tienen una tendencia predecible ascendente o
descendente. El objetivo es estimar el nivel real.
Esta estimacin de nivel se emplea luego como el pronstico de valores futuros.
La suavizacin exponencial revisa continuamente un estimado a la luz de las
experiencias ms recientes. Este mtodo se basa en promediar (suavizar) valores
pasados de una serie de manera exponencialmente decreciente. La observacin ms
reciente recibe el peso ms grande,
(donde 0 << 1); la siguiente observacin ms reciente recibe menos peso, (1 - );
la observacin de dos periodos en el pasado recibe incluso menos peso, (1 - )^2; y
as sucesivamente.
En una representacin de suavizacin exponencial, el nuevo pronstico (para el
tiempo t + 1) puede considerarse como la suma ponderada de la nueva observacin
(en el tiempo t) y el antiguo pronstico (para el tiempo t). Se asigna el peso (0 <<
1); al nuevo valor observado, y el peso (1 - ) al ltimo pronstico. As,

12
INGENIERIA DE PRODUCCION - INGENIERIA INDUSTRIAL - GRUPO B

(2.1)

En la ecuacin 2.1 la constante de suavizacin, , sirve como el factor de ponderacin.

El valor de determina el grado con el cual la observacin actual influye en el
pronstico de la siguiente observacin. Cuando es cercano a 1, el nuevo pronstico
ser, en esencia, la observacin actual. (Asimismo, el nuevo pronstico ser el
pronstico anterior ms un ajuste sustancial por cualquier error que haya ocurrido en
el pronstico precedente). A la inversa, cuando es cercano a cero, el nuevo
pronstico ser muy similar al pronstico anterior, y la observacin actual tendr muy
poco efecto.

La suavizacin exponencial es un procedimiento para revisar de forma continua un

pronstico a la luz de la experiencia ms reciente.

2.

(2.2)

13
INGENIERIA DE PRODUCCION - INGENIERIA INDUSTRIAL - GRUPO B

Es decir, es un valor suavizado exponencialmente. La rapidez con la cual las

observaciones pasadas pierden su efecto depende del valor de , como se demuestra
en la tabla 4-6. Las ecuaciones 2.1 y 2.2 son equivalentes, pero la ecuacin 2.1 se

emplea generalmente para calcular el pronstico de porque requiere menos

almacenamiento de datos y se aplica fcilmente.

El valor asignado a es la clave del anlisis. Si se desea que las predicciones sean
estables y las variaciones aleatorias se suavicen, se requiere un valor pequeo de .
Si se desea una respuesta rpida a un cambio real en el patrn de observaciones, un
valor ms grande de es el apropiado. Un mtodo para estimar es un procedimiento
iterativo que minimiza el error cuadrtico medio (MSE) dado por la ecuacin:

Los pronsticos se calculan para, digamos,

= .1, .2,, .9, y se calcula la suma de los errores cuadrticos del pronstico de cada
uno de ellos.

Se selecciona el valor de que produzca el error ms pequeo para usarlo en la

generacin de futuros pronsticos. Para aplicar el algoritmo de la ecuacin 2.1, se
debe fijar un pronstico. Una manera de fijar el primer pronstico es tomarlo como la
primera observacin. El ejemplo ilustrar este enfoque. Otro mtodo es usar el

14
INGENIERIA DE PRODUCCION - INGENIERIA INDUSTRIAL - GRUPO B

promedio de las primeras cinco o seis observaciones del valor inicial

suavizado.

Ejemplo

La tcnica de suavizacin exponencial se presenta en la tabla 4-7 y en la figura 4-7

con datos de Acme Tool Company para los aos 2000 a 2006, usando constantes de
suavizacin de .1 y .6. Los datos del primer trimestre de 2006 se usarn como datos
de prueba para ayudar a determinar el valor ms adecuado de (entre los dos
considerados). La serie suavizada exponencialmente se calcula igualando la inicial a
500. Si existen datos anteriores, ser posible usarlos para desarrollar una serie
suavizada hasta el 2000 y luego usar esta experiencia como el valor inicial de la serie
suavizada. Los clculos que conducen al pronstico de los periodos 3 y 4 se presentan
a continuacin:

1. Usando la ecuacin 2.1, para el periodo de tiempo 2, el pronstico para el periodo 3,

con = .1 es

2. El error en este pronstico es:

3. El pronstico para el periodo 4 es:

En la tabla 4-7, cuando la constante de suavizacin es .1, el pronstico para el primer

trimestre de 2006 es 469, con un error cuadrtico de 145,161. Cuando la constante de
suavizacin es .6, el pronstico para el primer trimestre de 2006 es 576, con un error

cuadrtico de 75,076. Con base en esta limitada evidencia, la suavizacin exponencial

con = .6 funciona mejor que la suavizacin exponencial con = .1.

15
INGENIERIA DE PRODUCCION - INGENIERIA INDUSTRIAL - GRUPO B

En la figura 4-7, advierta cmo son estables los valores suavizados para la
constante de suavizacin

.1. Con base en la minimizacin del error cuadrtico medio ECM (el ECM se llama
MSD en el resultado de Minitab), durante los primeros 24 trimestres, es mejor la
constante de suavizacin .6. Si se comparan los errores porcentuales absolutos
medios (PEAM), la constante de suavizacin de .6 tambin es mejor. Resumiendo:

MAPE=PEAM

MSE = ECM

Suavizacin exponencial ajustada a la tendencia: Mtodo de Holt

En la suavizacin exponencial simple, se supone que el nivel de las series de tiempo
vara ocasionalmente, y se requiere un estimado del nivel actual. En algunas
situaciones, los datos observados tienen una tendencia clara y contienen informacin
que permite anticipar movimientos futuros ascendentes. Cuando ste es el caso, se
necesita una funcin de tendencia lineal del pronstico. Puesto que las series de
negocios y econmicas rara vez exhiben una tendencia lineal fija, consideramos la
posibilidad de modelar tendencias lineales locales en evolucin con el tiempo. Holt
(2004) desarroll un mtodo de suavizacin exponencial, conocida como la
suavizacin exponencial lineal de Holt, la cual toma en cuenta la evolucin local lineal
de las tendencias en una serie de tiempo y puede usarse para generar pronsticos.

Cuando se anticipa una tendencia en una serie de tiempo, se requiere un estimado de

la pendiente actual, as como del nivel actual. La tcnica de Holt suaviza directamente
el nivel y la pendiente usando diferentes constantes de suavizacin para cada uno.
Estas constantes de suavizacin proporcionan estimados del nivel y la pendiente que
se adaptan en el tiempo conforme se dispone de nuevas observaciones. Una de las
ventajas de la tcnica de Holt es que ofrece un alto grado de flexibilidad en la
seleccin de coeficientes con los cuales se controla el nivel y la tendencia.

Las tres ecuaciones usadas en el mtodo de Holt son:

16
INGENIERIA DE PRODUCCION - INGENIERIA INDUSTRIAL - GRUPO B

(2.3
)

(2.3)

(2.4)

Suavizacin exponencial ajustada a la tendencia y a la variacin estacional:

Mtodo de Winters

La revisin de los datos de Acme Tool Company en la tabla 4-8:

17
INGENIERIA DE PRODUCCION - INGENIERIA INDUSTRIAL - GRUPO B

Indica que las ventas son ms altas durante el primero y el cuarto trimestres y ms
bajas durante el tercer trimestre de manera sistemtica. Parece que existe un patrn
estacional. El mtodo de suavizacin exponencial lineal y estacional de tres
parmetros de Winters, una extensin del mtodo de Holt, podra representar mejor
los datos y reducir el error de pronstico. En el mtodo de Winters, se emplea una
ecuacin adicional para estimar la estacionalidad. En la versin multiplicativa del
mtodo de Winters, la estimacin de la estacionalidad est dada por un ndice
estacional y se calcula mediante la ecuacin 2.7. Esta ltima indica que para calcular
el componente esta-

1. Series suavizadas exponencialmente o nivel estimado: (2.5)

18
INGENIERIA DE PRODUCCION - INGENIERIA INDUSTRIAL - GRUPO B

2. Estimacin de la tendencia: (2.6)

3. Estimado de estacionalidad: (2.7)

4. Pronstico de p periodos futuros: (2.8)

Donde
Lt = nuevo valor suavizado (estimado de nivel actual)
= constante de suavizacin del nivel
Yt = nueva observacin o valor real en el periodo t
b = constante de suavizacin para el estimado de tendencia
Tt = estimado de tendencia
g = constante de suavizacin para el estimado de estacionalidad
St = estimado de estacionalidad

19