SERIES DE

TIEMPO
UNIDAD 5: ANÁLISIS DE SERIES DE TIEMPO
• Procesos estocásticos y estacionarios. Movimientos característicos: seculares,
cíclicos, estacionales y aleatorios. Modelos aditivos, multiplicativos y mixtos.

• Estimación de parámetros del modelo: nivel, tendencia, estacionalidad y

componente cíclica. Medidas del error: desvío absoluto medio, error cuadrático
medio, sesgo. Forecast Accuracy. Señal de Rastreo

• Modelos clásicos de series de tiempo. Filtros lineales. Promedios móviles.

Suavizado exponencial.

• Niveles de agregación: Top Down, Bottom-up, Middle-Out

• Casos de demanda dependiente y demanda independiente

• Aplicación: Forecast de la demanda de un producto.

EJEMPLO
Una empresa produce sal para derretir nieve. La comercializa a través de una
variedad de retailers independientes y basa sus pronósticos de venta en la
estimación de la demanda que surge de consultar a una muestra de los mismos.
Sin embargo, en el último tiempo, ha advertido que la información que recibe
tiende a sobrestimar los valores de dicha demanda lo que conduce a niveles
relativamente altos de inventario remanente de materias primas.
Después de reunirse con los retailers, ha decidido proceder a la elaboración de un
forecast conjunto, de modo que como producto de dicho trabajo surja un
pronóstico lo más ajustado a la realidad basado en las ventas actuales.
Cuenta con el siguiente conjunto de datos históricos vigentes
EJEMPLO

Año Trimestre Periodo Demanda

1 Hace 2 años 1 1 8.000
1 Hace 2 años 2 2 13.000
1 Hace 2 años 3 3 23.000
1 Hace 2 años 4 4 34.000
2 Hace 1 año 1 5 10.000
2 Hace 1 año 2 6 18.000
2 Hace 1 año 3 7 23.000
2 Hace 1 año 4 8 38.000
3 Este año 1 9 12.000
3 Este año 2 10 13.000
3 Este año 3 11 32.000
3 Este año 4 12 41.000
PRIMERAS OBSERVACIONES
Dos palabras claves en el enunciado: datos vigentes y sobrestimación

100 MÉTODO 1
80
DATOS 60

HISTÓRICOS 40 MÉTODO 2
VIGENTES 20

0
0,5 1,5 2,5 3,5 4,5 5,5 6,5 7,5
MÉTODO 3

Forecast Diciembre 2022 Caso 1 – Diciembre 2023 Caso 2 – Diciembre 2023 Caso 3 – Diciembre 2023
200 230 170 210
300 330 250 295
150 180 100 152
400 410 390 398

1. DEFINIR UNA MEDIDA DEL ERROR QUE SE COMETE EN EL PRONOSTICO

2. BUSCAR ALGUN ARTILUGIO QUE ME PERMITE VER EN DICIEMBRE DE 2022 CUAL SERA EL
ERROR QUE VOY A ENFRENTAR EN DICIEMBRE DE 2023
DEFINICIÓN
MOVIMIENTOS CARACTERÍSTICOS
PATRONES DE COMPORTAMIENTO
DEFINICIÓN
Se denomina Serie de Tiempo a un conjunto de mediciones de cierto fenómeno o
experimento registradas secuencialmente en el tiempo, normalmente a intervalos
iguales.
Matemáticamente una serie de tiempos se define por el conjunto de valores
𝒚 𝒕𝟏 , 𝒚 𝒕𝟐 , … , 𝒚 𝒕𝒏
que miden los valores de una variable 𝒀 en los momentos 𝒕𝟏 , 𝒕𝟐 , . . . , 𝒕𝒏 de modo
que 𝒚𝒊 = 𝒚(𝒕𝒊 ) representa el valor que adquiere la variable 𝒀 en el tiempo 𝒕𝒊
OBJETIVO
A partir del conocimiento del comportamiento de la variable y bajo el supuesto de
que no se van a producir cambios estructurales poder realizar predicciones para
determinar el valor que tomará la variable en períodos de tiempo situados en el
futuro.
TÉCNICAS DE PREDICCION BASADOS EN SERIES DE TIEMPO
• MÉTODOS CUANTITATIVOS
Consiste en extraer toda la información posible contenida en los datos, para
descubrir patrones de conducta o de comportamiento observados en el pasado
para en base a ellos realizar la predicción
• MÉTODOS CUALITATIVOS
El pasado no proporciona una información directa sobre el fenómeno considerado,
porque
• Se trata de un nuevo producto. Ejemplo: comportamiento de una acción en la
Bolsa de una sociedad que acaba de salir a cotizar en el mercado.
• Los datos con que se cuenta no están vigentes. Ejemplo: niveles de ventas de
teléfonos celulares de hace 3 años.
MOVIMIENTOS CARACTERÍSTICOS
MOVIMIENTOS
ESTACIONALES

MOVIMIENTOS
CÍCLICOS
MOVIMIENTOS
SECULARES O DE
LARGA DURACIÓN

COMPONENTE
NO SISTEMÁTICA
MOVIMIENTOS CÍCLICOS
• Oscilaciones de larga duración alrededor de la recta o curva de tendencia. Se
producen con frecuencia superior a un año.
• Pueden ser periódicos (caminos iguales después de intervalos de tiempos
regulares) o no periódicos
• Suelen deberse a la alternancia de etapas de prosperidad económica con etapas
de depresión.
MOVIMIENTOS SECULARES / TENDENCIA – T
• Proporcionan la dirección general de la serie y puede considerarse como el
movimiento global de la actividad a largo plazo.
• Suelen obtener por el ajuste de una función matemática a los datos (regresión)
MOVIMIENTOS ESTACIONALES – S
• Representa la variabilidad regular que se observa en los datos debida a
influencias de las estaciones como la climatología o el comportamiento de
agentes económicos al variar la época del año.
• Involucran períodos inferiores a 1 año y son reconocibles todos los años.
COMPONENTE ALEATORIA – R
Factores de corto plazo, imprevisibles y no recurrentes. Explican la variabilidad
aleatoria de la serie que no es atribuible ni al nivel, tendencia o estacionalidad y
que no se puede predecir
TIPOS DE VARIACIÓN IRREGULAR
• Provocadas por acontecimientos especiales, fácilmente identificables, como las
elecciones, inundaciones, huelgas, terremotos
• Variaciones debido a causas no identificables.
En promedio, un buen método comete un error de tamaño comparable a la
componente aleatoria.
Un método que asegure no cometer error en el pronóstico en realidad, está
mezclando ambas componentes, lo que dará un resultado pobre de estimación.
El objetivo de los métodos es filtrar la componente aleatoria
IDENTIFICACIÓN DE PATRONES DE COMPORTAMIENTO
De los cuatro movimientos mencionados anteriormente, en el Forecast de la
demanda de un producto suelen ser de interés los siguientes:
 VALOR OBSERVADO
VALOR OBSERVADO = COMPONENTE SISTEMÁTICA + COMPONENTE ALEATORIA
𝑫 = 𝒇 𝑳, 𝑻, 𝑺 + 𝑹
FORMA FUNCIONAL DE LA COMPONENTE SISTEMATICA
MODELO EXPRESION CARACTERÍSTICAS OBSERVACIONES
ADITIVO 𝑫=𝑳+𝑻+𝑺+𝑹 La componente estacional Todas las componentes se miden
permanece constante aun cuando en las mismas unidades de D
existan cambios en la tendencia
MULTIPLICATIVO 𝑫=𝑻×𝑺×𝑹 La amplitud de la componente T, que incluye a L, mantiene las
estacional varía en forma unidades de D
proporcional al nivel medio de la S y R se expresan como índices
tendencia alrededor de 100
No puede utilizarse cuando los
datos contengan ceros.
MIXTO 𝑫= 𝑳+𝑻 ×𝑺+𝑹 Utilizado por los principales ERP
FASES EN EL PROCESO DE ELABORACIÓN DEL FORECAST
FASE DE RECOLECCIÓN DE LOS DATOS
Determinación del conjunto de observaciones que servirá como base para la estimación. Analizar la
presencia de outliers o valores atípicos (diagrama de caja, boxplot). Verificar la vigencia de los
datos.
FASE DE IDENTIFICACIÓN DE PATRONES DE COMPORTAMIENTO
Técnica gráfica. Scatter-plot. Determinar si es posible reconocer determinados patrones de
comportamiento en los datos: nivel, tendencia o estacionalidad.
FASE DE ESTIMACIÓN DE LA COMPONENTE SISTEMÁTICA
Dado que la componente sistemática es una función de tres variables: 𝑳, 𝑻, 𝑺 se aplicarán diferentes
métodos para la estimación de sus correspondientes estimadores 𝑳 ෡, 𝑻
෡, 𝑺 ෡
FASE DE VALIDACIÓN DE ERRORES
Evaluación de los errores por comparación de datos estimados con el modelo versus datos
observados. Técnica recomendada: Cross-validation
FASE DE PREDICCIÓN
Una vez elegido el modelo, utilizarlo para la predicción de nuevos períodos
KPI DE FORECAST
MEDIDAS DEL
ERROR
PRINCIPIO DE FUNCIONAMIENTO - MOTIVACIÓN
Proponemos este ejemplo para la explicación del principio de funcionamiento del forecast.
Supongamos que un domingo a la mañana necesitamos comprar un metro y que solo hay una
ferretería abierta. Supongamos además que esa ferretería puede ofrecernos tres alternativas: el
metro A, el metro B y el metro C.
Si desconfiamos sobre la calidad de los tres metros, lo que podemos hacer es llevar algo de lo cual
sabemos cuál es su medida y usarlo como patrón de comparación. Entonces, vamos al negocio con
una hoja que tiene una longitud de 25 cm y le pedimos que nos proporciones los tres metros.
Procedemos a la medición de la hoja y observamos que
• El metro A arroja una medida de 21 cm.
• El metro B una medida de 28 cm.
• El metro C una medida de 25,1 cm
Claramente el metro A es el que sirve. Pudimos llegar a esa conclusión porque conocíamos la
medida y el tercer metro es el que menor error arrojó.
Lo que se hace con el forecast se hace lo mismo lo mismo. Dado un conjunto de datos históricos, le
aplicamos diferentes métodos y el que arroje menor error será el adecuado.
ENTONCES NECESITAMOS DEFINIR MEDIDAS DEL ERROR DE PRONÓSTICO QUE
USAREMOS PARA COMPARAR LA BONDAD DE AJUSTE DE CADA UNO DE LOS
MÉTODOS.
 Supongamos que para la elaboración del forecast de un producto se cuenta con
cuatro métodos: Método 1, Método 2, Método 3 y Método 4.
Definimos como error del Forecast 𝜺 = 𝑭 − 𝑫
Aplicamos los cuatro métodos y obtenemos las siguientes mediciones

MÉTODO 1 MÉTODO 2 MÉTODO 3 MÉTODO 4

DEMANDA
PERIODO FORECAST ERROR FORECAST ERROR FORECAST ERROR FORECAST ERROR
OBSERVADA
1 120 114 -6 122 2 116 -4 116 -4
2 115 120 5 116 1 114 -1 120 5
3 132 126 -6 133 1 131 -1 130 -2
4 141 147 6 143 2 138 -3 145 4

En este caso, aún con solo 4 medidas la decisión no es sencilla. Imaginemos que con
más medidas se puede tornar aún más complicado
Entonces, podemos resumir los errores, calculando su suma y su promedio
 MÉTODO 1 MÉTODO 2 MÉTODO 3 MÉTODO 4
DEMANDA
PERIODO FORECAST ERROR FORECAST ERROR FORECAST ERROR FORECAST ERROR
OBSERVADA
1 120 114 -6 122 2 116 -4 116 -4
2 115 120 5 116 1 114 -1 120 5
3 132 126 -6 133 1 131 -1 130 -2
4 141 147 6 143 2 138 -3 145 4
SUMA -1 6 -9 3
PROMEDIO -0,25 1,5 -2,25 0,75
Si consideramos los valores absolutos de los errores, el método que en promedio comete más error
es el Método 3 (un promedio de 2,25) y el que menor error comete es el Método 1 (promedio de
0,25)
Además, observemos que
• Métodos 1 y 3 tienen suma negativa => Demanda observada > Pronóstico
• Métodos 2 y 4 tienen sumas positivas => Demanda observada < Pronóstico
SIN EMBARGO, SI SE ANALIZA MÁS DETENIDAMENTE, SE OBSERVA QUE EL MÉTODO 1 NO ES EL
MEJOR.
El Método 1 si bien tiene un promedio en valor absoluto menor que todos, muestra errores grandes
en cada período.
El promedio produce una compensación de esos errores. Para evitar esa compensación de signos, se
consideran los valores absolutos de los errores
MÉTODO 1 MÉTODO 2 MÉTODO 3 MÉTODO 4
DEMANDA ERROR ERROR ERROR ERROR
PERIODO FORECAST FORECAST FORECAST FORECAST
OBSERVADA ABS ABS ABS ABS
1 120 114 6 122 2 116 4 116 4
2 115 120 5 116 1 114 1 120 5
3 132 126 6 133 1 131 1 130 2
4 141 147 6 143 2 138 3 145 4
SUMA 23 6 9 15
PROMEDIO 5,75 1,5 2,25 3,75

Considerando los valores absolutos, el Método 1 es el que en promedio, más errores comete.
SE DEFINE EL ERROR ABSOLUTO MEDIO
𝒏
𝟏
𝑴𝑨𝑫 = ෍ 𝜺𝒊
𝒏
𝒊=𝟏
ERROR PORCENTUAL ABSOLUTO MEDIO – MAPE
El desvío absoluto medio MAD proporciona la magnitud del error (no la dirección)
pero expresado en unidades.
Basado en el mismo concepto, pero expresado como porcentaje se define el
MAPE – Error porcentual absoluto medio.
𝒏
𝟏 𝜺𝒕
𝑴𝑨𝑷𝑬𝒏 = ෍ × 𝟏𝟎𝟎
𝒏 𝑫𝒕
𝒕=𝟏
Media absoluta entre el pronóstico y los valores observados expresados como
porcentaje de los mismos.
Es útil cuando el tamaño o magnitud de la variable del pronóstico es importante
para evaluar la precisión del pronóstico.
Los principales ERP lo consideran como uno de los KPI (Key Performance Indicator)
del Forecast Accuracy (Precisión del Forecast)
Proporciona una indicación de cuán grandes son los errores en proporción con los
valores reales. Suele utilizarse también en la comparación de series que utilizan
distintas unidades de medida. También presenta la variante MAXAPE – Máximo
error porcentual.
En el ejemplo que estamos analizando
MÉTODO 1 MÉTODO 2 MÉTODO 3 MÉTODO 4
DEMANDA ERROR ERROR ERROR ERROR
ERROR ERROR ERROR ERROR
OBSERVADA ABS ABS ABS ABS
120 -6 6 2 2 -4 4 -4 4
115 5 5 1 1 -1 1 5 5
132 -6 6 1 1 -1 1 -2 2
141 6 6 2 2 -3 3 4 4
MAD 5,75 1,5 2,25 3,75

1 4 5 2 4
𝑀𝐴𝑃𝐸𝑀4 = − + + − + × 100 ≅ 3%
4 120 115 132 141
1 6 5 6 6
𝑀𝐴𝑃𝐸𝑀1 = − + + − + × 100 ≅ 4,53%
4 120 115 132 141

Por ejemplo: si el método tiene un MAPE = 3% y el Forecast = 100 => el verdadero

valor comprendido entre (97; 103)
 SESGO
𝒏

𝑩𝒏 = 𝐒𝐞𝐬𝐠𝐨 = ෍ 𝜺𝒕
𝐭=𝟏
Sirve para determinar si el método consistentemente tiende a sobrestimar o
subestimar la demanda. En caso de que ello no ocurra, el valor del sesgo fluctúa
alrededor de 0

MÉTODO 1 MÉTODO 2 MÉTODO 3 MÉTODO 4

DEMANDA
PERIODO FORECAST ERROR FORECAST ERROR FORECAST ERROR FORECAST ERROR
OBSERVADA
1 120 114 -6 122 2 116 -4 116 -4
2 115 120 5 116 1 114 -1 120 5
3 132 126 -6 133 1 131 -1 130 -2
4 141 147 6 143 2 138 -3 145 4
SESGO -1 6 -9 3
Un análisis de los datos permiten concluir que
• El Método 2, sistemáticamente SOBRESTIMA ya que en todos los períodos el error > 0
• El Método 3, sistemáticamente SUBESTIMA ya que en todos los períodos el error < 0

MÉTODO 1 MÉTODO 2 MÉTODO 3 MÉTODO 4

DEMANDA ERROR ERROR ERROR ERROR
ERROR ERROR ERROR ERROR
OBSERVADA ABS ABS ABS ABS
120 -6 6 2 2 -4 4 -4 4
115 5 5 1 1 -1 1 5 5
132 -6 6 1 1 -1 1 -2 2
141 6 6 2 2 -3 3 4 4
MAD 5,75 1,5 2,25 3,75

Desde esa perspectiva el método más adecuado parece ser el Método 4 ya que a veces
sobrestima, a veces subestima, pero a veces puede acertar (Teorema de Bolzano)
POR LO TANTO, SE NECESITA UNA MEDIDA QUE DETERMINE LA TENDENCIA DEL MÉTODO
A SOBRESTIMAR O SUBESTIMAR
UN INTERLUDIO ESTADÍSTICO
Sabemos de Estadística elemental que si
𝑋~𝑁 𝜇𝑋 ; 𝜎𝑋 → 𝑃 𝜇𝑋 − 3𝜎𝑋 ≤ 𝑋 ≤ 𝜇𝑋 + 3𝜎𝑋 = 0,9973 = 99,73 %
Resulta lógico pensar que cualquiera sea el método, es deseable que la media de los errores 𝜇𝜀 = 0. En
ese contexto, el Sesgo se produciría por la aleatoriedad que se tiene en las observaciones, por lo que si
los errores tuviesen distribución normal, para que un valor del sesgo no fuese sospechosamente atípico,
debería ocurrir que
−3𝜎𝜀 ≤ 𝑆𝑒𝑠𝑔𝑜 ≤ 3𝜎𝜀
donde 𝜎𝜀 = desvío estándar de los errores.
Estudios empíricos realizados por expertos dedicados al análisis de los errores de los forecast, establecen
que 𝜎𝜀 = 1,25 𝑀𝐴𝐷
Entonces resulta conveniente que
−3(1,25 𝑀𝐴𝐷) ≤ 𝑆𝑒𝑠𝑔𝑜 ≤ 3(1,25 𝑀𝐴𝐷)
Con lo que
−3,75 𝑀𝐴𝐷 ≤ 𝑆𝑒𝑠𝑔𝑜 ≤ 3,75 𝑀𝐴𝐷
Dado que el MAD, es por definición un valor mayor a 0, podemos plantear que
𝑆𝑒𝑠𝑔𝑜
−3,75 ≤ ≤ 3,75
𝑀𝐴𝐷
CONCEPTO DE TRACKING SIGNAL o SEÑAL DE RASTREO
El cociente
𝑺𝒆𝒔𝒈𝒐
𝑻𝑺 =
𝑴𝑨𝑫
se define como TRACKING SIGNAL o SEÑAL DE RASTREO.

• Si 𝑻𝑺 > 𝟑, 𝟕𝟓, el método tiende a sobrestimar los pronósticos

• Si 𝑻𝑺 < − 𝟑, 𝟕𝟓, el método muestra una tendencia a subestimar
El valor de corte (3,75) surge de la aproximación por la cual, se considera que los
errores estén normalmente distribuidos con media 0.
Para contemplar los casos en los que los errores no tengan distribución normal, los
límites se ajustan. Valores experimentales recomiendan que
−𝟔 ≤ 𝑻𝑺 ≤ 𝟔
 EJEMPLOS
Se plantean a continuación una serie de intervalos de TS
INTERVALO DE TS INTERPRETACIÓN
−𝟒, 𝟐𝟑 ≤ 𝑻𝑺 ≤ −𝟏, 𝟑𝟗 • Tendencia sistemática a subestimar los pronósticos
𝟐, 𝟏𝟓 ≤ 𝑻𝑺 ≤ 𝟑, 𝟑𝟗 • Tendencia sistemática a sobrestimar los pronósticos
−𝟕, 𝟏𝟓 ≤ 𝑻𝑺 ≤ 𝟔, 𝟏𝟖 • No se observa tendencia sistemática a subestimar o sobrestimar
• Queda fuera del intervalo recomendado (-6, 6) por lo que el método puede producir
valores anormales en el sesgo (algunos pronósticos pueden ser muy por encima de los
valores de la demanda y otros muy por debajo)
−𝟑, 𝟏𝟓 ≤ 𝑻𝑺 ≤ 𝟐, 𝟏𝟖 • Intervalo con valores positivos y negativos dentro del rango recomendado.
• No es simétrico, tiene una leve tendencia a subestimar
−𝟑, 𝟕𝟓 ≤ 𝑻𝑺 ≤ 𝟑, 𝟕𝟎 • Ídem al caso anterior, solo que es más simétrico. El método se muestra más equilibrado.
−𝟐, 𝟕𝟓 ≤ 𝑻𝑺 ≤ 𝟐, 𝟕𝟎 • Ídem al caso anterior: intervalo simétrico, método relativamente equilibrado
• La ventaja que se observa con respecto al anterior es que su longitud es menor. Se trata
de un método más preciso
 ERRORES DE PRONOSTICO
Error Fórmula Observación
Desviación Absoluta ∆𝑡 = 𝜀𝑡 Valor absoluto del error en el período t
𝑛
Sesgo Sirve para determinar si el método consistentemente tiende a sobreestimar o
𝐵𝑛 = 𝑆𝑒𝑠𝑔𝑜 = ෍ 𝜀𝑡 subestimar la demanda. En caso de que ello no ocurra, el valor del sesgo fluctúa
𝑡=1 alrededor de 0
𝑛
Desviación Absoluta 1 Promedio de desvíos absolutos sobre todos los períodos. Es una medida del error
Media 𝑀𝐴𝐷𝑛 = ෍ 𝜀𝑡 global de pronóstico. Puede ser utilizado para calcular el desvío estándar de la
𝑛
𝑡=1 componente aleatoria, asumiendo que dicha componente está normalmente
distribuida, de forma que 𝜎 = 1.25𝑀𝐴𝐷
Suelen utilizarse en control de inventarios (volúmenes de seguridad requeridos para
diversos elementos del inventario). Una variante es el MAXAE – Máximo error
absoluto, dando idea del peor escenario resultante debido a los errores de forecast.
𝑛
Error Cuadrático 1 Promedio del cuadrado de los errores. Representa conceptualmente la varianza del
Medio 𝑀𝑆𝐸𝑛 = ෍ 𝜀𝑡2 error de forecast. El cuadrado del error evita la neutralización de los desvíos
𝑛
𝑡=1 positivos y negativos
Error Porcentual 𝑀𝐴𝑃𝐸𝑛 Media absoluta entre el pronóstico y los valores observados expresados como
𝑛
Medio Absoluto 1 𝜀𝑡 porcentaje de los mismos. Es útil cuando el tamaño o magnitud de la variable del
= ෍ × 100 pronóstico es importante para evaluar la precisión del pronóstico. Proporciona una
𝑛 𝐷𝑡
𝑡=1 indicación de cuán grandes son los errores en proporción con los valores reales.
Suele utilizarse también en la comparación de series que utilizan distintas unidades
de medida. También presenta la variante MAXAPE – Máximo error porcentual.
Tracking Signal 𝐵𝑡 𝑆𝑒𝑠𝑔𝑜 Si el valor de TS en algún período está por fuera del rango ±6, es una señal de que el
𝑇𝑆𝑡 = =
𝑀𝐴𝐷𝑡 𝑀𝐴𝐷 forecast está sesgado y tiende a subestimar (≤ -6) o sobreestimar ≥ 6) En esos casos,
resulta recomendable elegir un nuevo método o ajustar los valores de los
coeficientes de suavizado exponencial (si se están utilizando esos métodos)
NIVEL DE
AGREGACIÓN
MOTIVACION
Supongamos que una empresa produce 3 productos y desea evaluar el forecast
para el próximo año a nivel de compañía. Se le presentan tres alternativas
BOTTOM-UP TOP-DOWN
𝑭𝑻𝑶𝑻𝑨𝑳 = 𝑭𝑻𝑶𝑻𝑨𝑳 = 𝑭(𝑷𝟏+𝑷𝟐+𝑷𝟑)
𝑭𝑷𝟏 + 𝑭𝑷𝟐 + 𝑭𝑷𝟑 𝜺𝑭 ≤ σ(𝜺𝑭𝒊 )
(𝜺𝑭 ) ≥ σ 𝜺𝑭𝒊

𝑭𝑷𝟏 ; 𝜺𝑭𝟏 𝑭𝑷𝟐 ; 𝜺𝑭𝟐 𝑭𝑷𝟑 ; 𝜺𝑭𝟑 𝑭𝑷𝟏 ; (𝜺𝑭𝟏 ) 𝑭𝑷𝟐 ; (𝜺𝑭𝟐 ) 𝑭𝑷𝟑 ; (𝜺𝑭𝟑 )

MIDDLE-OUT
𝑭𝑻𝑶𝑻𝑨𝑳 = 𝑭(𝑷𝟏+𝑷𝟐) + 𝑭𝑷𝟑

𝑭(𝑷𝟏+𝑷𝟐)

𝑭𝑷𝟏 𝑭𝑷𝟐 𝑭𝑷𝟑

 18.000

16.000
CASO 2
14.000

12.000

10.000

8.000

25
6.000
CASO 1
4.000
20
2.000

0
15 0 2 4 6 8 10 12 14 16 18 20

100
10
90

80

5 70

60 CASO 3
50
0
0,5 1,5 2,5 3,5 4,5 5,5 6,5 40

30

20

10

0
0,5 1,5 2,5 3,5 4,5 5,5 6,5 7,5
 25

CASO 1 20

• Ambos tienen tendencia creciente

• Ambos tienen estacionalidad
• Los máximos y los mínimos ocurren en los 15

mismos períodos
ENTONCES ES RAZONABLE PENSAR EN UN
MÉTODO QUE PRONOSTIQUE EL TOTAL Y 10

LUEGO PRORRATEE, CON ALGUN CRITERIO A

CADA UNO DE LOS PRODUCTOS
5

0
0,5 1,5 2,5 3,5 4,5 5,5 6,5
 18.000

16.000

CASO 2
• Ambos tienen relativamente
14.000

la misma tendencia 12.000

• Ambos tienen estacionalidad

10.000
• Pero los máximos de uno
coinciden con los mínimos 8.000
del otro
ES RAZONABLE SUPONER QUE 6.000

EN ESTE CASO LOS FORECAST

DEBERIAN REALIZARSE POR 4.000

SEPARADO
2.000

0
0 2 4 6 8 10 12 14 16 18 20
 100

CASO 3 90

• El Producto 1 y el Producto 2 80
tienen la misma tendencia,
presentan estacionalidad, 70
coincidiendo los máximos y los
mínimos en los mismos
períodos. 60

• En cambio el Producto 3, no 50

presente estacionalidad, solo

muestra una tendencia que, 40

además, es opuesta a la de los

otros productos. 30

ES RAZONABLE PROPONER EL 20

FORECAST CONJUNTO DE LOS

PRODUCTOS 1 Y 2 Y POR 10
SEPARADO EL DEL PRODUCTO
0
0,5 1,5 2,5 3,5 4,5 5,5 6,5 7,5
CONCLUSIÓN
BOTTOM-UP TOP-DOWN
𝑭𝑻𝑶𝑻𝑨𝑳 = 𝑭𝑻𝑶𝑻𝑨𝑳 = 𝑭(𝑷𝟏+𝑷𝟐+𝑷𝟑)
𝑭𝑷𝟏 + 𝑭𝑷𝟐 + 𝑭𝑷𝟑 𝜺𝑭 ≤ σ(𝜺𝑭𝒊 )
(𝜺𝑭 ) ≥ σ 𝜺𝑭𝒊

𝑭𝑷𝟏 ; 𝜺𝑭𝟏 𝑭𝑷𝟐 ; 𝜺𝑭𝟐 𝑭𝑷𝟑 ; 𝜺𝑭𝟑 𝑭𝑷𝟏 ; (𝜺𝑭𝟏 ) 𝑭𝑷𝟐 ; (𝜺𝑭𝟐 ) 𝑭𝑷𝟑 ; (𝜺𝑭𝟑 )

RECOMENDADO PARA CASOS CON RECOMENDADO CUANDO LOS

PATRONES DE COMPORTAMIENTO PATRONES DE COMPORTAMIENTO
DIFERENTES SEMEJANTES
MIDDLE-OUT
𝑭𝑻𝑶𝑻𝑨𝑳 = 𝑭(𝑷𝟏+𝑷𝟐) + 𝑭𝑷𝟑

𝑭(𝑷𝟏+𝑷𝟐)

𝑭𝑷𝟏 𝑭𝑷𝟐 𝑭𝑷𝟑

RECOMENDADO PARA CASOS QUE CUMPLEN CON UN CASO Y CON
EL OTRO
DEMANDA DEPENDIENTE
ESTRUCTA DEL PRODUCTO – BOM – Bill of Materials – Lista de Materiales
La lista de materiales, o Bill of Materials (BOM) en inglés o Despiece de un producto, es un documento
que define todos los elementos indispensables para llevar a cabo un proceso de producción. Por lo
general, la lista de materiales interviene en las etapas de diseño, producción y ensamblaje de un
producto.
OBJETIVO
• Planificar la compra de materias primas: se determina qué materia prima debe comprarse y en qué
cantidad para producir un producto, por lo que se reducen costos al evitar un sobrestock de materia
prima.
• Establecer el costo del material: además de la materia prima, hay un costo relacionado con el
equipamiento que debe emplearse para manipular esa materia prima, desde simples tijeras o pistolas
de pegamento, hasta sofisticadas máquinas de corte.
• Evitar quiebres de stock: la planta de producción siempre debe disponer de la materia prima necesaria
para fabricar un producto de forma ininterrumpida.
• Detectar y minimizar errores: la lista de materiales define todos y cada uno de los procesos relativos a
la fabricación de un producto. Seguir estas instrucciones específicas en cada paso disminuye la
probabilidad de equivocarse y resulta más fácil detectar dónde y en qué momento ha habido una
incidencia (trazabilidad de producto).
Supongamos que se desea realizar el forecast de un producto cuyo despiece es el siguiente
Nivel 0
A
(1 unidad)

Nivel 1
B1 C1
(2 unidades) (3 unidades)

Nivel 2
E2 E2 F2
(2 unidades) (1 unidades) (2 unidades)

Nivel 3
D3 D3 E3
(2 unidades) (2 unidades) (1 unidades)

¿CUÁL ES EL NIVEL DE AGREGACION QUE RESULTA MÁS ADECUADO?

Supongamos que el forecast del producto A arrojó un valor de 500 unidades

Nivel 0
A
(1 u) = 50 u
A-50 u
Nivel 1
B1 B-100 u
C1
(2 u) = 100 u (3 u) = 150 u
C-150 u

Nivel 2 D-800 u
E2 E2 F2
(2 u) = 200 u (1 u) = 150 u (2 u) = 300 u E-650 u

F-300 u
Nivel 3
D3 D3 E3
(2 u) = 200 u (2 u) = 600 u (1 u) = 300 u
NIVEL DE AGREGACION
MÉTODOS
 MÉTODOS

TIPO DE MÉTODO NOMBRE ÁMBITO DE APLICACIÓN

MEDIA MÓVIL NIVEL
MÉTODOS ESTÁTICOS REGRESIÓN LINEAL NIVEL, TENDENCIA
ESTÁTICO NIVEL, TENDENCIA, ESTACIONALIDAD

S. E. SIMPLE NIVEL
MÉTODOS DINÁMICOS
S.E. DOBLE (MÉTODO DE HOLT) NIVEL, TENDENCIA
(SUAVIZADO EXPONENCIAL)
S.E. TRIPLE (MÉTODO DE WINTER) NIVEL, TENDENCIA, ESTACIONALIDAD
MEDIA MÓVIL
• Adecuado para casos cuya componente es Nivel. El Nivel inicial se mantiene
constante de lo largo de los períodos.
• Existen variaciones también para casos de Nivel-Tendencia y Nivel-Tendencia-
Estacionalidad
• Pronóstico = Promedio sobre los elementos que componen la periodicidad
EXPRESIONES DE CÁLCULO
Datos trimestrales: Datos: 𝑫𝟏 ; 𝑫𝟐 ; 𝑫𝟑 ; 𝑫𝟒
𝑫𝟏 + 𝑫𝟐 + 𝑫𝟑 + 𝑫𝟒 𝑫𝟐 + 𝑫𝟑 + 𝑫𝟒 + 𝑫𝟓 𝑫𝟑 + 𝑫 𝟒 + 𝑫𝟓 + 𝑫𝟔 𝑫𝟒 + 𝑫𝟓 + 𝑫 𝟔 + 𝑫𝟕
𝑭𝟓 = ; 𝑭𝟔 = ; 𝑭𝟕 = ; 𝑭𝟔 =
𝟒 𝟒 𝟒 𝟒
Datos cuatrimestrales: Datos: 𝑫𝟏 ; 𝑫𝟐 ; 𝑫𝟑
𝑫𝟏 + 𝑫𝟐 + 𝑫𝟑 𝑫𝟐 + 𝑫𝟑 + 𝑫𝟒 𝑫𝟑 + 𝑫𝟒 + 𝑫𝟓
𝑭𝟒 = ; 𝑭𝟓 = ; 𝑭𝟔 =
𝟑 𝟑 𝟑
Datos mensuales: Datos: 𝑫𝟏 ; 𝑫𝟐 ; … ; 𝑫𝟏𝟐
𝑫𝟏 + 𝑫𝟐 + … + 𝑫𝟏𝟏 + 𝑫𝟏𝟐 𝑫𝟐 + … + 𝑫𝟏𝟐 + 𝑫𝟏𝟑
𝑭𝟏𝟑 = ; 𝑭𝟏𝟒 =
𝟏𝟐 𝟏𝟐
EJEMPLO NUMÉRICO
Los datos tienen periodicidad 4 por lo que Año Trimestre Periodo t Demanda Y Nivel Forecast
promedia tomando de a 4 valores 1 1 1 8.000

8000 + 13000 + 23000 + 34000 1 2 2 13.000

19.500 = 1 3 3 23.000
4
13000 + 23000 + 34000 + 10000 19.500
20.000 = 1 4 4 34.000
4
2 1 5 10.000 20.000 19.500
Para los cuatro periodos del año 4 considera el 2 2 6 18.000 21.250 20.000
promedio de los últimos 4 trimestres del año 3
2 3 7 23.000 21.250 21.250
𝟏𝟐𝟎𝟎𝟎 + 𝟏𝟑𝟎𝟎𝟎 + 𝟑𝟐𝟎𝟎𝟎 + 𝟒𝟏𝟎𝟎𝟎 2 4 8 38.000 22.250 21.250
𝟐𝟒. 𝟓𝟎𝟎 =
𝟒 3 1 9 12.000 22.750 22.250
EFECTOS 3 2 10 13.000 21.500 22.750
3 3 11 32.000 23.750 21.500
• Al realizar el promedio de a 4 valores da a
3 4 12 41.000 24.500 23.750
cada uno de ellos el mismo peso debido a la
tendencia o estacionalidad que pudieran 4 1 13 24.500
tener. 4 2 14 24.500
4 3 15 24.500
• A través del método licua la tendencia y
estacionalidad de los datos. 4 4 16 24.500
 MEDIA MÓVIL

45.000

41.000
40.000
38.000

35.000
34.000
32.000
13; 24.500 15; 24.500
30.000

25.000 23.000
23.000

20.000

14; 24.500 16; 24.500

15.000 18.000

13.000 13.000

10.000 10.000
12.000
8.000

5.000
Datos Originales Forecast

0
0 2 4 6 8 10 12 14 16 18
REGRESIÓN LINEAL
• Adecuado para casos con Nivel L y Tendencia T
• Pronóstico = Se ajusta un modelo lineal sobre un conjunto de datos, estimando
• 𝜷𝟎 – Ordenada al Origen. Representa al Nivel en el período inicial
• 𝜷𝟏 – Pendiente. Representa la Tendencia constante, a lo largo de todos los
períodos
Entonces, el pronóstico para un período t será
𝑭𝒕 = 𝜷𝟎 + 𝜷𝟏 (𝒕)

Cuando se aplique un modelo lineal a un conjunto de datos al que les

corresponda nivel, tendencia y estacionalidad, el coeficiente de determinación 𝑹𝟐
de dicho modelo lineal será inadmisiblemente bajo, indicando lo inadecuado del
modelo para los datos.
EJEMPLO NUMÉRICO
Año Trimestre Periodo t Demanda Y Forecast
Al ajustar un modelo lineal a los datos, se 1 1 1 8.000 13.564
obtiene que la recta de regresión es de la
forma: 𝑌 = 1540 𝑡 + 12015 1 2 2 13.000 15.113
1 3 3 23.000 16.662
13.564 = 1.540 1 + 12.015 18.211
1 4 4 34.000
15.113 = 1.540 2 + 12.015
… 2 1 5 10.000 19.760
𝟑𝟐. 𝟏𝟓𝟐 = 𝟏. 𝟓𝟒𝟎 𝟏𝟑 + 𝟏𝟐. 𝟎𝟏𝟓 2 2 6 18.000 21.309
𝟑𝟑. 𝟕𝟎𝟏 = 𝟏. 𝟓𝟒𝟎 𝟏𝟒 + 𝟏𝟐. 𝟎𝟏𝟓
𝟑𝟓. 𝟐𝟓𝟎 = 𝟏. 𝟓𝟒𝟎 𝟏𝟓 + 𝟏𝟐. 𝟎𝟏𝟓 2 3 7 23.000 22.858
𝟑𝟔. 𝟕𝟗𝟗 = 𝟏. 𝟓𝟒𝟎 𝟏𝟔 + 𝟏𝟐. 𝟎𝟏𝟓 2 4 8 38.000 24.407

EFECTOS 3 1 9 12.000 25.956

3 2 10 13.000 27.505
• Para el modelo lineal, los picos y los valles
propios de la estacionalidad son valores 3 3 11 32.000 29.054
extremos de las observaciones que, en virtud 3 4 12 41.000 30.603
del método de mínimos cuadrados ordinados,
producen apalancamiento 4 1 13 32.152
4 2 14 33.701
• Al ser relativamente simétricos en torno a la
línea de tendencia, la recta resultante resulta 4 3 15 35.250
equidistante entre los mismos
4 4 16 36.799
 REGRESIÓN LINEAL

45.000

41.000
40.000
38.000 14; 33.701
16; 36.799
35.000
34.000
15; 35.250
32.000
30.000
13; 32.152
Título del eje

25.000
23.000 23.000

20.000
18.000

15.000
13.000 13.000

10.000 10.000
12.000
8.000

5.000 Datos históricos Forecast

0
0 2 4 6 8 10 12 14 16 18
MÉTODO ESTÁTICO
• Adecuado para casos con Nivel L, Tendencia T, Estacionalidad S
• Principio de funcionamiento: Separar el nivel y la tendencia de la estacionalidad.
Estimar ambos por separado y luego multiplicar los resultados
1. Obtener la Demanda Desestacionalizada Observada 𝑫𝑫𝑶
2. Ajustar un modelo lineal sobre la demanda desestacionalizada observada, de
modo que 𝑫𝑫𝑶 = 𝜷𝟎 + 𝜷𝟏 (𝒕)
3. Obtener los valores de la Demanda desestacionalizada esperada 𝑫𝑫𝑬
෡𝒕 = 𝑫𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒅𝒂
4. Estimar los factores de estacionalidad sobre cada período 𝑺
𝑫𝑫𝑬

5. Promediar los estimadores de estacionalidad de cada período ഥ

෡𝒕
𝑺
Entonces, el pronóstico para un período t será
𝑭𝒕 = 𝑫𝑫𝑬 × 𝑺 ഥ
෡𝒕
 50.000 DEMANDA DESESTACIONALIZADA
y = 523,81x + 18439
EJEMPLO 40.000

30.000
R² = 0,9179

20.000

10.000

0
0 2 4 6 8 10 12 14

Demanda Factor de
Demanda Demanda
Trimestre Periodo Desestacionalizada Estacionalidad Forecast
Observada Desestacionalizada Estimada
Observada Estimado
1 1 8.000 18.963 0,42 8.944
2 2 13.000 19.487 0,67 13.317
3 3 23.000 19.750 20.010 1,15 23.426
4 4 34.000 20.625 20.534 1,66 34.178
1 5 10.000 21.250 21.058 0,47 9.933
2 6 18.000 21.750 21.582 0,83 14.749
3 7 23.000 22.500 22.106 1,04 25.879
4 8 38.000 22.125 22.629 1,68 37.665
1 9 12.000 22.625 23.153 0,52 10.921
2 10 13.000 24.125 23.677 0,55 16.181
3 11 32.000 24.201 1,32 28.332
4 12 41.000 24.725 1,66 41.152
1 13 25.249 11.909
2 14 25.772 30.172
3 15 26.296 30.785
4 16 26.820 44.640
1 0,47
FACTORES DE 2 0,68
ESTACIONALIDAD 3 1,17
4 1,66
 MÉTODO ESTÁTICO

50.000

45.000 16; 44.640

41.000
40.000
38.000
35.000
34.000 32.000 15; 30.785

30.000

25.000 23.000
18.000 23.000
20.000

14; 17.613
15.000
13.000 13.000
10.000 10.000 12.000 13; 11.909
8.000
5.000
Demanda Histórica Forecast

0
0 2 4 6 8 10 12 14 16 18
MÉTODOS DINÁMICOS O DE SUAVIZADO EXPONENCIAL
Supongamos que dadas 10 observaciones tenemos el siguiente diagrama de dispersión

En este caso el diagrama sugiere que la demanda observada tiene como componente único Nivel
que se establece en torno a 2. En consecuencia, entre los métodos estáticos, el que resulta más
apropiado es el de Media Móvil
Consideremos ahora esta otra situación
Los nuevos valores (marcados en rojo) sugieren un cambio en el patrón de comportamiento.
Entonces, se presentan las siguientes preguntas:
1. ¿Es confiable lo que se observa en los puntos rojos?
2. ¿Sigue vigente el patrón de comportamiento detectado en los primeros 10 períodos?
Los métodos de suavizado exponencial, se basan en la determinación del coeficiente de suavizado
exponencial 𝜶, en principio un valor subjetivo tal que 𝟎 ≤ 𝜶 ≤ 𝟏 y que, entre otras muchas
interpretaciones, puede entenderse como la ponderación que se le da a los datos más recientes.
1. Si los datos más recientes son confiables, se asignarán valores altos a 𝜶
2. Si los datos más antiguos siguen vigentes, se asignarán valores bajos a 𝜶
En los métodos de suavizado exponencial, los estimadores de Nivel, Tendencia y Estacionalidad se
actualizan después de que cada nueva observación de la demanda ocurre.
Pueden considerarse como una evolución del método de Media Móvil Ponderada, utilizando un
mecanismo de autocorrección que busca ajustar los pronósticos en dirección opuesta a las
desviaciones del pasado.
La expresión genérica de cualquiera de los métodos de suavizado existentes es:
𝑭𝒕+𝟏 = 𝜶𝑫𝒕 + 𝟏 − 𝜶 𝑭𝒕
donde
• 𝐹𝑡+1 = 𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑑𝑒𝑙 𝑝𝑒𝑟í𝑜𝑑𝑜 𝑡 + 1 𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒 𝑎𝑙 𝑎𝑐𝑡𝑢𝑎𝑙
• 𝐷𝑡 = 𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑟𝑒𝑎𝑙 𝑜𝑐𝑢𝑟𝑟𝑖𝑑𝑎 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡 ú𝑙𝑡𝑖𝑚𝑜 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑟𝑒𝑎𝑙 𝑜𝑐𝑢𝑟𝑟𝑖𝑑𝑎
• 𝐹𝑡 = 𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑑𝑒𝑙 𝑝𝑒𝑟í𝑜𝑑𝑜 𝑡 (que tiene en cuenta a los t – 1 periodos anteriores)
• 𝛼 = 𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑠𝑢𝑎𝑣𝑖𝑧𝑎𝑑𝑜 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙 → 0 ≤ 𝛼 ≤ 1
CARACTERÍSTICA DE LA CONSTANTE DE SUAVIZADO EXPONENCIAL 𝜶
Dado que 𝑭𝒕+𝟏 = 𝜶𝑫𝒕 + 𝟏 − 𝜶 𝑭𝒕 𝒄𝒐𝒏 𝟎 ≤ 𝜶 ≤ 𝟏
• 𝜶 = 𝟎: 𝐹𝑡+1 = 𝐹𝑡 – El pronóstico del próximo mes no tiene en cuenta los valores más recientes y
prioriza lo observado en meses anteriores.
• 𝜶 = 𝟏: 𝐹𝑡+1 = 𝐷𝑡 – El pronóstico del próximo mes es íntegramente el pronóstico del último mes
ocurrido
• La elección del valor adecuado para la constante de suavizado  requiere un cierto grado de
discernimiento.
- Cuanto más alto sea su valor, mayor será la ponderación que se otorgue sobre los niveles más recientes de
la demanda. Esto permite que el modelo responda más rápido a los cambios observados en la serie de
tiempo. Sin embargo, un valor de  demasiado alto puede “alterar” al pronóstico y hacerlo rastrear
variaciones aleatorias en lugar de los cambios fundamentales.
- Cuanto más pequeño sea el valor de 𝜶, mayor será el peso otorgado a la historia de la demanda para el
pronóstico de la demanda futura y mayor será el retraso de tiempo para responder a los cambios
fundamentales en el nivel de la demanda. Valores bajos de este coeficiente proporcionan pronósticos “muy
estables” que no son sujetos a fuertes influencias debido a la aleatoriedad en la serie de tiempo.
• Los valores adecuados para , típicamente van de 0,01 a 0,3, aunque es posible utilizar valores más altos
para periodos cortos cuando se presentan cambios anticipados, como una recesión, una campaña
promocional agresiva pero temporal, la suspensión de algunos productos en la línea, o el inicio del
procedimiento del pronóstico cuando no se disponen de ventas históricas o estas son muy pocas.
𝟐
• Un valor recomendado para un análisis inicial, es tomar 𝜶 = 𝒏+𝟏
¿POR QUÉ SE DENOMINA SUAVIZADO EXPONENCIAL?
Desarrollando las expresiones que se obtienen para los Forecast de un período en particular, se obtiene una
expresión generalizada para el Forecast del período t:
𝐹𝑡 = 𝛼𝐷𝑡−1 + 1 − 𝛼 𝐹𝑡−1
𝐹𝑡−1 = 𝛼𝐷𝑡−2 + 1 − 𝛼 𝐹𝑡−2

Entonces
𝐹𝑡 = 𝛼𝐷𝑡−1 + 1 − 𝛼 𝛼𝐷𝑡−2 + 1 − 𝛼 𝐹𝑡−2
𝐹𝑡 = 𝛼𝐷𝑡−1 + 1 − 𝛼 𝛼𝐷𝑡−2 + 1 − 𝛼 2 𝐹𝑡−2
• Si se grafican los coeficientes, se observa que siguen el patrón de una caída exponencial. En el suavizado
exponencial se asignan pesos a los datos pasados de forma tal que dichos pesos disminuyen al hacerse los
datos más antiguos, otorgando de ese modo, más valor a los datos recientes.
SUAVIZADO EXPONENCIAL SIMPLE
COMPONENTE SISTEMÁTICA: NIVEL 𝑳

COEFICIENTE DE SUAVIZADO EXPONENCIAL 𝜶

* Se calcula un nivel inicial 𝐿0 que se calcula como el promedio de todos los datos históricos, ya que se asume
que la demanda no tiene ni tendencia ni estacionalidad.
𝑛
1
𝐿0 = ෍ 𝐷𝑖
𝑛
𝑖=1
• El forecast correspondiente a cualquier período futuro es
𝐹𝑡 = 𝐿𝑡−1
• Después de observada la demanda en el período t se revisan los estimadores de nivel de ese periodo, de
modo que
𝐿𝑡 = 𝛼𝐷𝑡 + 1 − 𝛼 𝐹𝑡 = 𝐹𝑡+1

De este modo el nuevo valor del estimador del nivel, es un promedio ponderado entre el valor observado de
la demanda en el período t y el forecast de ese período que, en este método, es el estimador del nivel L en
periodo anterior.
EJEMPLO NUMÉRICO: 𝜶 = 𝟎, 𝟏
𝐿0 - Nivel Período 0: Promedio de todos los
datos = 22.083 Año Trimestre Periodo Demanda Nivel Forecast
𝐹1 - Forecast Período 1: 22.083
0 22.083
𝐿1 - Nivel Período 1:
2019 1 1 8.000 20.675 22.083
20675 = 0,1 13000 + 0,9 22083 = 20.675
2019 2 2 13.000 19.908 20.675
𝐹2 - Forecast Período 2: 20.675
2019 3 3 23.000 20.217 19.908
𝐿2 - Nivel Período 2:
19908 = 0,1 23000 + 0,9 20675 = 19.908 2019 4 4 34.000 21.595 20.217
𝐹3 - Forecast Período 3: 19.908 2020 1 5 10.000 20.436 21.595
EFECTOS 2020 2 6 18.000 20.192 20.436
• Dado que el coeficiente de suavizado 2020 3 7 23.000 20.473 20.192
exponencial 𝜶 es bajo, hace que el promedio 2020 4 8 38.000 22.226 20.473
general tomado originalmente se conserve a lo
largo del tiempo 2021 1 9 12.000 21.203 22.226
Si se hubiese tomado 𝜶 = 𝟎, 𝟕, 𝐿0 y 𝐹1 serían los 2021 2 10 13.000 20.383 21.203
mismos, pero 2021 3 11 32.000 21.544 20.383
𝐿1 - Nivel Período 1: 2021 4 12 41.000 23.490 21.544
12225 = 0,7 13000 + 0,3 22083 = 12.768
2022 1 13 23.490
𝐹3 - Forecast Período 2: 12.768
2022 2 14 23.490
Se produce una reducción en el Forecast del
período porque el valor observado (13.000) es 2022 3 15 23.490
sustancialmente menor que el promedio general 2022 4 16 23.490
(22.083) e incluso menor que el forecast que se
había hecho para ese período (20.675)
 SUAVIZADO EXPONENCIAL SIMPLE α=0,1

45.000

41.000
40.000
38.000

35.000
34.000
32.000
14; 23.490
30.000

16; 23.490
25.000
23.000 23.000

20.000
15; 23.490
18.000
13; 23.490
15.000
13.000 13.000

10.000 10.000 12.000

8.000

5.000
Datos originales Forecast

0
0 2 4 6 8 10 12 14 16 18
SUAVIZADO EXPONENCIAL DOBLE – METODO DE HOLT
COMPONENTES SISTEMÁTICAS: NIVEL 𝑳, TENDENCIA 𝑻

COEFICIENTE DE SUAVIZADO EXPONENCIAL 𝜶 para el nivel, 𝜷 para la tendencia

1. Se ajusta un modelo lineal sobre los datos, de modo que 𝑫𝒕 = 𝜷𝟎 + 𝜷𝟏 𝒕

2. En el período t
𝑭𝒕+𝒏 = 𝑳𝒕 + 𝒏𝑻𝒕

donde
𝐿𝑡+1 = 𝛼𝐷𝑡+1 + 1 − 𝛼 (𝐿𝑡 +𝑇𝑡 )
𝑇𝑡+1 = 𝛽(𝐿𝑡+1 − 𝐿𝑡 ) + (1 − 𝛽)𝑇𝑡
 SUAVIZADO EXPONENCIAL DOBLE
METODO DE HOLT α=0,1; β=0,2
45.000
41.000
40.000 16; 36.609
38.000 14; 33.526

35.000
34.000
32.000 15; 35.067
30.000
13; 31.985

25.000 23.000 23.000

20.000
18.000

15.000

13.000 13.000
10.000 10.000
12.000 Demanda Histórica

5.000 8.000 Forecast

0
0 2 4 6 8 10 12 14 16 18
SUAVIZADO EXPONENCIAL TRIPLE – METODO DE WINTER
COMPONENTES SISTEMÁTICAS: NIVEL 𝑳, TENDENCIA 𝑻, ESTACIONALIDAD 𝑺

COEFICIENTE DE SUAVIZADO EXPONENCIAL 𝜶 para nivel, 𝜷 para tendencia, 𝜸 para estacionalidad

• Asumiendo una periodicidad p, el método comienza estimando los valores de Nivel L0, Tendencia T0 y los
factores estaciones S1, S2, … , Sp. Esos estimadores se obtienen utilizando los mismos procedimientos que en
el método estático.
• En el período t, dados los estimadores Lt, Tt y St, …, St+p-1 , el Forecast para los futuros períodos resulta
𝐹𝑡+𝑙 = (𝐿𝑡 + 𝑙𝑇𝑡 ) × 𝑆𝑡+𝑙
• Después de observada la demanda en el período (t + 1) se revisan los estimadores, de modo que
𝐷𝑡+1
𝐿𝑡+1 = 𝛼 + 1 − 𝛼 (𝐿𝑡 +𝑇𝑡 )
𝑆𝑡+1
𝑇𝑡+1 = 𝛽(𝐿𝑡+1 − 𝐿𝑡 ) + (1 − 𝛽)𝑇𝑡
𝐷𝑡+1
𝑆𝑡+𝑝−1 = 𝛾 + (1 − 𝛾)𝑆𝑡+1
𝐿𝑡+1
- 𝛼 es la constante de suavizado para el nivel, 0 ≤ 𝛼 ≤ 1
- 𝛽 es la constante de suavizado para la tendencia, 0 ≤ 𝛽 ≤ 1
- 𝛾 es la constante de suavizado para el factor estacional, 0 ≤ 𝛾 ≤ 1
 SUAVIZADO EXPONENCIAL TRIPLE
METODO DE WINTER α=0,05; β=0,05; γ=0,05
50.000

45.000
16; 44.735
40.000 41.000
38.000
35.000
34.000 32.000
30.000 15; 30.860
25.000
23.000 23.000
20.000
18.000 14; 17.640
15.000
13.000 13.000
13; 11.938
10.000 10.000 12.000
8.000
5.000
Demanda Histórica Forecast
0
0 2 4 6 8 10 12 14 16 18