UNIVERSIDAD TECNOLÓGICA DEL PERÚ
GESTIÓN DE OPERACIONES
Curso: Gestión de Operaciones Docente: Karen Crespo Quesada
Clase Semana 15
Escuela de Ingeniería Industrial
INICIO
GESTIÓN DE OPERACIONES
Unidad 4: Pronóstico
Docente: Karen Crespo Quesada
Curso: Diseño de planta y equipos Escuela de Ingeniería Industrial
LOGROS DE APRENDIZAJE
Unidad y logros de Aprendizaje:
Unidad de Aprendizaje 4: Pronóstico Semana: 15
Logro específico de aprendizaje: Al finalizar la unidad el estudiante analiza y realiza el análisis d los
inventarios en dos casos particulares
Escuela de Ingeniería Industrial
DESARROLL
O TEMAS :
Temario Semana 16:
- Datos estacionarios,
- Tendencia, estacional, cíclicos
- Medición del error de pronósticos
Datos Estacionarios
➢ Los datos estacionarios son series temporales que tienen
propiedades estadísticas que no cambian con el tiempo.
➢ Esto significa que la media, la varianza y la covarianza de los
datos son constantes a lo largo del tiempo.
➢ La estacionariedad es importante en el análisis de series
temporales porque muchos métodos de análisis, como el modelo
ARIMA (Autorregresivo Integrado de Media Móvil), asumen que los
datos son estacionarios.
Tipos de datos estacionarios
➢ Estacionarios débiles:
La media y la varianza son constantes, y la covarianza no depende del tiempo.
➢ Estacionarios fuertes:
Todas las propiedades de distribución son invariantes en el tiempo.
Detección de estacionariedad:
➢ Gráficos de la serie temporal:
Observar visualmente si hay patrones de cambio.
➢ Prueba de Dickey-Fuller:
Para determinar si una serie es no estacionaria en la media.
Tendencia
La tendencia se refiere a la dirección general que sigue una
serie temporal a lo largo del tiempo.
Puede ser ascendente, descendente o constante.
La tendencia indica un cambio a largo plazo en los datos.
Existen varias maneras de modelar la tendencia:
1.- Métodos para identificar y modelar tendencias:
● Regresión lineal:
Se puede ajustar una línea recta para representar la tendencia.
● Suavizamiento exponencial:
Un método que asigna pesos decrecientes a los datos más antiguos.
2.- Visualización de la tendencia:
● Gráficos de líneas que muestran la evolución de los datos a lo largo del
tiempo.
Estacionalidad
La estacionalidad se refiere a patrones que se repiten en intervalos regulares
de tiempo, como meses, trimestres o días de la semana.
Estos patrones son el resultado de factores estacionales, como cambios
meteorológicos, festividades, o incluso comportamientos de consumidores.
Identificación de la estacionalidad:
● Descomposición de series temporales:
Modelar la serie en componentes como tendencia, estacionalidad, y
residuos.
Modelos para tratar la estacionalidad:
● Modelos aditivos: Utilizados cuando el efecto estacional es constante en
diferentes niveles de la serie.
● Modelos multiplicativos: Utilizados cuando el efecto estacional varía con el
nivel de la serie.
Componentes Cíclicos
Los componentes cíclicos son fluctuaciones en una serie temporal que ocurren a
intervalos irregulares, normalmente en relación con ciclos económicos u otros
factores.
A diferencia de la estacionalidad, los ciclos pueden durar más o menos tiempo y
no tienen una frecuencia establecida.
Identificación de ciclos:
● Detección visual en gráficas amplias y analizando datos históricos.
Ejemplo
● Expansiones y contracciones económicas que pueden durar varios años.
Medición del Error de los Pronósticos
1. Error Cuadrático Medio (MSE)
El Error Cuadrático Medio (MSE) mide el promedio de los errores al cuadrado.
Su fórmula es:
Un MSE de 0 indica un ajuste perfecto del modelo a los datos, es decir, todas las predicciones
son exactamente las mismas que los valores observados.
Un MSE mayor indica un mayor error en las predicciones.
Sin embargo, el MSE también es sensible a los valores atípicos debido al uso del cuadrado, lo
que significa que modelos con errores grandes pueden impactar mucho la métrica total.
2.- Error Absoluto Medio (MAE)
El Error Absoluto Medio (MAE) es una métrica que mide el promedio de los errores absolutos de los
pronósticos.
Se calcula como sigue:
● (n): Número total de observaciones.
● (y1): Valor real en el tiempo (t).
● (yi): Valor pronosticado en el tiempo (t).
● (|y1-y1|): Representa el error absoluto para cada observación; es la diferencia entre el valor real
y el valor pronosticado, sin importar el signo (lo que significa que es positivo).
●
➢ Un MAE de 0 indica un ajuste perfecto del modelo, es decir, las predicciones son
exactamente iguales a los valores reales.
➢ A diferencia del MSE, que penaliza más fuertemente los errores grandes debido al
cuadrado, el MAE proporciona una visión más directa de la magnitud promedio de los
errores en las predicciones.
3. Raíz del Error Cuadrático Medio (RMSE)
La Raíz del Error Cuadrático Medio (RMSE) es simplemente la raíz cuadrada del MSE:
● Al calcular el RMSE, devolvemos la métrica a las mismas unidades de los datos
originales, lo que hace que sea más fácil interpretar el resultado.
El RMSE también se interpreta de manera similar al MAE: un valor más bajo indica un
pronóstico más preciso, y como penaliza diferencias grandes, es útil cuando los errores más
grandes son menos aceptables.
Formula:
4. Porcentaje de Error Absoluto Medio (MAPE)
El Porcentaje de Error Absoluto Medio (MAPE) proporciona una forma de medir el error como un
porcentaje respecto a los valores reales:
● (n): Número total de observaciones.
● (yi): Valor real en el tiempo (t).
● (y}t): Valor pronosticado en el tiempo (t).
● ({yi -yt|): Esta fracción tiene el valor absoluto de la diferencia entre el valor real y el valor
pronosticado, dividido por el valor real, lo cual convierte el error en un porcentaje.
El MAPE es una herramienta poderosa para evaluar la precisión de los pronósticos. Al
expresar el error en porcentajes, permite una interpretación más intuitiva de las
desviaciones entre los valores reales y las predicciones
Conclusión
Debes resaltar que todas estas métricas son herramientas importantes para
evaluar la precisión de modelos de pronósticos.
Cada una tiene sus características y el contexto de los datos puede influir en cuál
de ellas es más útil para un análisis particular.
CASO PRACTICO
Supongamos que tenemos un conjunto de datos de ventas reales y pronosticadas para un producto
durante cinco meses:
CALCULAR:
- MAPE
- Calcular la diferencia absoluta en
porcentaje para cada mes:
- Promediar los errores absolutos
porcentuales
GRACIAS
Escuela de Ingeniería Industrial
