Pronóstico Del Promedio Móvil De Cinco Periodos

Moving Average Forecasting Introducción. Como usted podría adivinar, estamos estudiando algunos de los enfoques más primitivos para la predicción. Pero espero que estas sean al menos una introducción valiosa a algunos de los problemas de computación relacionados con la implementación de pronósticos en hojas de cálculo. En este sentido, continuaremos comenzando desde el principio y comenzando a trabajar con las previsiones de Media móvil. Pronósticos de media móvil. Todo el mundo está familiarizado con los pronósticos de promedio móvil, independientemente de si creen que son. Todos los estudiantes universitarios lo hacen todo el tiempo. Piense en los resultados de su examen en un curso en el que va a tener cuatro pruebas durante el semestre. Supongamos que tienes un 85 en tu primera prueba. ¿Qué predecirías para tu segundo puntaje de prueba? ¿Qué crees que tu maestro predijo para tu siguiente puntaje de prueba? ¿Qué crees que tus amigos podrían predecir para tu siguiente puntaje de prueba? ¿Qué crees que tus padres podrían predecir para tu próximo puntaje de prueba? Todo el blabbing que usted puede hacer a sus amigos y padres, él y su profesor son muy probables esperar que usted consiga algo en el área de los 85 que usted acaba de conseguir. Bueno, ahora vamos a suponer que a pesar de su autopromoción a sus amigos, se sobrevaloran a sí mismos y la figura que puede estudiar menos para la segunda prueba y por lo que se obtiene un 73. Ahora lo que todos los interesados ​​y despreocupado va a Anticipar que usted conseguirá en su tercer examen Hay dos acercamientos muy probables para que desarrollen una estimación sin importar si lo compartirán con usted. Pueden decir a sí mismos: "Este tipo siempre está soplando el humo de su inteligencia. Hes va a conseguir otro 73 si hes suerte. Tal vez los padres tratarán de ser más solidarios y decir: "Bueno, hasta ahora has conseguido un 85 y un 73, por lo que tal vez debería figura en obtener sobre un (85 73) / 2 79. No sé, tal vez si usted hizo menos Fiesta y werent meneando la comadreja en todo el lugar y si usted comenzó a hacer mucho más estudiando que podría obtener una puntuación más alta. quot Ambos de estos estimados son en realidad las previsiones de promedio móvil. El primero es usar sólo su puntaje más reciente para pronosticar su rendimiento futuro. Esto se denomina pronóstico de media móvil utilizando un período de datos. El segundo es también un pronóstico de media móvil, pero utilizando dos períodos de datos. Vamos a asumir que todas estas personas estallando en su gran mente tienen tipo de molesto y usted decide hacer bien en la tercera prueba por sus propias razones y poner una puntuación más alta en frente de sus quotalliesquot. Usted toma la prueba y su puntuación es en realidad un 89 Todos, incluido usted mismo, está impresionado. Así que ahora tiene la prueba final del semestre que viene y como de costumbre se siente la necesidad de incitar a todos a hacer sus predicciones acerca de cómo youll hacer en la última prueba. Bueno, espero que veas el patrón. Ahora, espero que puedas ver el patrón. ¿Cuál crees que es el silbido más preciso mientras trabajamos? Ahora volvemos a nuestra nueva compañía de limpieza iniciada por su hermana separada llamada Whistle While We Work. Usted tiene algunos datos de ventas anteriores representados en la siguiente sección de una hoja de cálculo. Primero presentamos los datos para un pronóstico de media móvil de tres periodos. La entrada para la celda C6 debe ser Ahora puede copiar esta fórmula de celda abajo a las otras celdas C7 a C11. Observe cómo el promedio se mueve sobre los datos históricos más recientes, pero utiliza exactamente los tres períodos más recientes disponibles para cada predicción. También debe notar que realmente no necesitamos hacer las predicciones para los períodos pasados ​​con el fin de desarrollar nuestra predicción más reciente. Esto es definitivamente diferente del modelo de suavizado exponencial. He incluido las predicciones anteriores porque las usaremos en la siguiente página web para medir la validez de la predicción. Ahora quiero presentar los resultados análogos para un pronóstico de media móvil de dos periodos. La entrada para la celda C5 debe ser Ahora puede copiar esta fórmula de celda abajo a las otras celdas C6 a C11. Observe cómo ahora sólo se usan las dos más recientes piezas de datos históricos para cada predicción. Nuevamente he incluido las predicciones anteriores para fines ilustrativos y para uso posterior en la validación de pronósticos. Algunas otras cosas que son importantes de notar. Para una predicción de promedio móvil del período m sólo se usan los m valores de datos más recientes para hacer la predicción. Nada más es necesario. Para una predicción media móvil del período m, al hacer predicciones quotpast, observe que la primera predicción ocurre en el período m 1. Ambas cuestiones serán muy significativas cuando desarrollemos nuestro código. Desarrollo de la función de media móvil. Ahora necesitamos desarrollar el código para el pronóstico del promedio móvil que se puede usar con más flexibilidad. El código sigue. Observe que las entradas son para el número de períodos que desea utilizar en el pronóstico y la matriz de valores históricos. Puede guardarlo en cualquier libro que desee. Función MovingAverage (Histórica, NumberOfPeriods) Como única Declaración e inicialización de variables Dim Item como variante Dim Contador como Entero Dim Acumulación como único Dim HistoricalSize As Entero Inicialización de variables Counter 1 Acumulación 0 Determinación del tamaño del historial HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Acumulación del número apropiado de los valores observados anteriormente más recientes Acumulación Acumulación Histórica (HistoricalSize - NumberOfPeriods Counter) MovingAverage Acumulación / NumberOfPeriods El código se explicará en la clase. Desea posicionar la función en la hoja de cálculo para que el resultado del cálculo aparezca donde debería ser como el siguiente. En la práctica, el promedio móvil proporcionará una buena estimación de la media de la serie temporal si la media es constante o cambia lentamente. En el caso de una media constante, el mayor valor de m dará las mejores estimaciones de la media subyacente. Un período de observación más largo promediará los efectos de la variabilidad. El propósito de proporcionar un m más pequeño es permitir que el pronóstico responda a un cambio en el proceso subyacente. Para ilustrar, proponemos un conjunto de datos que incorpora cambios en la media subyacente de la serie temporal. La figura muestra las series temporales utilizadas para la ilustración junto con la demanda media a partir de la cual se generó la serie. La media comienza como una constante en 10. Comenzando en el tiempo 21, aumenta en una unidad en cada período hasta que alcanza el valor de 20 en el tiempo 30. Entonces se vuelve constante otra vez. Los datos se simulan sumando a la media un ruido aleatorio de una distribución Normal con media cero y desviación estándar 3. Los resultados de la simulación se redondean al entero más próximo. La tabla muestra las observaciones simuladas utilizadas para el ejemplo. Cuando usamos la tabla, debemos recordar que en cualquier momento dado, sólo se conocen los datos pasados. Las estimaciones del parámetro del modelo, para tres valores diferentes de m se muestran junto con la media de las series temporales de la siguiente figura. La figura muestra la media móvil de la estimación de la media en cada momento y no la previsión. Los pronósticos cambiarían las curvas de media móvil a la derecha por períodos. Una conclusión es inmediatamente aparente de la figura. Para las tres estimaciones, la media móvil se queda por detrás de la tendencia lineal, con el rezago aumentando con m. El retraso es la distancia entre el modelo y la estimación en la dimensión temporal. Debido al desfase, el promedio móvil subestima las observaciones a medida que la media aumenta. El sesgo del estimador es la diferencia en un tiempo específico en el valor medio del modelo y el valor medio predicho por el promedio móvil. El sesgo cuando la media está aumentando es negativo. Para una media decreciente, el sesgo es positivo. El retraso en el tiempo y el sesgo introducido en la estimación son funciones de m. Cuanto mayor sea el valor de m. Mayor es la magnitud del retraso y sesgo. Para una serie cada vez mayor con tendencia a. Los valores de retraso y sesgo del estimador de la media se dan en las ecuaciones siguientes. Las curvas de ejemplo no coinciden con estas ecuaciones porque el modelo de ejemplo no está aumentando continuamente, sino que comienza como una constante, cambia a una tendencia y luego se vuelve constante otra vez. También las curvas de ejemplo son afectadas por el ruido. El pronóstico de media móvil de los períodos en el futuro se representa desplazando las curvas hacia la derecha. El desfase y sesgo aumentan proporcionalmente. Las ecuaciones a continuación indican el retraso y sesgo de los períodos de previsión en el futuro en comparación con los parámetros del modelo. Nuevamente, estas fórmulas son para una serie de tiempo con una tendencia lineal constante. No debemos sorprendernos de este resultado. El estimador del promedio móvil se basa en el supuesto de una media constante, y el ejemplo tiene una tendencia lineal en la media durante una parte del período de estudio. Dado que las series de tiempo real rara vez obedecerán exactamente las suposiciones de cualquier modelo, debemos estar preparados para tales resultados. También podemos concluir de la figura que la variabilidad del ruido tiene el efecto más grande para m más pequeño. La estimación es mucho más volátil para el promedio móvil de 5 que el promedio móvil de 20. Tenemos los deseos en conflicto de aumentar m para reducir el efecto de la variabilidad debido al ruido y disminuir m para hacer el pronóstico más sensible a los cambios En promedio El error es la diferencia entre los datos reales y el valor previsto. Si la serie temporal es verdaderamente un valor constante, el valor esperado del error es cero y la varianza del error está compuesta por un término que es una función de y un segundo término que es la varianza del ruido. El primer término es la varianza de la media estimada con una muestra de m observaciones, suponiendo que los datos provienen de una población con una media constante. Este término se minimiza haciendo m tan grande como sea posible. Un m grande hace que el pronóstico no responda a un cambio en la serie temporal subyacente. Para hacer que el pronóstico responda a los cambios, queremos que m sea lo más pequeño posible (1), pero esto aumenta la varianza del error. La predicción práctica requiere un valor intermedio. Previsión con Excel El complemento de previsión implementa las fórmulas de promedio móvil. El siguiente ejemplo muestra el análisis proporcionado por el complemento para los datos de muestra en la columna B. Las primeras 10 observaciones se indexan -9 a 0. En comparación con la tabla anterior, los índices de período se desplazan en -10. Las primeras diez observaciones proporcionan los valores iniciales para la estimación y se utilizan para calcular la media móvil para el período 0. La columna MA (10) (C) muestra las medias móviles calculadas. El parámetro de la media móvil m está en la celda C3. La columna Fore (1) (D) muestra una previsión para un período en el futuro. El intervalo de pronóstico está en la celda D3. Cuando el intervalo de pronóstico se cambia a un número mayor, los números de la columna Fore se desplazan hacia abajo. La columna Err (1) (E) muestra la diferencia entre la observación y el pronóstico. Por ejemplo, la observación en el tiempo 1 es 6. El valor pronosticado a partir de la media móvil en el tiempo 0 es 11.1. El error entonces es -5.1. La desviación estándar y la media de la desviación media (MAD) se calculan en las celdas E6 y E7, respectivamente. Capítulo 12 Planificación de la demanda: previsión y gestión de la demanda Como este estudio, cree una cuenta gratuita para guardarla. Regístrese para obtener una cuenta Crear una cuenta La principal diferencia entre la gestión de la demanda y la previsión de la demanda es La predicción sólo es posible cuando los datos cuantitativos están disponibles. Una empresa no puede ejecutar ambos enfoques simultáneamente. La gestión de la demanda es proactiva, mientras que la predicción intenta predecir. Un enfoque se ocupa de la incertidumbre, mientras que el otro se ocupa de la demanda conocida. La gestión de la demanda es proactiva, mientras que la predicción intenta predecir. La gestión de la demanda proactivamente intenta influir en la demanda, mientras que la previsión simplemente intenta predecir la demanda. La planificación de la demanda estratégica sería mejor utilizada: Para determinar los planes de contratación o despido de los empleados. Para determinar los planes para las horas extraordinarias del empleado. Decidir si cerrar o no una planta de fabricación. Dirigir operaciones diarias en una planta de fabricación. Decidir si cerrar o no una planta de fabricación. La planificación estratégica de la demanda es necesaria para tomar decisiones a largo plazo, como construir o cerrar una planta. Los otros descritos son decisiones a más corto plazo. La demanda de vivienda se caracteriza por un patrón regular de aumento a un pico, luego la caída. Cuando la demanda alcanza un punto bajo, entonces repite el patrón. Este patrón suele tener lugar durante un período de tres a cinco años. Esto es un ejemplo de qué tipo de patrón de demanda. Autocorrelación Cambio de paso Tendencia Estacionalidad y ciclos Estacionalidad y ciclos La estacionalidad y los ciclos son patrones regulares de repetición de máximos y mínimos, como se describe en este ejemplo Convex Computer Company hace muchas predicciones diferentes. ¿Cuál de los siguientes pronósticos es probablemente el menos exacto Número total de escritorios que se venderán el próximo año. Número total de portátiles que se venderán el próximo mes. Número total de computadoras (ordenadores portátiles y de sobremesa) que se venderán el próximo mes. Número total de portátiles con 2 gigabytes de RAM, 80 gigabytes de disco duro y 16 unidades de DVD para ser vendidos el próximo año. Número total de portátiles con 2 gigabytes de RAM, 80 gigabytes de disco duro y 16 unidades de DVD para ser vendidos el próximo año. Cuanto más detallada sea la previsión, menos probable será. D es el más detallado. Una empresa tiene la siguiente información con respecto a su desempeño de previsión en los últimos tres períodos. ¿Cuál es la desviación absoluta media (MAD) 200 Sumando los valores absolutos de los errores y determinando los resultados promedio en (300 200 100) / 3 200. El diseño de productos posponibles tiene el potencial de permitir a los gerentes de operaciones: Stock para montar o realizar operaciones de pedido. Influir en el momento de la demanda. Todos estos. Muévase de build-a-stock para montar o hacer-a-orden las operaciones. Productos posponibles obtener la forma final después de la demanda del cliente es realmente conocido. Algunos pronósticos siguen siendo necesarios (para los componentes), y el calendario de la demanda no se cambia. En los últimos años algunas empresas han comenzado a trabajar estrechamente con sus clientes y / o proveedores compartiendo información para desarrollar planes de demanda y ejecutar esos planes. El procedimiento que están siguiendo es conocido como: Planificación, previsión y reposición colaborativa. Análisis y pronóstico conjuntos. Planificación conjunta de las previsiones de demanda. Planificación coordinada de los requisitos. Planificación, previsión y reposición colaborativa. La planificación, previsión y reposición colaborativa es un proceso para compartir información y planes con los socios de la cadena de suministro. Suponga que la previsión para el último período es FITt 200 unidades, y la experiencia reciente sugiere un probable aumento de ventas de 10 unidades cada período. Las ventas reales del último período alcanzaron las 230 unidades. Suponiendo un coeficiente de suavizado de 0,20 y un coeficiente de suavizado de tendencia de 0,10, ¿cuál es el pronóstico de BASE para el siguiente período Ft1 FITt (dt - FITt) 200 0,20 (230 - 200) 206 suponemos que la previsión para el último período es FITt 200 unidades , Y la experiencia reciente sugiere un probable aumento de ventas de 10 unidades cada período. Las ventas reales del último período alcanzaron las 230 unidades. Suponiendo un coeficiente de suavizado de 0,20 y un coeficiente de suavizado de tendencia de 0,10, ¿cuál es el pronóstico AJUSTADO para el siguiente período? Tt1 Tt (Ft1 - FITt) 10 0.10 (206 - 200) 10 0,6 10,6. FITt1 Ft1 Tt1 206 10,6 216,6. Suponga que la previsión para el último período es FITt 200 unidades, y la experiencia reciente sugiere un probable aumento de ventas de 10 unidades cada período. Las ventas reales del último período alcanzaron las 230 unidades. Suponiendo un coeficiente de suavizado de 0,20 y un coeficiente de suavizado de tendencia de 0,10, si la demanda en el período t1 resultó ser 220, ¿cuál es la previsión ajustada para el período t2 (escoja la respuesta cerrada)? El término de advertencia que lleva la amenaza de daño en el peor, e incertidumbre en el mejor de los casos, a aquellos dentro del rango de potencial. Cast 133 que sirve un proyectil a lo invisible y por lo general desconocido por debajo de la previsión de superficie engañosa. . Una advertencia para quienes la usan. Una confesión de incertidumbre (o engaño) por parte de quienes la crean. Una amenaza de daño a los que están en su camino De Tom Brown en Aprovechar al máximo el pronóstico 2.1: Introducción a la predicción Aunque los métodos cuantitativos de negocios pueden ser estudiados como módulos independientes, creo que es apropiado que el texto sitúa el material de pronóstico inmediatamente después análisis de decisión. Recordemos en nuestros problemas de análisis de decisiones, los estados de naturaleza generalmente se refieren a niveles variables de demanda o alguna otra variable desconocida en el futuro. Predecir, con cierta medida de precisión o confiabilidad, cuáles serán esos niveles de demanda será nuestro próximo tema. Las previsiones son más que simples extrapolaciones de datos pasados ​​en el futuro utilizando fórmulas matemáticas o recopilando tendencias de expertos133. Los pronósticos son mecanismos para llegar a medidas para planificar el futuro. Cuando se hace correctamente, proporcionan una pista de auditoría y una medida de su exactitud. Cuando no se hace correctamente, nos recuerdan a Tom Browns desglose inteligente del término repetido en la apertura de estas notas. No sólo las previsiones nos ayudan a planificar, sino que nos ayudan a ahorrar dinero. Tengo conocimiento de una empresa que redujo su inversión en inventario de 28 millones a 22 millones mediante la adopción de un método de pronóstico formal que redujo el error de pronóstico en 10. Este es un ejemplo de previsiones Ayudando a las compañías de productos a reemplazar el inventario con información, lo que no solo ahorra dinero sino que mejora la respuesta y el servicio al cliente. Cuando usamos el término pronóstico en un curso de métodos cuantitativos, generalmente nos referimos a métodos cuantitativos de predicción de series temporales. Estos modelos son apropiados cuando: 1) se dispone de información anterior sobre la variable que se está pronosticando, 2) se puede cuantificar la información, y 3) se supone que los patrones de los datos históricos continuarán en el futuro. Si los datos históricos están restringidos a valores pasados ​​de la variable de respuesta de interés, el procedimiento de pronóstico se denomina método de series de tiempo. Por ejemplo, muchas previsiones de ventas se basan en los métodos clásicos de series de tiempo que cubriremos en este módulo. Cuando el pronóstico se basa en ventas anteriores, tenemos una previsión de series de tiempo. Una nota lateral: aunque he dicho que las ventas por encima, siempre que sea posible, tratamos de pronosticar las ventas en función de la demanda pasada en lugar de las ventas133 por qué Supongamos que posee una tienda de camisetas en la playa. Usted almacena 100 Spring Break 2000 camisetas preparándose para las vacaciones de primavera. Supongamos además que 110 Spring Breakers ingresan a su tienda para comprar las camisetas Spring Break 2000. ¿Cuáles son sus ventas? Eso es correcto, 100. Pero ¿cuál es su demanda de nuevo, 110. Usted desea utilizar la cifra de demanda, en lugar de la cifra de ventas, en la preparación para el próximo año como las cifras de ventas no capturar sus salidas de stock. Entonces, ¿por qué muchas empresas hacen previsiones de ventas basadas en las ventas pasadas y no en la demanda? La razón principal es el costo: las ventas se capturan fácilmente en la estación de salida, pero necesita una característica adicional en su sistema de información de gestión para captar la demanda. Volver a la introducción. La otra categoría principal de métodos de pronóstico que se basan en datos pasados ​​son modelos de regresión. A menudo denominados modelos causales como en nuestro texto. Estos modelos basan su predicción de los valores futuros de la variable de respuesta, por ejemplo las ventas, en variables relacionadas como el ingreso personal disponible, el género y quizás la edad del consumidor. Estudia modelos de regresión en el curso de estadística, por lo que no los cubriremos en este curso. Sin embargo, quiero decir que debemos usar el término causal con precaución, ya que la edad, el género o el ingreso personal disponible pueden estar muy relacionados con las ventas, pero la edad, el género o el ingreso personal disponible no pueden causar ventas. Sólo podemos probar la causalidad en un experimento. La categoría principal final de modelos de predicción incluye métodos cualitativos que generalmente implican el uso de juicios de expertos para desarrollar el pronóstico. Estos métodos son útiles cuando no tenemos datos históricos, como el caso cuando estamos lanzando una nueva línea de productos sin experiencia previa. Estos métodos también son útiles cuando estamos haciendo proyecciones en un futuro lejano. Vamos a cubrir uno de los modelos cualitativos en esta introducción. En primer lugar, vamos a examinar un esquema de clasificación simple para las directrices generales en la selección de un método de previsión, y luego cubrir algunos principios básicos de la previsión. Selección de un método de pronóstico La siguiente tabla ilustra las pautas generales para seleccionar un método de pronóstico basado en criterios de tiempo y propósito. Proyección de tendencia Media móvil Suavización exponencial Por favor entienda que estas son pautas generales. Usted puede encontrar una empresa que utiliza la proyección de la tendencia para hacer pronósticos fiables para las ventas de productos de 3 años en el futuro. También hay que señalar que dado que las empresas utilizan paquetes de previsión de series temporales de software informático en lugar de cálculos manuales, pueden probar varias técnicas diferentes y seleccionar la técnica que tenga la mejor medida de precisión (el error más bajo). Al discutir las diferentes técnicas, y sus propiedades, suposiciones y limitaciones, espero que obtendrá una apreciación para el esquema de clasificación anterior. Principios de predicción Los esquemas de clasificación como el anterior son útiles para ayudar a seleccionar los métodos de pronóstico apropiados para el tiempo y el propósito a la mano. También hay algunos principios generales que deben ser considerados cuando preparamos y usamos pronósticos, especialmente aquellos basados ​​en métodos de series de tiempo. Oliver W. Wight en Producción y Control de Inventario en la Era Computacional. Y Thomas H. Fuller en Microcomputadores en Producción y Gestión de Inventario desarrolló un conjunto de principios para la producción y la comunidad de control de inventario hace un tiempo que creo que tienen aplicación universal. 1. A menos que el método sea 100 exacto, debe ser lo suficientemente simple para que las personas que lo usan lo entiendan inteligentemente (lo entiendan, lo expliquen y lo replicen). 2. Toda previsión debe ir acompañada de una estimación del error (la medida de su exactitud). 3. Las previsiones a largo plazo deben abarcar el mayor número posible de partidas que restrinjan las previsiones individuales a corto plazo. 4. El elemento más importante de cualquier esquema de pronóstico es esa cosa entre el teclado y la silla. El primer principio sugiere que usted puede conseguir con el tratamiento de un método de pronóstico como una caja negra, siempre y cuando sea 100 precisión. Es decir, si un analista simplemente alimenta datos históricos en la computadora y acepta e implementa la salida del pronóstico sin ninguna idea de cómo se hicieron los cálculos, ese analista está tratando el método de pronóstico como una caja negra. Esto está bien siempre y cuando el error de pronóstico (observación real - observación pronosticada) sea cero. Si el pronóstico no es confiable (alto error), el analista debe estar, al menos, muy avergonzado por no ser capaz de explicar lo que salió mal. Puede haber consecuencias mucho peores que la vergüenza si los presupuestos y otros eventos de planificación se basan en gran medida en el pronóstico erróneo. El segundo principio es realmente importante. En la sección 2.2 se presentará una forma sencilla de medir el error de pronóstico, la diferencia entre lo que realmente ocurre y lo que se preveía que ocurriera para cada período de tiempo de pronóstico. Aquí está la idea. Supongamos que una compañía de automóviles predice las ventas de 30 coches el próximo mes usando el método A. El método B también viene con una predicción de 30 coches. Sin saber la medida de exactitud de los dos Métodos, seríamos indiferentes en cuanto a su selección. Sin embargo, si supiéramos que el error compuesto para el Método A es de - 2 coches en un horizonte de tiempo relevante y el error compuesto para el Método B es de - 10 coches, seleccionaríamos el Método A sobre el Método B. ¿Por qué un método tendría Tanto error comparado con otro Eso será uno de nuestros objetivos de aprendizaje en este módulo. Puede ser porque usamos un método de suavizado en lugar de un método que incorpora la proyección de tendencias cuando no deberíamos tener - como cuando los datos muestran una tendencia de crecimiento. Los métodos de suavizado, como el suavizado exponencial, siempre demoran las tendencias, lo que resulta en un error de pronóstico. El tercer principio podría ser mejor ilustrado por un ejemplo. Supongamos que usted es Director de Operaciones de un hospital y usted es responsable de prever la demanda de camas para pacientes. Si su previsión iba a ser para la planificación de la capacidad en tres años a partir de ahora, es posible que desee pronosticar el total de camas de pacientes para el año 2003. Por otro lado, si usted iba a pronosticar la demanda de camas de pacientes para abril de 2000, , Entonces usted necesitaría hacer pronósticos por separado para las camas del paciente de la sala de emergencia, camas del paciente de la recuperación de la cirugía, camas del paciente de OB, y así sucesivamente. Cuando se requiere mucho detalle, se adhieren a un horizonte de pronóstico a corto plazo para agregar sus líneas de productos / tipo de pacientes / etc. Cuando se hacen pronósticos a largo plazo. Esto generalmente reduce el error de pronóstico en ambas situaciones. Deberíamos aplicar el último principio a cualquier método cuantitativo. Siempre hay espacio para ajustes de juicio a nuestras previsiones cuantitativas. Me gusta esta cita de Alfred North Whitehead en An Introduction to Mathematics. No hay más error común que suponer que, debido a cálculos matemáticos prolongados y precisos, la aplicación del resultado a algún hecho de la naturaleza es absolutamente cierta. Por supuesto, el juicio puede ser apagado también. ¿Qué tal este pronóstico hecho en 1943 por el presidente de IBM, Thomas Watson: Creo que hay un mercado mundial de unos cinco ordenadores. Cómo podemos mejorar la aplicación del juicio Ése es nuestro próximo tema. El método Delphi de pronóstico El método Delphi de pronóstico es una técnica cualitativa popularizada por la Corporación Rand. Pertenece a la familia de técnicas que incluyen métodos como Grass Roots, Panel de Investigación de Mercados, Analogía Histórica, Juicio Experto y Composición de Fuerza de Ventas. La cosa en común con estos enfoques es el uso de las opiniones de los expertos, en lugar de datos históricos, para hacer predicciones y pronósticos. Los temas de estas previsiones son típicamente la predicción de desarrollos políticos, sociales, económicos o tecnológicos que podrían sugerir nuevos programas, productos o respuestas de la organización que patrocina el estudio Delphi. Mi primera experiencia con técnicas de predicción de juicio de expertos fue en mi última asignación durante mi pasada carrera en la Fuerza Aérea de los Estados Unidos. En esa asignación, fui Director de Programas de Transporte en el Pentágono. Una vez al año, mi jefe, el Director de Transporte, reuniría a líderes de alto nivel (y sus oficiales de acción) en una conferencia para formular planes y programas de transporte para los próximos cinco años. Estos programas se convirtieron entonces en la base para la presupuestación, adquisición, etc. Uno de los ejercicios que hicimos fue un Método Delphi para predecir desarrollos que tendrían un impacto significativo en los programas de Transporte de la Fuerza Aérea. Recuerdo que uno de los desarrollos que predijimos en una conferencia a principios de los 80 fue el acelerado movimiento de los sistemas de transporte estratégico descentralizado a centralizado en el ejército. Como resultado, comenzamos a posicionar a la Fuerza Aérea para el comando de transporte unificado varios años antes de que se hiciera realidad. Paso 1. El Método Delphi de Pronóstico, al igual que las otras técnicas de juicio, comienza con la selección de los expertos. Por supuesto, aquí es donde estas técnicas pueden fallar - cuando los expertos no son realmente expertos en absoluto. Tal vez el jefe se incluye como un experto para el estudio Delphi, pero mientras que el jefe es grande en la gestión de los recursos, él o ella puede ser terrible en la lectura del entorno y la predicción de los desarrollos. Paso 2. El primer paso formal es obtener un pronóstico anónimo sobre el tema de interés. Esto se llama Ronda 1. En este caso, se pedirá a los expertos que proporcionen un desarrollo político, económico, social o tecnológico de interés para la organización que patrocina el Método Delphi. Los pronósticos anónimos pueden ser recolectados a través de un Sitio Web, por correo electrónico o por medio de un cuestionario. También pueden ser reunidos en un grupo vivo, pero el efecto halo puede sofocar el flujo libre de las predicciones. Por ejemplo, sería común que el grupo de expertos reunidos en el Pentágono incluya oficiales generales. Varios de los generales eran grandes líderes en el campo, pero no grandes visionarios cuando se trataba de desarrollos logísticos. Por otra parte, sus oficiales de la acción de teniente coronel eran muy buenos pensadores y sabían mucho sobre lo que estaba en el horizonte para los sistemas de la logística y del transporte. Sin embargo, debido al clásico respeto por el rango, los oficiales más jóvenes podrían no haber sido próximos si no usamos un método anónimo para obtener la primera ronda de pronósticos. Paso 3. El tercer paso en el Método Delphi implica que el facilitador del grupo resuma y redistribuya los resultados de los pronósticos de la Primera Ronda. Esto es típicamente una lista de lavandería de los desarrollos. A continuación se les pide a los expertos que respondan a la lista de lavandería de la primera ronda indicando el año en que creyeron que se produciría el desarrollo o declarar que este desarrollo nunca ocurrirá. Esto se llama Ronda 2. Paso 4. El cuarto paso, Ronda 3. Implica que el facilitador del grupo resuma y redistribuya los resultados de la Segunda Ronda. Esto incluye una presentación estadística simple, típicamente la mediana y el rango intercuartílico, para los datos (años que un desarrollo ocurrirá) de la Ronda 2. El resumen también incluiría el porcentaje de expertos informando que nunca ocurre para un desarrollo en particular. En esta ronda, se pide a los expertos que modifiquen, si lo desean, sus predicciones. Los expertos también tienen la oportunidad de presentar argumentos que desafían o apoyan las predicciones nunca ocurridas para un desarrollo en particular, y desafiar o apoyar los años fuera del intervalo intercuartílico. Paso 5. El quinto paso, Ronda 4. Repite la ronda 3 - los expertos reciben una nueva pantalla estadística con argumentos - y se les pide que proporcionen nuevos pronósticos y / o contra argumentos. Paso 6. La ronda 4 se repite hasta que se forme un consenso o, al menos, una difusión relativamente estrecha de opiniones. Mi experiencia es que para la Ronda 4, tuvimos una buena idea de los desarrollos que deberíamos enfocarnos. Si el objetivo original del Método Delphi es producir un número en lugar de una tendencia de desarrollo, entonces la Ronda 1 simplemente pide a los expertos su primera predicción. Esto podría ser para predecir la demanda de productos para una nueva línea de productos para una compañía de productos de consumo o para predecir el DJIA un año para una compañía de fondos de inversión que gestiona un fondo de índice blue chip. Vamos a hacer un ejercicio de diversión (no clasificado y puramente voluntario) Delphi. Supongamos que usted es un experto en el mercado y desea unirse a los otros expertos de nuestra clase para predecir lo que el DJIA será el 16 de abril de 2001 (lo más cerca posible de la fecha de vencimiento del impuesto). Publicaré un tema de la conferencia denominado DJIA Predictions en el curso Web Board, dentro de la conferencia del Módulo 2. Por favor responda a ese tema de la conferencia simplemente declarando qué piensa que el DJIA cerrará el 16 de abril de 2001. Por favor, responda antes del 27 de enero de 2001, para poder publicar las estadísticas de resumen antes de dejar el material de pronóstico el 3 de febrero. Ahora comenzaremos nuestra discusión de los métodos cuantitativos de predicción de series temporales. 2.2: Métodos de Suavizado En esta sección queremos cubrir los componentes de una serie de tiempo naive, media móvil y métodos de suavización exponencial de pronóstico y medición de precisión de pronóstico para cada uno de los métodos introducidos. Pausa y reflexión Recuerde que hay tres clases generales de modelos de predicción o predicción. Métodos cualitativos, incluyendo el Delphi, se basan en el juicio de expertos y la opinión, no los datos históricos. Los modelos de regresión se basan en información histórica sobre las variables predictoras y la variable de respuesta de interés. Los métodos cuantitativos de predicción de series temporales se basan en la información numérica histórica sobre la variable de interés y asumen que los patrones en el pasado continuarán en el futuro. Esta sección comienza nuestro estudio de los modelos de series temporales, comenzando con patrones o componentes de series temporales. Componentes de una serie temporal Los patrones que podemos encontrar en una serie temporal de datos históricos incluyen los componentes medios, tendenciales, estacionales, cíclicos e irregulares. El promedio es simplemente la media de los datos históricos. Tendencia describe el crecimiento real o la disminución de la demanda media u otra variable de interés, y representa un cambio en el promedio. El componente estacional refleja un patrón que se repite dentro del tiempo total de interés. Por ejemplo, hace 15 años en el suroeste de la Florida, el tráfico aéreo fue mucho más alto en enero-abril, alcanzando su máximo en marzo. Octubre fue el mes bajo. Este patrón estacional se repitió hasta 1988. Entre 1988 y 1992, enero-abril continuó repitiéndose cada año como meses altos, pero los picos no eran tan altos como antes, ni los valles fuera de temporada tan bajos como antes, para deleite de El hotel y el turismo. El punto es que los picos estacionales se repiten dentro del período de interés - generalmente temporadas mensuales o trimestrales dentro de un año, aunque puede haber estacionalidad diaria en el mercado de valores (los lunes y los viernes muestran mayores promedios de cierre que los martes - jueves) como ejemplo. El componente cíclico muestra valores recurrentes de la variable de interés por encima o por debajo de la línea de tendencia media o de largo plazo en un horizonte de planificación plurianual. La longitud de los ciclos no es constante, como ocurre con la longitud de los picos y valles estacionales, haciendo los ciclos económicos mucho más difíciles de predecir. Dado que los patrones no son constantes, los modelos de variables múltiples, tales como los modelos de regresión econométrica y múltiple, son más adecuados para predecir puntos de inflexión cíclicos que los modelos de series temporales. El último componente es lo que queda El componente irregular es la variación aleatoria en la demanda que es inexplicable por el promedio, la tendencia, los componentes estacionales y / o cíclicos de una serie de tiempo. Al igual que en los modelos de regresión, tratamos de hacer la variación al azar tan baja como sea posible. Los modelos cuantitativos están diseñados para abordar los diversos componentes cubiertos anteriormente. Obviamente, la técnica de proyección de tendencia funcionará mejor con series de tiempo que exhiben un patrón de tendencias históricas. La descomposición de series temporales, que descompone la tendencia y los componentes estacionales de una serie temporal, funciona mejor con series de tiempos con tendencias y patrones estacionales. ¿De dónde sale eso de nuestro primer conjunto de técnicas, métodos de alisado En realidad, los métodos de alisado funcionan bien en presencia de componentes medios e irregulares. Comenzamos con ellos a continuación. Antes de empezar, vamos a obtener algunos datos. Esta serie de tiempo consiste en la demanda trimestral de un producto. Los datos históricos están disponibles durante 12 trimestres, o tres años. La tabla 2.2.1 proporciona la historia. La figura 2.2.1 proporciona un gráfico de las series temporales. Este gráfico se preparó en Excel utilizando el asistente de gráfico Chart Pliers de Chart Wizards. No es importante qué software se utiliza para graficar las series temporales históricas, pero es importante examinar los datos. Incluso hacer un dibujo de lápiz y papel es útil para obtener una idea de los datos, y ver si puede haber tendencia y / o componentes estacionales en la serie de tiempo. Método del promedio móvil Una técnica simple que funciona bien con datos que no tiene tendencia, estacionalidad ni componentes cíclicos es el método del promedio móvil. Es cierto que este ejemplo de conjunto de datos tiene tendencia (observe la tasa de crecimiento global del período 1 al 12) y la estacionalidad (observe que cada tercer trimestre refleja una disminución de la demanda histórica). Pero permite aplicar la técnica de media móvil a estos datos por lo que tendrá una base para la comparación con otros métodos más adelante. Un pronóstico de media móvil de tres periodos es un método que toma tres periodos de datos y crea un promedio. Ese promedio es el pronóstico para el próximo período. Para este conjunto de datos, el primer pronóstico que podemos calcular es para el período 4, utilizando los datos históricos reales de los períodos 1, 2 y 3 (ya que es una media móvil de tres periodos). Luego, después del Período 4, podemos hacer una previsión para el Período 5, usando datos históricos de los Períodos 2, 3 y 4. Tenga en cuenta que el Período 1 se dejó caer, de ahí el término media móvil. Esta técnica asume entonces que los datos históricos reales en el pasado lejano, no son tan útiles como los datos históricos más actuales en hacer pronósticos. Antes de mostrar las fórmulas e ilustrando este ejemplo, permítanme presentar algunos símbolos. En este módulo, usaré el símbolo F t para representar un pronóstico para el período t. Por lo tanto, la previsión para el período 4 se mostraría como F 4. Utilizaré el símbolo Y t para representar el valor histórico real de la variable de interés, como la demanda, en el período t. Por lo tanto, la demanda real para el período 1 se mostraría como Y 1. Ahora llevar adelante los cálculos para una media móvil de tres periodos. El pronóstico para el período cuatro es: Generar el pronóstico para el período cinco: Seguimos con los datos históricos hasta llegar al final del Período 12 y hacemos nuestro pronóstico para el Período 13 basado en la demanda real de los Períodos 10, 11 y 12. Período 12 es el último período para el que tenemos datos, esto termina nuestros cálculos. Si alguien estaba interesado en hacer un pronóstico para los períodos 14, 15 y 16, así como el período 13, lo mejor que podría hacerse con el método de media móvil sería hacer que los pronósticos de período de salida sean los mismos que los pronósticos más actuales. Esto es cierto porque los métodos de media móvil no pueden crecer o responder a la tendencia. Esta es la principal razón por la que estos tipos de métodos se limitan a las aplicaciones a corto plazo, tales como cuál es la demanda para el próximo período. Los cálculos de las previsiones se resumen en el cuadro 2.2.2. Puesto que estamos interesados ​​en medir la magnitud del error para determinar la exactitud de pronóstico, observe que cuadrado el error para eliminar los signos más y menos. Entonces, nosotros promediaremos los errores al cuadrado. Para calcular un promedio o una media, el primero es el tipo de error (SSE). Luego dividir por el número de errores para obtener el m ean s quared e rror (MSE). A continuación, tomar la raíz cuadrada del error para obtener el R oot M ean S quare E rror (RMSE). (1006.86) 31.73 A partir de su (s) curso (s) de estadística, reconocerá que el RMSE es simplemente la desviación estándar de los errores de pronóstico y el MSE es simplemente la varianza de Los errores de pronóstico. Al igual que la desviación estándar, cuanto más baja sea la RMSE, más precisa será la previsión. Por lo tanto, el RMSE puede ser muy útil para elegir entre modelos de pronóstico. También podemos usar el RMSE para hacer algún análisis de probabilidad. Dado que el RMSE es la desviación estándar del error de pronóstico, podemos tratar el pronóstico como la media de una distribución y aplicar la importante regla empírica. Suponiendo que los errores de pronóstico se distribuyen normalmente. Apuesto a que algunos de ustedes recuerdan esta regla: 68 de las observaciones en una distribución simétrica en forma de campana se encuentran dentro del área: media / - 1 desviación estándar 95 de las observaciones se encuentran dentro de: media / - 2 desviaciones estándar 99,7 (casi todos De las observaciones) se encuentran dentro de: media / - 3 desviaciones estándar Dado que la media es el pronóstico y la desviación estándar es el RMSE, podemos expresar la regla empírica de la siguiente manera: Se espera que 68 de los valores reales caigan dentro de: 1 RMSE 454,3 / - 31,73 423 a 486 95 Se espera que los valores reales se ajusten a: Pronóstico / - 2 RMSE 454,3 / - (231,73) 391 a 518 99,7 de los valores reales se espera que caigan dentro de: 454.3 / - (331.73) 359 a 549 Al igual que en el estudio de la media y la desviación estándar en la estadística descriptiva, esto es muy importante y tiene aplicaciones similares. Una cosa que podemos hacer es usar los 3 valores RMSE para determinar si tenemos datos atípicos en nuestros datos que necesitan ser reemplazados. Cualquier pronóstico que sea más de 3 RMSEs de la cifra real (o tiene un error mayor que el valor absoluto de 3 31.73 o 95 es un valor atípico. Este valor debe ser eliminado ya que infla el RMSE. La forma más sencilla de eliminar un outlier en Una serie de tiempo es reemplazarlo por la media del valor justo antes del outlier y justo después del outlier. Una otra muy mano de uso para el RMSE está en el establecimiento de stocks de seguridad en situaciones de inventario. Leva a cabo el 2 RMSE región de la Empírica para esta previsión: 2.5 95 2.5 359. 391. 454. 518. 549 Como las 95 medias de las observaciones caen entre 391 y 518, 5 de las observaciones caen por debajo de 391 y por encima de 518. Suponiendo que la distribución es en forma de campana, 2.5 De las observaciones caen por debajo de 391 y 2,5 caen por encima de 518. Otra forma de decir esto es que 97,5 de las observaciones caen por debajo de 518 (cuando se mide hasta el infinito negativo, aunque los datos reales deberían detenerse en 359.) La demanda real será de 518 (2 RMSEs por encima de la pronosticada), entonces al almacenar un inventario de 518 cubrirán 97.5 de las demandas reales que teóricamente podrían ocurrir. Es decir, están operando a un nivel de servicio al cliente de 97.5. En sólo 2,5 de los casos de demanda deben esperar una salida de existencias. Eso es muy pulido, no lo es. Siguiendo la misma metodología, si la empresa registra 549 artículos, o 3 RMSEs por encima del pronóstico, están prácticamente seguros de que no tendrán existencias a menos que ocurra algo realmente inusual (llamamos un valor atípico a las estadísticas). Por último, si la empresa almacena 486 ítems (2 RMSE por encima de lo previsto), tendrán un stock en 16 de los casos, o cubrirán 84 de las demandas que deberían ocurrir (100-16). En este caso, están operando a un nivel de servicio al cliente de 84.