Академический Документы
Профессиональный Документы
Культура Документы
(1)
es decir,
D1, t = 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0,
D2, t = 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0,
D3, t = 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0,
D4, t = 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1,
Entonces se puede establecer el siguiente modelo lineal
M
Yt = i Di , t + t
i =1
, t ~ N (0, 2 )
(2)
en el que los coeficientes i son los componentes estacionales (aditivos) que se estiman por
regresin lineal mltiple de la demanda sobre estas variables artificiales Di, t, con ordenada al
origen igual a cero, y el ciclo estacional, en perodos de pronstico, es M = 4.
De manera completamente anloga se aplica a datos mensuales, poniendo M = 12 y
definiendo las 12 variables artificiales.
Al hacer regresin con datos muestrales se obtienen los estimadores i , es decir
M
Yt = i Di , t
(3)
i =1
Profesor Titular ordinario y Director del Departamento de Optimizacin y Control. Escuela de Ingeniera
Industrial. Facultad de Ciencias Exactas, Ingeniera y Agrimensura. Universidad Nacional de Rosario. Prohibida
su reproduccin sin autorizacin. 2007.
Ft + h = i Di ,t + h
(4)
i =1
Ejemplo 1
La tabla siguiente muestra los datos de la demanda trimestral de un producto en los
ltimos cuatro aos, las variables artificiales, la prediccin para los datos muestrales, el error
correspondiente, y el pronstico para un ao futuro, aplicando el modelo (4).
Ao
1
Trim.
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Yt
72
110
117
172
76
112
130
194
78
119
128
201
81
134
141
216
D1,t
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
D2,t
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
D3,t
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
D4,t
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
Ft
77
119
129
196
77
119
129
196
77
119
129
196
77
119
129
196
77
119
129
196
ME =
SDE =
SSE =
MSE =
DAM =
MAPE [%] =
et
-4,75
-8,75
-12,00
-23,75
-0,75
-6,75
1,00
-1,75
1,25
0,25
-1,00
5,25
4,25
15,25
12,00
20,25
0,00
10,62
1692,25
105,77
7,44
5,439
4 =
195,75
R2 =
0,9944
200
Unidades
ndices de estacionalidad
1 =
76,75
2 =
118,75
3 =
129,00
150
100
50
9 10 11 12 13 14 15 16 17 18 19 20
Trime stre s
Demanda
Estacionalidad
Ft + h = 0 + i Di ,t + h
(5)
i =1
Ejemplo 2
Aplicando el modelo (5) a los datos del Ejemplo 1 se obtiene:
Ao
1
Trim.
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Yt
72
110
117
172
76
112
130
194
78
119
128
201
81
134
141
216
D1,t
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
D2,t
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
D3,t
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
ME =
SDE =
SSE =
MSE =
DAM =
MAPE [%] =
Ft
77
119
129
196
77
119
129
196
77
119
129
196
77
119
129
196
77
119
129
196
et
-4,75
-8,75
-12,00
-23,75
-0,75
-6,75
1,00
-1,75
1,25
0,25
-1,00
5,25
4,25
15,25
12,00
20,25
0,00
10,62
1692,3
105,77
7,44
5,44
ndices de estacionalidad
195,75
0 =
1 =
-119,00
2 =
-77,00
3 =
-66,75
R2 =
0,9451
1.2
Es posible incorporar una tendencia lineal (o cualquier otra que sea un modelo lineal en
los coeficientes, para poder aplicar regresin, por ejemplo 1 t + 2 t2) poniendo
M
Yt = 1 t + i Di , t + t
i =1
, t ~ N (0, 2 )
(6)
Ft + h = 1 (t + h) + i Di ,t + h
(7)
i =1
donde 1 , i son los estimadores de los coeficientes de regresin (con ordenada al origen
nula). Si no es significativamente distinto de cero, no hay tendencia.
1
Ejemplo 3
El modelo (7) aplicado a los datos del Ejemplo 1 permite obtener lo siguiente:
Ao
1
Trim.
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
ME =
SDE =
SSE =
MSE =
DAM =
MAPE [%] =
Yt
72
110
117
172
76
112
130
194
78
119
128
201
81
134
141
216
t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
D1,t
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
D2,t
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
D3,t
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
D4,t
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
Ft
65
107
117
184
73
115
125
192
81
123
133
200
89
131
141
208
97
139
149
216
et
7,14
3,14
-0,11
-11,86
3,21
-2,79
4,96
2,21
-2,71
-3,71
-4,96
1,29
-7,64
3,36
0,11
8,36
0,00
5,39
436,138
27,26
4,22
3,652
Coeficientes
1 =
1 =
2 =
3 =
4 =
1,98
200
Unidades
62,88
102,90
111,17
R2 =
150
100
175,94
50
0,9986
0
1
10 11 12 13 14 15 16 17 18 19 20
Trim estres
Demanda
Pronstico
Ejemplo 4
La demanda mensual de un producto durante los ltimos cuatro aos es la que figura en la
tabla siguiente, en la que tambin se muestran las variables artificiales, el pronstico con el
modelo (7) y los errores.
Ao
Mes
Yt
D1,t
D2,t
D3,t
D4,t
D5,t
D6,t
D7,t
D8,t
D9,t
D10,t
D11,t
D12,t
Ft
et
546
577
-30,94
578
621
-43,44
660
680
-20,44
707
718
-10,69
738
778
-39,94
781
822
-41,44
848
837
11,31
818
790
28,06
729
717
12,06
10
691
10
641
50,31
11
658
11
619
39,06
12
604
12
637
-33,44
629
13
660
-30,81
711
14
704
6,69
729
15
763
-34,31
798
16
801
-2,56
861
17
861
0,19
903
18
905
-2,31
968
19
920
48,44
894
20
873
21,19
860
21
800
60,19
10
792
22
724
68,44
11
739
23
702
37,19
12
699
24
720
-21,31
773
25
743
30,31
818
26
787
30,81
871
27
846
24,81
882
28
883
-1,44
959
29
944
15,31
979
30
988
-9,19
955
31
1002
-47,44
925
32
956
-30,69
843
33
883
-39,69
10
790
34
806
-16,44
11
746
35
785
-38,69
12
822
36
803
18,81
857
37
826
31,44
876
38
870
5,94
959
39
929
29,94
981
40
966
14,69
1051
41
1027
24,44
1124
42
1071
52,94
1073
43
1085
-12,31
1020
44
1039
-18,56
933
45
966
-32,56
10
787
46
889
-102,31
11
830
47
868
-37,56
12
922
48
886
35,94
49
908
50
953
51
1012
52
1049
53
1109
54
1154
55
1168
56
1121
57
1048
10
58
972
11
59
950
12
60
969
ME =
0,00
SDE =
35,13
SSE =
58001
MSE =
1208
DAM =
29,10
MAPE [%] =
3,658
3 =
4 =
5 =
6 =
570,03
607,63
659,72
690,06
743,41
8 =
9 =
10 =
11 =
12 =
2
781,00 R =
788,34
1200
734,69
1000
654,78
571,63
Unidades
1 =
1 =
2 =
Coeficientes
6,91 7 =
800
600
542,97
400
554,56
200
0,9281
0
1
10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58
Me se s
Demanda
Pronstico
Yt = Tt e
i Di , t t
, t ~ N (0, 2 )
(8)
i =1
donde la tendencia es Tt = 0 + 1 t.
La tendencia Tt se puede estimar, por ejemplo, como en el mtodo de descomposicin
calculando promedio mviles centrados y ajustndoles una recta de mnimos cuadrados. Se
obtiene 0 y 1 como estimadores mnimo-cuadrticos de 0 y 1.
Luego se quita la tendencia dividiendo la serie por la estimacin Tt de la tendencia
Yt =
M
Yt
D
= e i i , t e t
Tt i =1
, t ~ N (0, 2 )
(9)
Y
Yt= ln Yt = ln t
Tt
M
= i Di , t + t
i =1
, t ~ N (0, 2 )
(10)
cuyos coeficientes se estiman por regresin lineal mltiple de Yt sobre las variables Di, t en la
forma habitual.
El pronstico para h perodos futuros (h = 1, 2,) es
M
D
Ft + h = [ 0 + 1 (t + h)] e i i , t +h
(11)
i =1
Cuando t corresponde al perodo i es Di, t = 1 y las dems variables artificiales son nulas.
Y
Tt
S i = e i es el ndice de estacionalidad multiplicativo correspondiente al perodo i. Si en la
regresin i no es significativamente distinto de cero, entonces Si = 1 y no hay efecto
estacional en el perodo i.
Ejemplo 5
Retomemos los datos del Ejemplo 1 y apliquemos el modelo dado por (11), con los
coeficientes calculados por regresin con la (10). La tabla siguiente contiene los datos y los
resultados del pronstico y los errores.
Tt
Yt / Tt
ln(Yt / Tt )
D1,t
D2,t
D3,t
D4,t
Si
116,30
0,62
-0,4795
118,24
0,93
-0,0722
118,25
120,17
0,97
-0,0267
119,25
119,00
122,10
1,41
0,3426
76
122,50
120,88
124,04
0,61
-0,4898
112
128,00
125,25
125,97
0,89
-0,1175
130
128,50
128,25
127,90
1,02
0,0163
194
130,25
129,38
129,83
1,49
0,4016
Trim.
72
110
117,75
117
118,75
172
Yt
PM4t
Ao
PMCt
Ft
et
0,60
70
2,11
0,91
108
1,95
0,98
118
-0,64
1,46
179
-6,54
0,60
75
1,47
0,91
115
-3,12
0,98
125
4,79
1,46
190
4,15
78
129,75
130,00
131,77
0,59
-0,5243
0,60
79
-1,18
10
119
131,50
130,63
133,70
0,89
-0,1165
0,91
122
-3,19
11
128
132,25
131,88
135,63
0,94
-0,0579
0,98
133
-4,78
12
201
136,00
134,13
137,57
1,46
0,3792
1,46
201
-0,16
13
81
139,25
137,63
139,50
0,58
-0,5436
0,60
84
-2,83
14
134
143,00
141,13
141,43
0,95
-0,0540
0,91
129
4,75
15
141
143,37
0,98
-0,0166
0,98
140
0,65
16
216
145,30
1,49
0,3965
1,46
212
3,54
17
147,23
0,60
88
18
149,17
0,91
136
19
151,10
0,98
148
20
153,03
1,46
224
ME =
0,06
SDE =
3,48
SSE =
181,40
MSE =
11,34
DAM =
2,86
MAPE [%] =
2,30
1 =
2 =
3 =
0,51
0,09
250
200
4 =
0,38
R2 =
0,9936
U n id ad es
0,02
ndices de estacionalidad
0,60
S1 = e1 =
S 2 = e2 =
S3 = e 3 =
S4 = e =
150
100
50
0,91
10
11
12
13
14
15
16
17
18
19
20
Trimestres
0,98
Demanda
P. Mviles centrados
Tendencia
Pronstico
1,46
Yt = e 1 t e
i Di , t t
, t ~ N (0, 2 )
(12)
i =1
Para calcular los coeficientes se transforma la serie por logaritmos resultando el modelo
lineal
Yt = ln Yt = 1 t + i Di , t + t
i =1
, t ~ N (0, 2 )
(13)
para el cual se estiman los coeficientes 1 y i por regresin lineal mltiple de Yt sobre las
variables t y Di, t.
El pronstico para h perodos futuros (h = 1, 2,) es
M
Ft + h = e 1 (t + h ) e
i Di , t +h
(14)
i =1
(15)
Tt e 1 t (e 1 1)
=
= e 1 1
1 t
Tt
e
(16)
Si t corresponde al perodo i, entonces Di, t = 1 y las dems variables artificiales son nulas.
Ejemplo 6
La tabla siguiente muestra los datos de la demanda trimestral de un producto en los
ltimos cuatro aos y los resultados obtenidos aplicando el modelo (14), utilizando (13) para
la regresin.
Ao Trim.
1
1
2
3
4
2
1
2
3
4
3
1
2
3
4
4
1
2
3
4
5
1
2
3
4
ME =
SDE =
Yt
362
385
432
341
382
409
498
387
473
513
582
474
544
582
681
557
lnYt
5,8916
5,9532
6,0684
5,8319
5,9454
6,0137
6,2106
5,9584
6,1591
6,2403
6,3665
6,1612
6,2989
6,3665
6,5236
6,3226
t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
D1,t
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
D2,t
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
D3,t
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
D4,t
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
Si
332,62
343,27
383,47
295,12
332,62
343,27
383,47
295,12
332,62
343,27
383,47
295,12
332,62
343,27
383,47
295,12
332,62
343,27
383,47
295,12
Tt
1,039
1,079
1,121
1,165
1,210
1,257
1,306
1,356
1,409
1,464
1,521
1,580
1,641
1,705
1,771
1,840
1,912
1,986
2,063
2,143
Ft
et
346 16,46
370 14,54
430
2,08
344 -2,73
402 -20,44
431 -22,47
501 -2,72
400 -13,33
469
4,28
503 10,47
583 -1,18
466
7,74
546 -1,91
585 -3,29
679
1,79
543 13,95
636
682
791
632
0,20
11,56
SSE =
MSE =
DAM =
MAPE [%] =
2003,7
125
8,71
2,057
1 =
1 =
2 =
3 =
4 =
0,0381
900
800
5,8070
5,8385
700
U n idad es
600
5,9493
5,6874
500
400
300
R2 =
0,99998
200
100
ndices de estacionalidad
S1 = e1 =
332,62
S 2 = e2 =
3
S3 = e =
4
S4 = e =
0
1
10 11 12 13 14 15 16 17 18 19 20
Trimestres
343,27
Demanda
Pronstico
383,47
295,12
Yt = 0 + 1 t + i Di , t + t
, t ~ N (0, 2 )
(17)
En este caso se puede incluir una constante no nula porque no hay problemas de
multicolinealidad.
El pronstico para h perodos futuros (h = 1, 2,) es
Ft + h = 0 + 1 (t + h) + i Di ,t + h
(18)
10
De manera totalmente anloga se pueden adaptar los modelos anteriores para modelar
picos multiplicativos.
Si se desea considerar sucesos en distintos perodos se debe incluir una variable artificial
por cada perodo. Por otra parte, dado que estos sucesos pueden ocurrir adems de la
estacionalidad normal, el modelo podr incluir tanto las variables artificiales estacionales
como las que identifican a los sucesos.
Ejemplo 7
De un producto se dispone de la demanda de los ltimos doce meses. En el mes 7 se
realiz una promocin especial que produjo un pico de demanda. Se quiere pronosticar el
siguiente ao suponiendo que se mantenga la tendencia general y que se realice la misma
promocin en iguales condiciones.
Las tablas siguientes contienen los datos y los resultados de aplicar el modelo (18). El
grfico muestra la demanda y el pronstico.
t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
ME =
SDE =
SSE =
MSE =
DAM =
MAPE [%] =
D1,t
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
Ft
128
133
137
141
145
150
180
158
163
167
171
175
180
184
188
193
197
201
232
210
214
218
223
227
et
1,78
0,49
-1,80
0,90
-5,39
1,32
0,00
1,73
1,43
3,14
-3,15
-0,45
Coeficientes
0 =
123,923
1 =
7 =
4,294
26,022
R2 =
0,9815
Yt
130
133
135
142
140
151
180
160
164
170
168
175
0,000
2,399
63,331
5,278
1,799
1,197
150
100
50
0
1
11
13
15
17
19
21
23
M e se s
Demanda
Pronstico
Con respecto a estas aplicaciones, cabe acotar que las variables artificiales no siempre
toman valores 0 y 1. Por ejemplo: para ciertos pronsticos mensuales podra ser til tomar en
cuenta los das hbiles de cada mes; entonces, adems de las variables estacionales, se podra
Modelado de la estacionalidad con variables artificiales. 2007 R. Morn
11
incluir una variable de la forma Dd, t = 22, 20, 23, 19, 22, para t = 1, 2, Un modelo aditivo
de este tipo es
L
Yt = 1 t + i Di , t + d Dd ,t + t
i =1
, t ~ N (0, 2 )
(19)
Ft + h = 1 (t + h) + i Di ,t + h + d Dd ,t + h
(20)
i =1
5. Conclusiones
La utilizacin de variables artificiales estacionales es una tcnica muy efectiva para
modelar la llamada estacionalidad determinista, es decir, la que se repite exactamente ao tras
ao, a diferencia de la estacionalidad estocstica, en la que el patrn no se repite con
exactitud. En las demandas reales hay muchos casos en los que la estacionalidad es
determinista y por lo tanto estos modelos pueden ser muy tiles en la prctica.
La similitud con los modelos de descomposicin es evidente. Se puede decir que son
modelos de descomposicin por regresin lineal mltiple. Como en los mtodos de
descomposicin los ndices de estacionalidad se determinan a partir de los datos muestrales y
se aplican a los perodos futuros, lo que constituye un patrn de pronsticos bastante rgido,
motivo por el cual tienen dificultad para adaptarse a los cambios en la demanda.
Por esta razn estos modelos tienden a sobreajustar, es decir que pronostican mejor dentro
de la muestra que hacia el futuro. Este es un riesgo con todos los modelos, pero especialmente
con los que proyectan patrones exactos. Para su utilizacin en sistemas de pronsticos se
deben actualizar los coeficientes peridicamente (lo que implica una regresin mltiple en
cada revisin), de manera que puedan adaptarse a los cambios en la demanda.
Una gran ventaja de la utilizacin de variables artificiales es la posibilidad de incluir en
los modelos sucesos especiales, no rigurosamente estacionales, como las promociones, la
disponibilidad mensual de un recurso, o hechos similares.
6. Bibliografa
1. Diebold, Francis X., Elementos de Pronsticos, Mxico: International Thomson Editores,
S. A., 2001.
2. DeLurgio, Stephen A., Forecasting Systems for Operations Management, Homewood,
Ill.: Richard D. Irwin, Inc., 1991.
12