ING 421 Gestin de OperacionesSeccin1Segundo Semestre 20142014 10 16Profesor: Rodrigo A. CarrascoProf. Rodrigo A. CarrascoAvisos Charla Se re-agend para el 6 de noviembre. El prximo mdulo es la charla en el Auditorio del Edificio E. La charla es obligatoria y ser en el segundo mdulo. Clase del 30 de octubre: Ser en la sala 200-B. Recuerden revisar toda la materia de pronsticos para esa clase ya que les ser de utilidad. Debern trabajar en grupos de 4-5 alumnos: deben estar formados antes de la clase y enviarme el correo de uno de los alumnos para coordinar la actividad.Prof. Rodrigo A. Carrasco Principales temas que vimos relacionados a pronsticos:Revisemos lo visto la clase pasadaProf. Rodrigo A. CarrascoMedias Mviles Ambos mtodos permiten reducir el efecto de variaciones irregulares/aleatorias. La reduccin depende del tamao de la ventana seleccionada: Mayor tamao de ventana implica mayor reduccin de irregularidades. Pero tambin implica que es menos sensible a los cambios. Y por ende tarda ms en reaccionar a variaciones en tendencia y ciclos. Prof. Rodrigo A. CarrascoCalidad del pronstico El objetivo del pronstico es entregar informacin de el o los valores futuros de una variable de inters. Dado un pronstico, cmo podemos determinar su calidad? Las medidas ms usadas son: MFE (mean forecast error) MAD (mean absolute deviation) MAPE (mean absolute percentage error) MSE (mean squared error)Prof. Rodrigo A. CarrascoMean Forecast Error El MFE o Error Promedio del Pronstico est dado por Mide la desviacin promedio del pronstico. Un buen pronstico tiene MFE cerca de 0. Un pronstico con MFE cerca de 0 no implica que no tiene error, slo que el promedio est on target. Un valor positivo (negativo) implica que el pronstico est subestimando (sobreestimando) las observaciones.Prof. Rodrigo A. CarrascoMean Absolute Deviation El problema del MFE es que no permite identificar pronsticos con poco error. El MAD s permite esto pues est definido por: Mide el error absoluto promedio. Ahora no se cancelan errores positivos con negativos. Un MAD pequeo implica un error pequeo. Hay una equivalencia entre MAD y desviacin estndar del error: 1 HA = u.8 oProf. Rodrigo A. CarrascoMean Absolute Percentage Error El MAD tiene un problema con la escala de las medidas. MAPE corrige esto: Mide el error como porcentaje de los datos originales.Prof. Rodrigo A. CarrascoMean Squared Error El MSE se define como Mide el cuadrado de los errores la varianza del error. Da ms peso a los errores grandes, pues generan un mayor costo proporcionalmente. No es independiente de la escala.Prof. Rodrigo A. CarrascoTracking Signal El TS se define como Mide la desviacin del pronstico respecto de las variaciones de la variable (tendencia). Indica el nmero de MADs que el pronstico est sobre o bajo la variable real.Prof. Rodrigo A. CarrascoEjemplos Veamos los errores para los ejemplos de medias mviles y medias mviles ponderadas. Planilla de ejemplos disponible en webcursos.Prof. Rodrigo A. CarrascoAlisado Exponencial En las medias mviles slo usamos la informacin de la variable para pronosticar el futuro. El mtodo de alisado exponencial (exponential smoothing) ajusta el pronstico con base en el error de prediccin anterior. Se requiere conocer slo xt-1y t-1. El proceso se sintoniza usando la constante de alisado . Los lmites de son replicar el pronstico anterior (=0) o el pronstico simple (=1). Es decir promedia entre ambos buscando reducir el error. En general se usan valores de