Loading

Module 1: Toma de decisiones y previsión de varios criterios

Apuntes
Study Reminders
Support
Text Version

Regresión de tendencias

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Hola y bienvenido a “ Modelling and Analytics for Supply Chain Management ”! Estamos en la semana 9, conferencia 48 y estamos en una de las porciones más importantes como punto de inicio de la cadena de suministro, con lo cual empezamos que está pronosticando en cadena de suministro y el tema de hoy es de nuevo, el que ha sido más ampliamente estudiado en todo el mundo, que es el análisis de regresión en el pronóstico, más ampliamente utilizado, más ampliamente estudiado. Ahora ven, lo que tenemos, todo lo largo que hemos aprendido es, todo el tiempo en este tema durante las últimas tres semanas de estudio de pronósticos, básicamente hemos asumido que mi demanda es constante. La demanda es constante que la aberración menor se debe al gusto individual y a las preferencias que nunca, nunca son estables y damos con un ejemplo que cada día tenemos comida, desayuno, almuerzo, cena. ¿Comemos exactamente la misma cantidad de comida? La respuesta es „ No ". Pero tenemos un nivel básico que tanto voy a consumir. Esas aberraciones menores serán las que llamamos ruido de „ ". Así que, todo el tiempo, todos los métodos de previsión que hemos aprendido; promedio simple, promedio ponderado, suavizado exponenciales, estacionalidad, todos asumen que sus ventas son más o menos constantes con el ruido menor, eso son aberraciones menores. Hoy veremos, pero lo que pasa en el mundo real es que sus ventas en realidad nunca son constantes. Y si tus ventas son constantes, si tus ventas no crecen, tu organización tampoco crecerá y prosperará. Por lo tanto, las ventas tienen que aumentar y eso es, tomado eso en consideración, el pronóstico tiene que considerar y tomar cuánto las ventas están aumentando sobre el último, digamos, 5 años, 6 años, 7 yas, 2 años, 3 años. Entonces, ¿cuánto aumentan las ventas? Entonces, ¿cuál es la tendencia? Ese es el significado de la palabra. ¿Cuál es la tendencia? ¿Las ventas están aumentando? ¿Las ventas están disminuyendo? ¿La venta es constante? Ahora, lo que esto está pasando, es una buena señal para los negocios si muestra una tendencia creciente. Ahora, entiendes lo que es tendencia; tendencia en inglés palabra, en estadísticas, en matemáticas, mismo significado; tendencia. ¿Cuál es la tendencia? Significado inglés y esto es lo mismo. Entonces, ¿cuál es la tendencia? Ahora bien, ¿cómo averiguar cuál es la tendencia? ¿Cuánto es el aumento? Estamos diciendo que es una tendencia creciente, pero ¿cuánto es el aumento? ¿Cuánto es el aumento en la venta; año en año, cada año? ¿Cuánto es el aumento? Año en año, que es año anterior y este año. ¿Cuánto es el aumento? Esto se encuentra en algo llamado „ análisis de regresión ". Por lo tanto, el análisis de regresión nos dirá cuánto es el aumento y cuál será el aumento basado en esta tendencia. Por lo tanto, regresiones, todos ustedes han oído hablar de esto. Todos ustedes han estudiado acerca de esto y estoy repitiendo que la regresión ha sido la técnica más utilizada en lo que se refiere a la predicción, en lo que se refiere a la predicción, la técnica de pronóstico más utilizada en el mundo. Incluso hoy en día, aunque más y más avanzados métodos están llegando. Por lo tanto, hablemos de lo que es la regresión y cómo ir al respecto. (3:57) Así que, en el módulo de hoy, vamos a tratar con la regresión y nos limitaremos a tocar el método de Holt, que tomaremos en la próxima semana. (4:06) Ahora ve, esto es de lo que estaba hablando, de que mi venta está aumentando, mi venta está mostrando una tendencia. Ese menor zigzag, como digo, consumo de comida, base diaria. Esto es lo que es, yo soy, así que ¿qué estoy haciendo? Básicamente estoy prediciendo cómo se comportarán las ventas durante el próximo año. ¿Cómo se comportarán las ventas durante los próximos 2 años? Dado el mismo nivel de aumento, ¿cuánto se comportará la venta en los próximos 3 años? Etc, etc.; así que, esto es lo que nuestra agenda es hoy. (4:59) Sí, la regresión, como hemos mencionado, ha sido el método más utilizado de predicción. Previsión con números, pero hay ciertos problemas con la regresión. Hay algunos problemas que surgen; problemas de multicolinealidad, problemas de heterocedasticidad y problema de autocorrelación. No hay ciencia de cohetes, no hay palabras altisonantes, nada complicado, vamos a llegar a él y vamos a discutir esto a medida que progresamos; de acuerdo; pronosticando con números. (5:41) Ahora, vamos a considerar, en caso de que usted tiene un libro de ejercicios y lápiz, lápiz y papel delante de usted, déjennos simplemente escribir estas tres fórmulas. La suma D t es igual a n a más b suma t. Bueno. Déjenme leerlo una vez más, la suma D t es n a más b suma t. La suma t D t es igual a una suma t más b suma t cuadrado; muy simple. La suma D t es igual a n a más b suma t. La suma t D t es igual a una suma t más b summation t square. Y la previsión es dada por F n más 1, que es el período, el próximo período, la previsión F n más 1 es igual a un plus b n más 1.Así, vamos a ver, vamos a hacer un problema y tratar de resolverlo. Veamos lo que pasa y luego discutiremos tantos temas en previsión. (6:31) Digamos, este mes o año. Espero que usted sea capaz de ver el año. 1, 2, 3, 4, 5, 6. Bueno. ¿Cuál es la demanda? 10, 11, 10, 12, 13, 15. Por lo tanto, se puede ver claramente una tendencia creciente. Claro, ¿cuál es nuestra fórmula? Digamos t cuadrado; 1, 4, 9, 16, 25, 36. Desde entonces, la suma D t es igual a n a más b suma t. La suma D t es igual a n a más b suma t. Pongamos la suma D t. ¿Cuál es la suma? 60, 68, 70, 71; okay. 50, sorry 60, 70, 71. Entonces, ¿cuál es mi primera fórmula? La suma D t es igual a n a más b suma t. Para este problema, tendremos algunos de estos problemas porque estoy cambiando regularmente entre el ratón y la pluma. ¿Qué es la suma t? La suma t es 6 más 5, 11, 15, 18, 20, 21. ¿Acordado Por lo tanto, la suma D t es igual a n a más b suma t. Ahora, ¿cuál es su D t? La demanda es 71, es igual a, n es 6, 6 periodos de tiempo. 6 a más b en suma t es 21. Así que, de otra manera alrededor, es 71 es igual a 6 a más 21 b, esto es la ecuación 1. Vamos a lo anterior, la suma t t t, que acabamos de calcular, es igual a una suma t más b summation t square. t D t is equal to a summation t plus b summation, so, summation, we will have to introduct something here, summation t D t, so summatation t D t 10, 44, 90, 12 into 16, and 13 into, whatever we get. De esta manera, obtienes algo, suma t t t. Por lo tanto, pongamos un número arbitrario. Pongamos un número arbitrario de, digamos, 400. t D t es igual a 400. Summation t is t plus b summation t square. Esto, b summation, so summation t D t is equal to a summation t plus b summation t square. Por lo tanto, la suma t Dt es igual a, esta, hemos asumido 400 y un cuadrado de suma t, asumir que su suma t cuadrado es, digamos, 120, por lo que un 120 más b en, una suma t, lo siento, un 21, esto será 21, más b suma t cuadrado, es 120. Entonces, su siguiente ecuación ahora se convierte en 400 es igual a 21 a más 120 b. Así que ahora, lo que haces es esta ecuación de color azul, estas ecuaciones de color azul que solucionas y lo que obtendrás es, te darás un, lo siento, obtendrás un a. Estas ecuaciones de color azul, se resuelve. ¿Qué obtendrás? Obtendrá un valor de „ a "y obtendrá un valor de „ b". Ahora, asuma que su valor es 200 y el valor b es déjennos decir, 0.8. Ahora, estos otros dos valores que son necesarios, así que, usted va a pronosticar, así que basado en estas dos ecuaciones, la primera ecuación, la ecuación 1 y la ecuación 2, obtenemos estos valores correspondientes, y los resolvemos. Y obtenemos lo que es „ a "y lo que es „ b". Ahora, en base a estos, vamos a pronosticar para qué? Vamos a prever para el período 7. Si este periodo 7, vamos a pronosticar en base a qué? Basado en la fórmula que se nos da, F n plus 1 es igual a „ a "en „ b" n más 1. Lo que es (para) F n más 1 es igual a „ a "en „ b" en n más 1. Por lo tanto, creo que lo haremos aquí sólo porque si vas a la siguiente diapositiva habrá problemas, por lo que, F 7 es igual a un más b 7. ¿Cuál fue la fórmula? F n más 1, que es F, n es 6, más 1, 7 es igual a un plus b en n más 1. a, acabamos de conseguir, asumimos, tenemos 200. Tienes un, más b fue 0,8 en 7, es decir, 5,6. Por lo tanto, 5.6 más 200 es 205.6 es su pronóstico para el próximo año. Ahora, tenemos esto porque usted ha asumido arbitralmente „ a " para ser 200. Idealmente, a será algo así como tus 20 o algo así. Por lo tanto, puede asumir fácilmente, „ a " es 20. Entonces, es que tu, esta será de 25,6, supongamos esto como 25,6. Por lo tanto, F7 es igual a un más b7 a más b en n más 1. Entonces, esta es la fórmula, tan simple. Resolver estas dos ecuaciones y sólo poner F n más 1. Esto se ha vuelto un poco hazy que voy a decir, pero si se puede frotar, así que vamos a tomar una nueva diapositiva. (15:07) Lo que hacemos es decir F n más 1 es igual a un plus b en n más 1. Tenemos datos de hasta seis periodos de tiempo, por lo que, F, n era 6, 6 más 1, es decir que estás pronosticando para el período 7, es igual a un, hemos asumido 200 entonces dijimos que asumamos 20 porque los datos eran de esa manera solamente. „ b " era 0,8; en n más 1 es 7; así, 20 más 5,6. Por lo tanto, F7 es 25,6. Esta es una simple. Ahora, lo que normalmente hacemos en regresión es, si lo estamos haciendo en Excel, simplemente seguimos arrastrando el ratón, arrastrando el curser más bien. Simplemente seguimos arrastrando el curser y ¿qué pasará? Obtendremos F7, F8, F9 y F10. De esa manera, seguiremos recibiendo unos valores u otro por tantos años como quieras. ¿Porqué? ¿Por qué y cómo podemos hacerlo? Por qué y cómo podemos hacerlo es porque en todas partes estamos asumiendo que este nivel es constante. Este „ a " es constante. En todas partes estamos asumiendo que este 0,8, esta tendencia es constante. Por lo tanto, nivel y tendencia, ambos son constantes. Estamos asumiendo, de acuerdo, en esta regresión. Ahora, el método de Holt se encarga de ajustar el nivel y la tendencia ambos. Aquí, suponemos que el nivel que es 20 el consumo fijo y la tendencia de consumo, ambos se fijan en el periodo de tiempo. El método de Holt diremos que no, podemos ajustarlos. Así que, esto es todo. Este es el básico de la regresión. Ahora, quiero pasar un tiempo en otra cosa. (17:10) Ver, la regresión tiene algunos problemas con ella. ¿Cuáles son los problemas? Ver a veces obtendrás la regresión, ¿qué es, la regresión es una forma de qué? Y es igual a beta naught más beta 1 X1 más beta 2 X2 más hasta el sombrero predictivo Ui. Esta es su ecuación de regresión. Ahora, esta beta (no) era básicamente su „ a "y todas estas son sus „ b". Esto es lo que queremos decir. Esta „ a " es ecuación de regresión correspondiente. Este „ a " es beta (1) y b es beta (1) de esta manera. Así que, esto es lo que miramos en la regresión. Ahora, lógicamente, consideremos una ecuación en la que estamos diciendo que Y es una función de beta naught más beta 1 RAIL más beta 2 ROAD más beta 3 AIR plus Ui hat, este sombrero Ui es el término de error. Solo mantenlo al lado por algún tiempo. Ahora, lo que estamos diciendo es que el desarrollo, digamos Y es su GSDP; Producto Interno Bruto del Estado. El Producto Interior Bruto de un estado depende de la cantidad de infraestructura que tenga en el estado. El Producto Interno Bruto de un estado depende de la cantidad de infraestructura que tenga en ese estado. Ahora, ¿qué está pasando? Así que, ¿su producto interno bruto si una función de la cantidad de vías ferroviarias que tiene? ¿Cuántos kilómetros de buenas carreteras tienes? ¿Y cuántos y cuánto es el tráfico aéreo en su sate? Lógicamente, GSDP de, que lo hagamos más específico, GSDP del sector secundario. Hagamos que sea más específico. Eso es industria, GSDP de la industria. Ahora, lógicamente, si aumentas las vías ferroviarias, tu GSDP debería aumentar, el Producto Interior Estatal, la producción debería aumentar. Si usted aumenta las carreteras, más número de buena calidad, carreteras estándar internacionales, su salida del estado debe aumentar. Si tenemos más viajes aéreos, más número de instalaciones de aterrizaje aéreo, de nuevo sus instalaciones de producción aumentarán. Así que, lógicamente, para esta ecuación, digamos que la beta 0 es de 10.000 que significa que aunque no haya nada, todavía estarán allí 10.000 unidades de pequeña escala. La beta 1 nos deja decir que es 0,8 lo que significa que si aumentas la vía férrea kilómetros por un kilómetro, tu GSDP aumenta en 0,8 unidades de salida. Pero, la beta 2 está saliendo como menos 0.6, lo que esencialmente significa que si usted reduce las carreteras, su salida aumentará. El Producto Interno Bruto aumentará. Pero, ¿es eso posible? ¿Es eso lógico? Usted está diciendo que en lugar de aumentar su infraestructura, usted reduce la infraestructura y muestra su producción que va a aumentar. Esto es lo que obtiene si sale datos en infraestructura, ferrocarril, carretera, vías respiratorias en la hoja de Excel y hacer una regresión. Algunas betas vendrán menos, pero la lógica dice que las betas o la b no deberían venir menos para tal ecuación. Alguna ecuación, puede venir, pero con esta ecuación, no debería venir. Lo que está sucediendo lo sabes, esto está sucediendo debido a algo llamado „ multicolinealidad ", que nosotros, justo antes de algún momento habíamos dicho en el título, justo inmediatamente después de la diapositiva del título lo que queremos cubrir. Esto es lo que llamamos como multicolor. La multicolinealidad significa que los datos se comportan de tal manera que un conjunto de datos, el conjunto de datos de riel, esos números y el conjunto de datos de carretera, esos números, están teniendo una correlación; estos números están teniendo una correlación. Eso es lo que se llama como multicolor. (21:41) Entonces, tienes rieles, tienes carretera, y estos son tus puntos de datos. Ahora, estos puntos de datos son correlativos. Ver, las matemáticas no entienden la relación entre las variables. Las matemáticas sólo entienden los números. Por lo tanto, aquí hay una serie de números; 10, 11, 10, 13, 12, 18. Aquí hay otro que es el ferrocarril. Aquí hay otro llamado 13, 14, 13, 16, 15, 21. ¿Qué está pasando? Déjame tomar el color rojo, esta cosa; 10 más 3. Por lo tanto, todos son más 1 de esta manera. Así, 10-13, 11-14, 10-13, 13-16, por lo que tanto la serie de datos, ambos conjuntos de datos se están comportando de la misma manera. Por lo tanto, sus números están diciendo que están correlacionados. La lógica es decir que no están correlacionados, pero sus números están diciendo. Por lo tanto, este es el problema de la multicolinealidad. Son colineales. Es decir, hay un alto grado de correlación entre ellos. (23:20) Ahora, el segundo problema es, después de resolver la ecuación, había algo llamado los términos de error. Ahora, que los términos de error deben ser como este que deben tener la misma varianza. El término de error debe tener la misma varianza. Los términos de error deben ser así, es decir, deben tener una varianza igual. Entonces el modelo está bien. Si no lo hace, es decir, deben tener la misma varianza significa que son homogéneos. Cuando no tienen una varianza igual, entonces tenemos algo llamado heterogeneidad. Cuando no es homogéneo, tenemos algo llamado heterogeneidad y que, si está ahí en los datos, se llama como „ heterocedasticidad ". Por lo tanto, las varianzas de error no son uniformes. (24:44) El tercer punto que tenemos es, el tercer punto que tenemos es, para cualquier dato, digamos 10, 11, 12, 13, 14, 15, ver, más 1, más 1, más 1; hecho; 10, 11, 13, 16. ¿Qué está pasando? Más 1, más 2, más 3, más 4, más 5. ¿Correlacionado Así, 1, 2, 3, 4, 5, se viene alguna correlación. Esto se denomina autocorrelación. Por lo tanto, lo que queremos ver es no tomar un resultado de regresión por su valor facial. Mire los números, mire la lógica y vea si los números son lógicos, si los números se comportan de esta manera; multilinear, heterocedástico, autocorrelacionado, si el número se comporta de esta manera? Si los números se comportan de esta manera, entonces hay formas por las cuales se puede corregir la multicolinealidad, la heterocedasticidad y la autocorrelación. Hay maneras por las cuales usted puede hacer eso. Pero de lo contrario, si los números se están comportando así, tendrá que ser un poco cuidadoso. (26:20) Ahora, esto es que y como decimos esto Y es igual a un plus b x o F n más 1 es igual a un plus b en n más 1. Ahora, lo que dijimos es que esto se llama como el nivel de „ "y esto se llama como la tendencia de „". Ahora, el método de Holt, lo que hacemos es, estima que estoy a propósito no borrar la tinta azul sólo para mantenerlo allí. Estima el nivel constante para pronosticar futuras demandas. Estima el nivel y la tendencia. Ahora, volvamos atrás. Hagamos que la diapositiva quede clara. Aquí, en regresión, suponemos que el nivel y tendencia sigue siendo el mismo. Así que, basándonos en el mismo nivel y tendencia, estábamos pronosticando. Pero, ¿se mantendrá fijo este nivel? El consumo automático puede no ser. ¿Se mantendrá esta misma tendencia o se convertirá en esto o se convertirá en un consumo muy alto? Por lo tanto, el modelo de Holt asume que tanto el nivel como la tendencia cambiarán y en tal situación utilizamos un método llamado método Holt " s. (27:57) Por eso el modelo de Holt estima tanto el nivel como la tendencia; el suavizado exponencial doble o el suavizado exponencial ajustado de tendencia, esto también es llamado como. Ahora, con esto, escogeremos cuando partimos con la sesión de la próxima semana. ¡Gracias!