Errores de previsión y correlación estacional

Cuando LN ha calculado la previsión de demanda de un artículo de planificación, LN determina los errores de previsión y cualquier correlación estacional.

LN calcula los campos siguientes en la sesión Artículos de planificación - Configuración de previsión (cpdsp1110m000):

  • Error medio de previsión (AFCE)
  • Desviación absoluta media (MAD)
  • Desviación relativa de media (MRD)
  • Desviación estándar (SDEV)
  • Factor de correlación estacional (COR)

Los cálculos se basan en las fórmulas siguientes:

Error medio de previsión
AFCE = sum(FD(t) - AD(t)) / n
AFCEel campo Error medio de previsión
sum()la suma de todos los períodos históricos
FD(t)la demanda de previsión para el período t
AD(t)la demanda real para el período t
nel número de períodos históricos

 

Error medio de previsión absoluto
MAD = sum(abs(FD(t) -	 AD(t))) / n
MADel campo Desviación absoluta media
sum()la suma de todos los períodos históricos
abs(FD(t)-AD(t))el valor absoluto de (FD(t)-AD(t))
FD(t)la demanda de previsión para el período t
AD(t)la demanda real para el período t
nel número de períodos históricos

 

Error medio de previsión relativo
MRD = sum(100 * abs((FD(t) - AD(t))) / AD(t)) / n
MRD Desviación relativa de media
sumla suma de todos los períodos históricos
FD(t)la demanda de previsión para el período t
AD(t)demanda real para el período t
nel número de períodos históricos

 

Desviación estándar del error de previsión
SDEV = sqr(sum(((FD(t) - AD(t)) - AFCE)^2) / (n - 1))
SDEVel campo Desviación estándar
sqr()la raíz cuadrada
sum()la suma de todos los períodos históricos
FD(t)la demanda de previsión para el período t
AD(t)la demanda real para el período t
AFCEel error medio de previsión
nel número de períodos históricos

 

Correlación estacional

LN determina la desviación estándar a partir de la demanda real para dos conjuntos de datos. El primer conjunto de datos se compone de los períodos que van del primero al último, menos la longitud de estación en períodos. El segundo conjunto de datos se compone de los períodos que van del primero posterior a la longitud de estación en períodos al último. En otras palabras, el segundo conjunto de datos está desplazado en una longitud de estación si se compara con el primer conjunto de datos.

El diagrama siguiente ilustra este aspecto para una longitud de estación de un mes.
[...]
AConjunto de datos 1
BConjunto de datos 2
1Enero
2Febrero
3Marzo
4Abril
5Mayo
Desviaciones estándar:
SDV1 = sqr(sum(((DM(t) - DM1)^2) / (m - 1)) SDV2 = sqr(sum(((DM(t+L) - DM2)^2) / (m - 1))
SDV1la desviación estándar para el primer conjunto de datos
SDV2la desviación estándar para el segundo conjunto de datos
sqr()la raíz cuadrada
sum()la suma de todos los períodos históricos
DM(t)la demanda real con tendencia corregida para el período t (*)
DM1la demanda media con tendencia corregida para el primer conjunto de datos (*)
DM2la demanda media con tendencia corregida para el segundo conjunto de datos (*)
Lla longitud de estación en períodos
mel número de períodos históricos menos la longitud de estación en períodos

 

(*) Para el cálculo de la demanda media con tendencia corregida, consulte Método de previsión: regresión polinómica.

LN determina el factor de covarianza para los dos conjuntos de datos.

COV = sum((DM(t) - DM1) x (DM(t+L) - DM2) / (m - 1))
COVfactor de covarianza
sumla suma de todos los períodos menos la longitud de estación en períodos
DM(t)la demanda real con tendencia corregida para el período t
DM1la demanda media con tendencia corregida para el primer conjunto de datos
DM2la demanda media con tendencia corregida para el segundo conjunto de datos
Lla longitud de estación en períodos
mel número de períodos históricos menos la longitud de estación en períodos

 

Por último, se calcula el factor de correlación estacional del modo siguiente:

COR = COV / (SDV1 x SDV2)
CORel campo Factor de correlación estacional
COVfactor de covarianza
SDV1desviación estándar para el primer conjunto de datos
SDV2desviación estándar para el segundo conjunto de datos