Saltar a la primera

pgina
Saltar a la primera
pgina
Pronsticos
Saltar a la primera
pgina
Entorno altamente incierto
La intuicin no necesariamente da los
mejores resultados
Mejorar la planeacin
Competitividad y cambio

1.1. Necesidad de pronosticar
Saltar a la primera
pgina
1.2. Tipos de pronsticos
Por su plazo: - De corto plazo
- De largo plazo
Segn el entorno a
pronosticar
- Micro
- Macro
Segn el
procedimiento
empleado
- Cualitativo
- Cuantitativo
Saltar a la primera
pgina
1. Recopilacin de datos
2. Reduccin o condensacin de
datos
3. Construccin del modelo
4. Extrapolacin del modelo

1.3. Pasos de la elaboracin
de pronsticos
Saltar a la primera
pgina
2. Exploracin de patrones de
datos
Se requieren suficientes datos
histricos
Se apoyan en la suposicin de que
el pasado puede extenderse hacia el
futuro
Saltar a la primera
pgina
Las tcnicas cuantitativas
pueden ser:


Estadsticas Se enfocan en patrones y
en cambios en los
patrones y sus
perturbaciones
Determinsticas Son de tipo causal,
establecen relacin entre
la variable a pronosticar y
otras variables
Saltar a la primera
pgina
Con relacin a las tcnicas
cuantitativas estadsticas se
presentan dos enfoques:
Los datos se pueden descomponer
en componentes de tendencia,
cclicos, estacionales y aleatorios.
Modelos economtricos de series de
tiempo y Box-Jenkins.
Saltar a la primera
pgina
3. Componentes de series de
tiempo:
Una serie de tiempo consta de datos
que se renen, registran u observan
sobre incrementos sucesivos de
tiempo.
Se requiere un enfoque sistemtico
para analizarlas.
Saltar a la primera
pgina
Descomposicin clsica de series de
tiempo:
Componente Descripcin
Tendencia Es el componente de largo plazo que
representa el crecimiento o
disminucin en la serie sobre un
periodo amplio.
Cclico Es la fluctuacin en forma de onda
alrededor de la tendencia.
Estacional Es un patrn de cambio que se repite
a s mismo ao tras ao.
Aleatorio Mide la variabilidad de las series de
tiempo despus de retirar los otros
componentes.
Saltar a la primera
pgina
4. Seleccin de una tcnica de
pronstico: Datos estacionarios
Las fuerzas que generan la serie se han
estabi-lizado y el medio permanece
relativamente sin cambios.
Se puede lograr la estabilidad haciendo
correcciones sencillas a factores como
crecimiento de la poblacin o la inflacin.
La serie se puede transformar en una serie
estable.
La serie es un conjunto de errores de
pronstico, de una tcnica de pronstico que
se considera adecuada.
Saltar a la primera
pgina
4. Seleccin de una tcnica de
pronstico: Datos con tendencia
Productividad creciente y nueva
tecnologa producen cambios.
El incremento de la poblacin elevan la
demanda por productos.
El poder de compra se afecta por la
inflacin.
Aumenta la aceptacin en el mercado
de un producto.
Saltar a la primera
pgina
4. Seleccin de una tcnica de
pronstico: Datos con
estacionalidad
El clima influye en la variable de
inters.
El ao calendario influye en la
variable.
Saltar a la primera
pgina
4. Seleccin de una tcnica de
pronstico: Series cclicas
El ciclo del negocio influye sobre la
variable.
Cambios en el gusto popular.
Cambios en la poblacin.
Cambios en el ciclo de vida del
producto.
Saltar a la primera
pgina
5. Medicin del error en el
pronstico
Se compara la precisin de dos o ms
tcnicas de pronstico.
Se mide la confiabilidad de una
tcnica de pronstico.
Se busca la tcnica ptima.
Saltar a la primera
pgina
5. Medicin del error en el pronstico
Periodo, t Yt Pronstico, Yt
1 58 -
2 54 58
3 60 54
4 55 60
5 62 55
6 62 62
7 65 62
8 63 65
9 70 63
Saltar a la primera
pgina
5. Frmulas de medicin del error
en el pronstico
t t t
t t
t
Y Y e
residual o pronstico del Error
Y para pronstico del valor Y
t periodo el en tiempo de serie una de valor Y

=
=
=
Saltar a la primera
pgina
5. Frmulas de medicin del error
en el pronstico
( )
n
Y Y
EMC
cuadrado medio Error
n
Y Y
DAM
media absoluta Desviacin
n
t
t t
n
t
t t

=
=

=
1
2
1

:
Saltar a la primera
pgina
5. Frmulas de medicin del error
en el pronstico
( )
n
Y
Y Y
PME
error de medio Porcentaje
n
Y
Y Y
PEMA
absoluto medio error de Porcentaje
n
t
t
t
n
t
t
t t

=
=

=
1
1

:
Saltar a la primera
pgina
6. Modelos de series de tiempo
6.1. Modelos no formales:
Estas tcnicas suponen que los
periodos recientes son los mejores
para pronosticar el futuro.
El mtodo ms sencillo es el mtodo
del ltimo valor:
Pronstico = ltimo valor
Saltar a la primera
pgina
6.1. Mtodo del ltimo valor
t Yt Yt+1 et
1 42
2 52 42 10
3 54 52 2
4 65 54 11
5 51 65 -14
6 64 51 13
Saltar a la primera
pgina
6.2. Metodos de promedio
Promedios simples:
Se obtiene la media de todos los
valores pertinentes, la cual se
emplea para pronosticar el
periodo siguiente.
Saltar a la primera
pgina
Promedios simples:
t Yt Yt+1
1 42
2 52 42
3 54 47.00
4 65 49.33
5 51 53.25
6 64 52.80
Saltar a la primera
pgina
Promedios mviles:
Este mtodo no considera la media de
todos los datos, sino solo los ms
recientes.
Se puede calcular un promedio mvil
de n periodos.
El promedio mvil es la media
aritmtica de los n periodos ms
recientes.
Saltar a la primera
pgina
Promedios mviles:
promedio mvil
t Yt n=3 n=4
1 42
2 52
3 54
4 65 49.33
5 51 57.00 53.25
6 64 56.67 55.5
Saltar a la primera
pgina
6.3. Metodos de suavizamiento
exponencial
El mtodo de suavizamiento exponencial
puede dar una ponderacin mayor a las
observaciones ms recientes.
Las ponderaciones se asigna mediante la
constante o, 0 < o < 1.
El modelo se expresa como:
pronstico = o (ltimo valor) + (1 - o)(ltimo
pronstico)
Saltar a la primera
pgina
6.3. Metodos de suavizamiento
exponencial
t Yt o=0.1 o=0.5
1 42
2 52 42 42
3 54 43.00 47.00
4 65 44.10 50.50
5 51 46.19 57.75
6 64 46.67 54.38
Saltar a la primera
pgina
6.4. Descomposicin de series de
tiempo
Las tendencias son movimientos a largo
plazo en una serie de datos a lo largo del
tiempo.
La tendencia puede ser descrita por una
recta o por una curva.
Las tendencias se dan por varias causas:
cambios en la poblacin, cambios en la
productividad, cambios tecnolgicos, etc.
En este tipo de anlisis la variable
independiente es el tiempo.
Saltar a la primera
pgina
6.4.1. Tendencia lineal
El mtodo ms empleado para describir una
tendencia lineal es el de mnimos cuadrados,
para encontrar una lnea de mejor ajuste
para un conjunto de puntos.
Y = a + bX
Y = valor pronosticado en un periodo X
a = valor de la tendencia cuando X = 0
b = pendiente de la recta de tendencia
X = periodo (codificado)
Saltar a la primera
pgina
6.4.1. Tendencia lineal: ejemplo
Ao Periodo X Demanda (Y)
1994 1 35
1995 2 42
1996 3 48
1997 4 51
1998 5 54
1999 6 60
2000 7 71
2001 8 75
Saltar a la primera
pgina
6.4.1. Tendencia lineal: ejemplo
30
35
40
45
50
55
60
65
70
75
80
1994 1995 1996 1997 1998 1999 2000 2001
Saltar a la primera
pgina
6.4.1. Tendencia lineal: ejemplo
X Y XY X
1 35
2 42
3 48
4 51
5 54
6 60
7 71
8 75
Sumas
Saltar a la primera
pgina
6.4.1. Tendencia lineal: frmulas
( )
n
x
b
n
y
a
x x n
y x xy n
b



=

=
2
2
Saltar a la primera
pgina
6.4.1. Tendencia lineal
t Yt Yt et
1 35
2 42
3 48
4 51
5 54
6 60
7 71
8 75
9
Saltar a la primera
pgina
6.4.1. Tendencia lineal
Se puede calcular el coeficiente de determinacin,
a fin de evaluar qu tan correcta es la estimacin
de la recta de regresin.
El coeficiente de determinacin r se calcula como:
| |
( ) | | ( ) | |
2
2
2 2
2
2




=
y y n x x n
y x xy n
r
Saltar a la primera
pgina
6.4.1. Tendencia lineal
Tambin es posible calcular intervalos de
confianza para la estimacin. Para ello es
necesario calcular el error estndar de la
estimacin.
2
2

=

n
xy b y a y
S
e
Saltar a la primera
pgina
6.4.1. Tendencia lineal
Nivel de
confianza
Z Frmula
68% 1 y Se
95% 2 y 2Se
99% 3 y 3Se
Saltar a la primera
pgina
7. Aplicacin de varios mtodos a
datos desestacionalizados
Los datos muestran alguna tendencia creciente a
lo largo del tiempo, adems de una marcada
estacionalidad. Se proceder a desestacionalizar
los datos, lo que permite observar hasta donde las
variaciones se deben a efectos estacionales o
bien, a otros factores.
El proceso de ajuste estacional se realizar a
travs del clculo de factores estacionales:
Factor estacional = Prom. periodo / prom. global
Saltar a la primera
pgina
Ao Trim. Yt
1 1 13618
2 12930
3 13138
4 16532
2 1 14514
2 14128
3 15568
4 17448
3 1 13984
2 13644
3 15898
4 19300
Saltar a la primera
pgina
7. Aplicacin de varios mtodos a
datos desestacionalizados
10000
11000
12000
13000
14000
15000
16000
17000
18000
19000
20000
1 2 3 4 1 2 3 4 1 2 3 4
Trimestres
Saltar a la primera
pgina
7. Aplicacin de varios mtodos a
datos desestacionalizados
T
Ao
Suma Prom
Factor
Estac. 1 2 3
1 13618 14514 13984 42116 10529 0.9323
2 12930 14128 13644 40702 10175 0.9010
3 13138 15568 15898 44604 11151 0.9873
4 16532 17448 19300 53280 13320 1.1794
Total 45175.50
Prom. 11293.88
Saltar a la primera
pgina
Ao Trim. Yt Yt ajust.
1 1 13618.00 14607.27
2 12930.00 14351.12
3 13138.00 13306.33
4 16532.00 14017.29
2 1 14514.00 15568.36
2 14128.00 15680.79
3 15568.00 15767.47
4 17448.00 14793.96
3 1 13984.00 14999.86
2 13644.00 15143.59
3 15898.00 16101.70
4 19300.00 16364.25
Saltar a la primera
pgina
7. Aplicacin de varios mtodos a
datos desestacionalizados
Se aplican varios mtodos de pronstico
para finalmente seleccionar el mejor
pronstico.
A. Mtodo de pronstico del ltimo valor
B. Promedios mviles
C. Suavizamiento exponencial
D. Suavizamiento exponencial con
tendencia
Saltar a la primera
pgina
Otros mtodos:
Modelos de tendencia con ajuste
estacional
Modelo de promedios mviles integrados
autorregresivos (ARIMA o Box-Jenkins)
Pronsticos causales (modelos
economtricos)
Mtodos de pronsticos subjetivos