UNIVERSIDAD MARIANO GLVEZ DE GUATEMALA

FACULTAD DE CIENCIAS DE LA ADMINISTRACIN

DIRECCIN DE POSTGRADOS
MAESTRA EN GESTION Y DIRECCION DE RECURSO HUMANO
SEDE: ESCUINTLA
CURSO: MODELOS PARA LA TOMA DE DECISIONES
CATEDRTICA: CLAUDIA ESMERALDA MARISOL VILLELA CERVANTES

ESTUDIANTES:

BRISA MENDIZBAL AGUILAR

2728 15 5207

HUGO DANIEL CETINO MONROY

2728 08 14031

INTRODUCCIN:
El siguiente contenido cita conceptos sobre pronsticos, tema que es de gran
importancia en las organizaciones pues sirve de prediccin para realizar
proyecciones para produccin, ventas, costos, mano de obra, horas hombre etc.
Adems se hace referencia sobre proyecciones a corto, mediano y largo plazo
como tambin sobre los diferentes mtodos para determinar los pronsticos:
mtodos de serie temporal, mtodo ingenuo, mtodo de medidas mviles, media
mvil simple, la media mvil central, media mvil ponderada, media mvil
exponencial, modelo autorregresivo.

PRONOSTICOS:
Es el proceso de estimacin en situaciones de incertidumbre. El trmino prediccin
es similar, pero ms general, y usualmente se refiere a la estimacin de series
temporales o datos instantneos. El pronstico ha evolucionado hacia la prctica
del plan de demanda en el pronstico diario de los negocios. La prctica del plan
de demanda tambin se refiere al pronstico de la cadena de suministros.
Entonces tenemos que los pronsticos son procesos crticos y continuos que se
necesitan para obtener buenos resultados durante la planificacin, de un proyecto.
Si los clasificamos respecto al tiempo que abarcan, se puede clasificar en:
1. Pronsticos a corto plazo: en las empresas modernas, este tipo de pronstico
se efecta cada mes o menos, y su tiempo de planeacin tiene vigencia de un
ao. Se utiliza para programas de abastecimiento, produccin, asignacin de
mano de obra a las plantillas de trabajadores, y planificacin de los departamentos
de fabricacin.
2. Pronsticos a mediano plazo: Abarca un lapso de seis meses a tres aos.
Este se utiliza para estimar planes de ventas, produccin, flujos de efectivo y
elaboracin de presupuestos.

3. Pronsticos a largo plazo: Este tipo de pronstico se utiliza en la planificacin

de nuevas inversiones, lanzamiento de nuevos productos y tendencias

tecnolgicas de materiales, procesos y productos, as como en la preparacin de

proyectos. El tiempo de duracin es de tres aos o ms.
Taxonoma de los mtodos de pronstico
Mtodos de serie temporal: Los mtodos de serie temporal utilizan datos
histricos como base para estimar resultados futuros. Se asume que la demanda
es funcin del tiempo, y que adems pueden estar involucrados los siguientes
componentes:

Tendencia.
Ciclos.
Estacionalidades.
Irregularidades.

Inmersos en el modelo en un esquema aditivo o multiplicativo.

Algunos de estos mtodos son:
Mtodo ingenuo: Simplemente se asume que la magnitud de demanda ser igual
a la ltima medida. (Pronostico, 2015)
Media mvil
Mtodo de medidas mviles: En estadstica, una media mvil es un clculo
utilizado para analizar un conjunto de datos en modo de puntos para crear series
de promedios. As las medias mviles son una lista de nmeros en la cual cada
uno es el promedio de un subconjunto de los datos originales.
Por ejemplo, si se tiene un conjunto de 100 datos el primer valor de la serie de
medias mviles podra ser el promedio de los primeros 25 trminos, luego el
promedio de los trminos 2 al 26, el tercer elemento de los trminos 3 al 27 y as,
hasta por ltimo el promedio de los ltimos 25 nmeros del 76 al 100.
Una serie de medias mviles puede ser calculada para cualquier serie temporal.
Se usa para demanda estable, sin tendencia ni estacionalidad suaviza las

fluctuaciones de plazos cortos, resaltando as las tendencias o ciclos de plazos

largos.
Media mvil simple: Una media mvil simple (Moving Average) es la media
aritmtica de los

datos anteriores. En esta tcnica elemental de prediccin,

cuanto ms grande sea

, mayor ser la influencia de los datos antiguos. En

contrapartida, si se selecciona una

baja, se tendrn en cuenta datos ms

recientes para nuestra prediccin.

De acuerdo a lo enunciado con anterioridad, concluimos que la eleccin de
influenciar decisivamente nuestra prediccin. Dependiendo del tipo de datos de
serie temporal analizados podremos adaptar eficazmente nuestra prediccin a los
mismos. As, si se elige un

bajo, nuestra prediccin tendr una alta capacidad

para responder rpidamente ante fluctuaciones o variaciones significativas en los

datos de un perodo a otro. Sin embargo, la prediccin en este caso estar
altamente influenciada por efectos aleatorios. Por otro lado, la eleccin de un
muy alto provocar que, aunque se filtre la existencia de efectos aleatorios,
nuestras predicciones presenten una adaptacin lenta ante fluctuaciones
significativas en los datos de perodos ms recientes, pues dicha prediccin estar
teniendo en cuenta el valor de datos antiguos.
La simplicidad de esta tcnica hace que sea objeto de crticas en lo que refiere a
su consideracin equitativa de datos recientes y datos antiguos, sobre todo
cuando el objeto de la prediccin son variables cuya variabilidad en el corto plazo
es importante para obtener una prediccin eficaz, v.gr: anlisis de demanda, n
ventas, etc. Adems, en presencia de una tendencia en la serie de datos, la media
mvil simple causa problemas de prediccin.
La media mvil central: En lugar de utilizar slo datos anteriores, se utilizan
tambin datos posteriores a aqul del cual se quiere obtener la media.

Media mvil ponderada: La media mvil ponderada es una media multiplicada

por ciertos factores, que le dan determinado peso a determinados datos. La media
mvil ponderada (Weighted Moving Average) desarrolla y mejora las aplicaciones
de la media mvil simple. Se trata de la media aritmtica de los

valores

anteriores ponderados segn diferentes criterios. De esta forma, se superan los

inconvenientes que ofrece la tcnica de media mvil simple pues, en funcin de
las caractersticas de los datos analizados podremos decidir si darle mayor
importancia a datos ms antiguos o ms recientes. Esta tcnica ser ms eficiente
que la media mvil simple a la hora de adaptar rpidamente el valor de la
prediccin a fluctuaciones en los datos recientes (v.gr: dndole una alta
ponderacin a los valores ms nuevos).

Media mvil exponencial

Ponderacin MME N=15
La media mvil exponencial es una media mvil ponderada exponencialmente. Se
trata de la media aritmtica de los

valores anteriores con factores de

ponderacin que decrecen exponencialmente. La ponderacin para cada punto de

datos ms antiguo decrece exponencialmente, nunca llegando a cero. El grfico a
la derecha muestra un ejemplo de la disminucin de la ponderacin. Da mayor
importancia a los datos ms recientes. Esta tcnica ser ms eficiente que la
media mvil simple y la media mvil ponderada a la hora de adaptar rpidamente

el valor de la prediccin a fluctuaciones en los datos recientes (v.gr: dndole una

alta ponderacin a los valores ms nuevos).
(Media Movil, 2015)

Modelo autorregresivo de media mvil

En

estadstica,

los modelos

autorregresivos

de

media

mvil (en

ingls AutoRegressive Moving Average models, abreviados ARMA), tambin

llamados Modelos Box-Jenkins, se aplican a series temporales de datos.
Dada una serie temporal de datos Xt, el modelo ARMA es una herramienta para
entender y, an ms, para predecir futuros valores de la serie. El modelo est
formado por dos partes, una parte autorregresiva (AR) y otra de media mvil (MA).
El modelo se conoce con el nombre de modelo ARMA (p,q), donde p es el orden
de la parte autor regresiva y q es el orden de la parte de media mvil.
Modelo autorregresivo
La notacin AR (p) se refiere a un modelo autorregresivo de orden p. Un modelo
AR (p) puede escribirse como:

Donde

son los parmetros del modelo,

es una constante y

es un

trmino de error. Muchos autores omiten el trmino constante, para fines de

simplificacin.

Un modelo autorregresivo es esencialmente un filtro de respuesta infinita al

impulso IIR, con determinada interpretacin adicional.
Se debe tener en cuenta que es necesario imponer ciertas restricciones a los
valores de los parmetros de este modelo para que funcione correctamente
(proceso estacionario) Por ejemplo, en un modelo AR (1), si | 1| > 1 el modelo no
tendr un buen comportamiento.
Ejemplo: Un proceso AR (1)
Un proceso AR (1) est dado por:

Donde

es un proceso de ruido blanco con media cero y varianza

subndice en

se omiti.)

El proceso es de covarianza estacionaria si

una raz unitaria El clculo de la esperanza de

. Si

, entonces

.
entonces:

es la media. La varianza es:

La funcin de autocorrelacin viene dada por:

tiene

es directo. Asumiendo la

covarianza estacionaria, tenemos:

donde

. (Nota: El

Se puede ver que la funcin de autocorrelacin decrece con un intervalo de

decrecimiento

de

En

trminos

discretos,

sta

sera

la

transformada de Fourier de tiempo discreto:

Esta expresin contiene aliasing debido a la naturaleza discreta de

. Si

asumimos que el intervalo de la muestra es mucho menor que el intervalo de

decrecimiento (
a

), entonces podemos utilizar una aproximacin continua

donde

es

la

frecuencia

angular

asociada

con

el

intervalo

de

decrecimiento .
Una

expresin

alternativa

primero

para

por

se

obtener

en la ecuacin de definicin.

Continuando este proceso N veces, obtenemos:

Cuando N tiende a infinito,

puede

tiende a cero y:

substituyendo

Vase que

es ruido blanco convolucionado con

media. Por el teorema de limite central,

cualquier muestra de

ms la constante de la

ser distribuido normalmente como

, que es ms grande que el intervalo de decrecimiento de

la funcin de autocorrelacin.

CONCLUSIN:
Al finalizar el contenido sobre pronsticos el lector encontr la importancia de
dicho tema, tomando en cuenta que es de gran utilidad en la toma de decisiones
como una herramienta de anlisis pues nos permite evaluar los resultados
pasados y realizar proyecciones futuras.
Las proyecciones a corto, mediano y largo plazo tambin nos permiten proyectar
en diferentes plazos de tiempo dependiendo de los objetivos de la organizacin.
Los mtodos de serie temporal, mtodo ingenuo, mtodo de medidas mviles son
mtodos que nos permiten realizar las proyecciones de diferentes formas.

BIBLIOGRAFIA:

Media Movil. (2015). Recuperado el 15 de 03 de 2015, de

http://es.wikipedia.org/wiki/Media_m%C3%B3vil
Modelo Autorregresivo. (2015). Recuperado el 125 de 03 de 2015, de
http://es.wikipedia.org/wiki/Modelo_autorregresivo_de_media_m
%C3%B3vil
Modelo Autorregresivo. (2015). Recuperado el 15 de 03 de 2015, de
http://es.wikipedia.org/wiki/Modelo_autorregresivo_integrado_de_media_
m%C3%B3vil
Pronostico. (2015). Recuperado el 15 de 03 de 2015, de
http://es.wikipedia.org/wiki/Pron%C3%B3stico_(estad%C3%ADstica)
Pronostico estadistica. (2015). Recuperado el 15 de 03 de 2015, de
http://es.wikipedia.org/wiki/Pron%C3%B3stico_(estad%C3%ADstica)