Está en la página 1de 18

INDICE

OBJETIVO..............................................................................................................................2
INTRODUCIN.....................................................................................................................2
PROMEDIO MVIL..............................................................................................................4
TIPOS DE PROMEDIOS MVILES.................................................................................4
SUAVIZADO EXPONENCIAL.............................................................................................7
REGRESIN LINEAL.........................................................................................................10
CONCLUSIN:....................................................................................................................17
BIBLIOGRAFA..................................................................................................................17

OBJETIVO
El objetivo de esta monografa es permitir conocer y aplicar adecuadamente los mtodos de
pronsticos como ser los de promedio mvil, suavizacin exponencial y regresin lineal,
para poder planear actividades futuras dentro de una empresa o institucin de cualquier
ndole.
INTRODUCIN
Definamos en primer trmino el significado de un Pronstico, esta definicin es muy
simple, sin embargo encierra muchas situaciones que intervienen en su resultado o bien en
la consecucin del mismo
Pronstico es un mtodo mediante el cual se intenta conocer el comportamiento
futuro de alguna variable con algn grado de certeza
"Un pronstico es un inicio o una seal por donde se puede saber una cosa
futura mediante indicios"
El pronstico desempea un papel muy significativo en la planeacin de materiales, se
pueden encontrar pronsticos de abastecimiento, de condiciones, comerciales, de
tecnologa, precios, etc. Y en cualquiera de estos rtulos el pronstico es necesario para la
toma de decisiones.
Aunque es muy cotidiano que hoy en da el manejo de pronsticos en las pequeas y
medianas empresas, existen situaciones que tienen que ver con la planeacin de las
necesidades futuras. La problemtica primordial es la poca confianza del uso de la tcnica
pronstico.
En la toma de decisiones se elaboran o tratan con el diseo de planes futuros. De esta
forma los datos que describen la situacin de decisin deben ser representativos de lo que
ocurra en el futuro.
Existen disponibles cuatro grupos de mtodos de pronsticos: Los cualitativos, los de
proyeccin histrica o de anlisis de serie de tiempo (cuantitativos) , los causales y los de
simulacin. Se diferencian entre s por la precisin relativa del pronstico del largo plazo
en comparacin con el corto plazo, el nivel de herramientas matemticas requerido y la
base de conocimiento como sustrato de sus proyecciones.
2

Las tcnicas cualitativas son de carcter subjetivo y se basan en estimaciones y opiniones.


El anlisis de series de tiempo se basa en la idea de que se pueden usar los datos
relacionados con la demanda del pasado para realizar pronsticos.
Los pronsticos causales suponen que la demanda est relacionada con uno o ms factores
subyacentes del ambiente.
Los modelos de simulacin permiten al pronosticador recorrer una gama de suposiciones
sobre la condicin del pronstico.
En esta monografa presentamos tres tcnicas para pronosticar cambios futuros en el nivel
de una variable deseada como funcin del tiempo:
1. Regresin lineal
2. Promedio mvil
3. Suavizacin exponencial

Promedio Mvil

Tipos de Promedios Mviles


Promedio Mvil Simple (SMA):
El Promedio Mvil Simple es sin duda el promedio mvil ms utilizado hoy en da. El
Promedio Mvil Simple es a veces llamado un promedio mvil aritmtico y bsicamente es
un precio promedio a travs de un perodo de tiempo. Se calcula sumando los precios de
cierre del par analizado durante cierto perodo de tiempo y luego se divide dentro del
mismo nmero de perodos.
Promedio Mvil Exponencial (EMA):
El indicador de Promedio Mvil Exponencial reacciona ms rpidamente a cambios de
precios recientes que el Promedio Mvil Simple debido al hecho que suma los precios de
cierre del perodo actual al perodo anterior, dando as ms peso a los ltimos perodos de
precio. El perodo es utilizado para determinar el peso relativo que debera ser asignado a
perodos previos. La frmula es utilizada para determinar el porcentaje.
Promedio Mvil Suavizado (SMMA):
Debido a que el indicador del Promedio Mvil Suavizado, suaviza el promedio mvil por
medio de la asignacin de mismos pesos a precios pasados que a precios recientes, es
recomendable utilizar el SMMA con perodos ms largos de tiempo para mejores resultados
Promedio Mvil Ponderado Lineal (LWMA)
Un Promedio Mvil Ponderado se calcula a travs de la multiplicacin de cada perodo de
tiempo anterior por un peso. El peso est basado en el nmero de das del promedio mvil.
Un Promedio Mvil Ponderado Lineal, da ms peso a informacin ms reciente que a datos
ms antiguos.
A continuacin veremos el promedio mvil simple por ser el indicador ms utilizado en
anlisis tcnico, ya que es uno de los indicadores experimentados ms antiguos que existen.
La utilizacin de un promedio mvil muestra la direccin y la duracin de una tendencia; el
propsito de un promedio mvil es el de ilustrar la tendencia, de una manera ms
suavizada. Debido al hecho que el promedio mvil es uno de los indicadores ms verstiles
y de mayor uso dentro de todos los indicadores, es la base del diseo de la mayora de
sistemas y estrategias utilizados hoy en da.
4

Un promedio mvil simple o aritmtico es calculado como la suma de un nmero


predeterminado de precios por un cierto nmero de perodos de tiempo, dividido por el
nmero de perodos de tiempo. El resultado es el precio promedio en dicho perodo de
tiempo.
Los promedios mviles simples emplean la misma ponderacin para los precios. Es
calculado usando la siguiente frmula:
Promedio Mvil Simple = SUMA (precios de cierre) / n
Donde n es el nmero de perodos.
Un ejemplo de promedio mvil es el precio promedio del mercado en cierto perodo de
tiempo.
Se describen algunas de las propiedades ms comunes de los promedios mviles:
El promedio mvil es calculado con cierto perodo de tiempo predefinido.
Mientras ms corto el perodo, mayor la probabilidad de una seal falsa.
Mientras ms largo el perodo, menor es la sensibilidad del promedio mvil. Es
decir, ms certera pero existirn menos seales.
La suposicin fundamental para esta tcnica es que la serie de tiempo es estable, en el
sentido de que sus datos se generan mediante el siguiente proceso constante:

en donde
b : Parmetro constante desconocido, estimado a partir de datos histricos
i :Componente aleatorio (ruido) para el periodo t, con media cero y varianza constante.
La tcnica supone que no estn correlacionados los datos para los distintos periodos.
La tcnica del promedio mvil supone que las n observaciones ms recientes tienen igual
importancia para estimar el parmetro b. As, en determinado periodo t, si los datos para los
n periodos ms recientes son yt-n+1, yt-n+2, ... , yt, entonces el valor estimado para el
periodo t+1 se calcula como sigue:
5

No hay una regla exacta para seleccionar la base del promedio mvil, n. Si las variaciones
en la variable permanecen razonablemente constantes en el tiempo, se recomienda una n
grande. De otra forma, se aconseja un valor de n pequeo si la variable muestra patrones
cambiantes. En la prctica, el valor de n flucta entre 2 y 10.
Ejemplo
La demanda (en cantidad de unidades) de un artculo de inventario durante los pasados 24
meses se resume en la tabla siguiente. Utilice la tcnica del promedio mvil para
pronosticar la demanda del siguiente mes (t= 25)
Mes
t
1
2
3
4
5
6
7
8
9
10
11
12

Demanda
yt
46
56
54
43
57
56
67
62
50
56
47
56

Mes
t
13
14
15
16
17
18
19
20
21
22
23
24

Demanda
yt
54
42
64
60
70
66
57
55
52
62
70
72

Si utilizamos n = 3, la demanda estimada para el siguiente mes (t = 25) ser igual al


promedio de las demandas para los meses 22 al 24; es decir.

Suavizado exponencial

El mtodo de suavizacin exponencial es un mtodo de promedio mvil ponderado muy


refinado que permite calcular el promedio de una serie de tiempo, asignando a las
demandas recientes mayor ponderacin que a las demandas anteriores. Es el mtodo de
pronstico formal que se usa ms a menudo, por su simplicidad y por la reducida cantidad
de datos que requiere.
A diferencia del mtodo de promedio mvil, que requiere n periodos de demanda pretrita y
n ponderaciones, la suavizacin exponencial requiere solamente tres tipos de datos: el
pronstico del ltimo periodo, la demanda de ese periodo y un parmetro suavizador, alfa ,
cuyo valor flucta entre 0 y 1.
Para elaborar un pronstico con suavizacin exponencial, ser suficiente que calculemos un
promedio ponderado de la demanda ms reciente y el pronstico calculado para el ltimo
periodo. En la suavizacin exponencial se asignan pesos a los datos pasados tal que los
pesos disminuyen al hacerse los datos ms antiguos, esto es que en un proceso cambiante,
esto es que los datos recientes son ms validos que los datos antiguos.
Este mtodo solo necesita el pronstico ms reciente, una constante de suavizacin (es un
valor arbitrario entre 0 y 1) y el ltimo dato real, y as se elimina la necesidad de almacenar
grandes cantidades de datos pasados.
La suavizacin exponencial requiere un valor de inicio. Si se tienen datos disponibles se
puede emplear un promedio sencillo para iniciar el proceso; si los datos no son seguros se
puede hacer una prediccin subjetiva. La ecuacin correspondiente a este pronstico es:

La formula se puede simplificar como sigue:

La seleccin de la constante de suavizacin _ es bsica para estimar los pronsticos del


futuro. Un valor mayor de _ implica que las observaciones ms recientes tienen mayor
peso. En la prctica, el valor de va de 0.01 a 0.30.
7

Ejemplo
Aplicar la tcnica de suavizacin exponencial a los datos del ejemplo anterior realizado en
promedio mvil. Usar =0.1.
Mes
t
1
2
3
4
5
6
7
8
9
10
11
12

Demanda
yt
46
56
54
43
57
56
67
62
50
56
47
56

Mes
t
13
14
15
16
17
18
19
20
21
22
23
24

Demanda
yt
54
42
64
60
70
66
57
55
52
62
70
72

Los clculos se hacen saltndose y 1 * y suponiendo que y2 * = y1 = 46 unidades. Para


ilustrar los clculos recursivos se tienen:

De donde se obtendra la siguiente nueva tabla:


Mes
t
1
2
3
4
5
6
7
8
9
10
11
12
8

Demanda
yt
46
56
54
43
57
56
67
62
50
56
47
56

Yt
N/A
46
47
47.7
47.23
48.21
48.99
50.79
51.91
51.72
52.15
51.63

Mes
t
13
14
15
16
17
18
19
20
21
22
23
24

Demanda
yt
54
42
64
60
70
66
57
55
52
62
70
72

Yt*
52.07
52.26
51.24
52.51
53.26
54.93
56.04
56.14
56.02
55.62
56.26
57.63

De acuerdo con los clculos, la estimacin para t = 25 es la siguiente:

Esta estimacin es muy distinta de la que se obtuvo con promedio mvil (= 68 unidades).
Un valor mayor de producir una estimacin ms cercana para t =25.
Ejemplo
Calcule el pronstico de suavizacin exponencial para la semana 4, considerando los datos
de la siguiente tabla que representan la llegada de pacientes a una clinica en las ltimas tres
semanas. Tenga en cuenta que = 0.10

El mtodo de suavizacin exponencial requiere un pronstico inicial. Suponga que


tomamos los datos de demanda de las dos ltimas semanas y los promediamos para obtener
(400+380)/2 = 390 como pronstico inicial.
A fin de calcular el pronstico para la semana 4, utilizando una suavizacin con = 0.10,
calculamos el promedio al final de la semana 3 en la siguiente forma:
F4 = 0.10(411) + 0.90(390) = 392.1
As, el pronstico para la semana 4 sera de 392 pacientes. Si la demanda real para la
semana 4 resultara ser de 415, entonces el nuevo pronstico para la semana 5 sera.
F5 = 0.10(415) + 0.90(392.1) = 394.4 o sea, 394 pacientes.
Observe que hemos utilizado F4, y no el pronstico en valor entero para la semana 4, en el
clculo de F5. En general, redondeamos solamente el resultado final, a fin de mantener la
mayor precisin posible en los clculos
Regresin Lineal.

El anlisis de regresin es una de las tcnicas estadsticas la cual se utiliza en la


investigacin al relacionar entre dos o ms variables, una de sus utilizaciones est en la
construccin de modelos que permitan predecir el comportamiento de una variable Y
(dependiente, respuesta) en funcin de una o ms variables (independientes, predictivas) X.
El comportamiento de estas variables suelen definirse de manera previa lo que nos remite a
un modelo terico, o bien, se tiene el caso de que no exista una relacin establecida entre
estas y sea necesario establecer una primera aproximacin del comportamiento de las
mismas.
Ventajas
-

Es objetivo, solo depende de los resultados experimentales.

Es reproducible, proporciona la misma ecuacin no importa de quien realice el


anlisis.
Proporciona una estimacin probabilstica de la ecuacin que representa a unos

datos experimentales.
Proporciona intervalos pequeos de error.

Restricciones
-

Solo sirve para ajustar modelos lineales

Requiere tener al menos diez mediciones bajo las mismas circunstancias


experimentales.
Se requiere de algn equipo de clculo, de lo contrario, es muy engorroso el

procesamiento de la informacin.
El anlisis de regresin determina la relacin entre una variable dependiente (por ejemplo,
la demanda de un artculo) y una variable independiente (por ejemplo, el tiempo). La
frmula general de regresin entre la variable independiente x y la variable dependiente y
es:

10

Las constantes b0, b1, ..., bn son parmetros desconocidos que se deben determinar a partir
de los datos disponibles. El error aleatorio e tiene media cero y desviacin estndar
constante.
La forma ms sencilla de modelo de regresin supone que la variable dependiente vara en
forma lineal respecto a la variable independiente, esto es, que:

Las constantes a y b se calculan aplicando el criterio de los mnimos cuadrados

en donde

Estas ecuaciones indican que primero se necesita calcular b, a partir del cual se puede
calcular a.
Las estimaciones de a y b son vlidas para cualquier distribucin de probabilidades de yi.
Sin embargo, si yi tiene distribucin normal con una desviacin estndar constante, se
puede establecer un intervalo de confianza para el valor medio del estimador en

x = x0 (es

decir, y0 = a+ bx0), que es

Para los valores futuros (pronosticados) de y, la variable dependiente, interesa determinar


su intervalo de prediccin (y no el intervalo de confianza de su valor medio). Como era de
esperarse, el intervalo de prediccin de un valor futuro es ms ancho que el intervalo de
confianza del valor medio. En realidad, la frmula del intervalo de prediccin es igual que
11

la del intervalo de confianza, excepto que el trmino

1 /n bajo la segunda raz cuadrada

se sustituye con (n+1)/n


Se puede probar lo bien que se ajusta el estimador lineal y* = a+ bx a sus datos calculando
el coeficiente de correlacin, r, con la frmula

en donde
Si r = 1, existe un ajuste lineal perfecto entre x y y. En general, mientras ms se acerque
el valor de |r | a 1, el ajuste lineal es mejor. Si r = 0, puede ser o puede no ser que x y y sean
independientes, ya que dos variables dependientes pueden dar como resultado r = 0.
Ejemplo
Aplicar el modelo de regresin lineal a los datos del ejemplo anterior planteado en los
modelos de promedio mvil y suavizacin exponencial.
Mes , t
1
2
3
4
5
6
7
8
9
10
11
12

Demanda , yt
46
56
54
43
57
56
67
62
50
56
47
56

De acuerdo con los datos de la tabla se tiene:

12

Mes, t
13
14
15
16
17
18
19
20
21
22
23
24

Demanda ,yt
54
42
64
60
70
66
57
55
52
62
70
72

Presentados en una tabla tenemos:


Mes
T (x)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
300

13

Demanda
yt (y)
46
56
54
43
57
56
67
62
50
56
47
56
54
42
64
60
70
66
57
55
52
62
70
72
1374

XY
46
112
162
172
285
336
469
496
450
560
517
672
702
588
960
960
1190
1188
1083
1100
1092
1364
1610
1728
17842

X2
1
4
9
16
25
36
49
64
81
100
121
144
169
196
225
256
289
324
361
400
441
484
529
576
4900

Y2
2116
3136
2916
1849
3249
3136
4489
3844
2500
3136
2209
3136
2916
1764
4096
3600
4900
4356
3249
3025
2704
3844
4900
5184
80254

En consecuencia,

Entonces, la demanda estimada es

Por ejemplo, con x = 25, y*= 50 + 0.58(25) = 64.5 unidades.


El clculo del coeficiente de correlacin es como sigue:

14

El valor relativamente bajo de r indica que y* = 50 + 0.58x podra no ser un buen ajuste
lineal para los datos. Usualmente, en un ajuste razonablemente bueno se requiere que 0.75
|r| 1.
Suponga que deseamos calcular el intervalo a un 95% de confianza para un estimador lineal
dado. Primero necesitamos calcular la suma de los cuadrados de las desviaciones con
respecto de la lnea de ajuste. La tabla siguiente resume esta informacin.

En la tabla C.2 ,se ve que t0.025, 22 = 2.074.

15

Entonces, el intervalo de confianza que se busca se calcula como sigue:

Que se puede simplificar a

16

Para ilustrar el clculo del intervalo de prediccin, supngase que interesa establecer ese
intervalo para el estimado de la demanda para el prximo mes (x0= 25). En ese caso, se
debe reemplazar el coeficiente 0.042 por 1.042, y el clculo del intervalo de prediccin es
(64.5 16.66), o sea (47.84, 81.16). Entonces se dice que hay 95% de posibilidades de que
la demanda en x =25 sea entre 47.84 unidades y 81.16 unidades.

Conclusin:

17

Este trabajo nos permiti conocer sobre los modelos de pronsticos, especficamente
promedios mviles, suavizacin exponencial y regresin lineal, considerando en cada uno
de los mtodos estudiados, una breve descripcin del mtodo, su aplicabilidad, formulas y
terminando con una ejemplificacin.
Estos mtodos nos permitirn realizar estimaciones necesarias para realizar un plan de
trabajo futuro.
Bibliografa
-

Andy Taha (Investigacin de operaciones)

Universidad

Nacional

UNAD

(Modelos

probabilsticos)

www.datateca.unad.edu.co
Modelos de pronstico. www.paginasprodigy.com/sylsr/ingenierias/pronosticos

18