SUAVIZAMIENTO EXPONENCIAL:

MTODO

EXTRAPOLACIN ()

HOLT ( y )

WINTERS (, y )

CUNDO SE
OCUPA

Adecuado para datos sin una

tendencia predecible

Datos presentan tendencias claras y

comportamientos estacionales.

OBJETIVO

Pronosticar un nivel actual de la

variable de inters. Ese nivel
pronostica la variable de inters.

Datos presentan tendencias claras, las

que permiten
anticipar el comportamiento futuro de la
variable
Generar tendencias
lineales locales (estimar un nivel actual y
una pendiente actual).

EXPLICACIN

Se basa en promediar (suavizar) los

valores de una serie de una forma
exponencialmente decreciente. La
observacin mas reciente recibe el
mayor peso, (con 0 < <1).
(1- ) ; (1- ) ; y as.
OJO: Para comenzar, se debe definir
una base o Pronostico para t=1.
Medidas alerta

Definir una base o pronostico para t=1.

Normalmente se usa el valor real en ese
mismo periodo.
Definir una tendencia para t=1.
Normalmente se define como 0
Una alternativa es utilizar como base el
promedio de los
primeros n datos, y como tendencia la
pendiente de la recta que ajusta esos
datos

Definir una base o pronostico

para t=1. Normalmente se usa el valor real en
ese mismo periodo.
Definir una tendencia para t=1.
Normalmente se define como 0.
Una alternativa es utilizar como base el
promedio de los
primeros n datos, y como tendencia la
pendiente de la
recta que ajusta esos datos
Finalmente, se debe definir un valor inicial
de los indices
de estacionalidad para lo 1-s primeros
periodos.
Normalmente se definen como 1

FRMULAS
ptimo = minimiza error

Estimar tres parmetros para pronosticar

variable inters.

SERIES DE TIEMPO:
Supuesto: Las relaciones causales que determinan estos fenmenos se mantendrn y se pueden utilizar el pasado para predecir el futuro. Si algunas de las
condiciones que determinan este comportamiento cambia, el modelo puede ser revisado y ajustado.
Objetivo: Comprender el comportamiento de los datos (no pronosticar, para eso esta ARMA)
Modelos de descomposicin de Series de Tiempo:
MODELO

ADITIVO

CUNDO SE
OCUPA

Datos presentan una variabilidad aproximadamente

similar a lo largo de la serie.
(Cuando la serie se mueve entre dos paralelas)

MULTIPLICATIVO
(Yt = Tt x Ct x St x It)
Datos presentan una variabilidad no similar a lo largo de
la serie.
(Cuando la serie se mueve entre diagonales)

OBJETIVO

Comprender el comportamiento de los datos

Comprender el comportamiento de los datos

EXPLICACIN

1.- Desestacionalizar la serie: (Yt - St= Tt + Ct + It )

Estimar los valores especficos de variacin de ventas
para cada periodo (estacin), con regresin, dummies
o promedios mviles centrados.
2.- Estimar la tendencia: (Tt = b0 + b1t ) ajustar una

1.- Desestacionalizar la serie: (Yt /St= Tt x Ct x It)

2.- Estimar la tendencia: (Tt = b0 + b1t ) ajustar una

(Yt = Tt + Ct + St + It)

recta o curva, dependiendo de cmo se

presenten los datos desestacionalizados. Aislar la
tendencia (calculando la recta o curva?)
3.- Estimar el componente cclico: (Yt - St- Tt = Ct + It )
Ct = A Cos(t)

recta o curva, dependiendo de cmo se presenten

los datos desestacionalizados. Aislar la tendencia
3.- Estimar el componente cclico: (Yt / (St x Tt )= Ct x It )
Ct = A Cos(t)
4.- Identificar el patrn de variaciones Irregulares

4.- Identificar el patrn de variaciones Irregulares

FRMULAS

Tendencia:

Tendencia:

Tt = b0 + b1t
Tt = b0 + b1t + b1t2
Tt = b0b1t

Tt = b0 + b1t
Tt = b0 + b1t + b1t2
Tt = b0b1t

MODELOS CAUSALES:
SUPUESTOS: 1.Comportamiento de la variable dependiente (ventas, demanda) a ser pronosticada est relacionado con una o ms variables independientes.
2. Mediante el anlisis de los datos existentes de estas variables se puede llegar a cuantificar esta relacin entre las variables.
3. Causalidad no est garantizada.
IMPORTANTE: La(s) variable(s) independiente(s) puede ser cualquier posible determinante de la demanda que este estadsticamente relacionada con esta.
La seleccin de las variables independientes a incluir es extremadamente relevante, por lo que el primer paso consiste en comprender de manera profunda las
caractersticas del producto o categora que se quiere pronosticar.
Idealmente se busca la parsimonia (que bajo nmero de variables expliquen el mayor porcentaje del pronstico).
NOS BASAREMOS SOLO EN RELACIONES LINEALES.

MODELO

REGRESIN LINEAL SIMPLE

CUNDO SE
OCUPA

-Variable independiente es cualquiera menos el periodo de tiempo (t)

OBJETIVO

Cuantificar la relacin entre variable dependiente independiente.

EXPLICACIN

-Una vez que se ha establecido y demostrado la significancia de la relacin, se puede usar el conocimiento
de la variable independiente para pronosticar la variable dependiente.
-Ajustar la mejor recta, que minimice los errores. Con mnimos cuadrados.
Importante:
- El Error Estandar de la Estimacion (Estimador desviacin estndar) mide el grado en que los valores
reales de Y difieren de los valores estimados . Para muestras relativamente grandes, se puede esperar que
aproximadamente el 67% de las diferencias se encuentren dentro del rango
y que alrededor del 95%
de estas diferencias se encuentren dentro del rango 1.96*
- Incertidumbre en pronstico: Acerca de datos con la lnea muestral y de la lnea muestral con la
poblacional
- Incluimos incertidumbre en pronstico con intervalo de confianza.
-El error estandar del pronostico, sf, mide la variabilidad del valor pronosticado de Y en torno al valor real de
Y para un X determinado.
- Si la regresin lineal simple es adecuada para los datos, se puede definir un intervalo de confianza , donde
t es un punto de porcentaje asociado a una distribucin t-Student con n-2 grados de libertad. Si la muestra
es grande (n30), se puede reemplazar t por Z (distribucin normal).
Tener presente:
R: coeficiente de determinacin
Ho: B1=0
ANOVA
Saber leer salidas de SPSS

LINEAL
MLTIPLE (NO
PREGUNTAR)

FRMULAS

Observacin = Ajuste + Residuo

Error estndar del Pronstico

Error Estandar de la Estimacion

Productos Realmente Nuevos (BASS):

MTODO

BASS

CUNDO SE
OCUPA

Cuando se trata de pronosticar demanda para un Producto Realmente Nuevo, que no existe (como categora) en el
mercado.
Asume que el consumidor adopta el producto una sola vez, por lo que normalmente es aplicado a productos durables.
Se puede ajustar para productos con re compra distanciada (Ej: refrigerador)
Modelar el proceso de adopcin del producto por parte de un mercado determinado.

OBJETIVO

EXPLICACIN

Califica a consumidores en Innovadores e Imitadores.

Describe el nmero de personas que adoptan un producto en funcin del tiempo.
El modelo basa sus estimaciones en 3 parmetros fundamentales, normalmente denominados m, p, y q.
Para estimar m, es necesario estimar el nmero de potenciales interesados en adoptar el producto en algn momento del
tiempo.Para algunos productos, investigaciones de intencin de compra o adopcin pueden ser necesarias.
Para estimar P y Q mejor mirar pag 10 clase 9. (se multiplica el peso ponderado por cada p o q y se suman)

FRMULAS

p + [q (N(t-1)/m)] = probabilidad de compra de un nuevo adoptador para el periodo t

[p + [q (N(t-1)/m)]] x [m-N(t-1)] = numero de nuevos adoptadores durante t
S(t) = [p + [q (N(t-1)/m)]] x [m-N(t-1)] x Z(t) = Ventas
Z(t) = 1 + [P(t)-P(t-1)]/P(t-1) = esto es Ventas asumiendo un cambio de precio
= Variacin porcentual de intencin/variacin cambio de precio (puede ser positiva o negativa)

N(t) es el nmero total o acumulado de consumidores que han adoptado el producto hasta el periodo t (incluido).
N(t-1) es el numero total o acumulado de consumidores que adoptaron el producto hasta el periodo anterior (t-1).
S(t) es el nmero de consumidores que adoptaron el producto durante el periodo t, y puede ser expresado por N(t) N(t-1)
m es el tamao total del mercado, el nmero mximo de adoptadores para un determinado producto. Pueden ser personas, hogares, empresas, etc.
p es denominado coeficiente de innovacin, y representa la razn o probabilidad de que un innovador adopte el nuevo producto.
q es denominado coeficiente de imitacin, y representa los efectos asociados a contagio social resultantes de la interaccin entre adoptadores y no
adoptadores.
Factores de Rogers: Explican la variabilidad en la adopcin de los nuevos productos (ayudan a predecir la adopcin)
1.-Ventaja Relativa: El grado de superioridad de un producto respecto al producto que reemplaza.
2.-Compatibilidad: El grado en que un producto es consistente con los valores y experiencias actuales.
3.-Complejidad: El nivel de dificultad de entender y usar un producto
4.-Testeabilidad: El grado en que un producto puede ser probado
5.-Visibilidad: El grado en que el uso e impacto de un producto puede ser observado por otros