5.1.

1 Modelos para Pronósticos de un nivel constante

Los métodos más simplistas para pronosticar la demanda son:

 Ultimo valor
 Promedio
 Promedios móviles
 Exponencial.

1. Este es el más simple de los métodos de pronóstico y considera el valor de la

variable aleatoria. Muy simple, pero útil únicamente en acotados casos.

2. Pronostica como valor de la variable aleatoria. Esta puede ser una buena
estimación cuando se trata de un proceso muy estable o que cambia muy poco en
el tiempo.

3. Los promedios móviles solucionan, en parte, el hecho de que el proceso cambia

en el tiempo y considera únicamente las últimas observaciones, por lo que. De
esta forma, mejoramos el método anterior, aunque seguimos asignando el mismo
peso relativo a las observaciones más viejas que a las más actuales.

4. El método exponencial o de suavizado exponencial, soluciona este problema

introduciendo una constante de suavizado, y calcula el nuevo valor de la variable
aleatoria como Estos métodos muestran el hecho fundamental de que los
procesos son cambiantes y están sujetos a factores externos que deben ser
tenidos en cuenta a la hora de realizar el modelo. Una de estos factores, el que
suscita nuestro interés en este momento, es el factor estacional. Por ejemplo, las
necesidades de nuestro insumo tinta, se verán afectadas por la demanda del
producto, la cual tendrá grandes variaciones a lo largo del año si se trata por
ejemplo de un juguete muy popular que verá incrementadas sus ventas durante
las festividades de reyes, día del niño y navidad. Este factor estacional hace que
nuestra serie de tiempo viole la suposición de que el modelo es de nivel constante.
Para poder utilizar estos métodos deberemos primero eliminar el factor estacional
de nuestra serie de tiempo.

Los promedios móviles y el suavizamiento exponencial son los mejores y más

fáciles de usar para pronósticos a corto plazo: requieren pocos datos y los
resultados son de nivel medio. Los modelos a largo plazo son más complejos,
requieren más datos de entrada y ofrecen mayor precisión. Desde ya, los términos
corto, medio y largo son relativos, dependiendo del contexto en que se apliquen.
En los pronósticos empresariales, el corto plazo por lo general se refiere a menos
de tres meses; el medio, de tres meses a dos años; y el largo, a más de dos años.
En términos generales, los modelos a corto plazo se ajustan para cambios a corto
plazo (como la respuesta de los consumidores ante un nuevo producto). Los
pronósticos a medio plazo son buenos para efectos estaciónales y los modelos a
largo plazo detectan las tendencias generales y son de utilidad especial para
identificar punto de cambios decisivos. El modelo de pronósticos a escoger
depende de lo siguiente:

1. Horizonte de tiempo para el pronóstico.

2. Disponibilidad de datos.
3. Precisión requerida.
4. Tamaño del presupuesto para pronósticos.
5. Disponibilidad de personal calificado. También hay que tener en cuenta el
grado de flexibilidad de la empresa (si es mayor la capacidad para
reaccionar con rapidez ante los cambios, no tiene que ser tan preciso el
pronóstico).

5.1.2 Efectos estacionales en los modelos de pronósticos

La Estacionalidad siempre ha jugado un papel primordial en el análisis de series

de tiempo. La mayoría de las técnicas para realizar pronósticos requieren
condiciones de estacionalidad. Por lo tanto necesitamos algunas condiciones, es
decir, las series de tiempo necesitan tener un proceso estacionario de primer y
segundo orden. Estacionario de Primer Orden: Una serie de tiempo está en el
estacionario de primer orden si el valor esperado de X(t) se mantiene constante
para cualquier valor de t. Por ejemplo, en series de tiempo económicas el proceso
se encuentra en estacionario de primer orden cuando removemos cualquier
tendencia por algún mecanismo como la diferenciación. Estacionario de Segundo
Orden: Una serie de tiempo se encuentra estacionaria de segundo orden
solamente cuando la estacionaria de primer orden y la covarianza entre X(t) y X(s)
es función de la anchura (t-s.) De nuevo, en series de tiempo económicas, un
proceso es estacionario de segundo orden cuando estabilizamos sus variables por
cualquier tipo de transformación como la raíz cuadrada.
MODELOS DE PRONÓSTICOS

1° MODELO DE REGRESIÓN SIMPLE

Los datos de la producción de trigo en toneladas (X) y el precio del kilo de
harina en pesetas (Y ) en la década de los 80 en España fueron:

Ajusta la recta de regresión por el método de mínimos cuadrados

Resultados:

La recta de regresión es:

Gráfica:
Calcular la varianza residual en el ejercicio:
Resultados
Calcula un intervalo de confianza al 95% para la pendiente de la recta de
regresión obtenida.

Contrasta la hipótesis de que el precio de la harina depende linealmente de

la producción de trigo, usando un nivel de significación de 0.05.
Como el intervalo no contiene al cero, rechazamos que β 1 = 0 al nivel 0.05.
De hecho:

Gráfica:
2° MODELO DE REGRESIÓN MÚLTIPLE
 3° MODELO DE HOLT
Desarrolle un pronóstico para las ventas de papel de computadora para los meses 26
Si la demanda del mes 25 es 259, actualice los parámetros y proporcione los pronósticos
para el mes 26.

 Se dividen los datos en dos grupos iguales y se calcula el promedio de cada uno. Este
promedio se centra en el punto medio del intervalo; si hubiera 12 datos en el grupo, el promedio
estará en 6.5.
 La diferencia entre los dos promedios es el cambio en la demanda respecto a la media de
cada conjunto de datos. Para convertir esta diferencia en una estimación de la pendiente, se divide
entre el número de periodos que separan los dos promedios.
  Para obtener una estimación de la ordenada, se usa el promedio global y la estimación de
la pendiente por periodo multiplicados por el número de periodos a partir del punto medio del
periodo actual.

Considere los datos de la siguiente tabla, que representa las ventas de papel de computadora en
cajas:

Primero se calculan los promedios de los meses 1 a 12 y 13 a 24. Estos se muestran en la

siguiente tabla:

•El incremento en las ventas promedio para el periodo de 12 meses es

222.25 -156.08= 66.17.
•Al dividir este número entre doce se obtiene el incremento promedio por mes = 5.51
•Así la estimación de la pendiente en el tiempo 24 será B24= 5.51.
•Para obtener una estimación de la ordenada, se calcula el promedio global de los 24
datos como se ve en la tabla superior. Es 189.16.
•Este promedio será centrado en el mes 12.5 (concepto de mediana en intervalos). Para
moverlo al tiempo actual se suma el ajuste por tendencia de 5.51 cajas por mes
multiplicado por (24-12.5).
•La estimación de la ordenada es:
S24 = 189.16 + 5.51 (24-12.5) = 252.52
•Una vez que se tienen los valores iniciales, se pueden pronosticar periodos futuros.
•El pronóstico para el periodo 25 es:
F25 = S24 + 1 x B24 = 252.52 + 1 x 5.51 = 258

Ahora se actualizan las estimaciones con α y β:

α = 0.1 y β = 0.1
ST = α dT + (1- α) (ST-1 + BT-1)
S25 = α d25 + (1- α ) (S24 + B24)
S25 = 0.1 x d25 + (1- 0.1) (S24 + B24)
S25 = 0.1 x 258 + [(1 - 0.1) x ( 252.52 + 5.51)] = 258.03

La nueva estimación de la pendiente será:

BT = β (ST - ST-1) + (1- β) BT-1
B25 = β (S25 - S24) + (1- β) B24
B25= 0.1 (258.03 - 258) + (1- 0.1) x 5.51 = 4.96
El pronóstico para el periodo 26 estará dado por:
FT+K = ST + k BT
F26 = 258.09 + 1 x 4.96 = 263.05

4° MÉTODO DE PROMEDIO MÓVIL SIMPLE

Sean las ventas semanales de nafta ( en miles de litros) de un establecimiento

la variable que se desea pronosticar; utilizando el método de media móvil
de orden 3, obtenemos los resultados del siguiente cuadro:
Gráfica:

5° MÉTODO DE SUAVIZACION EXPONENCIAL SIMPLE

Siguiendo con el mismo ejemplo de las ventas semanales de nafta (en miles de litro)
utilizando el método de suavizacion exponencial simple con α=0.80 , obtenemos los resultados del
siguiente cuadro:
Bibliografía

https://es.slideshare.net/bonbombon/5a-unidad-pronsticos-e-inventarios

http://www.academia.edu/7754013/Modelos_de_Prono_sticos_e_Inventarios