2.4 MÉTODOS CUANTITATIVOS.

Los modelos cuantitativos de pronósticos con modelos matemáticos que se basan

en datos históricos. Estos modelos suponen que los datos históricos son
relevantes en el futuro. Casi siempre puede obtenerse información pertinente al
respecto. Aquí, analizaremos varios modelos cuantitativos, la precisión del
pronóstico, pronósticos a largo plazo y pronósticos a corto plazo.

Modelos cuantitativos de pronóstico:

1.- Regresión lineal. Modelo que utiliza el método de los mínimos cuadrados para
identificar la relación entre una variable dependiente y una o más variables
independientes, presentes en un conjunto de observaciones históricas. En la
regresión simple, solo hay una variable independiente; en la regresión múltiple,
hay más de una variable independiente, en por ejemplo, un pronóstico de ventas,
son las ventas. Una modelo de regresión no necesariamente tiene que estar
basado en una serie de tiempo, pues en estos casos el conocimiento de los
valores futuros de la variable independiente (llamada también variable causal) se
utiliza para predecir valores futuros de la variable dependiente. Por lo general, la
regresión lineal se utiliza en pronósticos a largo plazo.

2.- Promedios móviles: Modelos de pronósticos del tipo de series de tiempo a

corto plazo que pronostica las ventas para el siguiente periodo. En este modelo, el
pronóstico aritmético de las ventas reales para un determinado número de los
periodos pasados más recientes es el pronóstico para el siguiente periodo.

3.- Promedio móvil ponderado: modelo parecido al modelo de promedio móvil

arriba descrito, excepto que el pronóstico para el siguiente periodo es un promedio
ponderado de las ventas pasadas, en lugar del promedio aritmético.

4.- Suavización exponencial: modelo también de pronóstico de series de tiempo a

corto plazo que pronostica las ventas para el siguiente periodo. En este método,
las ventas pronosticadas para el último periodo se modifican utilizando la
información correspondiente al error de pronóstico del último periodo. Esta
modificación del pronóstico del último periodo se utiliza como pronóstico para el
siguiente periodo.

5.- Suavización exponencial con tendencia. El modelo de suavización exponencial

arriba descrito, pero modificado para tomar en consideración datos con un patrón
de tendencia. Estos patrones pueden estar presentes en datos a mediano plazo.
También se conoce como suavización exponencial doble, ya que se suavizan
tanto la estimación del promedio como la estimación de la tendencia utilizando dos
constantes de suavización.
https://sites.google.com/site/tecnologicoao/unidad-ii---pronostico-de-la-demanda/2-
3-metodos-cuantitativos-para-los-pronosticos

2.4.1 SERIES DE TIEMPO

Es una secuencia de datos uniformemente espaciada. Se obtiene observando las
variables en periodos de tiempo regulares. Se trata de un pronóstico basado en
los datos pasados; es decir que supone que los factores que han influido en el
pasado lo seguirán haciendo en el futuro. Se pueden descomponer en tendencia,
estacionalidad y variación aleatoria.

La Tendencia es el movimiento gradual de ascenso o descenso de los datos a lo

largo del tiempo. Los cambios en la población, ingresos, etc. influyen en la
tendencia. La Estacionalidad es la existencia de un patrón periódico de
comportamiento de los datos. Se puede deber a la climatología, las costumbres,
etc. y producirse dentro de un periodo diario, semanal, mensual, anual...

Por ejemplo, los Subterráneos tienen dos claros picos de demanda durante las
horas de flujo de pasajeros hacia y desde los trabajos; a su vez, durante los
meses de verano tienen menor demanda que durante el resto del año, debido a la
reducción de población en época de vacaciones. Las Variaciones Aleatorias, que
son “saltos” en los datos causados por el azar y situaciones inusuales. Son de
corta duración y no se repiten, o al menos no lo hacen con una frecuencia
determinada. Al ser aleatorias, no se pueden predecir.

Por serie de tiempo nos referimos a datos estadísticos que se recopilan, observan
o registran en intervalos de tiempo regulares (diario, semanal, semestral, anual,
entre otros). El término serie de tiempo se aplica por ejemplo a datos registrados
en forma periódica que muestran, por ejemplo, las ventas anuales totales de
almacenes, el valor trimestral total de contratos de construcción otorgados, el valor
trimestral del PIB.

Componentes de la serie de tiempo

Supondremos que en una serie existen cuatro tipos básicos de variación, los
cuales sobrepuestos o actuando en concierto, contribuyen a los cambios
observados en un período de tiempo y dan a la serie su aspecto errático. Estas
cuatro componentes son: Tendencia secular, variación estacional, variación cíclica
y variación irregular. Supondremos, además, que existe una relación multiplicativa
entre estas cuatro componentes; es decir, cualquier valor de una serie es el
producto de factores que se pueden atribuir a las cuatro componentes.
 Tendencia secular: La tendencia secular o tendencia a largo plazo de una
serie es por lo común el resultado de factores a largo plazo. En términos
intuitivos, la tendencia de una serie de tiempo caracteriza el patrón gradual
y consistente de las variaciones de la propia serie, que se consideran
consecuencias de fuerzas persistentes que afectan el crecimiento o la
reducción de la misma, tales como: cambios en la población, en las
características demográficas de la misma, cambios en los ingresos, en la
salud, en el nivel de educación y tecnología. Las tendencias a largo plazo
se ajustan a diversos esquemas. Algunas se mueven continuamente hacía
arriba, otras declinan, y otras más permanecen igual en un cierto período o
intervalo de tiempo.
 Variación estacional: El componente de la serie de tiempo que representa la
variabilidad en los datos debida a influencias de las estaciones, se llama
componente estacional. Esta variación corresponde a los movimientos de la
serie que recurren año tras año en los mismos meses (o en los mismos
trimestres) del año poco más o menos con la misma intensidad. Por
ejemplo: Un fabricante de albercas inflables espera poca actividad de
ventas durante los meses de otoño e invierno y tiene ventas máximas en
los de primavera y verano, mientras que los fabricantes de equipo para la
nieve y ropa de abrigo esperan un comportamiento anual opuesto al del
fabricante de albercas.
 Variación cíclica: Con frecuencia las series de tiempo presentan secuencias
alternas de puntos abajo y arriba de la línea de tendencia que duran más de
un año, esta variación se mantiene después de que se han eliminado las
variaciones o tendencias estacional e irregular. Un ejemplo de este tipo de
variación son los ciclos comerciales cuyos períodos recurrentes dependen
de la prosperidad, recesión, depresión y recuperación, las cuales no
dependen de factores como el clima o las costumbres sociales.
 Variación Irregular: Esta se debe a factores a corto plazo, imprevisibles y no
recurrentes que afectan a la serie de tiempo. Como este componente
explica la variabilidad aleatoria de la serie, es impredecible, es decir, no se
puede esperar predecir su impacto sobre la serie de tiempo. Existen dos
tipos de variación irregular: a) Las variaciones que son provocadas por
acontecimientos especiales, fácilmente identificables, como las elecciones,
inundaciones, huelgas, terremotos. b) Variaciones aleatorias o por
casualidad, cuyas causas no se pueden señalar en forma exacta, pero que
tienden a equilibrarse a la larga.
 http://www.estadistica.mat.uson.mx/Material/seriesdetiempo.pdf

2.4.1.1 ENFOQUE SIMPLE

Supone que la demanda en el próximo periodo será igual a la demanda del
periodo más reciente. Es la mejor predicción para los precios de insumos,
acciones, etc. que cotizan. Porque si el mercado realmente creyera que en un
tiempo valdrá más, compraría tanto hoy que haría llevar el precio a ese valor
esperado. Por ejemplo, si hoy la acción de Microsoft cotiza a U$S 20, ¿cuánto
predice que va a valer mañana?: U$S 20. Y si en realidad mañana vale U$S 25,
cuánto diría que vale pasado mañana?: U$S 25

Media Simple Luego del método de “enfoque simple”, le sigue en simpleza la

“media simple”. En este método pronosticamos un valor futuro similar al promedio
de todos los valores pasados. Dentro de las ventajas del método tenemos que es
muy amortiguado, por lo cual no encontramos grandes saltos, y es muy simple de
comprender por cualquier persona. El problema es que al tener en cuenta todos
los datos históricos, llega un momento donde los valores reales que se agregan
prácticamente no modifican el pronóstico futuro. Aun así, en algunas ocasiones se
utiliza.

Media Móvil Consiste simplemente en tomar el promedio aritmético de los últimos

n períodos. El valor de n se elige en función a la influencia que queramos que
tenga la historia más antigua en la predicción de los valores futuros. Un valor de n
muy chico, hará que los pronósticos sigan más de cerca de los últimos valores
reales, mientras que un valor de n más grande, se traduce en una curva más
amortiguada aunque, por el mismo motivo, también de una menor velocidad de
cambio. Se utiliza si no hay tendencia o si ésta es escasa. Se suele utilizar para
alisar la curva, facilitando una lectura general de los datos. Casos particulares: Si
sólo consideráramos 1 período previo para el cálculo de la media móvil,
estaríamos utilizando la Estimación Simple.

http://materias.fi.uba.ar/7628/PronosticosTexto.pdf