2.

4 MÉTODOS CUANTITATIVOS
Los
métodos cuantitativos o también llamados causales, se emplean cuando se dispone de datos
históricos y la relación entre el factor que se intenta pronosticar y otros factores externos o
internos puede identificarse. Las relaciones de ese tipo se expresan en términos matemáticos
y suelen ser muy complejas.
2.4.1 Modelos de series de tiempo.
 
técnica de pronóstico que emplea una serie de datos puntuales históricos para obtener el
pronóstico.
-Modelos asociativos: los modelos causales como la regresión lineal, incorporan las variables o
factores que pueden influir en la cantidad por pronosticar.
-Pronósticos de series de tiempo: se basa en una secuencia de datos puntuales separados a
intervalos iguales.
-Descomposición de una serie de tiempo: una serie de tiempo tiene 4 componentes;
·        

Las tendencias
·        

La estacionalidad
·        

Los ciclos
·        

Las variaciones aleatorias

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.
2.4.1.2 Promedios móviles
Los promedios móviles son muy útiles. Los promedios móviles indican el promedio del precio en
un punto determinado de tiempo sobre un período de tiempo definido. Se llaman móviles ya que
reflejan el último promedio, mientras que se adhieren a la misma medida de tiempo.
Los promedios móviles simples
, es un método que se utiliza para estimar el promedio de una serie de tiempo de demanda y,
por lo tanto, para suprimir los efectos de las fluctuaciones al azar. Este método resulta más
útil cuando la demanda no tiene tendencias pronunciadas ni influencias estacionales. La
aplicación de un modelo de promedio móvil implica simplemente calcular la demanda promedio
para los n periodos más recientes, con el fin de usarla como pronóstico para el siguiente
periodo.
 
 
Promedio móvil ponderado:
en el método de promedio móvil simple, todas las demandas tienen la misma ponderación en el
promedio, es decir, 1/n. En el método de promedio móvil ponderado, cada una de las demandas
históricas que intervienen en el promedio puede tener su propia ponderación. Ejemplo; en un
modelo cn promedio móvil ponderado de tres periodos, al periodo más reciente se le puede
asignar una ponderación de 0.50, al segundo se le asigna una ponderación de 0.30, y al tercero
una de .20. El promedio se obtiene multiplicando la ponderación de cada periodo por el valor
correspondiente a dicho periodo y finalmente los productos:
2.4.1.3 Suavización exponencial
El método de suavización exponencial es un método de promedio móvil ponderado muy refinado
que permite calcular el promedio de una serie de tiempo, asignando a las demandas recientes
mayor ponderación que a las demandas anteriores. Es el método de pronóstico formal que se
usa más a menudo, por su simplicidad y por la reducida cantidad de datos que requiere. Este
método solo requiere 3 tipos de datos: el pronóstico del último periodo, la demanda de ese
periodo y un parámetro suavizador, alfa
α, cuyo valor fluctúa entre 0 y 1.0.
La siguiente es una ecuación equivalente:
F t+1 = F t +
α (Dt – Ft)
 
Esta forma de la ecuación muestra que el pronóstico para el periodo siguiente es igual al
pronóstico del periodo actual más una proporción del error del pronóstico correspondiente al
mismo periodo actual.
 
“La suavización exponencial tiene las ventajas de ser sencilla y requerir un mínimo de datos. Su
utilización es económica y, por lo tanto, muy atractiva para las empresas que realizan miles de
pronósticos para cada periodo de tiempo”.
 
2.4.1.4  Tendencia Lineal
Consiste en conocer si los valores absolutos o relativos de un concepto han crecido o
disminuido en el tiempo, partiendo de un periodo considerado base. Puede referirse a cifras
históricas o la determinación de cifras estimadas para el futuro.
 
2.4.2 Relaciones causales
 
2.4.2.1 Regresión simple      
En el Modelo de Regresión es muy importante identificar cuál es la variable dependiente y cuál
es la variable independiente.
En el Modelo de
Regresión Simple se establece que Y es una función de sólo una variable independiente, razón
por la cual se le denomina también Regresión Divariada porque sólo hay dos variables, una
dependiente y otra independiente y se representa así:
Y = f (X)
"Y está regresando por X"
ANÁLISIS ESTADÍSTICO: REGRESIÓN LINEAL SIMPLE
En el estudio de la relación funcional entre dos variables poblacionales, una variable X, llamada
independiente, explicativa o de predicción y una variable Y, llamada dependiente o variable
respuesta, presenta la siguiente notación:
Y = a + b X + e
Donde:
a es el valor de la ordenada donde la línea de regresión se intercepta con el eje Y.
b es el coeficiente de regresión poblacional (pendiente de la línea recta)
e es el error
SUPOSICIONES DE LA REGRESIÓN LINEAL
Los valores de la variable independiente X son fijos, medidos sin error.
La variable Y es aleatoria
Para cada valor de X, existe una
distribución normal de valores de Y (subpoblaciones Y)
Las variancias de las subpoblaciones Y son todas iguales.
Todas las medias de las subpoblaciones de Y están sobre la recta.
Los valores de Y están normalmente distribuidos y son estadísticamente independientes.
ESTIMACIÓN DE LA ECUACIÓN DE REGRESIÓN MUESTRAL
Consiste en determinar
los valores de "a" y "b " a partir de la muestra, es decir, encontrar los valores de a y b con los
datos observados de la muestra. El método de estimación es el de Mínimos Cuadrados,
mediante el cual se obtiene:
Luego, la ecuación de regresión muestral estimada es:
Que se interpreta como:
a es el estimador de a
Es el valor estimado de la variable Y cuando la variable X = 0
b es el estimador de b , es el coeficiente de regresión
Está expresado en las mismas unidades de Y por cada unidad de X. Indica el número de
unidades en que varía Y cuando se produce un
cambio, en una unidad, en X (pendiente de la recta de regresión).
Un valor negativo de b sería interpretado como la magnitud del decremento en Y por cada
unidad de aumento en X.
2.4.2.2 Regresión múltiple
Este tipo se presenta cuando dos o más variables independientes influyen sobre una variable
dependiente. Ejemplo: Y = f(x, w, z).
Utilizamos regresión múltiple cuando estudiamos la posible relación entre varias variables
independientes y otra variable dependiente.
 
Al aplicar el análisis de regresión múltiple lo más frecuente es que tanto la variable
dependiente como las independientes sean variables continuas medidas en escala de intervalo o
razón. No obstante, caben otras posibilidades: (1) también podremos aplicar este análisis
cuando relacionemos una variable dependiente continua con un conjunto de variables
categóricas; (2) o bien, también aplicaremos el análisis de regresión lineal múltiple en el caso
de que relacionemos una variable dependiente nominal con un conjunto de variables continuas.
 
La anotación matemática del modelo o ecuación de regresión lineal múltiple es la que sigue:
Y = a + b
1x1 + b2x2 + ... + bnxn + e
ó
presente = a + b
1pasado + b2futuro + e
en donde:
Y es la variable a predecir;
a, b
1x1, b2x2... bnxn, son parámetros desconocidos a estimar;
y e es el error que cometemos en la predicción de los pará- metros.
Aplicaciones de la regresión múltiple
 
Es cierto que la regresión múltiple se utiliza para la predicción de respuestas a partir de
variables explicativas. Pero no es ésta realmente la aplicación que se le suele dar en
investigación. Los usos que con mayor frecuencia encontraremos en las publicaciones son los
siguientes:
Identificación de variables explicativa
Nos ayuda a crear un modelo donde se seleccionen las variables que pueden influir en la
respuesta, descartando aquellas que no aporten información.
Detección de interacciones
entre variables independientes que afectan a la variable respuesta.
Identificación de variables confurosas:
es un problema difícil el de su detección, pero de interés en investigación no experimental, ya
que el investigador frecuentemente no tiene control sobre las variables independientes.
 
2.5 Pronosticos en el sector de servicios
Los especialistas siempre están tratando de hacer mejores estimaciones acerca de lo que
ocurrirá en el futuro al afrontar la incertidumbre. El propósito fundamental de los pronósticos
es hacer buenas estimaciones en las cuales basar los modelos para la toma de decisiones. Los
pronósticos constituyen la problemática fundamental dentro de la gestión de la actividad de
una empresa debido a la complejidad de los problemas encontrados cuando se pronostica y a su
impacto sobre todas las decisiones de la empresa.
Una situación muy particular presenta la previsión de la demanda de piezas de repuesto, dada
la gran cantidad de surtidos que se deben proporcionar, el elevado grado de variabilidad en la
demanda de estas producciones y la importancia que posee la disponibilidad de estas piezas
para el equipamiento que las utiliza, ya que la disponibilidad en tiempo de las mismas garantiza
la continuidad del proceso productivo en el cual esté inmiscuido el equipamiento que la utiliza
dentro de una determinada empresa. Es por ello, que se debe asegurar un elevado nivel de
precisión en la previsión de la demanda de este tipo de productos.
En este artículo se presenta un procedimiento general para la previsión de la demanda de las
piezas de repuesto basado en su fiabilidad operacional a partir de la filosofía que caracteriza
al sistema y considerando la influencia del mismo en el mejoramiento de la Gestión del
Mantenimiento del equipamiento.
Seguimiento de la implantación del procedimiento.
En consecuencia, el contenido de cada uno de ellos, plantea los pasos a desarrollar para prever
la demanda de piezas de repuesto basado en su fiabilidad, llegándose, en ocasiones, a definir
las técnicas específicas a utilizar.
 
 
Panorama general de los métodos de pronóstico
 
Fiabilidad: es la probabilidad de que un item (sistema o elemento) realice satisfactoriamente la
misión especificada, durante un período determinado y bajo un conjunto dado de condiciones
operativas.
Patrones de Fallos:
Durante décadas, la sabiduría convencional sugería que la mejor forma de optimizar el
desempeño de activos físicos era restaurarlos o reponerlos a intervalos fijos. Esto se basaba
en la premisa de que hay una correlación directa entre la cantidad de tiempo (número de ciclos)
que el equipo está en servicio, y la probabilidad de que falle, como muestra la Figura 2. Esto
sugiere que la expectativa es que la mayoría de los ítems operarán confiablemente por un
período “X”, y luego se desgastan.
Proceso de mejora de la previsión de la demanda
El procedimiento comienza con la definición de la filosofía, la cual debe ser el punto de mira
del sistema ya que constituye la política que regirá permanentemente su desempeño.
Luego se realiza la determinación de la situación actual con el fin de definir, basándose en el
análisis de una serie de indicadores, las características que presenta el sistema de previsión de
la demanda en ese momento, para posteriormente, en función de dicha situación, proponer
algunas mejoras que permitan hacer más eficiente el proceso de previsión. Una vez planteadas
las mejoras, se debe comprobar si con ellas se alcanzan los niveles de precisión deseados y
necesarios y proponer nuevas mejoras si las anteriores no son suficientes o pasar a la
aplicación de las mismas en caso contrario. La aplicación debe estar unida a un seguimiento
constante que retroalimente al sistema, para tomar las medidas necesarias en caso de
presentarse alguna perturbación.
 
2.6 Pronósticos para empresas en creación
En muchas aplicaciones de los pronósticos a corto plazo, las computadoras son indispensables.
Con frecuencia, las empresas tienen que preparar pronósticos para cientos o incluso miles de
productos o servicios en forma reiterada. Por ejemplo, una amplia red de instalaciones de
servicio médico necesita calcular pronósticos de la demanda de cada uno de sus servicios en
cada departamento. Esta operación implica grandes volúmenes de datos que deben ser
manipulados con frecuencia. Los analistas tienen que examinar las series de tiempo que
corresponden a cada producto o servicio a fin de elaborar un pronóstico.
Existen muchos paquetes de software para pronóstico que pueden usarse en computadoras de
cualquier tamaño y ofrecen una amplia variedad de capacidades de pronóstico y de formatos
para mostrar los resultados. La tarea más laboriosa en el desarrollo de un buen modelo
consiste en “ajustarlo” a los datos. Para esta operación es necesario determinar los valores de
ciertos parámetros del modelo, a fin de que los pronósticos tengan la mayor precisión posible.
Los paquetes de software proporcionan diversos grados de ayuda a este respecto. Las tres
categorías de paquetes de software que resultan apropiadas para esto son:
1. Sistemas manuales, en los cuales el usuario selecciona la técnica de pronóstico y especifica
los parámetros necesarios para un determinado modelo de pronóstico;
2. Sistemas semiautomáticos, en los cuales el usuario especifica la técnica de pronóstico, pero
el software determina los parámetros para el modelo, de modo que puedan obtenerse los
pronósticos más precisos; y
3. Sistemas automáticos, en los cuales el software examina los datos y sugiere no sólo la
técnica apropiada, sino también los mejores parámetros para el modelo.