TAREA

PRIMER PACIAL
MÉTODOS DE PRONÓSTICOS
1.- Dar definición de cada concepto y añadir ejemplo gráfico a las partes de una serie de
tiempo.
 Pronóstico: Es un valor estimado futuro en un proceso.
 Serie de tiempo: Es una gráfica de un conjunto de variables X,Y donde “X” es
una variable que mide lapsos de tiempo o períodos en los que se obtienen los
valores de “Y”
 Tendencia: Es el comportamiento de una serie de tiempo, en general se trata de
las fluctuaciones hacia arriba o hacia debajo de una serie de tiempo.
 Ciclo: Es una sección de la serie de tiempo en la que los datos salen de la línea
de tendencia, la cruzan y vuelven a ella.
 Variaciones estacionales: Son ciclos o partes de la serie de tiempo que se
repiten a lo largo de la misma, suelen tener forma de “M”, “V”, “N” o “Z”.
 Fluctuaciones irregulares: Son valores extremos que presenta la muestra que se
alejan críticamente de la tendencia.
 ERROR: Es la diferencia que existe entre un valor pronosticado y el valor real.
 ECM: Es el valor promedio de los cuadrados del error dado un método de
pronóstico F.
 DMA: Es el valor promedio del valor absoluto del error dado un método para
pronosticar F.

SERIE DE TIEMPO CON SUS ELEMENTOS

Las variaciones estacionarias se manifiestan en este grafico en forma de “V” siendo en los nodos (2-4), (4-6) y
(8-10)
 2.- Graficar la serie de tiempo de los datos reales de la Demanda de la Tabla 1, he identificar
qué características tiene su respectiva serie de tiempo.

Tendencia: Positiva

Ciclos: Carece de ciclos al no existir ningún punto que

surja de la tendencia.

Variaciones Estacionarias: No existen dado que la

muestra está muy dispersa.

Fluctuaciones Irregulares: Los Nodos 1,3 y 4 son los más

dispersos.

SERIE DE TIEMPO TABLA 1

3.- Graficar la serie de tiempo de las Ventas Reales de la Tabla 2, he identificar qué
características tiene su respectiva serie de tiempo.

Tendencia: Negativa.

Ciclos: Esta serie posee 2 ciclos

comprendido en los nodos (3-5) y (5-12)

Variaciones Estacionarias: Poseen forma

de “M” alargada, en los nodos (3-7) y (8-
12)

Fluctuaciones Irregulares: Los Nodos 4 y 8

son los más dispersos.

 Calcular todos los promedios móviles simples de periodo par, usando los datos de la
Tabla 1.
 Calcular los promedios móviles simples de periodo 3, 5 y 7, usando los datos de
Tabla 2 .

 Calcular el Error Cuadrático Medio (ECM) y Desviación media absoluta (DMA) de

cada pronóstico calculado anteriormente.
 DMA Y ECM para la muestra de la TABLA 1

DMA Y ECM para la muestra de la TABLA 2

 SUAVIZACIÓN EXPONENCIAL SIMPLE

 Suavización Exponencial Simple para Promedio Móvil Simple de Período 2 Tabla 1

Suavización Exponencial Simple para Promedio Móvil Simple de Período 4 Tabla 1

Suavización Exponencial Simple para Promedio Móvil Simple de Período 3 Tabla 2

Suavización Exponencial Simple para Promedio Móvil Simple de Período 5 Tabla 2

 Suavización Exponencial Simple para Promedio Móvil Simple de Período 7 Tabla 2

En todos los casos obtenemos que tanto el DMA como el ECM apoyan que el mejor método
para pronosticar el período siguiente con la información dada corresponde a la Suavización
Exponencial Simple con valor α =0.1 pues poseen los valores mínimos en estas medidas de
error.

Métodos Cualitativos de Pronósticos

Investigación de mercados: Suelen ser cuestionarios estructurados que se envían a los clientes potenciales
del mercado solicitando en ellos opinión acerca de productos o productos potenciales e intentan muchas veces
averiguar la probabilidad de que los consumidores demanden ciertos productos o servicios.
Ejemplo: Encuestas de satisfacción al cliente, cuestionarios en línea.

Método Delphi: Llamado así en honor al Oráculo de Delphos, quien predijo eventos futuros. Se utilizan
paneles con éstos expertos en el mercado específico y de diferentes campos, los cuales intentan transferir al
análisis su conocimiento individual respecto de los factores que afectan la demanda, interactuando entre sí para
tratar de llegar a un consenso en cuanto al pronóstico de la demanda.
Ejemplo: Corredores de bolsa, cumbres de economía y tendencias del mercado.
Analogía por ciclo de vida: Se utiliza a la hora de lanzar un producto nuevo y se basa en el hecho de que
casi todos los productos y servicios tienen un ciclo de vida bien definido Generalmente las ventas presentan un
crecimiento durante la etapa temprana que sigue a la introducción del producto en el mercado. En cierto punto,
el producto o servicio madura, lo que implica un bajo o nulo crecimiento adicional, hasta que, en un momento
dado, la demanda va bajando hasta el punto donde ya no es ofertado.
Ejemplo: Campañas publicitarias enfocadas a un personaje o tópico de moda, encuestas de popularidad.

Métodos Cuantitativos de Pronósticos

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.

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.

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.

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.

Suavización exponencial con tenencia: 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.