TECNICAS DEL PRONÓSTICO

Fernando José Suarez Ricaurte

L.C Julián Esteban Chavarro Ramírez

FUNDACION UNIVERSITARIA DE SANGIL (UNISANGIL)

Modelos Y Optimización De Operaciones

Administración de empresas

Yopal – Casanare

2019/01
 PROMEDIO MOVIL SIMPLE

Una serie cronológica con fuerte efecto estacional se hace recomendable el uso de un

promedio móvil simple, normalmente es de los cuatro últimos trimestres.

Por otra parte este promedio es el cálculo más directo, del precio promedio durante un

periodo de tiempo elegido. Ofrece una línea suavizada, menos propensa a latigazos hacia arriba y

hacia abajo en respuesta de las oscilaciones leves y temporales de los precios hacia adelante y

atrás, proporciona un nivel más estable que indica soporte.

De la misma manera es más lenta para responder a los rápidos cambios de precios que a

menudo ocurren en los puntos de reversión del mercado.

PROMEDIO MOVIL PONDERADO

Permite calcular pronósticos asignando más peso para los elementos que se consideren.

En algunos casos permite predecir la demanda de próximos periodos ponderando unos sobre

otros. Al ser ponderado de los cambios de precios recientes, responde rápidamente a cambios de

precios.

También es vulnerable a las señales falsas.

SUAVIZACION EXPONENCIAL

Puede considerarse como una evolución del método de promedio móvil ponderado, en éste

caso se calcula el promedio de una serie de tiempo con un mecanismo de autocorrección que

busca ajustar los pronósticos en dirección opuesta a las desviaciones del pasado mediante una

corrección que se ve afectada por un coeficiente de suavización.

 Así entonces, este modelo de pronóstico precisa tan sólo de tres tipos de datos: el pronóstico

del último período, la demanda del último período y el coeficiente de suavización.

El pronóstico de suavización exponencial simple es óptimo para patrones de demanda

aleatorios o nivelados donde se pretende eliminar el impacto de los elementos irregulares

históricos mediante un enfoque en períodos de demanda reciente.

Su formulación es sencilla, pues solo requiere el pronóstico anterior, la demanda real del

periodo de pronóstico y la constante de suavización, como ya lo veremos más adelante.

 No requiere de gran volumen de datos históricos.

 Al ser un modelo exponencial, es más preciso.

 Es flexible al conseguir darle más importancia a la demanda más reciente o a la

antigua.

Su desventaja, al igual que los métodos de promedio móvil, es la respuesta a la tendencia.

Aun cuando un valor de alfa (α) logra responder frente a cambios en el promedio, cambios

sistemáticos de este harán más grande el error de pronóstico. 

En Enero un vendedor de vehículos estimó unas ventas de 142 automóviles para el mes

siguiente. En Febrero las ventas reales fueron de 153 automóviles. Utilizando una constante de

suavización exponencial de 0.20 presupueste las ventas del mes de Marzo.

 Podemos así determinar que el pronóstico de ventas para el período 3 correspondiente a Marzo

es equivalente a 144 automóviles.

MINIMOS CUADRADOS

Es un procedimiento de análisis numérico en la que, dados un conjunto de datos (pares

ordenados y familia de funciones), se intenta determinar la función continua que mejor se

aproxime a los datos (línea de regresión o la línea de mejor ajuste), proporcionando una

demostración visual de la relación entre los puntos de los mismos. En su forma más simple, busca

minimizar la suma de cuadrados de las diferencias ordenadas (llamadas residuos) entre los puntos

generados por la función y los correspondientes datos.

Su expresión general se basa en la ecuación de una recta y = mx + b. Donde m es la

pendiente y b el punto de corte, y vienen expresadas de la siguiente manera:

 Este método se utiliza comúnmente para analizar una serie de datos que se obtengan de algún

estudio, con el fin de expresar su comportamiento de manera lineal y así minimizar los errores de

la data tomada.

• Es objetivo, sólo depende de los resultados experimentales.

• Es reproducible, proporciona la misma ecuación, no importa quién realice el análisis. g

• Proporciona una estimación probabilística de la ecuación que representa a unos datos

experimentales.

• Proporciona intervalos pequeños de error

 Sólo sirve para ajustar modelos lineales

 Requiere tener, al menos, diez mediciones bajo las mismas circunstancias experimentales.

 Tales resultados deben estar descritos por una distribución de probabilidad conocida. La

más común es la distribución normal o gaussiana.

 Se requiere de algún equipo de cálculo, de lo contrario, es muy engorroso.