Resumen Pronósticos

martes, 22 de marzo de 2022 15:37

Pronósticos: Modelos cuantitativos

1) Series de tiempo: Observaciones de datos estadísticos que se recopilan, observan o registran en intervalos de tiempo regulare s (diario, semanal,
semestral, anual, etc), por lo que la predicción se basa en patrones existentes.

Componentes de las series de tiempo

• Tendencia : Dirección predominante de la serie a lo largo del tiempo, puede ser ascendente o descendente. La manera mas conve niente de
identificar la tendencia es realizar un gráfico de los datos.
Importante! => Calcular la varianza de los datos ayuda a establecer si existe algún dato que no permite visualizar la tendenc ia, puede ser un
valor muy alto o muy bajo.

Imagen obtenida de www5.uva.es

• Estacionalidad: Patrón de subidas y bajadas que se puede repetir en periodos de días, semanas, meses.

Imagen obtenida de ub.edu

Factor (o índice) estacional: Un factor estacional es la cantidad de corrección necesaria en una serie temporal para ajustarse a la estación del año.
Por lo general, se relaciona estacional con un periodo del año caracterizado por alguna actividad en particular. Es la relaci ón entre ka cantidad que
se vendió en cada estación dividida por el promedio de todas las estaciones
¿Cómo usarlo?
Ejemplo:
Una empresa vendió 1000 unidades de helados. En promedio vendieron 200 unidades en primavera, 350 en verano, 300 en otoño y 150 en
invierno.
Asuma que las ventas el próximo año son 1100 unidades.

Estación Ventas anteriores Ventas promedio Factor de estacionalidad

Primavera 200 1000/4=250 200/250=0.8
Verano 350 250 350/250=1.4
Otoño 300 250 300/250=1.2
Invierno 150 250 150/250=0.6
Total 1000

Para estimar las ventas el próximo año utilizamos los 1100 que nos entrega de dato el problema y multiplicamos por el factor de estacionalidad

Estación Ventas promedio por estación (1100/4) Factor de estacionalidad Pronóstico para el prox año
Primavera 275 0.8 275 x 0.8=220
Verano 275 1.4 275 x 1.4=385
Otoño 275 1.2 275 x 1.2=330
Invierno 275 0.6 275 x 0.6=165
Total 1100

• Ciclos: Patrones que ocurren en los datos cada ciertos años, un ejemplo de este tipo de variación son los ciclos comerciales cuyos períodos

Resumen Pronósticos página 1

 • Ciclos: Patrones que ocurren en los datos cada ciertos años, 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.

Imagen obtenida de economipedia

Enfoques de las series de tiempo

• Simplista: Se asume que la demanda del siguiente periodo es igual a la del periodo mas reciente, esto es para casos en donde la demanda es
muy estable.
• Promedio simple: Es la media aritmética de los datos, los periodos anteriores pesan lo mismo en su nivel de importancia para predecir el futur o.
• Promedio móvil: Utiliza el promedio de los n-períodos. Algunas de sus características son utilizar datos reales para generar el pronóstico, son
una serie de operaciones aritméticas, se utiliza si no hay tendencia o es escasa, alisa los datos.
Escenario ideal==> Cuando la demanda real no presenta mayores variaciones de corto plazo, no presenta tendencia e idealmente no
presenta estacionalidades.
• Promedio móvil ponderado: Ajusta el método del promedio móvil para reflejar variaciones con mayor exactitud, esto lo hace asignando mayor
peso a los datos mas recientes y menor peso a los datos mas antiguos. Los pesos se basan en la intuición y fluctúan entre 0 y 1.(las
ponderaciones deben sumar 1).
Escenario ideal==> El pronóstico de promedio móvil ponderado 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
• Suavizamiento exponencial: Es un método que responde fuertemente a cambios recientes en la demanda mediante la asignación de una
constante de alisamiento α que tiene un valor comprendido entre 0 y 1, aunque en la aplicación real su valor suele variar entre 0,05 y 0, 50.
• Usamos en datos que no tienen una tendencia predecible
Ventajas==> 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.
¿Cómo escoger el α ?==> Si nos encontramos con una demanda estable a través del año, nuestra constante de suavización tenderá a ser
pequeña (0,10 por ejemplo), debido a que, no requerimos un elevado índice de respuesta frente a los cambios entre la demanda real y la
demanda pronosticada. En caso contrario se utiliza un alfa más elevado (0,40 por ejemplo) para dar mayor importancia a la demanda
reciente.

• Suavizamiento exponencial con ajuste de tendencia: Se utiliza para proporcionar pronósticos de corto alcance cuando los datos tengan una
tendencia, al menos localmente, y un patrón estacional constante. Se pretende eliminar el impacto de los elementos irregular es históricos
mediante un enfoque en períodos de demanda reciente. Este método requiere de dos constantes alfa y beta, su valor puede estar entre 0 y 1.
• Se usa para series de tiempo que tienen una tendencia lineal
¿Cómo escoger α y β ? ==> Para alfa dependerá de la importancia que otorgamos a datos recientes (alfa más elevada) o a datos más
antiguos (alfa más bajo). El beta funciona similar. Un beta elevado responde con más velocidad a los cambios en la tendencia, mientras que
un beta inferior tiende a suavizar la tendencia actual, dando menos peso a los datos recientes.

Resumen Pronósticos página 2