Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Series de tiempo
Para pronósticos a corto plazo, se usan mucho los métodos de series de tiempo.
Una serie de tiempo es simplemente una lista cronológica de datos históricos, para
la que la suposición esencial es que la historia predice el futuro de manera
razonable. Existen varios modelos y métodos de series entre los cuales elegir, y
que incluyen el modelo constante, de tendencia y estacional, dependiendo de los
datos históricos y de la comprensión del proceso fundamental.
ENFOQUE SIMPLE
También llamado pronostico empírico. Uno de los métodos más sencillos es usar
el último dato como pronóstico para el siguiente periodo. Es decir, el pronóstico de
la demanda para el siguiente periodo es igual a la demanda observada en el
periodo actual.
Por ejemplo, si la demanda real para el miércoles ha sido 35 clientes, la demanda
para el jueves será 35 clientes. Si la demanda real del jueves es 42 clientes, la
demanda pronosticada para el viernes será de 42 clientes.
Este método puede tomar en cuenta una tendencia de la demanda. El incremento
(o decremento) observado en la demanda de los dos últimos periodos se usa para
ajustar la demanda actual con miras a elaborar un pronóstico.
Suponer que la demanda en el próximo periodo será igual a la demanda del
periodo más reciente:
Ejemplo, si en mayo hubo 48 ventas, en junio habrá 48 ventas.
Es el modelo con la mejor relación eficacia - costo y eficiencia.
Sirve como punto de partida para modelos más sofisticados.
PROMEDIO MÓVIL
Promedios móviles simples
El promedio móvil es útil si se asume que la demanda del mercado será más o
menos constante durante un determinado periodo de tiempo.
Matemáticamente, al promedio móvil del siguiente periodo se expresa como:
Donde:
F es el pronóstico.
t es el periodo de tiempo actual, lo que significa que Ft es el pronóstico para
el periodo de tiempo actual.
At es la demanda real en el periodo t, y
n es el número de periodos que se utiliza
Por ejemplo, una compañía de suministro de productos de oficina monitorea los
niveles de inventario cada día. La compañía desea utilizar los promedios móviles
de longitud 2 para rastrear los niveles de inventario con el fin de suavizar los
datos. Durante 8 días, se recolectan datos correspondientes a uno de sus
productos.
Día 1 2 3 4 5 6 7 8
Nivel de inventario 4310 4400 4000 3952 4011 4000 4110 4220
Promedio móvil 4310 4355 4200 3976 3981.5 4005.5 4055 4165
Períod Ventas
o (unidades) Ponderación
Mes 1 100000 10%
Mes 2 90000 20%
Mes 3 105000 30%
Mes 4 95000 40%
Suavizamiento exponencial
El método de suavización o suavizamiento exponencial simple 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.
Fórmulas
Donde:
Ejemplo
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.
Solución
Podemos así determinar que el pronóstico
de ventas para el período 3
correspondiente a marzo es equivalente a
144 automóviles.
Tendencia lineal:
Una línea de tendencia lineal es una línea recta más adecuada que se usa con
conjuntos de datos lineales sencillos. Los datos son lineales si el patrón en sus
puntos de datos se parece a una línea. Una línea de tendencia lineal
frecuentemente muestra que hay algo que aumenta o disminuye a un ritmo
constante.
Una línea de tendencia lineal es una línea recta más adecuada que se usa con
conjuntos de datos lineales sencillos. Los datos son lineales si el patrón en sus
puntos de datos se parece a una línea. Una línea de tendencia lineal
frecuentemente muestra que hay algo que aumenta o disminuye a un ritmo
constante.
En el ejemplo siguiente, una línea de tendencia lineal muestra claramente que las
ventas de refrigeradores han aumentado de forma coherente durante un período
de 13 años. Observe que el valor R cuadrado es 0,9036, lo que es un ajuste
adecuado de la línea a los datos.
Relaciones causales:
Las relaciones causales son los análisis de regresión y correlación que permiten
determinar tanto la naturaleza como la fuerza de una relación entre dos variables.
En el análisis de regresión se desarrollará una ecuación de estimación, a través de
una fórmula matemática que relaciona las variables conocidas con lavariable
desconocida.
Regresión simple:
La regresión, conocida en ocasiones como “línea de mejor ajuste”, es una técnica
estadística para intentar ajustar una línea a partir de un conjunto de puntos
mediante el uso del mínimo error cuadrado total entre los puntos reales y los
puntos sobre la línea. Una de las bondades de la regresión es que permite
determinar ecuaciones de línea de tendencia.
El primer paso para determinar si existe una relación entre dos variables es
examinar la gráfica de datos observados. A esta gráfica se le llama diagrama de
dispersión.