MÉTODOS CUANTITATIVOS

Estos por el contrario de los pronósticos cualitativos, si necesitan datos históricos

para su análisis.

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

 El primer promedio móvil es de 4310, el cual representa el valor de la

primera observación. (En el análisis de series de tiempo, no se calcula el
primer número en las series de promedio móvil; es un valor faltante).
 El siguiente promedio móvil es el promedio de las dos primeras
observaciones (4310 + 4400) / 2 = 4355.
 El tercer promedio móvil es el promedio de las observaciones 2 y 3, (4400 +
4000) / 2 = 4200, y así sucesivamente. Si desea utilizar un promedio móvil
con una longitud de 3, se promedian tres valores en lugar de dos.
Los promedios móviles simples por lo general no deben utilizarse para pronosticar
la demanda, cuando la información claramente sigue algún tipo de tendencia o
patrón cíclico regular.
El término móvil indica que conforme se tiene disponible una nueva observación
de la serie de tiempo, se reemplaza la observación más antigua de la ecuación y
se calcula un nuevo promedio. Como resultado, el promedio cambiará; es decir, se
moverá, al ir quedando disponibles nuevas observaciones.
Un promedio móvil simple resultará siempre menor que los datos en aumento y
mayor que los datos en disminución. Por lo tanto, si aparecen amplias elevaciones
o caídas, los promedios móviles simples no se desempeñarán bien. Se ajustan
mejor a datos con pequeñas variaciones, dando alguna estabilidad frente a
perturbaciones aleatorias.
Promedios móviles ponderados
En el promedio móvil ponderado podemos asignar cualquier importancia (peso) a
cualquier dato del promedio (siempre que la sumatoria de las ponderaciones sean
equivalentes al 100%). Es una práctica regular aplicar el factor de ponderación
(porcentaje) mayor al dato más reciente.
Cuando existe una tendencia o patrón, los pesos pueden ser utilizados para poner
más énfasis en los valores recientes. Esto hace que las técnicas sean más
sensibles a los cambios, ya que los periodos recientes tienen mayor peso. La
elección de los pesos es de alguna forma arbitraria ya que no existe formula
alguna para determinarlos.

La ecuación básica para calcular promedios móviles ponderados es el siguiente (la

w viene de weight, peso):
Ejemplo:
Un almacén ha determinado que el mejor pronóstico se encuentra determinado
con 4 datos y utilizando los siguientes factores de ponderación (40%, 30%, 20% y
10%). Determinar el pronóstico para el período 5.

Períod      Ventas      
o (unidades) Ponderación
Mes 1      100000      10%
 Mes 2       90000      20%
 Mes 3       105000      30%
Mes 4      95000      40%

En este caso el primer paso consiste en multiplicar a cada período por su

correspondiente factor de ponderación, luego efectuar la sumatoria de los
productos.

Podemos así determinar que el pronóstico de ventas para el período 5 es

equivalente a 97500 unidades.

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.

La variable conocida. - variable independiente X

La variable que tratamos de predecir se llama variable dependiente Y

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.

El primer tipo es la regresión lineal simple, en la que solo se utiliza un único

predictor.

Por ejemplo, puede usarse a la hora de predecir accidentes mortales de tráfico en

un país. La variable de respuesta Y sería el país y se compararía con la población,
que sería la variable predictora X.
Regresión múltiple.
La principal ventaja de la regresión múltiple es que nos permite utilizar más
información disponible para estimar la variable dependiente. En algunas ocasiones
la correlación entre dos variables puede resultar insuficiente para determinar una
ecuación de estimación confiable; sin embargo, si agregamos los datos de más
variables independientes, podemos determinar una ecuación de estimación que
describa la relación con mayor precisión.

La regresión lineal múltiple permite crear modelos que emplean diferentes

predictores, los cuales se usarán para dar una respuesta a Y.
Podría utilizarse para predecir cuántos litros de gasolina consumirán varios
coches, variable de respuesta Y, en función del peso y la potencia que tengan,
variable predictiva X.