Documentos de Académico
Documentos de Profesional
Documentos de Cultura
“SANTIAGO MARIÑO”
CABIMAS ESTADO ZULIA
REALIZADO POR:
PADRON MARIEL C.I. 17.335.050
GOMEZ VIVIANA C.I. 17.820.526
Autor: Melina Nava
JOSEPH TOYO C.I. 17.820.169 Tutor: Econ. Carlos Antequera M.S.c
IGNACIO PEREZ C.I. 18.793.618
JESUS ROJAS C.I. 17.826.756
DOUGLAS TIGRERA C.I. 18.216.167
PROF: THAMARA YANNATASIO
Cabimas, febrero 2022
CABIMAS, JULIO DE 2005.
INSTITUTO UNIVERSITARIO POLITÉCNICO
“SANTIAGO MARIÑO”
EXTENSIÓN COL - CABIMAS
Autor
Melina Nava
Esta investigación se centra en el análisis del uso de las series cronológicas como
método estadístico para el pronóstico de ventas, presentado para ello una combinación
de investigación documental y caso practico donde se ilustre cómo funciona este método
estadístico para la solución de problema en la práctica financiera empresarial
Pronósticos
Los pronósticos a menudo son utilizados para poder predecir la demanda del
consumidor de productos o servicios, aunque se pueden predecir una amplia gama de
sucesos futuros que pudieran de manera potencial influir en el éxito. Un pronóstico de
ventas es una estimación o nivel esperado de ventas de una empresa, línea de productos
o marca de producto, que abarca un periodo de tiempo determinado y un mercado
específico (Kotler, 2012).
Asimismo, se tiene que el pronóstico conlleva toda la serie de actividades enfocadas
a la estimación y el análisis de las ventas futuras de un producto en particular, una familia
de productos o servicios, mediante la aplicación sistemática de las metodologías de
predicción existentes, con la finalidad de que las estimaciones futuras funcionen como
base para la toma de decisiones de la administración. El arte de mirar hacia el pasado
para predecir el futuro (Diaz, 2010).
Modelos univariados
Predicen el futuro de una serie con base en su comportamiento histórico propio; son
muy útiles si el patrón detectado en el pasado se mantiene hacia el futuro, de lo contrario
no son aconsejables. Los modelos integrated autoregressive moving average model
(ARIMA model) son representativos de este grupo (Moreno, 2018). En la siguiente
imagen se representan la formulación matemática de este modelo:
Figura 1. Modelo ARIMA. Fuente:
1. Identificación
El valor de la serie en un instante t puede depender de valores pasados inmediatos (por
ejemplo autocorrelaciones de primer y segundo orden significativas), de valores pasados
del año anterior (por ejemplo autocorrelaciones cercanas a 1 de orden s y en su entorno
y en sus múltiplos, (s=4 en el caso trimestral, s=12 en el caso mensual)), y de valores
históricos a largo plazo (autocorrelaciones significativas cercanas a 1 persistentes). En
este trabajo para identificar el modelo más adecuado para cada una de las series se usa
la función de autocorrelación y la función de autocorrelación parcial. La función de
autocorrelación k se estima por rk, mientas que la función de autocorrelación parcial kk
se estima por kk* resolviendo las ecuaciones de Yule-Walker. Durbin propuso un
método iterativo para el cálculo de kk* que es el que se usa en los paquetes
estadísticos. Analizando las funciones estimadas rk y kk* se determina el orden de
diferenciación regular o estacional, y luego en la serie original o diferenciada (si fuera
necesario) el orden p (y/o P) de parámetros autorregresivos y/o q (y/o Q) de medias
móviles.
2. Estimación y validación
Luego de estimar los parámetros del modelo se procede a su validación. Para medir la
calidad del ajuste de un modelo ARMA (p, q) se analiza la autocorrelación de los residuos
estimados ( t a , t =1,…, T) a través de la inspección de las gráficas de las funciones de
autocorrelación y autocorrelación parcial. Si el modelo está correctamente especificado y
se conocen los parámetros del modelo, las autocorrelaciones de los residuos k( a ) son
asintóticamente incorrelacionadas y tienen media cero y varianza 1/N, y se puede
establecer intervalos de confianza (al 95%), 2 ,2 N N para sus valores. En la práctica
no se conocen los parámetros del modelo y las correlaciones disponibles son las de los
residuos estimados rk a , por lo que este intervalo de confianza es aproximado. En el
proceso de validación del modelo seleccionado se analizan las predicciones y los errores
de predicción a lo largo del tiempo. En la próxima sección se muestran las medidas
utilizadas a tal fin. Si el modelo sortea estos mecanismos de validación se sigue usando;
si no lo hace, se analiza su modificación o abandono, volviéndose a las etapas anteriores
en un ciclo iterativo.
3. Predicción
4. Construcción de la Predicción
Asimismo se tiene el modelo SARIMA, que es una extensión del modelo anterior, en la
figura 2 se describe el mismo:
Figura 3. Modelo SARIMA. Fuente:
Modelos causales
Modelado y pronostico
Las series de tiempo a menudo se utilizan para respaldar modelos estadísticos. El
objetivo de estos modelos es doble: explicar el pasado y pronosticar el futuro. En la
cadena de suministro, prever la demanda futura es necesario para determinar los
pedidos de compra y producción y para minimizar los riesgos de excedentes de stock. Es
habitual distinguir, dentro de una serie de tiempo, un nivel primario (llamado base), una
evolución a largo plazo (llamada tendencia), variaciones cíclicas o periódicas (llamadas
estacionalidad) y otras variaciones aleatorias que llamamos ruido. Esto nos permite
identificar variaciones en los datos vinculadas con ciclos regulares a partir una tendencia
subyacente de aumento o disminución. Estos patrones proporcionan la base para los
pronósticos económicos (Barbier, 2021).
Tipos de pronostico
De acuerdo a lo expresado por Barbier (2021), Existen tres tipos principales de
pronósticos, cada uno de los cuales tiene finalidades diferentes. A continuación se
describen cada uno de estos: por punto, probabilísticos y generativos.
Pronósticos de punto
Los pronósticos de punto tienen como objetivo proporcionar el "mejor" valor futuro de una
variable de acuerdo con una métrica de error especificada. Es el caso del pronóstico del
tiempo meteorológico, por ejemplo, que para cada día pronostica un único valor de
temperatura. Un pronóstico de punto no busca representar de modo fiel la evolución de
esta variable (el lector sabe bien que es probable que la temperatura varíe en torno a ese
valor pronosticado), pero sirve como indicación útil para el lector y es una base sólida
para tomar decisiones futuras (Barbier, 2021).
Pronósticos probabilísticos
Los pronósticos probabilísticos proporcionan todas las distribuciones de probabilidad del
valor futuro. A menudo se utilizan intervalos de confianza para visualizar esos
pronósticos, que pueden ser útiles, por ejemplo, para fines especulativos (Barbier, 2021).
Pronósticos generativos
Los pronósticos generativos hacen que la evolución de la variable parezca "natural" o
"plausible", dejando margen para un cierto grado de contingencia y evolución aleatoria.
2. Acopio de información
A continuación, se presenta la fase de acopio de información desarrollada para dar
sustento científico a la investigación que se está desarrollado en relación a las series de
tiempo o cronológicas para el pronóstico de ventas.
Ficha N°2
VILLARREAL, Fernanda.
Introducción a los Modelos de Pronósticos,
Universidad Nacional del Sur.
Bahía Blanca, Argentina.
(2016)
Ficha N°4
Marbier, Maxine.
Análisis de series de tiempo en el pronóstico de la demanda de almacenamiento
de productos perecederos,
Lokad.
Paris, Francia.
(2021)
“Las series de tiempo son una de las herramientas matemáticas más básicas y
versátiles en los negocios. Para explicarlo de modo simple, una serie de tiempo
consiste en una serie de puntos de datos indexados en el tiempo.” (p. 2).
Ficha N°5
COLOMINA, Pablo.
Planificación de Ventas mediante Series Temporales,
QuestionPro.
Bogotá, Colombia.
(2021)
“Existen dos métodos de previsión de ventas que son muy usados no solo en la
Investigación de Mercados, sino también en otros ámbitos de la empresa, como la
Investigación Operativa, Finanzas y la Planificación de Recursos Humanos” (p. 1).
3. Organización de la información
Para la organización de la información, para la presente investigación se
elaboraron fichas documentales y referenciales sobre autores tales como Colomina
(2021), Marbier (2021), Villarreal (2016), entre otros., que respaldaron conceptos y
teorías establecidas en el campo de la investigación de operaciones en lo que concierne
a series de tiempo y pronóstico de ventas que sirvieron de sustento teórico en el presente
estudio.
El análisis de los resultados fue cuali cuantitativo, combinando los datos y resultados que
se encontraron en la investigación con los datos o información de la base teórica y los
antecedentes encontrados a lo largo de la indagación bibliográfica. Por otra parte, al
consultar libros, tesis, informes, recursos web sobre series cronológicas y pronóstico de
ventas, entre otros. Los cuales permitieron acumular una serie de conocimientos
necesarios para llevar a cabo el desarrollo de la presente investigación. El proceso de
organización de datos de la monografía, se realizó mediante un diagrama de Gantt,
mostrado en el cuadro 1 que se ilustra a continuación:
PERÍODO POR
SEMANAS
Fase
s
Actividades Realizadas 1 2 3 4 5 6
I Delimitación del Tema o Problema: se realizó la
Formulación del Problema, Descripción del Contenido,
Propósito de la Investigación y Marco Conceptual de
Referencia.
II Acopio de la Información: se estructuró a través del
Reportorio Bibliográfico, Lectura del Material
Seleccionado y Elaboración de Fichas Bibliográficas.
III Organización de los Datos: se seleccionó
estratégicamente la información que se pretendió
plantear en la Monografía.
IV Análisis de los Datos y Organización de la
Monografía.
V Redacción de la Monografía: finalmente se ejecutó la
Monografía atendiendo a los lineamientos
Metodológicos, prácticos y técnicos establecidos para
el Trabajo Académico Especial IRRA.
VI Entrega del trabajo IRRA, a Dirección de Escuela y
Revisión de la Presentación, las diapositivas por parte
de la tutor académico del Trabajo Académico
Especial.
Fuente: Nava (2022)
- Caso práctico que ilustra la metodología para la aplicación de las series cronológica s
para el pronóstico de ventas
Se desea calcular:
El pronóstico de los Promedios Móviles a tres y seis mes como base, para tal
caso complete los renglones correspondientes en la tabla.
Grafique los resultados obtenidos en las secciones (a) y (b) e intérprete sus
resultados según el caso.
Tabla Nº 1 Demanda de baterías de carro
Enero 450 - - -
Febrero 440 - - -
Marzo 460 - - -
Solución:
El pronóstico de los promedios móviles ponderados a tres meses base considerando los
factores económicos (10, 20, 30) que influyen en la demanda.
RECOMENDACIONES