Pronsticos

Entorno altamente incierto

La intuicin no necesariamente da
los mejores resultados
Mejorar la planeacin
Competitividad y cambio

1.1. Necesidad de pronosticar
1.2. Tipos de pronsticos
Por su plazo: - De corto plazo
- De largo plazo
Segn el entorno a
pronosticar
- Micro
- Macro
Segn el
procedimiento
empleado
- Cualitativo
- Cuantitativo
1. Recopilacin de datos
2. Reduccin o condensacin de
datos
3. Construccin del modelo
4. Extrapolacin del modelo

1.3. Pasos de la elaboracin de
pronsticos
2. Exploracin de patrones de datos
Se requieren suficientes datos
histricos
Se apoyan en la suposicin de que
el pasado puede extenderse hacia el
futuro
Las tcnicas cuantitativas
pueden ser:


Estadsticas Se enfocan en patrones y en
cambios en los patrones y
sus perturbaciones
Determinsticas Son de tipo causal,
establecen relacin entre
la variable a pronosticar y
otras variables
Con relacin a las tcnicas cuantitativas
estadsticas se presentan dos enfoques:
Los datos se pueden
descomponer en componentes
de tendencia, cclicos,
estacionales y aleatorios.
Modelos economtricos de
series de tiempo y Box-Jenkins.
3. Componentes de series de tiempo:
Una serie de tiempo consta de
datos que se renen, registran u
observan sobre incrementos
sucesivos de tiempo.
Se requiere un enfoque
sistemtico para analizarlas.
Descomposicin clsica de series de
tiempo:
Componente Descripcin
Tendencia Es el componente de largo plazo que representa el
crecimiento o disminucin en la serie sobre un periodo
amplio.
Cclico Es la fluctuacin en forma de onda alrededor de la
tendencia.
Estacional Es un patrn de cambio que se repite a s mismo ao
tras ao.
Aleatorio Mide la variabilidad de las series de tiempo despus de
retirar los otros componentes.
4. Seleccin de una tcnica de
pronstico: Datos estacionarios
Las fuerzas que generan la serie se han estabi-
lizado y el medio permanece relativamente sin
cambios.
Se puede lograr la estabilidad haciendo
correcciones sencillas a factores como crecimiento
de la poblacin o la inflacin.
La serie se puede transformar en una serie
estable.
La serie es un conjunto de errores de pronstico,
de una tcnica de pronstico que se considera
adecuada.
4. Seleccin de una tcnica de
pronstico: Datos con tendencia
Productividad creciente y nueva tecnologa
producen cambios.
El incremento de la poblacin elevan la
demanda por productos.
El poder de compra se afecta por la
inflacin.
Aumenta la aceptacin en el mercado de
un producto.
4. Seleccin de una tcnica de
pronstico: Datos con estacionalidad
El clima influye en la variable de
inters.
El ao calendario influye en la
variable.
4. Seleccin de una tcnica de
pronstico: Series cclicas
El ciclo del negocio influye sobre la
variable.
Cambios en el gusto popular.
Cambios en la poblacin.
Cambios en el ciclo de vida del
producto.
5. Medicin del error en el
pronstico
Se compara la precisin de dos o
ms tcnicas de pronstico.
Se mide la confiabilidad de una
tcnica de pronstico.
Se busca la tcnica ptima.
5. Medicin del error en el pronstico
Periodo, t Yt Pronstico, Yt
1 58 -
2 54 58
3 60 54
4 55 60
5 62 55
6 62 62
7 65 62
8 63 65
9 70 63
5. Frmulas de medicin del error en
el pronstico
t t t
t t
t
Y Y e
residual o pronstico del Error
Y para pronstico del valor Y
t periodo el en tiempo de serie una de valor Y

=
=
=
5. Frmulas de medicin del error
en el pronstico
( )
n
Y Y
EMC
cuadrado medio Error
n
Y Y
DAM
media absoluta Desviacin
n
t
t t
n
t
t t

=
=

=
1
2
1

:
5. Frmulas de medicin del error en
el pronstico
( )
n
Y
Y Y
PME
error de medio Porcentaje
n
Y
Y Y
PEMA
absoluto medio error de Porcentaje
n
t
t
t
n
t
t
t t

=
=

=
1
1

:
6. Modelos de series de tiempo
6.1. Modelos no formales:
Estas tcnicas suponen que los
periodos recientes son los mejores
para pronosticar el futuro.
El mtodo ms sencillo es el mtodo
del ltimo valor:
Pronstico = ltimo valor
6.1. Mtodo del ltimo valor
t Yt Yt+1 et
1 42
2 52 42 10
3 54 52 2
4 65 54 11
5 51 65 -14
6 64 51 13
6.2. Metodos de promedio
Promedios simples:
Se obtiene la media de todos los
valores pertinentes, la cual se
emplea para pronosticar el
periodo siguiente.
Promedios simples:
t Yt Yt+1
1 42
2 52 42
3 54 47.00
4 65 49.33
5 51 53.25
6 64 52.80
Promedios mviles:
Este mtodo no considera la media de todos
los datos, sino solo los ms recientes.
Se puede calcular un promedio mvil de n
periodos.
El promedio mvil es la media aritmtica de
los n periodos ms recientes.
Promedios mviles:
promedio mvil
t Yt n=3 n=4
1 42
2 52
3 54
4 65 49.33
5 51 57.00 53.25
6 64 56.67 55.5
6.3. Metodos de suavizamiento
exponencial
El mtodo de suavizamiento exponencial puede
dar una ponderacin mayor a las observaciones
ms recientes.
Las ponderaciones se asigna mediante la
constante o, 0 < o < 1.
El modelo se expresa como:
pronstico = o (ltimo valor) + (1 - o)(ltimo pronstico)
6.3. Metodos de suavizamiento
exponencial
t Yt o=0.1 o=0.5
1 42
2 52 42 42
3 54 43.00 47.00
4 65 44.10 50.50
5 51 46.19 57.75
6 64 46.67 54.38
6.4. Descomposicin de series de
tiempo
Las tendencias son movimientos a largo plazo en
una serie de datos a lo largo del tiempo.
La tendencia puede ser descrita por una recta o por
una curva.
Las tendencias se dan por varias causas: cambios
en la poblacin, cambios en la productividad,
cambios tecnolgicos, etc.
En este tipo de anlisis la variable independiente es
el tiempo.
6.4.1. Tendencia lineal
El mtodo ms empleado para describir una
tendencia lineal es el de mnimos cuadrados,
para encontrar una lnea de mejor ajuste para un
conjunto de puntos.
Y = a + bX
Y = valor pronosticado en un periodo X
a = valor de la tendencia cuando X = 0
b = pendiente de la recta de tendencia
X = periodo (codificado)
6.4.1. Tendencia lineal: ejemplo
Ao Periodo X Demanda (Y)
1994 1 35
1995 2 42
1996 3 48
1997 4 51
1998 5 54
1999 6 60
2000 7 71
2001 8 75
6.4.1. Tendencia lineal: ejemplo
30
35
40
45
50
55
60
65
70
75
80
1994 1995 1996 1997 1998 1999 2000 2001
6.4.1. Tendencia lineal: ejemplo
X Y XY X
1 35
2 42
3 48
4 51
5 54
6 60
7 71
8 75
Sumas
6.4.1. Tendencia lineal: frmulas
( )
n
x
b
n
y
a
x x n
y x xy n
b



=

=
2
2
6.4.1. Tendencia lineal
t Yt Yt et
1 35
2 42
3 48
4 51
5 54
6 60
7 71
8 75
9
6.4.1. Tendencia lineal
Se puede calcular el coeficiente de
determinacin, a fin de evaluar qu tan
correcta es la estimacin de la recta de
regresin.
El coeficiente de determinacin r se calcula
como:
| |
( ) | | ( ) | |
2
2
2 2
2
2




=
y y n x x n
y x xy n
r
6.4.1. Tendencia lineal
Tambin es posible calcular intervalos
de confianza para la estimacin. Para
ello es necesario calcular el error
estndar de la estimacin.
2
2

=

n
xy b y a y
S
e
6.4.1. Tendencia lineal
Nivel de confianza Z Frmula
68% 1 y Se
95% 2 y 2Se
99% 3 y 3Se
7. Aplicacin de varios mtodos a datos
desestacionalizados
Los datos muestran alguna tendencia creciente a lo
largo del tiempo, adems de una marcada
estacionalidad. Se proceder a desestacionalizar los
datos, lo que permite observar hasta donde las
variaciones se deben a efectos estacionales o bien, a
otros factores.
El proceso de ajuste estacional se realizar a travs
del clculo de factores estacionales:
Factor estacional = Prom. periodo / prom. global
Ao Trim. Yt
1 1 13618
2 12930
3 13138
4 16532
2 1 14514
2 14128
3 15568
4 17448
3 1 13984
2 13644
3 15898
4 19300
7. Aplicacin de varios mtodos a
datos desestacionalizados
10000
11000
12000
13000
14000
15000
16000
17000
18000
19000
20000
1 2 3 4 1 2 3 4 1 2 3 4
Trimestres
7. Aplicacin de varios mtodos a
datos desestacionalizados
T
Ao
Suma Prom
Factor
Estac.
1 2 3
1 13618 14514 13984 42116 10529 0.9323
2 12930 14128 13644 40702 10175 0.9010
3 13138 15568 15898 44604 11151 0.9873
4 16532 17448 19300 53280 13320 1.1794
Total 45175.50
Prom. 11293.88
Ao Trim. Yt Yt ajust.
1 1 13618.00 14607.27
2 12930.00 14351.12
3 13138.00 13306.33
4 16532.00 14017.29
2 1 14514.00 15568.36
2 14128.00 15680.79
3 15568.00 15767.47
4 17448.00 14793.96
3 1 13984.00 14999.86
2 13644.00 15143.59
3 15898.00 16101.70
4 19300.00 16364.25
7. Aplicacin de varios mtodos a
datos desestacionalizados
Se aplican varios mtodos de pronstico para
finalmente seleccionar el mejor pronstico.
A. Mtodo de pronstico del ltimo valor
B. Promedios mviles
C. Suavizamiento exponencial
D. Suavizamiento exponencial con tendencia
Otros mtodos:
Modelos de tendencia con ajuste estacional
Modelo de promedios mviles integrados
autorregresivos (ARIMA o Box-Jenkins)
Pronsticos causales (modelos
economtricos)
Mtodos de pronsticos subjetivos