Pronsticos

2012 II

1.1. Necesidad de pronosticar

Entorno altamente incierto
La intuicin no necesariamente da los mejores resultados
- Una empresa elctrica quiere construir una central de generacin.
- Una fbrica de lcteos quiere programar la produccin de leche para
las prximas tres semanas.

Mejorar la planeacin
Competitividad y cambio

1.2. Tipos de pronsticos

Por su plazo

De corto plazo
De largo plazo

Segn el entorno a Micro

pronosticar
Macro
Segn
procedimiento
empleado

el Cualitativo.- basados en juicios y

opiniones
Cuantitativo.- mtodos que hacen
uso de informacin disponible, a
travs de un modelo matemtico de
su comportamiento
3

Metodologas de Pronsticos
Cualitativas
- Se basan en la experiencia y conocimiento de los distintos actores que
intervienen dentro de la empresa y su entorno.
- Generalmente utilizados para apoyar decisiones estratgicas de largo plazo
- Y, en escenario donde no existe os e desconoce informacin histrica.
- Algunos mtodos cualitativos son: Delphi se basan en entrevistas grupales
guiadas; estudios de mercado pueden incluir tcnicas cuantitativas.
Cuantitativos

- El ms conocido y estudiado: mtodos de series de tiempo

- Se basan en modelar el comportamiento histrico de un conjunto (serie) de datos
y extrapolar ese comportamiento.
4

1.3. Pasos de la elaboracin de pronsticos

1. Recopilacin de datos
2. Reduccin o condensacin de datos
3. Construccin del modelo
4. Extrapolacin del modelo

2. Exploracin de patrones de datos

Se requieren suficientes datos histricos
- Que informacin (histrica) est disponible
- Incertidumbre y calidad de esa informacin

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 BoxJenkins.

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.
10

4. Seleccin de una tcnica de pronstico:

Datos estacionarios
Las fuerzas que generan la serie se han estabilizado 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.

11

4. Seleccin de una tcnica de pronstico:

Datos con tendencia
Productividad
cambios.

creciente

nueva

tecnologa

producen

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.

12

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.

13

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.

14

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.

15

5. Medicin del error en el pronstico

Periodo, t
1
2
3
4

Yt
58
54
60
55

Pronstico, Yt
58
54
60

5
6
7
8

62
62
65
63

55
62
62
65

16

5. Frmulas de medicin del error en el

pronstico
Yt valor de una serie de tiempo en el periodo t
Y valor del pronstico para Y
t

Error del pronstico o residual :

e Y Y
t

17

5. Frmulas de medicin del error en el

pronstico
Desviacin absoluta media :
n

DAM

Y Y
t

t 1

n
Error medio cuadrado :

EMC

t 1

Yt Yt

n
18

5. Frmulas de medicin del error en el pronstico

Porcentaje de error medio absoluto :

n

Yt Yt

Yt
PEMA
n
Porcentaje medio de error :
t 1

Y Y

PME

t 1

Yt
n

19

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

20

6.1. Mtodo del ltimo valor

t

Yt

Yt+1

et

42

52

42

10

54

52

65

54

11

51

65

-14

64

51

13

21

6.2. Mtodos de promedio

Promedios simples: se obtiene la media de todos los valores
pertinentes, la cual se emplea para pronosticar el periodo
siguiente.

Yt

Yt+1

1
2

42
52

42

54

47.00

65

49.33

51

53.25

64

52.80

22

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.
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 23

6.3. Metodos de suavizamiento exponencial

El mtodo de suavizamiento exponencial puede dar
una ponderacin mayor a las observaciones ms
recientes.
Las ponderaciones se
constante , 0 < < 1.

asignan

mediante

la

El modelo se expresa como:

pronstico = (ltimo valor) + (1 - )(ltimo

pronstico)
24

6.3. Metodos de suavizamiento exponencial

t

Yt

=0.1

=0.5

1
2

42
52

42

42

54

43.00

47.00

65

44.10

50.50

51

46.19

57.75

64

46.67

54.38
25

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.
26

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)
27

6.4.1. Tendencia lineal: ejemplo

Ao

Periodo X

Demanda (Y)

1994

35

1995

42

1996

48

1997

51

1998

54

1999

60

2000

71

2001

75

28

6.4.1. Tendencia lineal: ejemplo

29

6.4.1. Tendencia lineal: ejemplo

X
1
2
3
4
5
6
7
8

Y
35
42
48
51
54
60
71
75

XY

30

6.4.1. Tendencia lineal: frmulas

n xy x y
n x x
2

y
x

a
b
n

31

6.4.1. Tendencia lineal

t
1
2
3
4
5
6
7
8

Yt
35
42
48
51
54
60
71
75

Yt

et

32

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:

n xy x y

n x x n y y
2

33

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.

Se

a y b xy
n2
34

6.4.1. Tendencia lineal

Nivel de confianza

Frmula

68%

y Se

95%

y 2Se

99%

y 3Se

35

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 des-estacionalizar 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
36

Ao

Trim.

Yt

13618

12930

13138

16532

14514

14128

15568

17448

13984

37

7. Aplicacin de varios mtodos a datos

desestacionalizados
20000
19000
18000
17000
16000
15000
14000
13000
12000
11000
10000
1

Trim estres

38

7. Aplicacin de varios mtodos a datos

desestacionalizados
1
T
1
2
3
4

13618
12930
13138
16532

Ao
2
14514
14128
15568
17448

3
13984
13644
15898
19300

Suma
42116
40702
44604
53280
Total
Prom.

Factor
Prom Estac.
10529 0.9323
10175 0.9010
11151 0.9873
13320 1.1794
45175.50
11293.88
39

Ao

Trim.

Yt

Yt ajust.

13618.00

14607.27

12930.00

14351.12

13138.00

13306.33

16532.00

14017.29

14514.00

15568.36

14128.00

15680.79

15568.00

15767.47

17448.00

14793.96

13984.00

14999.86

13644.00

15143.59

40

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

41

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

42