Modelos Cuantitativos

Pronsticos
Pronsticos
6.1-6.3
6.1-6.3
1

PRONSTICO
Prediccin de lo que ocurrir sobre la
base de:
1. Identificacin de tendencias a futuro
sobre la base de informacin real del
tiempo pasado.
2. Revisin de datos con el objetivo de
identificar patrones interesantes.

Series de Tiempo
Los datos de ventas histricos
forman una serie de tiempo.
Una serie de tiempo es un
conjunto
de
observaciones
respecto a una variable medidas
en puntos sucesivos en el tiempo a
lo largo de de perodos sucesivos
de tiempo

Programa General
Mtodos de
Pronstico

Cuantitativos

Causal

Suavizacin

Cualitativos

Series de
Tiempo

Proyeccin de
tendencias

Proyeccin de tendencias
ajustadas por influencias
estacionales

6.1
6.1 Componentes
Componentes de
de una
una
serie
serie de
de tiempo
tiempo

Componentes de una serie de

tiempo

El patrn o comportamiento est

formado por cuatro componentes

Tendencia
Cclico
Estacional
Irregular

Tendencia
Desplazamiento gradual de la serie
de tiempo. Influyen factores a largo
plazo como modificaciones de la
poblacin,
poblacin sus caractersticas
demogrficas,
demogrficas la tecnologa y la
preferncia del consumidor.
consumidor

Tendencia lineal de ventas

1987

1992

1997

Volumen

Volumen

Volumen

Patrones Posibles

Tiempo
Tendencia
no lineal

Tiempo

Tiempo

Tendencia lineal
declinante

Sin tendencia

Componentes de tendencia y
ccliclas

Volumen

Componente cclico:
cclico Cualquier secuencia
recurrente de puntos encima y abajo de la
lnea de tendencia que dure ms de un ao.

Lnea de Tendencia

Tiempo

Componente Estacional e Irregular

Componente estacional: Movimiento de

una serie de tiempo que ocurre en el

perodo de un ao.

Componente irregular: Factor residual o

todo lo que sobra de una serie, toma en

consideracin las desviaciones de los
valores reales de la serie de tiempo en
comparacin con los esperados. Est
causado por factores a corto plazo no
previstos.

6.2
6.2 Uso
Uso de
de mtodos
mtodos de
de
suavizacin
suavizacin en
en el
el pronstico
pronstico
12

Tres mtodos
El objetivo es suavizar las
fluctuaciones aleatorias causadas
por el componente irregular de la
serie de tiempo, existen tres:
Promedios Mviles
Promedios Mviles Ponderados
Suavizacin Exponencial

Promedios Mviles
Utiliza como pronstico para el siguiente
periodo, el promedio de los ne valores
ms recientes de la serie de tiempo

nn valores
valores de
de datos
datos ms
ms recientes
recientes

Promedio
Promedio Movil
Movil
nn

Exactitud del Pronstico: Se mide a

partir del promedio de los errores al
cuadrado (error cuadrtico medio MSN)
MSN

Ejemplo Promedios Mviles

Ejemplo Ventas de Gasolina
Promedios mviles de Tres Semanas
Semana
1
2
3
4
5
6
7
8
9
10
11
12

Ventas (en miles Pronstico

de galones)
17
21
19
23
18
16
20
18
22
20
15
22

de Error

del Error

al

Promedio Mvil Pronstico cuadrado

19
21
20
19
18
18
20
20
19
Totales

4
-3
-4
1
0
4
0
-5
3
0

16
9
16
1
0
16
0
25
9
92

MSN= 10.22

Grfico
25
20

Ventas (en miles

de galones)

15

Pronstico de
Promedio Mvil

10
5
11

Promedios mviles
ponderados
Implica seleccionar diferentes ponderaciones
para cada valor de datos y a continuacin
obtener como pronstico el promedio
ponderado de los n valores de datos ms
recientes. En la mayor parte de los casos la
observacin ms reciente recibir la mayor
ponderacin, reducindose la ponderacin
para los datos ms antiguos. La suma de las
ponderaciones debe ser igual a 1.

Exactitud del Pronstico: El mejor juego

de pesos se escoge de tal manera que
minimice el MSN.
MSN

Suavizacin exponencial
Se trata de un caso especial del
mtodo
de
promedios
mviles
ponderados, en el cual slo se
selecciona un valor de ponderacin, es
decir, el peso o ponderacin de la
operacin ms reciente, los pesos o
ponderaciones para los dems valores
se calculan de manera automtica,
hacindose ms y ms pequeos
conforme las las observaciones se van
alejando hacia el pasado.

Modelo bsico de Suavizacin

Exponencial

Ftt11 Yii 1 Ftt

Ft 1

Pronstico de la serie de
tiempo para el periodo de t+1

Yt

Valor real de la serie de

tiempo en el periodo t

Ft

Pronstico de la serie de
tiempo para el periodo de t
Constante de Suavizacin

0 1

Caractersticas
El
pronstico
de
suavizacin
exponencial para cualquier periodo
tambin es un promedio ponderado de
todos los valores reales previos de la
serie de tiempo.
El pronstico para el periodo t+1 slo
depende de un alfa dado y de los
valores reales y pronosticados de la
serie dedel
tiempo
paraElel
periodo
t, pesos
es
Exactitud
Pronstico:
mejor
juego de
Ytde
y tal
Ft manera que minimice el MSN.
sedecir
escoge
MSN

Exactitud del pronstico

Depende de los valores de alfa como se aprecia en

F
Ftt11
F
Ftt

Y
Ytt
F
Ftt

Pronstico del Error de Pronstico

periodo t
del periodo t
Si la serie de tiempo contiene una variabilidad
aletoria sustancial, se preferir una valor pequeo
como constante de suavizacin de lo contrario
grande para ajustar con rapidez los pronsticos
permitiendo que el pronstico reaccione con
mayor rapidez a las condiciones cambiantes.

Ejemplo alfa = 0.2

Ejemplo Ventas de Gasolina
Suavizacin Exponencial
Semana Ventas (en miles Pronstico de Suav Error
1
2
3
4
5
6
7
8
9
10
11
12

Alfa

de galones) (Yt)
17
21
19
23
18
16
20
18
22
20
15
22

0.2

del Error

Exponncial (Ft)
Pronstico (Yt-Ft) cuadrado
17.00
17.00
4.00
16.00
17.80
1.20
1.44
18.04
4.96
24.60
19.03
-1.03
1.07
18.83
-2.83
7.98
18.26
1.74
3.03
18.61
-0.61
0.37
18.49
3.51
12.34
19.19
0.81
0.66
19.35
-4.35
18.94
18.48
3.52
12.38
Totales
10.92
98.80
MSN= 8.98

al

Ejemplo alfa = 0.2

25
20

Ventas (en miles de

galones) (Yt)

15
10

Pronstico de Suav
Exponncial (Ft)

5
0
1 2 3 4 5 6 7 8 9 10 11 12

Ejemplo alfa = 0.3

Ejemplo Ventas de Gasolina
Suavizacin Exponencial alfa = 0.3
Semana Ventas (en miles Pronstico de Suav Error
1
2
3
4
5
6
7
8
9
10
11
12

Alfa

de galones) (Yt)
17
21
19
23
18
16
20
18
22
20
15
22

0.3

del Error

Exponncial (Ft)
Pronstico (Yt-Ft) cuadrado
17.00
17.00
4.00
16.00
18.20
0.80
0.64
18.44
4.56
20.79
19.81
-1.81
3.27
19.27
-3.27
10.66
18.29
1.71
2.94
18.80
-0.80
0.64
18.56
3.44
11.83
19.59
0.41
0.17
19.71
-4.71
22.23
18.30
3.70
13.69
Totales
8.03
102.86
MSN= 9.35

al

6.3
6.3 Uso
Uso en
en pronsticos
pronsticos de
de
la
la proyeccin
proyeccin de
de tendencias
tendencias

25

Tendencia Lineal
Se trata de encontrar una funcin:

T
Ttt
b
b00
b
b11tt

Tt

Valor de tendencia de las ventas

de bicicletas en el periodo t

b0

Interseccin con la lnea de

tendencia

b1

Pendiente de la Lnea de
Tendencia

Frmula para b1 y b0
b
b11

tY
tY
tt Y
Y

n
tt
n
tt
tt

tt

2
2

n
n

2
2

b
b00
Y
Y
b
b11tt

Yt valor real de la serie de tiempo en el periodo t

n nmero de periodos
valor promedio
Y Yt n de la serie de tiempo
t t n

valor promedio de t

Proyeccin de Tendencias
Ejemplo Ventas de Bicicletas
Proyeccin de Tendencias
Ao (t)
1
2
3
4
5
6
7
8
9
10
55.00

Ve nta s (Yt)

(t*Yt)

(t2)

en mile s
21.6
22.9
25.5
21.9
23.9
27.5
31.5
29.7
28.6
31.4
264.50

21.60
45.80
76.50
87.60
119.50
165.00
220.50
237.60
257.40
314.00
1545.50

1
4
9
16
25
36
49
64
81
100
385.00

b1= 1.1
b0= 20.4

Totales

Proyeccin de Tendencias
35
30
25

Ventas (Yt) en
miles

20
15

Tendencia

10
5
0
1 2

3 4 5

6 7 8

9 10

Proyeccin de Tendencias
La pendiente 1.1 indica que en los
ltimos 10 aos la empresa ha tenido
un cremiento promedio de 1100
bicicletas anualmente.
Podemos pronosticar las ventas despus
de 11, 12, 13, aos, etc