Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Notas 3
Notas 3
1
PORQUÉ?
• La empresa se mueve en un contexto
altamente incierto
• Política, tecnología y medio ambiente
repercuten sobre variables relevantes para la
empresa: costos de producción, inventarios,
volumen de ventas
• La empresa debe tomar decisiones sobre
Factores Controlables tomando en cuenta
Factores Incontrolables. 2
FACTORES CONTROLABLES
AQUELLOS SOBRE LOS CUALES LA
EMPRESA DECIDE SU ESTRUCTURA,
NIVELES, POLÍTICA Y MODO DE
OPERAR:
• NIVELES DE PRODUCCIÓN
• NIVELES DE INVENTARIO
• CAPACIDAD
3
FACTORES
INCONTROLABLES
AQUELLOS SOBRE LOS CUALES LA
EMPRESA NO PUEDE DECIDIR NI
MODIFICAR: DEPENDEN DE FACTORES
EXTERNOS A LA EMPRESA
• DEMANDA DEL PRODUCTO
• COMPETENCIA
• ECONOMÍA
• COMPORTAMIENTO DEL CONSUMIDOR 4
QUÉ PRONOSTICAR?
LA EMPRESA REQUIERE PREDECIR
FACTORES
INCONTROLABLES:MERCADO,
ENTORNO, ECONOMÍA, QUE SON
INCIERTOS, PARA DECIDIR
(PLANEAR) SOBRE FACTORES
CONTROLABLES: NIVELES DE
INVENTARIO, DE PRODUCCIÓN,
5
CAPACIDAD.
OBJETIVO
REDUCIR LA INCERTIDUMBRE DEL
FUTURO, MEDIANTE LA
ANTICIPACIÓN DE EVENTOS CUYA
PROBABILIDAD DE OCURRENCIA
SEA RELATIVAMENTE ALTA,
RESPECTO A OTROS EVENTOS
POSIBLES.
6
CLASIFICACIÓN DE
PRONÓSTICOS
HORIZONTE DE PLANEACIÓN
• LARGO PLAZO: inversión en capital,
localización de planta, nuevos productos,
expansión, crecimiento del mercado, tecnología
• MEDIANO PLAZO: tamaño de la fuerza de
trabajo, ciclicidad de la demanda, requerimientos
de capacitación
• CORTO PLAZO: frecuencia de pedidos ,
demanda, niveles de inventario requeridos 7
CLASIFICACIÓN DE
PRONÓSTICOS
POR ÁREAS DE LA EMPRESA
14
MÉTODO DELPHI
16
IMPACTO CRUZADO
DESARROLLAR UNA MATRIZ PARA
ESTUDIAR LOS EFECTOS DE
DIVERSOS FACTORES SOBRE LA
PROBABILIDAD DE OCURRENCIA DE
UN EVENTO, ASÍ COMO EL IMPACTO
QUE ESTA PUEDA TENER EN OTRA
SERIE DE EVENTOS
17
IMPACTO CRUZADO
• Determinar los eventos a incluirse en el
estudio
• Estimar la probabilidad inicial de cada
evento y la probabilidad condicional de
cada par de eventos
• Seleccionar eventos en forma aleatoria y
calcular su repercusión sobre los demás
eventos como resultado de la ocurrencia o
no del evento elegido. 18
ANÁLISIS DE ESCENARIOS
Describir diferentes escenarios futuros
posibles (mas probable, probable, poco
probable) considerando factores que los
determinen (cambios en la población,
inflación, variación de la demanda) para
reconocer las implicaciones a largo plazo
de los cambios posibles
19
TÉCNICAS CUANTITATIVAS
• INFORMACIÓN: REQUIEREN DE
DATOS HISTÓRICOS DE LAS
VARIABLES INVOLUCRADAS
21
ETAPAS DE UN PRONÓSTICO
• DEFINIR EL PROPÓSITO
• RECOLECTAR DATOS: fuentes primarias o
secundarias
• PREPARAR LOS DATOS:ordenar y clasificar
• SELECCIONAR LA TÉCNICA ADECUADA:
cualitativa o cuantitativa
• EJECUTAR EL PRONÓSTICO: estimar errores
• DAR SEGUIMIENTO: confrontar con
información actual 22
ETAPAS DE UN PRONÓSTICO
SELECCIÓN DE LA TÉCNICA ADECUADA:
LA MEJOR TÉCNICA ES AQUELLA QUE
• Facilite la toma de decisiones en el momento
adecuado
• Que sea entendida por el que toma las decisiones
• Pase un análisis costo-beneficio
• Cumpla con las restricciones del sistema: tiempo
disponible, datos, disponibilidad de cómputo.
• Cumpla con los criterios de: precisión, estabilidad,
objetividad 23
TIPOS DE DATOS
• OBSERVADOS EN UN MOMENTO
PRECISO DEL TIEMPO: un día, una hora,
una semana, etc.. Ejemplo: observar una
característica en una muestra de productos
para controlar calidad, ingreso de la
población, grado de escolaridad de
empleados, etc...
Objetivo: extrapolar a toda la población las
características de la muestra 24
TIPO DE DATOS
• SERIES DE TIEMPO: una sucesión
cronológica de observaciones de una
variable a intervalos iguales de tiempo.
Ejemplo: ventas trimestrales de los últimos 5
años, desempleo en los últimos años, precio
de un producto en el tiempo, etc..
Objetivo: analizar patrones del pasado que
puedan extrapolarse al futuro
25
PATRONES O COMPONENTES DE
UNA SERIE DE TIEMPO
• TENDENCIA: componente de muy largo
plazo
• CICLICIDAD: componente de largo plazo
• ESTACIONALIDAD:componente de corto
plazo
• FACTOR ALEATORIO: componente de
muy corto plazo
26
TENDENCIA
COMPONENTE DE MUY LARGO PLAZO QUE REPRE-
SENTA EL CRECIMIENTO O DECRECIMIENTO DE
LOS DATOS EN UN PERÍODO EXTENDIDO
40000
30000
20000
10000
0
55 60 65 70 75 80 85
SEARS
28
ESTACIONALIDAD
PATRÓN DE CAMBIO QUE SE REPITE AÑO CON AÑO
EN EL MISMO NÚMERO DE PERÍODOS
160
140
120
100
80
60
81 82 83 84 85 86 87 88 89 90
MURPHY
30
CICLICIDAD
FLUCTUACIÓN ALREDEDOR DE LA TENDENCIA
QUE SE REPITE PERO A INTERVALOS DISTINTOS Y
CON AMPLITUDES DISTINTAS
FUERZAS QUE AFECTAN Y EXPLICAN CICLICIDAD:
350
300
250
200
150
100
60 65 70 75 80 85 90
VENTAS TENDENCIA
32
FACTOR ALEATORIO
MIDE LA VARIABILIDAD DE UNA SERIE CUANDO
LOS DEMÁS COMPONENTES SE HAN ELIMINADO
O NO EXISTEN
800
600
400
200
0
5 10 15 20 25 30
ALEA
34
SERIE ESTACIONARIA
SERIE CUYO VALOR PROMEDIO NO CAMBIA
A TRAVÉS DEL TIEMPO
800
600
400
200
85 86 87 88 89 90 91 92
VENTAS TENDENCIA
36
SERIE CON VARIOS
PATRONES
500
400
300
200
100
60 65 70 75 80 85 90
VENTAS
CICLO
TENDENCIA
37
PATRONES Y
CORRELOGRAMAS
S (Yt-Y) (Yt-k - Y)
rk=
S (Yt -Y)
40000
30000
20000
10000
0
55 60 65 70 75 80 85
SEARS
Dif t = Yt - Yt-1
41
ESTACIONALIDAD
180
160
140
120
100
80
60
81 82 83 84 85 86 87 88 89 90
MURPHY
20
-20
-40
-60
81 82 83 84 85 86 87 88 89 90
D(MURPHY)
800
600
400
200
0
5 10 15 20 25 30
ALEA
40000
30000
20000
10000
-10000
55 60 65 70 75 80 85
SEARS DSEARS
k
SERIE DE VENTAS: ACME
OBS TRIM. 1 TRIM. 2 TRIM. 3 TRIM. 4
1985 500.0000 350.0000 250.0000 400.0000
1985 450.0000 350.0000 200.0000 300.0000
1986 350.0000 200.0000 150.0000 400.0000
1988 550.0000 350.0000 250.0000 550.0000
1989 550.0000 400.0000 350.0000 600.0000
1990 750.0000 500.0000 400.0000 650.0000
1991 850.0000 600.0000 450.0000 700.0000
1992 550.0000 400.0000 500.0000 NA
1993 NA NA NA NA
1994 NA 50
MODELOS NAIVE
•ÚTILES CUANDO LA INFORMACIÓN MAS
RELEVANTE ES LA DE LOS PERÍODOS MAS
RECIENTES
• MODELO 1: F t+1= Yt
• MODELO 2: F t+1= Yt +(Yt - Yt-1)
• MODELO 3: Ft+1=Yt-3 51
MODELOS NAIVE: F t+1= Yt
ACME ACME1
500.0000 NA 1000
350.0000 500.0000
250.0000 350.0000
800
400.0000 250.0000
450.0000 400.0000
350.0000 450.0000 600
200.0000 350.0000
300.0000 200.0000
400
350.0000 300.0000
200.0000 350.0000
150.0000 200.0000 200
400.0000 150.0000
550.0000 400.0000
350.0000 550.0000 0
85 86 87 88 89 90 91 92 93
250.0000 350.0000
550.0000 250.0000 ACM E ACM E1
550.0000 550.0000
400.0000 550.0000
350.0000 400.0000 52
600.0000 350.0000 Serie con tendencia y estacionalidad
750.0000 600.0000
MODELOS NAIVE: F t+1= Yt
1000
500
-500
-1000
85 86 87 88 89 90 91 92
RES1
500
-500
-1000
85 86 87 88 89 90 91 92
RES2
55
MODELOS NAIVE: Ft+1=Yt-3
ACME ACME3
500.0000 NA
1000
350.0000 NA
250.0000 NA
400.0000 NA 800
450.0000 500.0000
350.0000 350.0000
200.0000 250.0000 600
300.0000 400.0000
350.0000 450.0000
200.0000 350.0000 400
150.0000 200.0000
400.0000 300.0000
550.0000 350.0000 200
350.0000 200.0000
250.0000 150.0000
550.0000 400.0000 0
550.0000 550.0000 85 86 87 88 89 90 91 92 93
400.0000 350.0000
ACME ACME3
56
350.0000 250.0000
600.0000 550.0000
MODELOS NAIVE: Ft+1=Yt-3
1000
500
-500
-1000
85 86 87 88 89 90 91 92
RES3
57
ERRORES
OBS RES1 RES2 RES3 OBS RES1 RES2 RES3
1985.1 NA NA NA 1989.1 0.000000 -300.0000 0.000000
1985.2 -150.0000 NA NA 1989.2 -150.0000 -150.0000 50.00000
1985.3 -100.0000 50.00000 NA 1989.3 -50.00000 100.0000 100.0000
1985.4 150.0000 250.0000 NA 1989.4 250.0000 300.0000 50.00000
1986.1 50.00000 -100.0000 -50.00000 1990.1 150.0000 -100.0000 200.0000
1986.2 -100.0000 -150.0000 0.000000 1990.2 -250.0000 -400.0000 100.0000
1986.3 -150.0000 -50.00000 -50.00000 1990.3 -100.0000 150.0000 50.00000
1986.4 100.0000 250.0000 -100.0000 1990.4 250.0000 350.0000 50.00000
1987.1 50.00000 -50.00000 -100.0000 1991.1 200.0000 -50.00000 100.0000
1987.2 -150.0000 -200.0000 -150.0000 1991.2 -250.0000 -450.0000 100.0000
1987.3 -50.00000 100.0000 -50.00000 1991.3 -150.0000 100.0000 50.00000
1987.4 250.0000 300.0000 100.0000 1991.4 250.0000 400.0000 50.00000
1988.1 150.0000 -100.0000 200.0000 1992.1 -150.0000 -400.0000 -300.0000
1988.2 -200.0000 -350.0000 150.0000 1992.2 -150.0000 0.000000 -200.0000
1988.3 -100.0000 100.0000 100.0000 1992.3 100.0000 250.0000 50.00000
1988.4 300.0000 400.0000 150.0000
58
MEDIDAS DE ERROR
ME MSE MAD MAPE
MODELO1 3.7037 29074.07 151.85 0.3548
MODELO2 -1.8518 61759.26 209.25 0.4809
MODELO3 24.074 14166.67 98.148 0.2427
800
600
400
200
0
85 86 87 88 89 90 91 92 93
ACM E M A(2)
62
PROMEDIO MÓVIL DE
ORDEN 3
1000
800
600
400
200
85 86 87 88 89 90 91 92 93
ACM E M A(3) 63
PROMEDIO MÓVIL DE
ORDEN 4
1000
800
600
400
200
0
85 86 87 88 89 90 91 92 93
ACM E M A(4)
64
PROMEDIO MÓVIL DOBLE
LINEAL (Brown)
Ft+p = At +p* Bt
1200
1000
800
600
400
200
0
85 86 87 88 89 90 91 92
ACM E PRON
65
PROMEDIO MÓVIL DOBLE
LINEAL (Brown)
ACME PM1 PM2 AT BT PRON
500.0000 NA NA NA NA NA
350.0000 425.0000 NA NA NA NA
250.0000 300.0000 362.5000 237.5000 -125.0000 NA
400.0000 325.0000 312.5000 337.5000 25.00000 112.5000
450.0000 425.0000 375.0000 475.0000 100.0000 362.5000
350.0000 400.0000 412.5000 387.5000 -25.00000 575.0000
200.0000 275.0000 337.5000 212.5000 -125.0000 362.5000
300.0000 250.0000 262.5000 237.5000 -25.00000 87.50000
350.0000 325.0000 287.5000 362.5000 75.00000 212.5000
200.0000 275.0000 300.0000 250.0000 -50.00000 437.5000
150.0000 175.0000 225.0000 125.0000 -100.0000 200.0000
400.0000 275.0000 225.0000 325.0000 100.0000 25.00000
550.0000 475.0000 375.0000 575.0000 200.0000 425.0000
350.0000 450.0000 462.5000 437.5000 -25.00000 775.0000
250.0000 300.0000 375.0000 225.0000 -150.0000 412.5000
550.0000 400.0000 350.0000 450.0000 100.0000 75.00000
550.0000 550.0000 475.0000 625.0000 150.0000 550.0000
400.0000 475.0000 512.5000 437.5000 -75.00000 775.0000
350.0000 375.0000 425.0000 325.0000 -100.0000 362.5000
600.0000 475.0000 425.0000 525.0000 100.0000 225.0000
750.0000 675.0000 575.0000 775.0000 200.0000 625.0000
500.0000 625.0000 650.0000 600.0000 -50.00000 975.0000
400.0000 450.0000 537.5000 362.5000 -175.0000 550.0000
650.0000 525.0000 487.5000 562.5000 75.00000 187.5000
850.0000 750.0000 637.5000 862.5000 225.0000 637.5000
600.0000 725.0000 737.5000 712.5000 -25.00000 1087.500
450.0000 525.0000 625.0000 425.0000 -200.0000 687.5000
700.0000 575.0000 550.0000 600.0000 50.00000 225.0000
550.0000 625.0000 600.0000 650.0000 50.00000 650.0000
400.0000 475.0000 550.0000 400.0000 -150.0000 700.0000
66
SUAVIZAMIENTO
EXPONENCIAL(simple)
Ft+1 = Yt + ( 1- ) Ft 0
OBSERVACIONES ANTERIORES
SUAVIZAMIENTO
EXPONENCIAL SIMPLE ( 0.2620)
1000
800
600
400
200
0
85 86 87 88 89 90 91 92 93
ACM E FOR 68
SUAVIZAMIENTO EXPONENCIAL
SIMPLE ( 0.2620)
69
SUAVIZAMIENTO
EXPONENCIAL DOBLE ( 0.2620)
Ft+p=at+pbt
Donde=
at= 2At - A’t
bt= /- (At - A’t)
At=Yt+(-)At-1
A’t=At+(-)A’t
70
SUAVIZAMIENTO
EXPONENCIAL DOBLE ( 0.2620)
71
SUAVIZAMIENTO EXPONENCIAL
DOBLE ( 0.2620)
72
SUAVIZAMIENTO DE HOLT
= 0.31, = 0
1000
800
600
400
200
0
85 86 87 88 89 90 91 92 93
73
ACM E HOLT
SUAVIZAMIENTO DE HOLT
74
SUAVIZAMIENTO DE
WINTERS
= 1 , = 0, = 0
1200
1000
800
600
400
200
0
85 86 87 88 89 90 91 92 93 75
ACM E WINTERS
SUAVIZAMIENTO DE
WINTERS
76
MEDIDAS DE ERROR
MSE
FOR 21062.94
HOLT 21785.66
WINTERS 7209.052
77
EL MODELO DE REGRESIÓN
• DESCRIBE LA RELACIÓN ENTRE LA VARIABLE
A PRONOSTICAR (VARIABLE DEPENDIENTE, CON
OTROS FACTORES (VARIABLES INDEPENDIENTES)
QUE INFLUYEN EN EL COMPORTAMIENTO DE ESTA.
79
•ES IMPORTANTE DEFINIR LA UNIDAD DE MEDIDA DE CADA
VARIABLE
REGRESIÓN LINEAL
•LA FUNCIÓN DE REGRESIÓN POBLACIONAL (FRP):
TABLA 1
PERÍODO: trimestral
PRECIO: en pesos
PUBLICIDAD: dinero asignado a este rubro
81
VENTAS: pesos vendidos
REGRESIÓN LINEAL
• A PARTIR DE LA MUESTRA SE OBTIENEN LOS
COEFICIENTES (b0, b1, b2 y b3) DEL MODELO
MUESTRAL:
VENTAS = b0 + b1 * PUBLICIDAD+ b2* PRECIO+b3* PERÍODO +e
FRP: E(Y/X)
84
Xi
NOTACIÓN MATRICIAL
SI SE TIENEN n OBSERVACIONES MUESTRALES
(para cada variable) Y k VARIABLES:
E(Y/X)= X
• ESTIMANDO EL VECTOR DE MANERA DE MINIMIZAR
LOS ERRORES Ui, QUE REPRESENTAN LA DISTANCIA
ENTRE CADA OBSERVACIÓN Y LA FRP
U
ESTIMACIÓN DE
PARÁMETROS
LOS COEFICIENTES SE ESTIMAN POR MÍNIMOS
CUADRADOS
• e = Y - X b :errores
• e e = (Y - X b) (Y - X b) :suma de errores cuadrados
• DIFERENCIANDO RESPECTO DE b, IGUALANDO
A CERO Y DESPEJANDO b, SE OBTIENEN LOS
ESTIMADORES
• EXISTEN PAQUETES COMPUTACIONALES QUE
REALIZAN ESTA OPERACIÓN, Y ADEMÁS
88
PROPORCIONAN INFORMACIÓN ESTADÍSTICA
EJEMPLO (ver Tabla1)
(con E-VIEWS)
•VARIABLE DEPENDIENTE: VENTAS (Y)
90
EJEMPLO
3000000
2000000
3000000
VENTAS
1000000
2000000
VENTAS
0
100 200 300 400 500
1000000
PUBLICIDAD
0
16 18 20 22 24 26
PRECIO
91
EL PRONÓSTICO
SI EL MODELO ES ESTADÍSTICAMENTE ADECUADO,
EL PRONÓSTICO DE LAS VENTAS SE REALIZA:
•MULTICOLINEALIDAD: (Xi,Xj) =0
BAJO ESTOS SUPUESTOS, LOS ESTIMADORES SON:
• INSESGADOS: E(b)=
•LINEALES: b ES FUNCIÓN LINEAL DE Y
•DE VARIANZA MÍNIMA: var(b) 93
SUPUESTOS DEL MODELO
DE REGRESIÓN
SI LOS SUPUESTOS NO SON VIOLADOS PUEDE
HACERSE INFERENCIA ESTADÍSTICA:
95
ESTADÍSTICO DURBIN-
WATSON
S ei ei-1
d = 2(1- )
ei 2
5.- Montgomery, D., Johnson, l.& Gardiner, J. (1990). Forecasting & Time Series
Analysis.
2d ed., McGraw-Hill International Editions.
9.- Pindyck, Robert & Rubinfeld, D. (1981). Econometric Models and Economic
Forecasting, McGraw-Hill, Inc, Singapore.