Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CUANTITATIVOS
Series
Series de
de tiempo
tiempo
Los pronósticos o predicciones son una
herramienta esencial en cualquier
proceso de toma de decisiones.
Para pronosticar tenemos los métodos….
it ati v o s
•C u a l
ta ti vo s
• Cu a nti
Método
cualitativo
Encuestas Jurado de
Método Fuerza de
a los opinión
Delphi ventas
clientes ejecutiva
Método
Cuantitativo
Modelo de
Modelos
Serie de
causales
tiempos
Análisis de series de tiempo: Métodos causales: utilizan
método estadístico que depende en datos históricos de variables
alto grado de datos históricos de la independientes como
demanda, con los que se proyectan campañas de promoción,
la demanda futura y reconoce las condiciones económicas y
tendencias y patrones estaciónales. actividades de los
competidores.
Método
Cuantitativo
Modelo de
Modelos
Serie de
causales
tiempos
Tendencia
La tendencia a largo plazo de una serie
de aumentar o disminuir (tendencia
creciente o tendencia decreciente).
Componentes de una serie de tiempo
Estacionalidad
La fluctuación periódica en las series de
tiempo dentro de un período determinado.
Estas fluctuaciones forman un patrón que
tiende a repetirse de un período estacional
al siguiente.
Estacionalidad
Ciclos
Largas desviaciones de la tendencia
debido factores diferentes de la
estacionalidad. Los ciclos por lo general se
producen durante un intervalo de tiempo
extenso, y los tiempos que transcurren
entre los picos o valles sucesivos de un
ciclo no necesariamente son iguales.
Las alzas y las bajas de la economía o de una
industria especificas se representan en variaciones
cíclicas.
Componentes de una serie de tiempo
Movimiento irregular
El movimiento que queda después de
explicar los movimientos de tendencia,
estacionales y cíclicos; ruido aleatorio o
error en una serie de tiempo.
Un suceso impredecible, como una guerra, una
huelga, un terremoto o partes de legislación, puede
causar grandes variaciones aleatorias. A diferencia de
las otras tendencias , la variación aleatoria siempre
esta presente.
Los pronósticos se basan en
patrones de datos existentes.
Por ejemplo, la gerente de un almacén
puede modelar la cantidad de productos
que necesita ordenar para los próximos 3
meses con base en los pedidos de los
últimos 12 meses.
PRONÓSTICOS DE SERIES DE TIEMPO
1. DEFINIR EL PROPÓSITO
2. RECOLECTAR DATOS: fuentes primarias o
secundarias.
3. PREPARAR LOS DATOS: ordenar y clasificar.
4. SELECCIONAR LA TÉCNICA ADECUADA:
cualitativa o cuantitativa.
5. EJECUTAR EL PRONÓSTICO: estimar errores
6. DAR SEGUIMIENTO: confrontar con
información actual.
n ó sti co
de l p ro
Err o r
El término error se refiere a la
diferencia entre el valor del
pronóstico y lo que ocurrió en
realidad, entre menor medida
(valor) del error, es mejor.
Error del pronóstico
Observa como los cálculos de error de pronóstico aplicados para un solo método en un
solo período de tiempo carecen de significado. Su utilidad radica cuando comparamos
los cálculos de error con los cálculos de otros métodos de pronóstico.
Medidas de error - Medidas de exactitud
36
MAD - DAM MSE - EMC MAPE / PEMA
Análisis de tendencia
Ajusta un modelo de tendencia general a los datos de
las series de tiempo. Elija entre los modelos de
tendencia lineal, cuadrático, crecimiento o decadencia
exponencial y curva S.
Example of a simple time series plot - Minitab
You are a sales manager and you want to view your
company's quarterly sales for 2001 to 2003. Create a
time series plot.
1 Open the worksheet NEWMARKET.MTW.
2 Choose Graph > Time Series Plot or Stat > Time Series > Time
Series Plot.
3 Choose Simple, then click OK.
4 In Series, enter SalesB.
5 Click Time/Scale.
6 Under Time Scale, choose Calendar. Then, choose Quarter Year.
7 For start values, under Quarter, type 1. Under Year, type 2000.
8 Click OK in each dialog box.
Modelo de
Modelos
Serie de
causales
tiempos
Ventas
Actual
Pronóstico
Año
Pro
m e di
om
óvi
les
Promedio móvil simple
Para calcular el pronóstico de una serie de tiempo mediante el método
de promedio móvil simple, hay que proceder de la siguiente manera:
Promedio móvil
Longitud 2
Medidas de exactitud
MAPE 8.8780
MAD 2.9242
MSD 13.8308
Pronósticos
Período Pronóstico Inferior Superior
102 60 52.7109 67.2891
103 60 52.7109 67.2891
104 60 52.7109 67.2891
105 60 52.7109 67.2891
106 60 52.7109 67.2891
107 60 52.7109 67.2891
Gráfica de promedio móvil de Ventas
Suavizado exponencial
Donde
F = Nuevo pronóstico
t
α = constante de suavización
A = demanda real del periodo anterior
t-1
Ejemplo de suavización exponencial
2000
1500
1000
500
0
1 2 3 4 5 6 7 8 9 10 11 12
Periodos
Demanda Pronóstico
Regresión lineal:
Pronóstico de la demanda
Y
50
60
40
50
30
r = +1.0 r = -1.0
20 40
10 20 30
10 20 30
X X
76
r = 0.0
75
74 No Correlation
Y
73
72
71
10 20 30
Copyright © 2001-2005
Six Sigma Academy International, LLC X
Correlation And Simple Regression Pg 77
All rights reserved; for use only in
compliance with SSA license.
Qué variables podemos colocar aquí?
"Diagrama de Dispersión y correlación entre las variables
Temperatura y Ozono para airquality"
Correlation vs. Causation
• Data shows that the average life expectancy increased when the divorce
rate went up!
• Is there a Correlation between shark attacks and ice cream sales?
# of Shark Attack
Average Life
Expectancy
Copyright © 2001-2005
Six Sigma Academy International, LLC
Correlation And Simple Regression Pg 80
All rights reserved; for use only in
compliance with SSA license.
En conclusión…
Copyright © 2001-2005
Six Sigma Academy International, LLC
Correlation And Simple Regression Pg 82
All rights reserved; for use only in
compliance with SSA license.
Por ejemplo, en la Industria Química
Con los valores de la última fila de la tabla, podemos calcular a y b, con los
cuales logramos calcular los valores de la última columna (Y) que es la
recta que más se ajusta a la demanda y.
Con los valores de la última fila de la tabla, podemos calcular a y b, con los
cuales logramos calcular los valores de la última columna (Y) que es la recta
que más se ajusta a la demanda y.