Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Metodos Pronosticos
Metodos Pronosticos
MÉTODOS DE
PRONÓSTICOS
http://renovables.wordpress.com/2008/03/
1
Pronósticos
El Pronóstico de la Demanda en el Futuro es
esencial para el manejo adecuado de la Cadena
de Suministro.
http://core.ecu.edu/econ/rothmanp/bci_forecasts.htm
2
Pronósticos
¿Cuál será la demanda del cliente por
determinado producto en el futuro?
¿En qué parte del proceso está el Inventario?
http://www.psychicguild.com/forecasting/
3
Patrones de demanda
Relaciona cantidades demandadas con
respecto al tiempo.
Cíclico:
se observan incrementos y
decrementos sobre diferentes períodos
4
Patrones de demanda
Componente Descripción
Tendencia Es el componente de largo plazo que
representa el crecimiento o disminución en
la serie sobre un periodo amplio.
Cíclico Es la fluctuación en forma de onda
alrededor de la tendencia.
Estacional Es un patrón de cambio que se repite a sí
mismo período tras período ( año tras año,
mes con mes, día con día, etc.)
Aleatorio Mide la variabilidad de las series de tiempo
después de retirar los otros componentes
(tendencias, ciclos, estacionalidad, etc.).
5
Patrones de demanda
http://html.rincondelvago.com/ciclo-economico.html
7
Patrones de demanda
Una curva en S es típica del crecimiento
del producto y el ciclo de madurez
http://samscam.co.uk/blog/410
8
Áreas de toma de decisiones
Decisiones importantes
Mercadotecnia
Manufactura
·Asignación de fuerza
·Planeación de la de trabajo
producción ·Promociones
·Control de Inventarios ·Introducción de Nuevos
·Planeación Agregada Productos
Finanzas Personal
·Inversión de Planta/ ·Planeación de Fuerza
Equipo de Trabajo
·Planeación de Capital ·Contrataciones
10
Bases para pronósticos
Datos históricos para proyectar el futuro
en base a modelos matemáticos.
Predicción del futuro subjetiva o intuitiva
Modelos causales de regresión
http://www.monografias.com/trabajos53/tasa-libor/tasa-libor2.shtml
http://elauladenfrente.blogspot.com/2008_08_01_archive.html
11
Horizonte de planeación
Horizonte de tiempo
Corto plazo Mediano Plazo Largo Plazo
(0-3 meses) (3 meses- 2 años) (más de 2 años)
Nivel de
Pronóstico Productos y servicios Ventas Totales/ Ventas Totales
Individuales Familias de Productos y
Servicios
Área de Decisión Manejo de Planeación de Localización de
Inventarios puestos directivos Infraestructura
Programa de Planeación de la Planeación de la
ensamble Final producción capacidad
Programa de fuerza MPS Gerencia de
de trabajo Procuración Procesos
MPS Distribución
Técnica de Series de
Pronóstico tiempo/Registro Regresión Regresión Lineal/
Lineal/Pronóstico Lineal/Pronóstico Pronóstico Cualitativo
cualitativo Cualitativo
12
Insumos para la planeación
Condiciones del Mercado Panorama Económico Otros
•Acciones de la Factores
competencia •Situación del ciclo de
los negocios •Legales
•Gustos del Consumidor
•Indicadores Líderes •Políticos
•Ciclo de vida de los Precios de las
productos acciones •Sociales
Rendimiento de los
•Estación del año bonos •Culturales
Precios de materiales
Oferta de dinero
•Planes de los clientes
Cierre de Negocios
Desempleo
14
Insumos para la planeación
Plan de Plan Financiero
Plan de Mercadotecnia
Producción
·Nivele y gestión
·Publicidad de la calidad en el ·Políticas de
proceso de crédito
·Fuerza de ventas
producción
·Políticas de
·Precio
·Servicio al cliente facturación
·Ventas históricas
·Capacidad ·Manejo
·Canales de Financiero de
Comercialización ·Costos recursos
15
Influencia del ciclo de vida del producto
Los bienes y servicios no se venden en forma constante
a través de su vida en el mercado.
http://blogs.creamoselfuturo.com/industria-y-servicios/2007/04/24/creacion-de-empresas-e-innovacion
-a-traves-del-ciclo-de-vida/print/
16
Enfoques para pronósticos
Modelos de
Decisión para
Pronósticos
Pronósticos Pronósticos
Cuantitativos Cualitativos
17
Forecasting Models
Pronósticos cualitativos
“Grass roots – fuerza de ventas” –
tendencias de clientes
http://technet.microsoft.com/en-us/library/bb687375.aspx
19
Grass roots Forecasting
Se basa en cuestionar al personal cercano al cliente,
tales como vendedores y distribuidores estables y
con experiencia, sobre lo que piensan vender el
siguiente periodo para considerarse en el pronóstico.
http://firgoa.usc.es/drupal/node/41923/print
20
Pronósticos cualitativos
Investigación de mercado
http://www.elg-asesores.com/serv
icios.html http://customerservicevoodoo.w
ordpress.com/2009/05/
21
Investigación de mercado
Permite determinar si hay demanda
suficiente para el producto o servicio
22
Investigación de mercado
IM Primaria: información directa de
clientes actuales o potenciales, más costosa
◦ Entrevistas individuales
23
Investigación de mercado
IM secundaria: información que alguien
más ha colectado
◦ Reportes / estudios
◦ Periódicos
◦ Revistas
◦ Bibliotecas (datos estadísticos)
◦ Organismos gubernamentales
◦ Estadísticas en Web
◦ Asociaciones comerciales e industriales
24
Investigación de mercado
IM mientras opera el negocio
◦ Reportes de ventas (seguir productos)
◦ Competencia (cambios)
◦ Encuestas de clientes
http://www.ravenwerks.com/?p=7
26
Pronósticos cualitativos
Analogía histórica (geográfica o histórica)
◦ Ver comportamiento de productos análogos
http://www.chromaservices.ca/multimedia_services/convert_vhs_to_dvd.html
http://www.hdtvexpert.com/pages_b/toshiba_HD-A2.html
27
Ciclo de vida del producto
Los bienes y servicios no se venden en forma constante
a través de su vida en el mercado.
28
http://exoplanet.as.arizona.edu/~lclose/teaching/a202/lect24.html
29
Pronósticos cualitativos
Analogía histórica
◦ Ver comportamiento de productos análogos
http://www.uiah.fi/projects/metodi/190.htm
30
Pronósticos cualitativos
Método Delphi (Rand Corporation)
◦ Oculta la identidad de las personas que participan
32
Pronósticos cualitativos
Método Delphi
http://flickr.com/photos/78846417@N00/2513262775
33
Pronósticos cuantitativos
Modelos de Modelo Causal
Series de Tiempo
34
MODELOS DE SERIES DE
TIEMPO
Métodos cuantitativos de pronóstico
35
Pronósticos cuantitativos
Método de Cantidad de Datos Patrón de Datos Plazo del Tiempo de Antecedentes
Pronóstico Históricos Pronóstico Preparación del Personal
Método exponencial 5 a 10 observaciones para Los datos deben Corto Breve Poca
simple establecer el peso ser estáticos sofisticación
Descomposición de Basta con ver 2 crestas y Maneja patrones Corto a Breve a Poca
series de tiempo valles cíclicos y mediano moderado sofisticación
estaciónales;
puede identificar
puntos de inflexión
36
Pronósticos cuantitativos
Promedio ingenuo
◦ Pronóstico t = resultado del mes anterior
Mes i Xi Fi Xi-Fi |Xi-Fi| |(Xi-Fi)/Xi| (Xi-Fi) 2
*100
Enero 1 52 - - - -
Febrero 2 81 52 29 29 35.80 841
Marzo 3 47 81 -34 34 72.34 1,156
Abril 4 65 47 18 18 27.69 324
Mayo 5 50 65 -15 15 30.00 225
Junio 6 73 50 23 23 31.51 529
Julio 7 45 73 -28 28 62.22 784
Agosto 8 60 45 15 15 25.00 225
Septiembre 9 50 60 -10 10 20.00 100
Octubre 10 79 50 29 29 36.71 841
Noviembre 11 45 79 -34 34 75.56 1,156
Diciembre 12 62 45 17 17 27.42 289
Suma 709 10 252 444 6,470
MAD MAPE MSD
Media 0.83 21 37.02 539.17
37
Pronósticos cuantitativos
Promedio ingenuo
◦ Pronóstico t = resultado del mes anterior
90
80
70
60
50
Xi 52
40 Fi -
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11
38
Pronósticos cuantitativos
Promedio simple
◦ Pronóstico t = promedio de meses anteriores
Mes i Xi Fi Xi-Fi |Xi-Fi| |(Xi-Fi)/Xi|*100 (Xi-Fi) 2
Enero 1 52 - - - -
Febrero 2 81 52 29 29 35.80 841
Marzo 3 47 67 -20 19.5 41.49 380
Abril 4 65 60 5 5 7.69 25
Mayo 5 50 61 -11 11.25 22.50 127
Junio 6 73 59 14 14 19.18 196
Julio 7 45 61 -16 16.333 36.30 267
Agosto 8 60 59 1 1 1.67 1
Septiembre 9 50 60 -10 10.143 20.29 103
Octubre 10 79 58 21 20.889 26.44 436
Noviembre 11 45 65 -20 19.5 43.33 380
Diciembre 12 62 59 3 3.1818 5.13 10
Suma 709 -4 150 260 2,766
MAD MAPE RMS
Media -0.30 12.483 21.65 230.52
39
Pronósticos cuantitativos
Promedio simple
◦ Pronóstico t = promedio de meses anteriores
90
80
70
60
50
Xi 52
40 Fi -
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11
40
Pronósticos cuantitativos
Promedio móvil simple
◦ Pronóstico t = promedio de n=3 meses anteriores
Mes i Xi Fi Xi-Fi |Xi-Fi| |(Xi-Fi)/Xi|*100 (Xi-Fi) 2
Enero 1 52 - - - -
Febrero 2 81 - - - - -
Marzo 3 47
Abril 4 65 64.33 1 0.6667 1.03 0
Mayo 5 50 54.00 -4 4 8.00 16
Junio 6 73 62.67 10 10.333 14.16 107
Julio 7 45 56.00 -11 11 24.44 121
Agosto 8 60 59.33 1 0.6667 1.11 0
Septiembre 9 50 51.67 -2 1.6667 3.33 3
Octubre 10 79 63.00 16 16 20.25 256
Noviembre 11 45 58.00 -13 13 28.89 169
Diciembre 12 62 62.00 0 0 0.00 0
Suma 709 -2 57 101 672
MAD MAPE RMS
Media -0.17 4.7778 8.43 56.04
41
Pronósticos cuantitativos
Promedio móvil simple
◦ Pronóstico t = promedio de n=3 meses anteriores
42
Promedio móvil simple
43
Promedio móvil simple
http://www.fxwords.com/m/moving-averages.html
44
Pronósticos cuantitativos
Promedio móvil ponderado (pesos 0.6, 0.3, 0.1)
◦ Pronóstico t = Resultado mes anterior*0.6 + Res. de
hace dos meses*0.3 + Res. de hace tres meses*0.1
Mes i Xi Fi Xi-Fi |Xi-Fi| |(Xi-Fi)/Xi|*100 (Xi-Fi) 2
Enero 1 52 - - - -
Febrero 2 81 - - - - -
Marzo 3 47
Abril 4 65 57.70 7 7.3 11.23 53
Mayo 5 50 61.20 -11 11.2 22.40 125
Junio 6 73 54.20 19 18.8 25.75 353
Julio 7 45 65.30 -20 20.3 45.11 412
Agosto 8 60 53.90 6 6.1 10.17 37
Septiembre 9 50 56.80 -7 6.8 13.60 46
Octubre 10 79 52.50 27 26.5 33.54 702
Noviembre 11 45 68.40 -23 23.4 52.00 548
Diciembre 12 62 55.70 6 6.3 10.16 40
Suma 709 3 127 224 2,317
MAD MAPE RMS
Media 0.27 10.558 18.66 193.10
45
Pronósticos cuantitativos
Promedio móvil ponderado (pesos 0.6, 0.3, 0.1)
◦ Pronóstico t = Resultado mes anterior*0.6 + Res. de
hace dos meses*0.3 + Res. de hace tres meses*0.1
90
80
70
60
50
Xi 52 81
40 Fi - -
30
20
10
0
1 2 3 4 5 6 7 8 9 10
46
Pronósticos cuantitativos
Promedio móvil ponderado
http://www.marketoracle.co.uk/Article9875.html
47
Pronósticos cuantitativos
Suavizamiento exponencial simple (alfa =0.2)
◦ Asigna la ponderación mayor a los valores
observados más recientes, y ponderaciones
decrecientes a los valores más antiguos.
◦ Minitab usa el promedio de las primeros 6
observaciones (o N, si N < 6) para el valor inicial
estimado en tiempo uno.
◦ Los valores subsecuentes se calculan con la fórmula:
48
Pronósticos cuantitativos
◦ F1 = promedio de las primeras 6 observaciones
49
Pronósticos cuantitativos
◦ F1 = promedio de las primeras 6 observaciones
90 Variable
Actual
Fits
80 Forecasts
95.0% PI
70 Smoothing Constant
A lpha 0.2
Accuracy Measures
60
Xi
MAPE 21.426
MAD 12.242
MSD 192.220
50
40
30
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Index
50
Pronósticos cuantitativos
Suavizamiento exponencial doble
◦ Considera la tendencia
◦ Lt es el nivel en tiempo t, alfa es el peso para el nivel
◦ ·Tt es el nivel de tendencia en tiempo t, g es el peso
para la tendencia t
◦ ·Y es el valor observado en tiempo t, Yest es el valor
estimado un paso adelante en tiempo t
51
Pronósticos cuantitativos
Los valores de estimaciones iniciales son:
S1= X1 T1 = X2 - X1
Las proyecciones o pronósticos se obtienen con las
siguientes ecuaciones:
53
Pronósticos cuantitativos
◦ Suavizamiento exponencial de Winters para tendencia
y estacionalidad
54
Pronósticos cuantitativos
◦ Suavizamiento exponencial de Winters para tendencia
y estacionalidad
Mes i Xi Fi Xi-Fi |Xi-Fi| |(Xi-Fi)/Xi| (Xi-Fi) 2
*100
Enero 1 52 52 0.00 0.00 0.00 0.00
Febrero 2 81 81 0.00 0.00 0.00 0.00
Marzo 3 47 47 0.00 0.00 0.00 0.00
Abril 4 65 65 0.00 0.00 0.00 0.00
Mayo 5 50 50 0.00 0.00 0.00 0.00
Junio 6 73 73 0.00 0.00 0.00 0.00
Julio 7 45 45 0.00 0.00 0.00 0.00
Agosto 8 60 60 0.00 0.00 0.00 0.00
Septiembre 9 50 50 0.00 0.00 0.00 0.00
Octubre 10 79 79 0.00 0.00 0.00 0.00
Noviembre 11 45 45 0.00 0.00 0.00 0.00
Diciembre 12 62 62 0.00 0.00 0.00 0.00
Suma 709 0.00 0.00 0.00 0.00
MAD MAPE MSD
Media 0.00 0.00 0.00 0.00
55
Pronósticos cuantitativos
◦ Modelo aditivo, la variación aleatoria permanece
constante durante la tendencia o en el tiempo
http://www.stats.govt.nz/reports/seasonal-adjustment/the-underlying-model.aspx
56
Pronósticos cuantitativos
◦ Modelo multiplicativo, la variación aleatoria se
incrementa durante la tendencia o en el tiempo
http://www.stats.govt.nz/reports/seasonal-adjustment/the-underlying-model.aspx
57
Pronósticos cuantitativos
◦ Suavizamiento exponencial de Winters para tendencia
y estacionalidad
Smoothing Constants
A lpha (level) 0.2
70 Gamma (trend) 0.2
Delta (seasonal) 0.2
A ccuracy Measures
Xi
MA PE 0.0000000
60
MA D 0.0000000
MSD 0.0000000
50
40
1 2 3 4 5 6 7 8 9 10 11 12
Index
58
Pronósticos cuantitativos
◦ Método de descomposición
Time Series Decomposition Plot for Xi
A dditiv e M odel
80 Variable
Actual
Fits
70 Trend
Forecasts
60
Xi
Accuracy Measures
MAPE 8.6063
MAD 5.5407
50
MSD 62.7065
40
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Index
65
0
50
-20
2 4 6 8 10 12 2 4 6 8 10 12
Index Index
59
Errores de pronóstico
Es la diferencia entre el valor del
pronóstico y lo ocurrido en realidad. En
estadística a estos errores se les llama
residuales
60
Errores de pronóstico MAD
Esel promedio de las desviaciones absolutas de los
valores reales menos los pronosticados
Mes i Xi Fi Xi-Fi |Xi-Fi|
Enero 1 52 - - -
Febrero 2 81 - - -
Marzo 3 47
Abril 4 65 64.33 1 0.67
Mayo 5 50 54.00 -4 4.00
Junio 6 73 62.67 10 10.33
Julio 7 45 56.00 -11 11.00
Agosto 8 60 59.33 1 0.67
Septiembre 9 50 51.67 -2 1.67
Octubre 10 79 63.00 16 16.00
Noviembre 11 45 58.00 -13 13.00
Diciembre 12 62 62.00 0 0.00
Suma 709 -2 57.33
MAD
Media -0.17 4.78
61
Errores de pronóstico MAPE
Esel porcentaje de error promedio absoluto de las
desviaciones de los valores reales menos pronóstico
entre valor real Mes i Xi Fi Xi-Fi |(Xi-Fi)/Xi|*100
Enero 1 52 - - -
Febrero 2 81 - - -
Marzo 3 47
Abril 4 65 64.33 1 1.03
Mayo 5 50 54.00 -4 8.00
Junio 6 73 62.67 10 14.16
Julio 7 45 56.00 -11 24.44
Agosto 8 60 59.33 1 1.11
Septiembre 9 50 51.67 -2 3.33
Octubre 10 79 63.00 16 20.25
Noviembre 11 45 58.00 -13 28.89
Diciembre 12 62 62.00 0 0.00
Suma 709 -2 101
MAPE
Media -0.17 8.43
62
Errores de pronóstico MSD
Esel promedio de las desviaciones al cuadrado de los
valores reales menos pronóstico (amplifica las
diferencias grandes) Mes i Xi Fi Xi-Fi (Xi-Fi) 2
Enero 1 52 - -
Febrero 2 81 - - -
Marzo 3 47
Abril 4 65 64.33 1 0
Mayo 5 50 54.00 -4 16
Junio 6 73 62.67 10 107
Julio 7 45 56.00 -11 121
Agosto 8 60 59.33 1 0
Septiembre 9 50 51.67 -2 3
Octubre 10 79 63.00 16 256
Noviembre 11 45 58.00 -13 169
Diciembre 12 62 62.00 0 0
Suma 709 -2 672
MSD
Media -0.17 56.04
63
Límites de predicción / señal de
rastreo
Límite superior = Pronóstico + 1.96*1.25*MAD
Límite inferior = Pronóstico - 1.96*1.25*MAD
Desviación estándar = 1.25*MAD
64
Ejercicio 1
Los datos de la demanda para el último año se muestran
a continuación, calcular el pronóstico para los siguientes
tres meses, indicar los errores. Si se utiliza métodos de
suavizamiento utilizar alfa = 0.3, Beta = 0.3, Gama =
0.3 Mes Demanda
Ene 62
Feb 65
Mar 67
Abr 68
May 71
Jun 73
Jul 76
Ago 78
Sep 78
Oct 80
Nov 84
Dic 85
65
Ejercicios
Winters' Method Plot for Demanda
Additive Method
95 Variable
A ctual
90 Fits
Forecasts
95.0% PI
85
Smoothing C onstants
A lpha (lev el) 0.3
Demanda
75 A ccuracy Measures
MA PE 0.685849
MA D 0.503828
70 MSD 0.420778
65
60
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Period Forecast
Index
13 87.5444
14 89.9401
15 90.8469
66
Análisis de tendencia con regresión lineal
Regresión es la relación funcional de dos o más
variables crrelacionadas.
La usamos para prever una variable, dada otra
variable
Presupone que los datos del pasado y las
proyecciones del futuro quedan aproximadamente
en línea recta
http://serc.carleton.edu/introgeo/teachingwdata/StatRegression.html
67
Análisis de tendencia con regresión lineal
Unaempresa hace publicidad de un nuevo producto y se
desea pronosticar los clientes nuevos para los periodos 13 y
14 con base en los datos de los últimos 12 meses
Trend Analysis Plot for Clientes
Mes Clientes Linear Trend Model
Yt = 43.85 - 1.41259*t
1 41
45 Variable
2 43 A ctual
Fits
3 39 Forecasts
40
4 37 Accuracy Measures
MAPE 4.43754
5 42 MAD 1.57265
Clientes
35 MSD 4.61033
6 35
7 30
30
8 31
9 32
25
10 30
11 28 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Index
12 28
68
Ejercicio 2
Estimar el pronóstico para el cuarto trimestre de ventas de
una empresa considerando los datos de ventas reales de
los últimos 21 meses Si se utiliza métodos de
suavizamiento utilizar alfa = 0.3, Beta = 0.3, Gama =
0.3
Año Mes Ventas 2001 Ene 275
2000 Ene 300 2001 Feb 375
2000 Feb 400 2001 Mar 350
2000 Mar 425 2001 Abr 425
2000 Abr 450 2001 May 400
2000 May 400 2001 Jun 350
2000 Jun 460 2001 Jul 275
2000 Jul 400 2001 Ago 350
2000 Ago 300 2001 Sep 375
2000 Sep 375
2000 Oct 500
2000 Nov 550
2000 Dic 500
69
Ejercicio 2
Period Forecast
22 409.229
23 403.609
24 387.989
70
MODELOS CAUSALES
Regresión lineal y múltiple
71
Modelos de regresión lineal
Seasume que una variable dependiente Y depende de
otra variable independiente X, tal como ventas y
cantidad de lluvia
72
Regresión lineal
http://serc.carleton.edu/introgeo/teachingwdata/S
tatRegression.html
73
Modelos de regresión múltiple
Seasume que una variable dependiente Y depende de
otras variable independiente X’s, tal como ventas
depende de la publicidad, ingreso, etc.
74
Ejemplo de Regresión múltiple
No se sabe si los precios o la publicidad
influyen más en las ventas de la empresa
para analizar lo anterior se toman las
ventas reales en millares de 12 años con
sus correspondientes datos de
precios/unidad y publicidad en ($000)
75
Regresión múltiple
Año Ventas Precio Publicidad
1990 400 280 600
1991 700 215 835
1992 900 211 1100
1993 1300 210 1400
1994 1150 215 1200
1995 1200 200 1300
1996 900 225 900
1997 1100 207 1100
1998 980 220 700
1999 1234 211 900
2000 925 227 700
2001 800 245 690
76
Regresión múltiple
a) Ecuación de regresión
Ventas = 2191 - 6.91 Precio + 0.325 Publicidad
77
Regresión múltiple
d) Obtener la gráfica de regresión lineal entre Ventas y
precio
Fitted Line Plot
Ventas = 3129 - 9.737 Precio
S 152.777
1300
R-Sq 67.5%
1200 R-Sq(adj) 64.3%
1100
1000
Ventas
900
800
700
600
500
400
190 200 210 220 230 240 250 260 270 280
Precio
78
Regresión múltiple
d) Obtener la gráfica de regresión lineal entre Ventas y
publicidad
79
I. Cualitativas Subjetivas: de Raíz de Pasto “Grass Roots” Deriva un pronóstico reuniendo información de las personas
juicio. Basadas en que están en un extremo de la jerarquía y que se ocupan de
estimados y aquello que se pronosticará.
opiniones. Investigación de Mercado Reúne datos por distintos medios (encuestas, entrevistas, etc.)
a efecto de comprobar hipótesis sobre el mercado.
Consenso de jurado Intercambio franco y libre de juntas.
Analogía histórica Relaciona lo que se pronostica con un elemento similar.
Método Delphi Un grupo de expertos contesta un cuestionario. Un moderador
compila los resultados y prepara otro cuestionario que
también le presenta al grupo.
I. Análisis de Se basa en la idea Promedio Móvil Simple Se obtiene el promedio de un periodo específico que contiene
Series de de que podemos una serie de datos dividiendo la suma de los valores de éstos
Tiempo usar la historia de entre el número de valores.
los hechos Promedio Móvil Ponderado Se ponderan puntos específicos, adjudicándoles mayor o
ocurridos para menor valor que a otros, según los aconseje la experiencia.
prever el futuro. Método de suavizamiento Se ponderan los puntos de datos recientes con un valor más
exponencial alto, y su peso va disminuyendo exponencialmente a medida
que los datos envejecen.
Análisis de Regresión Se adapta una línea recta los datos del pasado, normalmente
relacionando el valor de los datos con el tiempo.
Proyecciones de Tendencias Aplica una línea matemática de tendencias a los puntos de
datos y los proyecta al futuro.
I. Causales Trata de entender Análisis de Regresión Su base es que el pronóstico se deriva de otros hechos que han
el sistema básico ocurrido.
en torno al Modelos Econométricos Tratan de describir algún sector de la economía mediante una
elemento que será serie de ecuaciones interdependientes.
pronosticado. Modelos de Insumos / Se concentran en las ventas que cada industria hace a otras
Productos empresas y gobiernos.
Indicadores Líderes Representan estadísticas que se mueven en la misma dirección
que la serie que se está pronosticando, pero que se mueven
antes que la serie.
80
Índices estacionales
Un factor estacional es la cantidad de corrección que
necesita una serie de tiempo para ajustarse a la estación
de año
81
Índices estacionales
82
Índices estacionales
83