Documentos de Académico
Documentos de Profesional
Documentos de Cultura
E L E M E N T O S
Introducción
PRODUCTO ACTUAL (HISTORIA) PRODUCTO NUEVO (SIN HISTORIA)
incertidumbre y factores.
consumidores, experimentos, opinión de
• Paneles de expertos
expertos. • Delphi
• Escenarios de planificación, …
MÉTODOS DE PRONÓSTICO o Forecast
Con base en datos históricos.
1. Los pronósticos realizados con series de tiempo utilizan sólo la historia de la serie ,
2. Los modelos de regresión incorporan el historial de otras series. La regresión predice un fenómeno (la variable
dependiente) con base en la evolución de uno o más fenómenos distintos (las variables independientes).
En los pronósticos con series de tiempo, el objetivo es encontrar patrones predecibles y repetibles en los datos
pasados. Con base en el patrón que se identifique, pueden usarse varios métodos.
FUNCIONALES I N N O VA D O R E S
• Series de tiempo
• Regresión
ELEMENTOS DE LA DEMANDA
Los factores críticos son más difíciles de determinar porque en muchas ocasiones no se incluye el
tiempo al análisis o se desconoce su efecto o no se toma en cuenta la causa del ciclo. La influencia
cíclica sobre la demanda puede provenir de eventos tales como elecciones políticas, guerras,
condiciones económicas o presiones sociológicas.
Las variaciones aleatorias son provocadas por eventos fortuitos. Al restar todas las causas
conocidas de la demanda (como el promedio, la tendencia, la estacionalidad, el ciclo y la
autocorrelación) lo que queda es la parte sin explicar de la demanda. Si no se puede identificar la
causa de este resto, se supone que es aleatoria, desde este resultado se puede concluir que los
elementos anteriores explican la variación de la demanda.
Ejemplo, usando regresión
El problema con este estilo abierto es que los empleados de niveles inferiores se sienten
intimidados por los niveles más altos de la gerencia. Por ejemplo, un vendedor en una línea
de productos en particular puede tener un buen estimado de la demanda futura de un
producto, pero quizá no se exprese para refutar un estimado muy diferente dado por el
vicepresidente de marketing.
Técnica Delphi
• La técnica de Delfos se desarrolló para tratar de corregir este impedimento del intercambio libre. En
grupo de consensos una afirmación u opinión de una persona de un nivel superior es probable que
pese más que la de una persona de nivel inferior. El peor de los casos se presenta cuando la gente de
nivel inferior se siente amenazada y no contribuye con lo que realmente cree. Para evitar este
problema, el método de Delphi oculta la identidad de los individuos que participan en el estudio.
Todos tienen el mismo peso. En cuanto al procedimiento, un moderador crea un cuestionario y lo
distribuye entre los participantes. Sus respuestas se suman y se entregan a todo el grupo con un
nuevo grupo de preguntas.
Por lo regular, la técnica de Delphi puede lograr resultados satisfactorios en tres rondas. El tiempo
requerido es una función del número de participantes, la cantidad de trabajo para que desarrollen sus
pronósticos y su velocidad para responder.
Técnica Delphi desde 1950
Rand Corporation desarrolló el método de Delphi en la década de 1950. El procedimiento paso a paso es:
1. Elegir los expertos a participar. Debe haber gran variedad de personas con conocimientos en distintas
áreas.
2. Por medio de un cuestionario (o correo electrónico) obtener las proyecciones (y cualquier premisa o
calificación para el pronóstico) de todos los participantes.
3. Resumir los resultados y redistribuirlos entre los participantes con las preguntas nuevas apropiadas.
4. Volver a resumir, refinar las proyecciones y condiciones, y una vez más plantear preguntas nuevas.
5. Repetir el paso 4, si es necesario. Distribuir los resultados finales entre todos los participantes.
Analogía histórica
El más común de estos modelos es el lineal en las variables X’s. Esto es,
• La experiencia y las pruebas son las formas más sencillas de elegir las
ponderaciones. Por regla general, el pasado más reciente es el indicador más
importante de lo que se espera en el futuro y, por lo tanto, debe tener una
ponderación más alta. Las ventas o la producción de la planta de la semana
pasada serían un mejor estimado para la semana próxima que las ventas o la
producción de la planta de hace varias semanas atrás. No obstante, si los datos
son estacionales, por ejemplo, las ponderaciones se deben establecer en forma
correspondiente. Las ventas de trajes de baño en diciembre del año pasado
deben tener una ponderación más alta que las ventas de trajes de baño en julio.
Serie de Tiempos
4. Aleatoriedad. Una serie aleatoria pura es aquella en la que no existe un patrón reconocible para
los datos. Los datos pueden generarse de una forma que, aun siendo puramente aleatoria, muchas
veces aparenta tener una estructura. Un ejemplo sería la metodología de tabuladores del mercado
de valores que impone formas de patrones aleatorios en los datos de precios del mercado. Del otro
lado de la moneda, los datos que parecen ser aleatorios pueden tener una estructura definitiva. Los
datos verdaderamente aleatorios que fluctúan en torno a una media fija forman lo que se conoce
como patrón horizontal.
Ejercicio Pronóstico, Ft
Demanda, Dt (Promedio
MES simple x 3)
Enero 200
Febrero 230
Marzo 260
Abril 180 230,0
Mayo 270 223,3
Junio 240 236,7
Julio 250 230,0
Agosto 300 253,3
Septiembre 320 263,3
Octubre 350 290,0
Noviembre 240 323,3
Diciembre 210 303,3
Enero 266,7
Febrero 238,9
Gráficos
Evaluación de los pronósticos
Ponderaciones del pasado
La razón por la que se llama suavización exponencial es que cada incremento en el
pasado se reduce (1 − ). Por ejemplo, si es 0.05, las ponderaciones para los
distintos periodos serían las siguientes
(1- )0
Ejercicio: alfa=0,50
Demanda, Pronóstico, Ft
MES Dt alfa=0,50
Enero 200
Febrero 230 200,0
Marzo 260 215,0
Abril 180 237,5
Mayo 270 208,8
Junio 240 239,4
Julio 250 239,7
Agosto 300 244,8
Septiembre 320 272,4
Octubre 350 296,2
Noviembre 240 323,1
Diciembre 210 281,6
Enero 245,8
Febrero 263,7
Por lo tanto, los exponentes 0, 1, 2, 3,…, etc. le dan su nombre. La suavización exponencial
es la más utilizada de las técnicas de pronóstico. Se usa con mucha frecuencia al ordenar el
inventario en las empresas minoristas, las compañías mayoristas y las agencias de servicios.
Las técnicas de suavización exponencial se han aceptado en forma generalizada por seis
razones principales:
1. Los modelos exponenciales son sorprendentemente precisos.
2. Formular un modelo exponencial es relativamente fácil.
3. El usuario puede entender cómo funciona el modelo.
4. Se requieren muy pocos cálculos para utilizar el modelo.
5. Los requerimientos de almacenamiento en la computadora son bajos debido al uso
limitado de datos históricos.
6. Es fácil calcular las pruebas de precisión relacionadas con el desempeño del modelo.
Efectos de la tendencia en la suavización
exponencial
Una tendencia hacia arriba o hacia abajo en los datos recopilados durante una
secuencia de periodos hace que el pronóstico exponencial se quede por debajo o atrás
de la ocurrencia real. Los pronósticos suavizados exponencialmente se pueden
corregir agregando un ajuste a las tendencias. Para corregir la tendencia, se necesitan
dos constantes de suavización. Además de la constante de suavización , la ecuación
de la tendencia utiliza una constante . La Beta reduce el impacto del error que
ocurre entre la realidad y el pronóstico. Si no se incluyen ni alfa ni Beta, la tendencia
reacciona en forma exagerada ante los errores.
3) Efectos de la tendencia: Método de Holt
Esto es, un pronóstico realizado en junio para las ventas de julio es el mismo que el pronóstico en junio para
las ventas de diciembre. (En el caso de un minorista, el supuesto de “estacionario” probablemente esté
equivocado, porque es factible que las ventas de diciembre sean mayores que las de un mes normal. Eso
sugiere que dichos métodos pueden no ser apropiados en este caso.)
Nota:
= = Pronóstico
Las constantes de suavizamiento pueden ser las mismas, pero para la mayoría de las
aplicaciones se da mayor estabilidad al estimado de la pendiente (lo que implica que
).
Ejercicio Método Holt
Los datos trimestrales para las fallas de ciertos motores de aeronaves en una
base local militar durante los pasados dos años se muestran en la tabla.
Determine los pronósticos de un paso adelante para los periodos 4 a 8
utilizando suavizamiento exponencial. Suponga que =0,4 y =0,1. Para
iniciar el método, los estimados iniciales tanto de la intercepción como de la
pendiente en el tiempo cero =200 y 10.
Alfa = 0,4 To = 10
Beta = 0,1 Fo=200
3. Explique el procedimiento para crear un pronóstico usando el método de descomposición de la regresión por mínimos cuadrados.
4. ¿Qué estrategias se usan en supermercados, líneas aéreas, hospitales, bancos y cerealeras para influir en la demanda?
5. Todos los métodos de pronóstico que usan suavización exponencial, suavización adaptativa y suavización exponencial con
tendencia requieren valores iniciales para que funcionen las ecuaciones. ¿Cómo escogería el valor inicial?
6. De la elección de un promedio móvil simple, promedio móvil ponderado, suavización exponencial y análisis de regresión lineal,
qué técnicas de pronóstico le parecería más precisa? ¿Por qué?
8. ¿Cuáles son los principales problemas de la suavización exponencial adaptada para realizar pronósticos?
9. Comente las diferencias básicas entre la desviación absoluta media y la desviación estándar.
4) Métodos para series estacionales
t=1,2,3,4,5,..
En la práctica, son parámetros desconocidos, por lo que las predicciones deben basarse en
estimaciones de esos parámetros. Se utilizan los estimadores MCO que se calculan utilizando
datos históricos. En general, es la predicción de basada en la información hasta el periodo T.
En consecuencia, la predicción basada en el modelo AR(1) es la Ecuación es:
Autocorrelación
En datos de series temporales, el valor de Y en un periodo por lo general está correlacionado
con su valor en el periodo siguiente. La correlación de una serie con sus propios valores
retardados se denomina autocorrelación o correlación serial. La primera autocorrelación (o
coeficiente de autocorrelación) es la correlación entre , es decir, la correlación entre los
valores de Y en dos periodos adyacentes. La segunda autocorrelación es la correlación entre ,
y la autocorrelación j-ésima es la correlación entre .
Autocovarianza rezago j
La autocovarianza j-ésima es la covarianza entre .
FACP(k) = , k=1,…,T-1
Modelo Autoregresivo de orden p, AR(p)
El siguiente análisis se refiere a los métodos de series de tiempo. Defina D1, D2 , . . . , Dt, . . como los valores
de la demanda observados durante los periodos 1, 2, . . . , t. Asumiremos en todo momento que {Dt, t 1} es la
serie de tiempo que se pretende predecir. Aún más, supondremos que si estamos realizando un pronóstico en el
periodo t, entonces hemos observado Dt, Dt-1, . . . pero no hemos observado Dt+1.
Defina Ft como el pronóstico hecho para el periodo t desde el periodo t -1, hecho al final del periodo t -1
después de haber observado Dt-1, Dt-2, . . . , pero antes de observar Dt. Por lo tanto, estamos suponiendo que
todos los pronósticos son de un paso adelante; esto es, que están hechos para la demanda en el próximo
periodo.
Finalmente, observemos que se obtiene un pronóstico de la serie al aplicar un cierto conjunto de pesos a los
datos pasados, muy similar al suavizamiento exponencial.
Modelo Autoregresivo de orden p,
AR(p)
, t=1,……,n