Pronsticos

1.1. Necesidad de pronosticar

Entorno altamente incierto La intuicin no necesariamente da los mejores resultados Mejorar la planeacin Competitividad y cambio

1.2. Tipos de pronsticos

Por su plazo: Segn el entorno a pronosticar Segn el procedimiento empleado y De corto plazo y De largo plazo y Micro y Macro y Cualitativo y Cuantitativo

1.3. Pasos de la elaboracin de pronsticos

1. Recopilacin de datos 2. Reduccin o condensacin de datos 3. Construccin del modelo 4. Extrapolacin del modelo

2. Exploracin de patrones de datos

Se requieren suficientes datos histricos Se apoyan en la suposicin de que el pasado puede extenderse hacia el futuro

Las tcnicas cuantitativas pueden ser:

Estadsticas Se enfocan en patrones y en cambios en los patrones y sus perturbaciones

Determinsticas Son de tipo causal, establecen relacin entre la variable a pronosticar y otras variables

Con relacin a las tcnicas cuantitativas estadsticas se presentan dos enfoques:

Los datos se pueden descomponer en componentes de tendencia, cclicos, estacionales y aleatorios. Modelos economtricos de series de tiempo y Box-Jenkins.

3. Componentes de series de tiempo:

Una serie de tiempo consta de datos que se renen, registran u observan sobre incrementos sucesivos de tiempo. Se requiere un enfoque sistemtico para analizarlas.

Descomposicin clsica de series de tiempo:

Componente Descripcin

Tendencia

Cclico Estacional Aleatorio

Es el componente de largo plazo que representa el crecimiento o disminucin en la serie sobre un periodo amplio. Es la fluctuacin en forma de onda alrededor de la tendencia. Es un patrn de cambio que se repite a s mismo ao tras ao. Mide la variabilidad de las series de tiempo despus de retirar los otros componentes.

 Las fuerzas que generan la serie se han estabilizado y el medio permanece relativamente sin cambios. Se puede lograr la estabilidad haciendo correcciones sencillas a factores como crecimiento de la poblacin o la inflacin. La serie se puede transformar en una serie estable. La serie es un conjunto de errores de pronstico, de una tcnica de pronstico que se considera adecuada.

de pronstico: Datos estacionarios

4. Seleccin de una tcnica de pronstico: Datos con tendencia

Productividad creciente y nueva tecnologa producen cambios. El incremento de la poblacin elevan la demanda por productos. El poder de compra se afecta por la inflacin. Aumenta la aceptacin en el mercado de un producto.

4. Seleccin de una tcnica de pronstico: Datos con estacionalidad

El clima influye en la variable de inters. El ao calendario influye en la variable.

4. Seleccin de una tcnica de pronstico: Series cclicas

El ciclo del negocio influye sobre la variable. Cambios en el gusto popular. Cambios en la poblacin. Cambios en el ciclo de vida del producto.

5. Medicin del error en el pronstico

Se compara la precisin de dos o ms tcnicas de pronstico. Se mide la confiabilidad de una tcnica de pronstico. Se busca la tcnica ptima.

5. Medicin del error en el pronstico

Periodo, t 1 2 3 4 5 6 7 8 9 Yt 58 54 60 55 62 62 65 63 70 Pronstico, Yt 58 54 60 55 62 62 65 63

5. Frmulas de medicin del error en el pronstico

Yt ! valor de una serie de tiempo en el periodo t Y ! valor del pronstico para Y
t t

Error del pronstico o residual : e ! Y Y

t t t

5. Frmulas de medicin del error en el pronstico

Desviacin absoluta
n

edia :

Y
DAM ! rror
t !1

 Yt

n edio cuadrado :

  Y Y
2 t t

MC !

t !1

5. Frmulas de medicin del error en el pronstico

Porcentaje de error medio absoluto :
n

Yt ! PE n Porcentaje medio de error :

t !1

Yt  Yt

  Y Y
n t

P E !

t !1

Yt n

6. Modelos de series de tiempo 6.1. Modelos no formales:

Estas tcnicas suponen que los periodos recientes son los mejores para pronosticar el futuro. El mtodo ms sencillo es el mtodo del ltimo valor: Pronstico = ltimo valor

6.1. Mtodo del ltimo valor

t 1 2 3 4 5 6 Yt 42 52 54 65 51 64 Yt+1 42 52 54 65 51 et 10 2 11 -14 13

6.2. Metodos de promedio

Promedios simples: Se obtiene la media de todos los valores pertinentes, la cual se emplea para pronosticar el periodo siguiente.

Promedios simples:
t 1 2 3 4 5 6 Yt 42 52 54 65 51 64 Yt+1 42 47.00 49.33 53.25 52.80

Promedios mviles:
Este mtodo no considera la media de todos los datos, sino solo los ms recientes. Se puede calcular un promedio mvil de n periodos. El promedio mvil es la media aritmtica de los n periodos ms recientes.

Promedios mviles:
t 1 2 3 4 5 6 Yt 42 52 54 65 51 64 promedio mvil n=3 n=4

49.33 57.00 56.67

53.25 55.5

6.3. Metodos de suavizamiento exponencial

El mtodo de suavizamiento exponencial puede dar una ponderacin mayor a las observaciones ms recientes. Las ponderaciones se asigna mediante la constante E, 0 < E < 1. El modelo se expresa como:
pronstico = E (ltimo valor) + (1 - E)(ltimo pronstico)

6.3. Metodos de suavizamiento exponencial

t 1 2 3 4 5 6 Yt 42 52 54 65 51 64 E=0.1 42 43.00 44.10 46.19 46.67 E=0.5 42 47.00 50.50 57.75 54.38

6.4. Descomposicin de series de tiempo

Las tendencias son movimientos a largo plazo en una serie de datos a lo largo del tiempo. La tendencia puede ser descrita por una recta o por una curva. Las tendencias se dan por varias causas: cambios en la poblacin, cambios en la productividad, cambios tecnolgicos, etc. En este tipo de anlisis la variable independiente es el tiempo.

6.4.1. Tendencia lineal

El mtodo ms empleado para describir una tendencia lineal es el de mnimos cuadrados, para encontrar una lnea de mejor ajuste para un conjunto de puntos.

Y = a + bX
Y = valor pronosticado en un periodo X a = valor de la tendencia cuando X = 0 b = pendiente de la recta de tendencia X = periodo (codificado)

6.4.1. Tendencia lineal: ejemplo

Ao 1994 1995 1996 1997 1998 1999 2000 2001 Periodo X 1 2 3 4 5 6 7 8 Demanda (Y) 35 42 48 51 54 60 71 75

6.4.1. Tendencia lineal: ejemplo

80 75 70 65 60 55 50 45 40 35 30 1994

1995

1996

1997

1998

1999

000

2001

6.4.1. Tendencia lineal: ejemplo

X 1 2 3 4 5 6 7 8 Sumas Y 35 42 48 51 54 60 71 75 XY X

6.4.1. Tendencia lineal: frmulas

b! n xy  x y n x   x
2 2

y bx a!
n n

6.4.1. Tendencia lineal

t
1 2 3 4 5 6 7 8 9

Yt
35 42 48 51 54 60 71 75

Yt

et

6.4.1. Tendencia lineal

Se puede calcular el coeficiente de determinacin, a fin de evaluar qu tan correcta es la estimacin de la recta de regresin. El coeficiente de determinacin r se calcula como:

?n xy  x y A ! ? x   x An y   y A ? n
2 2 2 2 2

6.4.1. Tendencia lineal

Tambin es posible calcular intervalos de confianza para la estimacin. Para ello es necesario calcular el error estndar de la estimacin.

Se !

 a y  b xy n2

6.4.1. Tendencia lineal

Nivel de confianza 68% 95% 99% Z 1 2 3 Frmula y Se y 2Se y 3Se

7. Aplicacin de varios mtodos a datos desestacionalizados

Los datos muestran alguna tendencia creciente a lo largo del tiempo, adems de una marcada estacionalidad. Se proceder a desestacionalizar los datos, lo que permite observar hasta donde las variaciones se deben a efectos estacionales o bien, a otros factores. El proceso de ajuste estacional se realizar a travs del clculo de factores estacionales: Factor estacional = Prom. periodo / prom. global

Ao

Trim.

Yt

1 2 3 4 1 2 3 4 1 2 3 4

13618 12930 13138 16532 14514 14128 15568 17448 13984 13644 15898 19300

7. Aplicacin de varios mtodos a datos desestacionalizados

19 1 17 16 1 14 1 1 11 1 1 4 1 Tr im e s tr e s 4 1 4

7. Aplicacin de varios mtodos a datos desestacionalizados

T 1 2 3 4 1 13618 12930 13138 16532 Ao 2 14514 14128 15568 17448 3 13984 13644 15898 19300 Suma 42116 40702 44604 53280 Total Prom. Factor Prom Estac. 10529 0.9323 10175 0.9010 11151 0.9873 13320 1.1794 45175.50 11293.88

Ao

Trim.

Yt

Yt ajust.

1 2 3 4 1 2 3 4 1 2 3 4

13618.00 12930.00 13138.00 16532.00 14514.00 14128.00 15568.00 17448.00 13984.00 13644.00 15898.00 19300.00

14607.27 14351.12 13306.33 14017.29 15568.36 15680.79 15767.47 14793.96 14999.86 15143.59 16101.70 16364.25

7. Aplicacin de varios mtodos a datos desestacionalizados

Se aplican varios mtodos de pronstico para finalmente seleccionar el mejor pronstico. A. Mtodo de pronstico del ltimo valor B. Promedios mviles C. Suavizamiento exponencial D. Suavizamiento exponencial con tendencia

Otros mtodos:
Modelos de tendencia con ajuste estacional Modelo de promedios mviles integrados autorregresivos (ARIMA o Box-Jenkins) Pronsticos causales (modelos economtricos) Mtodos de pronsticos subjetivos