Pronsticos

Saltar a la primera
pgina

1.1. Necesidad de pronosticar

Entorno altamente incierto

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

Saltar a la primera
pgina

1.2. Tipos de pronsticos

Por su plazo:

De corto plazo
De Mediano plazo
De largo plazo

Segn el entorno
a pronosticar

Micro
Macro

Segn el
procedimiento
empleado

Cualitativo
Cuantitativo
Saltar a la primera
pgina

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

Saltar a la primera
pgina

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
Saltar a la primera
pgina

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
Saltar a la primera
pgina

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.
Saltar a la primera
pgina

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.
Saltar a la primera
pgina

Descomposicin clsica de series de

tiempo:
Componente Descripcin

Tendencia

Es el componente de largo plazo que

representa el crecimiento o disminucin
en la serie sobre un periodo amplio.

Cclico

Es la fluctuacin en forma de onda

alrededor de la tendencia.

Estacional

Es un patrn de cambio que se repite a

s mismo ao tras ao.

Aleatorio

Mide la variabilidad de las series de

tiempo despus de retirar los otros
componentes.
Saltar a la primera
pgina

4. Seleccin de una tcnica de

pronstico: Datos estacionarios

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.
Saltar a la primera
pgina

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.
Saltar a la primera
pgina

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.

Saltar a la primera
pgina

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.
Saltar a la primera
pgina

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.
Saltar a la primera
pgina

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
63Saltar a la primera
pgina

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

Error del pronstico o residual :

e Y Y
t

Saltar a la primera
pgina

5. Frmulas de medicin del error

en el pronstico
Desviacin absoluta media :
n

DAM

Y Y
t

t 1

n
Error medio cuadrado :

EMC

t 1

Yt Yt

n
Saltar a la primera
pgina

5. Frmulas de medicin del error

en el pronstico
Porcentaje de error medio absoluto :
n

Yt Yt

Yt
PEMA
n
Porcentaje medio de error :
t 1

Y Y

PME

t 1

Yt
n

Saltar a la primera
pgina

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
Saltar a la primera
pgina

6.1. Mtodo del ltimo valor

t
1
2
3
4
5
6

Yt
42
52
54
65
51
64

Yt+1

et

42
52
54
65
51

10
2
11
-14
13

Saltar a la primera
pgina

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.

Saltar a la primera
pgina

Promedios simples:
t

Yt

Yt+1

1
2

42
52

42

54

47.00

65

49.33

51

53.25

64

52.80
Saltar a la primera
pgina

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.
Saltar a la primera
pgina

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
Saltar a la primera
pgina

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 , 0 < < 1.
El modelo se expresa como:
pronstico = (ltimo valor) + (1 - )(ltimo
pronstico)
Saltar a la primera
pgina

6.3. Metodos de suavizamiento

exponencial
t
1
2
3
4
5
6

Yt
42
52
54
65
51
64

=0.1

=0.5

42
43.00
44.10
46.19
46.67

42
47.00
50.50
57.75
54.38

Saltar a la primera
pgina

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.
Saltar a la primera
pgina

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)
Saltar a la primera
pgina

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
Saltar a la primera
pgina

6.4.1. Tendencia lineal: ejemplo

Saltar a la primera
pgina

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

Saltar a la primera
pgina

6.4.1. Tendencia lineal: frmulas

b

n xy x y
n x x
2

y
x

a
b
n

Saltar a la primera
pgina

6.4.1. Tendencia lineal

t

Yt

1
2
3
4
5
6
7
8
9

35
42
48
51
54
60
71
75

Yt

et

Saltar a la primera
pgina

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

n x x n y y
2

Saltar a la primera
pgina

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
Saltar a la primera
pgina

6.4.1. Tendencia lineal

Nivel de
confianza
68%

Frmula

y Se

95%

y 2Se

99%

y 3Se
Saltar a la primera
pgina

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

Saltar a la primera
pgina

Ao

Trim.

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

Yt

13618
12930
13138
16532
14514
14128
15568
17448
13984
13644
15898
Saltar a la primera
19300pgina

7. Aplicacin de varios mtodos a

datos desestacionalizados
20000
19000
18000
17000
16000
15000
14000
13000
12000
11000
10000
1

Trim estres

Saltar a la primera
pgina

7. Aplicacin de varios mtodos a

datos desestacionalizados
1
T
1
2
3
4

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
Saltar a la primera
pgina

Ao

Trim.

Yt

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

Yt ajust.

14607.27
14351.12
13306.33
14017.29
15568.36
15680.79
15767.47
14793.96
14999.86
15143.59
16101.70
Saltar a la primera
pgina
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

Saltar a la primera
pgina

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

Saltar a la primera
pgina