Professional Documents
Culture Documents
2.1 INTRODUCCIN
Los pronsticos son predicciones de lo que puede suceder o esperar, son premisas o
suposiciones bsicas en que se basan la planeacin y la toma de decisiones.
Los modelos de pronsticos son tcnicas de la ciencia administrativa por varias razones:
muchos mtodos de pronsticos se apoyan en tcnicas matemticas complejas; el pronstico
se necesita como elemento de otros modelos y algunos pronsticos son una ayuda esencial en
la planeacin y solucin de problemas.
En realidad, los pronsticos no slo se utilizan como elemento de los modelos de solucin de
problemas mediante la ciencia administrativa, sino que establecen adems las premisas a partir
de las cuales se elaboran los planes y controles. Hacer pronsticos de la demanda es una de
las tareas ms importantes en el mercadeo de un producto o servicio. El pronstico debe
realizarse durante el proceso de planeacin y con l se determina las metas y objetivos de una
empresa en lo relacionado con ingreso, costos y utilidades estimadas.
A. Tenemos que los pronsticos son procesos crticos y continuos que se necesitan para
obtener buenos resultados durante la planificacin, de un proyecto. Si los clasificamos
respecto al tiempo que abarcan, se puede clasificar en:
1. Pronsticos a corto plazo: En las empresas modernas, este tipo de pronstico se efecta
cada mes o menos, y su tiempo de planeacin tiene vigencia de un ao. Se utiliza para
programas de abastecimiento, produccin, asignacin de mano de obra a las plantillas de
trabajadores, y planificacin de los departamentos de fabricacin.
2. Pronsticos a mediano plazo: Abarca un lapso de seis meses a tres aos. Este se utilizan
para estimar planes de ventas, produccin, flujos de efectivo y elaboracin de presupuestos.
B. Tenemos tambin segn el tipo de modelo, los cuantitativos y los cualitativos los que a la
vez se subdividen en el siguiente esquema:
Este mtodo depende de la experiencia y capacidad del analista para identificar, con su juicio
subjetivo, los patrones en los datos y hacer proyecciones basadas en esos patrones.
2.2.2.1 Introduccin
Mtodo para encontrar la mejor curva que coincida con un conjunto de datos,
minimizando la suma de los cuadrados de las diferencias entre los datos reales y los
datos predichos a partir de la curva.
Desde un punto de vista estadstico, un requisito implcito para que funcione el mtodo de
mnimos cuadrados es que los errores de cada medida estn distribuidos de forma aleatoria. El
teorema de GAUSS-MARKOV prueba que los estimadores mnimos cuadrticos carecen de sesgo
y que el muestreo de datos no tiene que ajustarse, por ejemplo, a una distribucin normal.
Tambin es importante que los datos a procesar estn bien escogidos, para que permitan
visibilidad en las variables que han de ser resueltas (para dar ms peso a un dato en particular,
vase mnimos cuadrados ponderados).
El estimador MCO es consistente cuando los REGRESORES son exgenos y no hay perfecta
MULTICOLINEALIDAD, y es ptimo en la clase de estimadores lineales cuando los errores son
HOMOSCEDSTICOS y no hay correlacin serial. En estas condiciones, el mtodo de MCO
proporciona la mnima varianza MEDIAINSESGADA estimada cuando los errores tienen varianzas
finitas.
Bajo la suposicin adicional de que los errores se distribuyen normalmente, el estimador MCO
es el de mxima verosimilitud. MCO se utiliza en economa (econometra) y la ingeniera elctrica
(teora de control y procesamiento de seales), entre muchas reas de aplicacin.
Hay varios diferentes marcos en los que el modelo de regresin lineal puede ser tratado con el
fin de hacer que la tcnica de MCO sea aplicable. Cada una de estas configuraciones produce
las mismas frmulas y los mismos resultados, la nica diferencia es la interpretacin y los
supuestos que han de imponerse a fin de que el mtodo pueda dar resultados significativos.
2.2.2.3 CURVA LINEAL. (MTODO DE LOS MNIMOS CUADRADOS - LNEA RECTA)
Una recta que mejor se ajusta es una lnea recta que es la mejor aproximacin del conjunto de
datos dado. Es usada para estudiar la naturaleza de la relacin entre dos variables. Una recta
que mejor se ajusta puede ser determinada aproximadamente usando el mtodo visual al dibujar
una lnea recta en una grfica de dispersin para que tanto el nmero de puntos arriba de la
recta y debajo de la recta sean casi iguales (y la lnea pasa a travs de tantos puntos como sea
posible). Una forma ms precisa de encontrar la recta que mejor se ajusta es el mtodo de
mnimos cuadrados.
Siempre que los datos sugieren una recta para su representacin, el mtodo de los
mnimos cuadrados podr ser utilizado para la elaboracin de un pronstico. Este
mtodo consta de la determinacin de la lnea recta que mejor se ajusta a los puntos,
es decir, la lnea recta es como sigue: Y = a + b. x Las ecuaciones que proporcionan
los valores de a y b para la recta de mnimos cuadrados, son las siguientes:
Y = a + b. x
2
a= =
2 ()2 2 ()2
La regresin examina la relacin entre dos variables, pero restringiendo una de ellas
con el objeto de estudiar las variaciones de una variable cuando la otra permanece
constante. En otras palabras, la regresin es un mtodo que se emplea para predecir el
valor de una variable en funcin de valores dados a la otra variable.
En todos los casos de regresin existe una dependencia funcional entre las variables.
En el caso de dos variables, siendo una de ellas (X) variable independiente y la otra (Y)
la dependiente, se habla de regresin de Y sobre X.
Por ejemplo, los ingenieros forestales utilizan la regresin de la altura de los rboles
sobre su dimetro, lo cual significa que midiendo el dimetro (variable independiente) y
reemplazando su valor en una relacin definida segn la clase de rbol se obtiene la
altura, y aun sin necesidad de clculos aprecian la altura utilizando grficas de la funcin
de dependencia, altura = funcin del dimetro. Cuando la curva de regresin de y sobre
x es exponencial, es decir para cualquier x considerada, la media de la distribucin est
dada por la siguiente ecuacin: Y= a. bX, log y = log a b x, Log y = log a + x log b,
.
= =
() ()
2.2.2.5 CURVA POTENCIAL
La regresin examina la relacin entre dos variables, pero restringiendo una de ellas con el
objeto de estudiar las variaciones de una variable cuando la otra permanece constante. En otras
palabras, la regresin es un mtodo que se emplea para predecir el valor de una variable en
funcin de valores dados a la otra variable.
En todos los casos de regresin existe una dependencia funcional entre las variables. En el
caso de dos variables, siendo una de ellas (X) variable independiente y la otra (Y) la
dependiente, se habla de regresin de Y sobre X.
Por ejemplo, los ingenieros forestales utilizan la regresin de la altura de los rboles sobre su
dimetro, lo cual significa que midiendo el dimetro (variable independiente) y reemplazando su
valor en una relacin definida segn la clase de rbol se obtiene la altura, y aun sin necesidad
de clculos aprecian la altura utilizando grficas de la funcin de dependencia, altura = funcin
del dimetro.
()2 ( )
Log a =[ ]
()2 ()2
()2 ( )
= [ ]
()2 ()2
( . ).
=
()2 ( )2
2.2.3.1 Introduccin.
La utilizacin de esta tcnica supone que la serie de tiempo es estable, esto es, que los datos
que la componen se generan sin variaciones importantes entre un dato y otro (error aleatorio =
0), esto es, que el comportamiento de los datos aunque muestren un crecimiento o un
decrecimiento lo hagan con una tendencia constante.
Cuando se usa el mtodo de promedios mviles se est suponiendo que todas las
observaciones de la serie de tiempo son igualmente importantes para la estimacin del
parmetro a pronosticar (en este caso los ingresos). De esta manera, se utiliza como pronstico
para el siguiente periodo el promedio de los n valores de los datos ms recientes de la serie
de tiempo.
El trmino mvil indica que conforme se tienen una nueva observacin de la serie de tiempo, se
reemplaza la observacin ms antigua de la ecuacin y se calcula un nuevo promedio. El
resultado es que el promedio se mover, esto es, conforme se tengan nuevos datos y se vayan
sustituyendo en la frmula, el valor del promedio ir modificndose.
PROMEDIO SIMPLE
Este mtodo consiste en atenuar los datos al obtener la media aritmtica de cierto nmero de
datos histricos para obtener con este el pronstico para el siguiente periodo. El nmero de
datos a tomar en cuenta para calcular el promedio es una decisin de la persona que realiza el
pronstico.
Este modelo solo es recomendable para series de tiempo que no presentan patrones de
tendencia, estacionalidad, o CICLISIDAD en los datos.
Este mtodo consiste en atenuar los datos al obtener la media aritmtica de cierto nmero de
datos histricos para obtener con este el pronstico para el siguiente periodo. El nmero de
datos a tomar en cuenta para calcular el promedio es una decisin de la persona que realiza el
pronstico.
Es lgico pensar que las ventas de un perodo dado pueda tomar un valor ms parecido a los
ms recientes que a los que han tomado mucho tiempo atrs. En estos casos es conveniente
utilizar mtodos de pronsticos que den mayor importancia a los datos ms recientes o que
tomen en cuenta los K ltimos datos, donde K=1, 2n.
+1+(1)
n, k = ,
K=Nmero de datos o trmino del promedio mvil.
DE OTRA FORMA
Existe una forma de ajustar el promedio, de tal manera ste siga ms de cerca las ventas
reales, y para esto se necesita determinar los promedios mviles dobles. Para el clculo
de un promedio doble simplemente se aplica dos veces seguidas el mtodo del
promedio mvil simple.
2
c) , = + ( ) + ( )
1
Existe una forma de ajustar el promedio, de tal manera ste siga ms de cerca las ventas
reales, y para esto se necesita determinar los promedios mviles dobles. Para el clculo
de un promedio doble simplemente se aplica dos veces seguidas el mtodo del
promedio mvil simple.
Ejemplo:
d) Se calcula la diferencia
2
f) , = + ( ) + ( )
1
Ya, n = promedio mvil ajustado (a = ajustado) del perodo n n: periodo
El promedio mvil ponderado o media mvil ponderada es una media multiplicada por ciertos
factores, que le dan determinado peso a determinados datos. La media mvil
ponderada (WEIGHTED MOVING AVERAGE) desarrolla y mejora las aplicaciones de la media
mvil simple. Se trata de la media aritmtica de los valores anteriores ponderados segn
diferentes criterios.
Este mtodo es otra forma de corregir el retraso del promedio mvil simple, utilizando mayores
pesos o ponderaciones para los valores ms recientes. Ejemplo, si el promedio mvil es de dos
trminos se podrn adoptar ponderaciones de 0.7 para el ltimo dato y 0.3 para el dato anterior.
Los pronsticos para el siguiente ejemplo que se analiza sera:
2005 108 - -
2006 119
2007 110
2008 122
2009 130
2010 - -
= 1 + ( 1),
Las dos primeras etapas que deben llevarse a cabo en la aplicacin del mtodo del
promedio ponderado exponencialmente, son la eleccin de la constante de atenuacin
y del nmero de perodos pasados a considerar. La constante est
generalmente entre 0.05 y 0.4.
EJEMPLO
D0 = 0 D1 D2 D3 D4
0, a la demanda
Utilizando un = 0.2 y tomando un promedio inicial, D0 =108. De
esta forma se puede calcular: 1
0 = D0 =108
0 2005 108
1 2006 119
2 2007 110
3 2008 122
4 2009 130
5 2010 _ _
Si se comparan los pronsticos con las ventas reales nos damos cuenta a lo inmediato
que aquellos tambin estn atrasados. Lo que se dice acerca del promedio mvil simple
tambin es vlido aqu: el promedio ponderado exponencialmente solamente es
adecuado cuando la tendencia de las ventas es ms o menos horizontal y las
variaciones son aleatorias.
La aplicacin de este mtodo es anloga al del mtodo del promedio mvil con ajuste
de tendencia. Hay que hacer lo siguiente:
)
a) Calcular el promedio ponderado exponencialmente simple (
Concepto de mtodo causal: Son los pronsticos basados en las causas que
determinan los acontecimientos. Los mtodos causales ms empleados son: el modelo
de correlacin, el economtrico y el anlisis de sensibilidad. Algunos mtodos de
pronstico asumen que es posible identificar los factores subyacentes que pueden tener
influencia sobre la variable a pronosticar.
Si las causas se entienden, se pueden hacer proyecciones de las variables que influyen,
para utilizarlas en la prediccin. Se basan en identificar y determinar cules son las
relaciones existentes entre la variable dependiente de inters a pronosticar y las
variables independientes que la determinan al ejercer su influencia sobre ella. Algunos
mtodos causales son:
Modelo ARIMA
Econometra
Cuando se considera que las ventas no dependen nicamente del variable tiempo, sino
tambin de otras variables, los mtodos de pronsticos se denominan causales. En los
mtodos causales se tienen que determinar cul es la ecuacin de la lnea que relaciona
la variable dependiente (demanda) con las variables independientes (de las cuales una
puede ser el tiempo). Se tendra lo siguiente:
D=Demanda=A.X1 + BX2+. K.X n, donde X1, X2, son variables independientes (una
de ellas podr ser el tiempo). A, B, son constantes. En algunos casos podrn
determinarse ecuaciones ms complicadas que inclusive no sean lineales. Para la
determinacin de las ecuaciones podemos utilizar el mtodo de mnimos cuadrados en
los casos ms sencillos, y tcnicas matemticas ms sofisticadas en los casos ms
complicados.
Suponer que la demanda total de madera en Nicaragua depende nicamente de la
inversin en el sector construccin y que se dispone de la siguiente informacin:
AO INVERSION X Y X2 XY
274 . 39426
= = = 91.33 =
2
= = 0.0571
3 690367
Suponer que las ventas trimestrales de los trimestrales de los aos 2005, 2006, 2007,
2008, 2009 fueron las que se muestran en el siguiente cuadro.
AO T1 T2 T3 T4 ANUAL
2005 19 37 30 22 108
2006 28 42 31 18 119
2007 27 36 28 19 110
2008 30 43 29 20 122
2009 32 44 32 22 130
TOTAL 136 202 150 101 589
PORCENTAJE (%) 23.1 34.3 25.5 17.1 100
IE = INDICES ESTACIONALES 136/589 = 23% 202/589 = 34.3% 150/589 = 25.5% 101/589 = 34.3%
Los porcentajes 23.1%, 34.44, 25.5%, y 17.1% son llamados ndices estacionales y
solamente tiene sentido calcularlos cuando existe alguna estacionalidad en los datos.
Este mtodo puede ser aplicado siempre que tengamos un pronstico anual, no
importando el mtodo que fue utilizado para obtenerlo, y puede utilizarse para la
elaboracin de pronsticos semanales, mensuales, trimestrales, semestrales, etc.
Cuando al final de cada mes, trimestre, se elabora pronstico para el mes siguiente, el
trimestre siguiente, se dir que se est elaborando pronsticos mensuales, trimestrales
respectivamente. Estos pronsticos pueden ser con o sin estacionalidad. Aplicar el
mtodo del promedio mvil simple de tres (3) trminos. Los pronsticos de
estacionalidad se muestran en la cuarta (4) columna del cuadro.
PRONOSTICO
PRONOSTICO PMSCE INDICE
AO TRIMESTRE VENTAS PMSSE ERROR PROMEDIO MOVIL ERROR ESTACIONA
PROMEDIO MOVIL NORMAL SIMPLE ABSOLUTO L
SIMPLE SIN CON ESTACIONALIDAD
ESTACIONALIDAD
T1 19 - - - - -
T2 37 - - - - -
2005 T3 30 - - - - -
T4 22 28.7 6.7 - - -
T1 28 29.7 1.7 - - -
T2 42 26.7 -15.3 - - -
2006 T3 31 30.7 -0.3 - - -
T4 18 33.7 15.7 27.0 9.0 6.7
T1 27 30.3 3.3 28.6 1.6 1.7
T2 36 25.3 -10.7 40.6 4.6 -15.3
2007 T3 28 27.0 -1.0 27.3 0.7 -0.3
T4 19 30.3 11.3 19.1 0.1 11.2
T1 30 27.7 -2.3 25.2 4.8 2.5
T2 43 25.7 -17.3 38.7 4.3 -13.0
2008 T3 29 30.7 1.7 31.3 2.3 -0.6
T4 20 34.0 14.0 22.8 2.8 11.2
T1 32 30.7 -1.3 29.8 2.2 0.9
T2 44 27.0 -17.0 41.4 2.6 -14.4
2009 T3 32 32.0 - 31.9 0.1 0.1
T4 22 36.0 14.0 24.1 2.1 11.9
7.8 2.9
ERROR MEDIO ABSOLUTO
T1 29
T2 70
2006
T3 47
T4 54
T1 34
2007 T2 81
T3 47
T4 51
T1 32
2008 T2 75
T3 55
T4 56
T1 40
2009 T2 86
T3 50
T4 59
T1 36
2010 T2 90
T3 55
T4 63
IE = PMSSE PMSCE =
I
INDICE DE ESTACIONALIDAD : I E = PMSSE PMSCE =
IE = PMSSE PMSCE =
Es importante utilizar una medida de estimacin del desempeo (estimacin del error) comn,
y no utilizar medidas propias, ya que en general las medidas propias hacen que se pierda
objetividad en el anlisis. Hay algo muy importante que tiene que tener las medidas del
desempeo en los pronsticos, que tanto midan cuando el pronstico fue mayor que el valor
real y viceversa, miremos los errores comunes en las empresas cuanto hacen la estimacin del
error de pronstico de ventas:
Solo cuentan el error cuando el pronstico es mayor a la venta real, ya que lo que les importa
a ellos es la venta perdida.
Solo cuentan el error cuando el pronstico es menor a la venta real, ya que lo que les importa
es no tener mucho inventario.
CALCULO DE ERRORES
El Error del pronstico mide la precisin del modelo de pronstico que se ha usado,
comparando los valores pronosticados con los valores reales u observados. Si F t
denota el pronstico en el periodo t, y A t denota la demanda real del periodo t, el error
de pronstico (o desviacin) se define como: Error del Pronstico = demanda real valor
pronosticado = A t - F t o bien Error del pronstico = Y t Y t
Medidas para calcular el Error Global del pronstico Desviacin Absoluta Media (MAD):
Su valor se calcula sumando los valores absolutos de los errores individuales del
pronstico y dividiendo entre el nmero de periodos de datos (n) MAD = Real -
Pronstico n.
Es importante utilizar una medida de estimacin del desempeo (estimacin del error)
comn, y no utilizar medidas propias, ya que en general las medidas propias hacen que
se pierda objetividad en el anlisis. Hay algo muy importante que tiene que tener las
medidas del desempeo en los pronsticos, que tanto midan cuando el pronstico fue
mayor que el valor real y viceversa, miremos los errores comunes en las empresas
cuanto hacen la estimacin del error de pronstico de ventas:
Solo cuentan el error cuando el pronstico es mayor a la venta real, ya que lo que les
importa a ellos es la venta perdida.
Solo cuentan el error cuando el pronstico es menor a la venta real, ya que lo que les
importa es no tener mucho inventario.
ERROR (et) =DEMANDA (Y t) - PRONOSTICOS (Y' t). ENCONTRAR LOS SIGUIENTES DATOS: DAM, EMC, PEMA, PME.
PORCENTAJE DEL ERROR MEDIO ABSOLUTO (%) PORCENTAJE MEDIO DE ERROR (%)
DESVIACION MEDIA ABSOLUTA ERROR MEDIO CUADRADO (EMC)
PORCENTAJE DEL ERROR MEDIO ABSOLUTO (%) PORCENTAJE MEDIO DE ERROR (%)