Download
1 / 43
450 likes | 669 Views
Pronósticos. 1.1. Necesidad de pronosticar. Entorno altamente incierto La intuición no necesariamente da los mejores resultados Mejorar la planeación Competitividad y cambio. 1.2. Tipos de pronósticos. 1.3. Pasos de la elaboración de pronósticos. 1. Recopilación de datos
E N D
1.1. Necesidad de pronosticar • Entorno altamente incierto • La intuición no necesariamente da los mejores resultados • Mejorar la planeación • Competitividad y cambio
1.3. Pasos de la elaboración de pronósticos • 1. Recopilación de datos • 2. Reducción o condensación de datos • 3. Construcción del modelo • 4. Extrapolación del modelo
2. Exploración de patrones de datos • Se requieren suficientes datos históricos • Se apoyan en la suposición de que el pasado puede extenderse hacia el futuro
Con relación a las técnicas cuantitativas estadísticas se presentan dos enfoques: • Los datos se pueden descomponer en componentes de tendencia, cíclicos, estacionales y aleatorios. • Modelos econométricos de series de tiempo y Box-Jenkins.
3. Componentes de series de tiempo: • Una serie de tiempo consta de datos que se reúnen, registran u observan sobre incrementos sucesivos de tiempo. • Se requiere un enfoque sistemático para analizarlas.
4. Selección de una técnica de pronóstico: Datos estacionarios • Las fuerzas que generan la serie se han estabi-lizado y el medio permanece relativamente sin cambios. • Se puede lograr la estabilidad haciendo correcciones sencillas a factores como crecimiento de la población o la inflación. • La serie se puede transformar en una serie estable. • La serie es un conjunto de errores de pronóstico, de una técnica de pronóstico que se considera adecuada.
4. Selección de una técnica de pronóstico: Datos con tendencia • Productividad creciente y nueva tecnología producen cambios. • El incremento de la población elevan la demanda por productos. • El poder de compra se afecta por la inflación. • Aumenta la aceptación en el mercado de un producto.
4. Selección de una técnica de pronóstico: Datos con estacionalidad • El clima influye en la variable de interés. • El año calendario influye en la variable.
4. Selección de una técnica de pronóstico: Series cíclicas • El ciclo del negocio influye sobre la variable. • Cambios en el gusto popular. • Cambios en la población. • Cambios en el ciclo de vida del producto.
5. Medición del error en el pronóstico • Se compara la precisión de dos o más técnicas de pronóstico. • Se mide la confiabilidad de una técnica de pronóstico. • Se busca la técnica óptima.
6. Modelos de series de tiempo6.1. Modelos no formales: • Estas técnicas suponen que los periodos recientes son los mejores para pronosticar el futuro. • El método más sencillo es el método del último valor: Pronóstico = último valor
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 móviles: • Este método no considera la media de todos los datos, sino solo los más recientes. • Se puede calcular un promedio móvil de n periodos. • El promedio móvil es la media aritmética de los n periodos más recientes.
6.3. Metodos de suavizamiento exponencial • El método de suavizamiento exponencial puede dar una ponderación mayor a las observaciones más recientes. • Las ponderaciones se asigna mediante la constante , 0 < < 1. • El modelo se expresa como: pronóstico = (último valor) + (1 - )(último pronóstico)
6.4. Descomposición 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 población, cambios en la productividad, cambios tecnológicos, etc. • En este tipo de análisis la variable independiente es el tiempo.
6.4.1. Tendencia lineal • El método más empleado para describir una tendencia lineal es el de mínimos cuadrados, para encontrar una línea 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 • Se puede calcular el coeficiente de determinación, a fin de evaluar qué tan correcta es la estimación de la recta de regresión. • El coeficiente de determinación r² se calcula como:
6.4.1. Tendencia lineal • También es posible calcular intervalos de confianza para la estimación. Para ello es necesario calcular el error estándar de la estimación.
7. Aplicación de varios métodos a datos desestacionalizados • Los datos muestran alguna tendencia creciente a lo largo del tiempo, además de una marcada estacionalidad. Se procederá 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 realizará a través del cálculo de factores estacionales: Factor estacional = Prom. periodo / prom. global
7. Aplicación de varios métodos a datos desestacionalizados
7. Aplicación de varios métodos a datos desestacionalizados
7. Aplicación de varios métodos a datos desestacionalizados • Se aplican varios métodos de pronóstico para finalmente seleccionar el mejor pronóstico. • A. Método de pronóstico del último valor • B. Promedios móviles • C. Suavizamiento exponencial • D. Suavizamiento exponencial con tendencia
Otros métodos: • Modelos de tendencia con ajuste estacional • Modelo de promedios móviles integrados autorregresivos (ARIMA o Box-Jenkins) • Pronósticos causales (modelos econométricos) • Métodos de pronósticos subjetivos
