Modelos de Pronosticos

...

Donde Xi es la variable aleatoria que se observa en el tiempo i, A es una constante, B es el factor de tendencia y ei es el error aleatorio que ocurre en el tiempo i.

Comenzar con este método de pronóstico requiere dos estimaciones iniciales sobre el estado de la serie de tiempo justo antes de iniciar el pronóstico. Las cuales son:

X0 = Estimación inicial del valor esperado de la serie de tiempo (A) si las condiciones justo antes de iniciar el pronóstico permanecieran sin cambio sin una tendencia;

T1 =Estimación inicial de la tendencia de la serie de tiempo (B) justo antes de iniciar el pronóstico.

- Pronostico para más de un periodo futuro:

Cuando hay una tendencia en los datos es importante considerar la tendencia para los pronósticos a mayor plazo. El suavizado exponencial con tendencia proporciona una forma directa de hacerlo. En particular, después de determinar la tendencia estimada Tt+1, el pronóstico de este método para n periodos futuros es

[pic 10]

5.3 Errores en los pronósticos:

Antes de elegir un método de pronóstico es necesario identificar cuanto se puede confiar en datos antiguos para el pronóstico, ya que la meta es generar pronósticos que sean tan exactos como se pueda, por lo que es normal basar una medida de desempeño en los errores de pronóstico.

El error de pronóstico (también conocido como residual) para un periodo t es el valor absoluto de la desviación del pronóstico para el periodo t (Ft) de lo que después resulta ser el valor de la serie de tiempo para el periodo t (xt). Así, si Et denota este error,

. [pic 11]

Se dispone de dos medidas de desempeño de amplio uso. Una llamada desviación absoluta media (DAM) que es solo el promedio de los errores,

DAM = [pic 12]

La otra medida, llamada error cuadrático medio (ECM) la cual promedia el cuadrado de los errores de pronósticos, [pic 13]

5.4 Pronósticos causales con regresión lineal:

Un pronóstico causal obtiene un pronóstico de la cantidad de interés (la variable dependiente) relacionándola en forma directa con una o más cantidades (variables independientes) que impulsan a la cantidad de interés. Este es un pronóstico causal, porque el valor de la variable dependiente está causado o al menos tiene una correlación alta con el valor de la(s) variable(s) independiente(s).

Se le conoce como análisis de regresión lineal, a el tipo de pronóstico causal donde se supone que la relación matemática entre las variables dependiente e independiente(s) es lineal.

Se define a la regresión como una relación funcional entre dos o más variables correlacionadas y se usa para pronosticar una variable con base en la otra. La regresión lineal es útil para pronósticos a largo plazo de sucesos importantes.

Lo primero que debe hacerse es un análisis de correlación para medir la asociación entre las dos variables:

Elaborar un diagrama de dispersión para observar si existe una relación lineal entre las variables. En un sistema de coordenadas graficar la nube de puntos considerando X = variable independiente e Y = variable dependiente. Calcular el coeficiente de correlación para establecer la medida de la fuerza de la relación lineal entre las dos variables.

Si el análisis de correlación concluye que existe una relación lineal fuerte entre las variables, se procede a elaborar una ecuación para expresar la relación lineal (recta) entre las variables con la finalidad de estimar el valor de la variable dependiente Y con base en un valor seleccionado de la variable independiente X. La técnica para desarrollar la ecuación y proporcionar los estimados se denomina análisis de regresión.

---------------------------------------------------------------

CONTENIDO:

En las páginas anteriores se explicaron y analizaron los pronósticos sus modelos o métodos detallando sus ventajas y desventajas de cada una de ellas, sus modificaciones e incluso sus errores.

En términos generales los pronósticos no son más que estimaciones de la ocurrencia, cronología o la magnitud de eventos futuros. Su propósito es usar la mejor información disponible para guiar las actividades futuras necesarias para el cumplimiento de las metas de la organización. En las empresas su importancia se centra en los pronósticos de demanda, de precios, mano de obra, etc… Los pronósticos bien elaborados capacitan a los administradores para planear niveles apropiados de personal, materias primas, capital, inventario y un gran número de otras variables. El resultado de esta planeación es el mejoramiento del uso de la capacidad, de las relaciones de los empleados y del servicio que se da a los clientes. En otras palabras, lo pronósticos son la base de la planificación corporativa a largo plazo.

Los pronósticos se pueden clasificar en cuatro tipos:

- Cualitativas: son aquellas de carácter objetivo y se basan en estimaciones y opiniones.

- Análisis de series de tiempo: son aquellas que se basan en la idea de que se pueden usar los datos relacionados con la demanda del pasado para realizar pronósticos.

- Causales: Son aquellos que suponen que la demanda está relacionada con uno o más factores subyacentes del ambiente.

- Modelos de simulación: Son aquellos que permiten al pronosticador recorrer una gama de suposiciones sobre la condición del pronóstico.

Los modelos para pronósticos de un nivel constante nos muestran el hecho fundamental de que los procesos son cambiantes y están sujetos a factores extremos que deben ser tenidos en cuenta a la hora de realizar un modelo. Los métodos más simples para pronosticar la demanda son:

El del último valor, el cual es el más simple de los métodos y considera el valor de la variable aleatoria. Simple pero muy útil en casos limitados.

El de promedio, el cual pronostica como valor de la variable aleatoria, suele ser muy buena estimación cuando existe un proceso estableo que cambia muy poco en el tiempo.

Los promedios móviles en cambio son muy útiles cuando el proceso cambia con el tiempo