Académique Documents
Professionnel Documents
Culture Documents
400
300
Ao ventas 1981 258 1982 285 1983 296 1984 325 1985 398 1986 526 1987 256 1988 546 1989 456 1990 425
Un aspecto esencial en la administracin de cualquier empresa es la planeacin. De hecho, el xito de una organizacin esta relacionada con la capacidad de anticipar el futuro y desarrollar estrategias apropiadas. El inters de los gerentes por el futuro se debe a que tienen que tomar decisiones hoy sobre el incierto maana. El pronostico hace una contribucin muy importante a este proceso de decisin
Necesidad de Pronosticar Entorno altamente incierto La intuicin no necesariamente da los mejores resultados Mejorar la planeacin Competitividad y cambio
Se llama Series de Tiempo a un grupo de datos cuantitativos que se obtienen en diferentes periodos regulares del tiempo. La suposicin bsica del anlisis es que los factores que han influido en el pasado y en el presente en los patrones de la actividad , continuaran hacindolo mas o menos en la misma forma en el futuro. El objetivo es entonces identificar y aislar estos factores del pasado y presente con fines de prediccin, planeacin y control.
Por su plazo:
Tipos de pronsticos
Disponibilidad y calidad de los datos histricos. Grado de precisin requerido. Periodo de tiempo que cubre el pronostico. Recursos (Tiempo, dinero y humanos) disponibles. Cualquiera sea el modelo seleccionado , su aplicacin implica el planteamiento de ciertos supuestos que generalmente nos simplifican la realidad. En esta parte se introduce el juicio del experto para considerar aquellos factores que el modelo matemtico no incluye.
Los pronsticos no son 100% exactos y adems tiene un costo implcito. Pronosticar por arriba de la demanda tiene como consecuencia exceso de inventario, obsolescencia, costo de reasignacin, reduccin de margen de venta. Pronosticar por debajo de la demanda, tiene como consecuencia comprar y producir mas caro algo que no estaba planeado, perdida de venta y margen si no reaccionamos a tiempo, costo de perdidas de ventas, reduccin de satisfaccin del cliente.
Pronsticos e informacin
ndice de Percepciones de Corrupcin 2003, Amrica Latina
Chile Uruguay Trinidad y To bago Cuba B elice Co sta Rica B razil Jamaica P er El Salvado r Co lo mbia M xico P anam Repblica Do minicana Nicaragua A rgentina Venezuela Guatemala Ho nduras B o livia Ecuado r P araguay Hait
7.4 5.5 4.6 4.6 4.5 4.3 3.9 3.8 3.7 3.7 3.7 3.6 3.4 3.3 2.6 2.5 2.4 2.4 2.3 2.3 2.2 1.6 1.5 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 ndice
3 2 1 1.87 2.23 0
19801985 1995 1997 1999 2001 2003 2005
3.18 3.3
2.66
Aos
0.0
Serie de tiempo: Sucesin cronolgica o histrica de observaciones de una variable particular. El objetivo del mtodo de serie de tiempo es descubrir en los datos histricos un patrn y despus extraexpolar dicho patrn hacia el futuro.
Datos Histricos
Modelo Matemtico
Extrapolacin del modelo
Componente subjetivo
Pronostico Estadstico
vs. Demanda
Observada
Pronostico de la Demanda
RETROALIMENTACION
Mtodos de Pronostico
CUALITATIVOS Cuando involucran el juicio experto para el desarrollo de pronsticos Una ventaja de los procedimientos Cualitativos es que se pueden aplicar cuando la variable que se esta pronosticando no es cuantificable o no esta disponible (no hay datos histricos)
Hay disponible informacin de la variable que se esta pronosticando Se puede cuantificar la informacin Hay una hiptesis razonable que el patrn de comportamiento ocurrido en el pasado continuar en el futuro.
Tendencia
Es el componente de largo plazo que representa el crecimiento o disminucin persistente en la serie de largo plazo (duracion de varios aos), es atribuible a fuerzas que se mueven lenta y gradualmente.
Cclico
Estacional
Aleatorio
Mide la variabilidad de las series de tiempo despus de retirar los otros componentes.
1. Componente de tendencia
Por lo general los datos de la serie de tiempo exhiben fluctuaciones aleatorias A un gran periodo de tiempo puede mostrar desplazamiento hacia arriba o hacia abajo El desplazamiento gradual de la serie de tiempo se conoce como tendencia, este desplazamiento es por lo general el resultado de factores a largo plazo como crecimiento en la poblacin, caractersticas demogrficas, la tecnologa, la preferencia del consumidor.
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.
Tiempo
(a) Tendencia no Lineal
Tiempo
(b) Tendencia lineal declinante
VOLUMEN
Tiempo
(c) Sin tendencia
2. Componente cclico
Son llamados tambin ciclos econmicos y muestran las variaciones en perodos de mediano plazo. Cualquier secuencia de puntos encima y debajo de la lnea de tendencia que dure ms de uno se puede atribuir al componente cclico. Se requiere informacin de por lo menos 15 a 20 aos.
VOLUMEN
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.
Ciclos
Lnea de tendencia
Tiempo
3. Componente estacional
Fluctuaciones peridicas regulares que ocurren dentro de cada periodo ao tras ao. Se requieren datos de periodos menores a un ao (mensuales, trimestrales, cuatrimestrales) Por ejemplo, un fabricante de helados espera una alta actividad en verano y una baja estacionalidad en invierno.
El clima influye en la variable de inters. Costumbres sociales y religiosas El ao calendario influye en la variable.
4. Componente Irregular
El componente irregular es el factor residual, es decir todo lo que sobra El componente irregular es causado por factores a corto plazo no previstos y no recurrentes que afectan la serie de tiempo como inundaciones, elecciones polticas, terremotos, etc. Irregular = valor real valor pronosticado
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. Yt = valor de la serie de tiempo periodo t t = valor del pronostico para Yt et = Yt - t
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
Desviacin absoluta = |et| = |yt -t| Desviacin absoluta media Error cuadrtico medio
DAM
| e | | y
t 1 t
n
n
t 1
t | y
n
2 ( y y ) t t t 1 n
ECM
2 ( e ) t t 1
Valor predicho
t 22 30 30
Error et 3 -2 -1 0
Desviacin Absoluta
|et| = |yt -t| 3 2 1 6
Error cuadrtico
(et)2 = (yt -t)2 9 4 1 14
El DAM y el ECM, en s, no nos dicen mucho. Pero sirven para comparar modelos de pronstico y elegir el que mejor predice los valores. Tambin sirven para monitorear el desempeo de un modelo: cuando aumentan de repente, significa que el modelo ya no es tan atinado.
1. Promedios mviles:
El mtodo de promedios mviles utiliza como pronostico para el siguiente periodo, el promedio de los n valores de datos mas recientes de la serie de tiempo. El trmino mvil indica que conforme se tiene disponible una nueva observacin de la serie de tiempo, se reemplaza la observacin mas antigua de la ecuacin por el nuevo valor y se calcula una nueva media
Promedio Movil (n1)
1. Promedios mviles:
El nmero de galones de gasolina vendidos por un distribuidor de gasolina en las ltimas semanas son: (venta en miles de galones)
EXACTITUD DEL PRONSTICO. Sem Ventas Promedio Error Error^2
mvil
1 2 3 4 5 6 7 8 17 21 19 23 18 16 20 18 19 21 20 19 18
23 19 = 4 18 21 = -3 16 20 = -4 20 19 = 1 18 18 = 0
16 9 16 1 0
9
10 11
22
20 15
18
20 20
22 18 = 4
20 20 = 0 15 20 = -5
16
0 25
12
22
19
22 19 = 3
9
92
Totales 0
1. Promedios mviles:
1. Promedios mviles:
Ejemplo: Los siguientes datos muestra el numero de galones de gasolina vendidos por un distribuidor en las ultimas semanas.
La figura indica que aunque existe una variabilidad aleatoria, la serie de tiempo parece estable a lo largo del tiempo, por lo que es aplicable los mtodos de suavizacin.
Sem 1 2 3 4 5 6 7 8 9 10 11 12 Ventas (miles de galones) 17 21 19 23 18 16 20 18 22 20 15 22
20 25
Prom. Mvil
Ventas Pronostico
Error de
Error pronost^2
PM(1-3sem) = (17+21+19)/3 = 19 PM(2-4sem) = (21+19+23)/3 = 21 PM(3-5sem) = (19+23+18)/3 = 20 PM(4-6sem) = (23+18+16)/3 = 19 PM(5-7sem) = (18+16+20)/3 = 18 5 PM(6-8sem) = (16+20+18)/3 = 18
0 PM(7-9sem) = (20+18+22)/3 = 20 1 2 = (18+22+20)/3 3 4 5 = 20 6 PM(8-10sem) 10 15
16 9 16 1 0 16 0
10 25 11 12
9 Total 92
25 20 15 10 5 0 1 2 3 4 5 6 7 8 9 10 11 12 13 Prom. Mvil
Exactitud del pronostico. Evidentemente deseamos que los errores de pronostico sean pequeos. En el cuadro con las 2 ultimas columnas se puede usar para tomar una medida de exactitud del pronostico Este promedio se conoce como error cuadrtico medio (MSE, por sus siglas en ingles.
El MSE es una medida de uso frecuente de exactitud en mtodos de pronostico Para escoger el numero de valores a incluir es utilizar el mtodo de ensayo y error para identificar la longitud de minimice el MSE
PMP
Error
Error^2
5
6 7
18
16 20
21.33
19.83 17.83
-3.33
-3.83 2.17
11.11
14.69 4.69
8
9 10 11 12
18
22 20 15 22
18.33
18.33 20.33 20.33 17.83
-0.33
3.67 -0.33 -5.33 4.17
MSE
0.11
13.44 0.11 28.44 17.36
11.49
El mtodo de suavizacin 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)
t 1 2 3 4 5 6
Yt 42 52 54 65 51 64
=0.1
=0.5
Ft 1 Yt (1 ) Ft
El criterio que utilizamos para determinar un valor deseable para la constante de suavizacin es el mismo criterio del MSE
Las tendencias son movimientos a largo plazo en una serie de tiempo (incremento o decremento) 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. A Las series de tiempo que muestran una Tendencia a lo largo del tiempo no puede aplicarse los mtodos de suavizacin anteriormente descritos (promedio mvil, promedio mvil ponderado y suavizacin exponencial) En este tipo de anlisis la variable independiente es el tiempo.
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.
Tt = bo + b1t
Tt = valor pronosticado en un periodo X bo = valor de la tendencia cuando X = 0 b1 = pendiente de la recta de tendencia t = periodo (codificado)
150
Y
100 50 0 0 5 10 15 20 Y Pronst ico para Y 25 30
Variable X 1
Debemos tener cuidado cuando haya una influencia estacional, porque estas comparaciones no son muy significativas.
La eliminacin del efecto estacional en una serie de tiempo, se conoce como desestacionalizacin. Despus de hacer la desestacionalizacin, las comparaciones periodo a periodo resultan ms significativas y pueden ayudar a identificar si existe alguna tendencia.
Este enfoque es apropiado para aquellas situaciones donde solo estn presentes efectos estacinales o estacinales y de tendencia.
El Primer paso es calcular los ndices estacinales y utilizarlos para desestacionar los datos, despus si en los datos desestacionalizados existe una aparente tendencia, utilizaremos una anlisis de regresin para estimar la tendencia.
1. EL MODELO MULTIPLICATIVO
El modelo que ms se usa para la descomposicin de las series de tiempo es el modelo multiplicativo, en el que se analiza la serie como el producto de sus componentes:
Y = T.E.C.I donde: Y = valor real de la variable de inters. T = tendencia secular C = componente cclica E = componente estacional I = componente irregular
Trim
1 2 3 4
Ventas
4,8 4,1 6,0 6,5
La tabla siguiente de datos muestra las ventas trimestrales de televisores (miles de unidades) de un fabricante a lo largo de 4 aos
SERIE DE TIEMPO DE VENTAS TRIMESTRALES DE TELEVISORES
Ventas trimestrales de TV
5,8
2
3 4 3 1 2 3 4 4 1 2 3 4
5,2
6,8 7,4 6,0 5,6 7,5 7,8 6,3 5,9 8,0 8,4
La figura muestra que en el segundo trimestre de cada ao las ventas pasan por un mnimo seguidas por niveles mas elevados de ventas en los trimestres 3 y 4. Por lo que conocemos que para ventas de Televisores existe un patrn estacional
Ao
Trim
Ventas
4.8 4.1 6 6.5 5.35 5.8 5.2 6.8 7.4 6.3 6 5.6 7.5 7.8 6.725 6.3 5.9 8 8.4 7.15
Indice Vtas sin estac estacional. 0.897 5.35 0.766 5.05 1.121 5.41 1.215 5.50
0.921 0.825 1.079 1.175 0.892 0.833 1.115 1.160 0.881 0.825 1.119 1.175
6.46 6.40 6.13 6.27 6.68 6.89 6.76 6.60 7.02 7.26 7.22 7.11
trim 1 2 3 4
ndice estacional
0.897+0.921+0.892+0.881 0.766+0.825+0.833+0.825
1.121+1.079+1.115+1.119
1.215+1.175+1.160+1.175
Trim 1 2 3 4
Valores del componente estacional e irregular (St It) 0.897 + 0.921 + 0.892 + 0.881 0.766 + 0.825 + 0.833 + 0.825 1.121 + 1.079 + 1.115 + 1.119 1.215 + 1.175 + 1.160 + 1.175
El mejor trimestre de ventas es el cuarto, con un promedio de ventas del 18% por encima del valor promedio trimestral. El peor trimestre de ventas es el segundo con un promedio de ventas del -9% por debajo del promedio trimestral
La finalidad de determinar los ndices estacionales es eliminar los efectos estacionales de una serie de tiempo. Al dividir cada observacin por el ndice estacional correspondiente, eliminamos el efecto de desnacionalizacin de la serie de tiempo. En la tabla siguiente se resume la serie de tiempo desestacionalizada de las ventas de Televisores
Preguntas
1. Un modelo de pronostico que solo utilice los datos histricos de la variable a pronosticar se conoce con el nombre de
a) b) c) d) Modelo de series de tiempo Modelo Causal Modelo Dephi Modelo Variable
Preguntas
3. Cual de los siguientes modelos es un modelo de series de tiempo
a) b) c) d) El modelo Delphi El anlisis de regresin El suavisamiento exponencial La regresin mltiple
Preguntas
5. Al comparar diversos modelos de pronostico para determinar cual se ajusta a una serie de datos, el modelo que deber seleccionarse es el que:
a) b) c) d) Tiene ECM mas elevado Tiene DAM mas cercana a 1 Tiene DAM mas baja Tiene sesgo = 0
6. En suavisamiento exponencial, si usted desea dar un peso significativo a las observaciones mas recientes, entonces la constante (alfa) deber ser:
a) b) c) d) Cercana a 0 Cercana a 1 Cercana a 0.5 Menor al error
Preguntas
7. Por lo general, las ventas de una compaa, son mayores durante los meses de verano que en los de invierno. Esta variacin se podra conocer como:
a) b) c) d) Tendencia Factor estacional Factor aleatorio Factor cclico