100% encontró este documento útil (1 voto)
572 vistas52 páginas

Métodos de Pronóstico Cuantitativo

Este documento describe varios métodos cuantitativos para realizar pronósticos basados en datos históricos, como el promedio simple, promedio móvil, promedio ponderado y suavización exponencial. Explica cómo calcular pronósticos usando cada método y provee ejemplos numéricos para ilustrar los cálculos.
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PPTX, PDF, TXT o lee en línea desde Scribd
100% encontró este documento útil (1 voto)
572 vistas52 páginas

Métodos de Pronóstico Cuantitativo

Este documento describe varios métodos cuantitativos para realizar pronósticos basados en datos históricos, como el promedio simple, promedio móvil, promedio ponderado y suavización exponencial. Explica cómo calcular pronósticos usando cada método y provee ejemplos numéricos para ilustrar los cálculos.
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PPTX, PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 52

MÉTODOS DE

PRONÓSTICO
CUANTITATIVO
INTEGRANTES:
CABRERA GUTIERREZ MARIA CELESTE
AMABLE GUTIERREZ NAYSHA DEL ROSARIO
Este tipo de métodos se basan en modelos
matemáticos con los que se analizan los
números entregados por nuestros productos o
servicios en periodos pasados.
Por lo tanto es necesario que para realizar
el análisis cuantitativo de un pronóstico,
dispongamos de datos históricos de ventas y
conocer los patrones de demanda.
Características del método cuantitativo

 Requiere variables numéricas para poder expresar el problema de la investigación


 Como técnicas se emplean encuestas, experimentos e incluso predicciones(los datos
suelen ser generalizables)

 Es un método objetivo,es decir, la interpretación y los puntos de vista no tienen cabida en


él, sino la relación demostrable entre cifras y modelos matemáticos.
 la interpretación y los puntos de vista no tienen cabida en él, sino la relación demostrable
entre cifras y modelos matemáticos.
• DEFINAMOS SERIE DE TIEMPO COMO
UNA SUCESIÓN DE DATOS EN UN
PERIODO DE TIEMPO.

Métodos de series • LOS SIGUIENTES MÉTODOS


de tiempo CUANTITATIVOS SE BASAN EN LA
DEMANDA PASADA PARA PREDECIR LA
FUTURA POR MEDIO DE LOS DATOS
HISTÓRICOS DE UN PERIODO
ANTERIOR
Métodos de series de tiempo

Promedio simple:
Se aplica promedio sobre los datos históricos de ventas. Útil cuando la demanda no presenta estacionalidad o
tendencia.
Promedio móvil simple, pronóstico y
periodos

 Le llamamos media móvil o promedio simple cuando definimos el número de periodos para su cálculo.
Un ejemplo de promedio es cuando vamos a calcular la demanda de diciembre con una móvil de 5
meses: julio, agosto, septiembre, octubre y noviembre, así pues … el cálculo de pronósticos del mes
de enero ahora será a partir de los meses de agosto, septiembre, octubre, noviembre y diciembre.
 El concepto de media aritmética o promedio también contempla la decisión de qué tan largo será el
periodo que usaremos para calcular el promedio, pues entre más largo sea, nuestro pronóstico
calculado será más suavizado. Por otro lado, cuando observamos una tendencia en la demanda, un
periodo más corto será mejor al entregarnos resultados con mayor oscilación, siendo más fiel a la
tendencia actual.
 En este sentido, un periodo más largo en el promedio simple nos da un resultado más uniforme pero
con tendencia retrasada. Con un periodo más corto, tenemos más oscilación, pero estamos cercanos a
la tendencia.
Fórmula para promedio simple

Siendo n el número de periodos que incluimos para calcular nuestro promedio. En la fórmula de
promedio simple cada pronóstico debe ser hecho siempre con el mismo n, a menos pues que sea
necesario dar mayor suavización (haciendo el n mayor) o mayor oscilación (haciendo el n mejor),
esto en función de la tendencia de la demanda del producto.
Cómo calcular el promedio simple: Un
ejemplo

 Esta es una compañía productora de


alimentos para gato y requiere calcular el
pronóstico de demanda con el método de
media o promedio móvil simple,
considerando un periodo de 3 meses.
 La siguiente tabla nos muestra la demanda
real a través de los próximos 18 meses
iniciando desde enero, con lo
cual pronosticamos la demanda de los
siguientes periodos:
Cómo calcular el promedio simple: Un
ejemplo

 El comportamiento gráfico de la
demanda sería el siguiente:
Cómo calcular el promedio simple: Un
ejemplo

 Y aprovechando el ejemplo
media móvil, cómo calcularías el
pronóstico de demanda con
promedio móvil simple con 8 meses
de periodo.
Cómo calcular el promedio simple: Un
ejemplo
• Ambos ejemplos nos permiten entender el método de
 Lo que graficado sería: promedio móvil simple.
• En el primer caso, al usar un periodo más corto las
oscilaciones fueron un poco más marcadas, logrando seguir
la tendencia creciente que se presentaba de Enero a junio
tanto en el primer año como en el primer semestre del
segundo.
• en el segundo caso, la línea es más uniforme y no presenta
tantas oscilaciones.
• el cálculo de pronóstico simple es mejor si se toma un
periodo más corto (3 meses en nuestro caso). Si no eres
bueno analizando gráficos, una medida de error de
pronósticos te permitirá entender cuál de los dos casos es
mejor.
Métodos de series de tiempo

Promedio ponderado:
Similar al promedio simple pero con la diferencia que en éste método calcula el pronóstico asignando nivel
de importancia o peso ponderado a unos elementos de tiempo por sobre otros.
Cómo elegir la ponderación en el promedio
ponderado

 Realmente no hay una regla general que nos diga qué ponderación elegir. La experiencia
y el análisis de la demanda suelen ser decisorios para determinar la importancia en la
ponderación.
 Se suele considerar que en el cálculo de pronósticos es más importante la demanda
reciente, pues ante ausencia de datos, es el indicador más fiel que tenemos para el
próximo periodo.
 Pero esto depende del tiempo donde nos encontremos. Un ejemplo de promedio móvil
ponderado es una empresa que vende piscinas de plástico y que sabe que en verano la
demanda aumenta, y por ende es un periodo en el que se debe asignar un mayor peso
ponderado en el pronóstico.
Formula de promedio móvil ponderado

El promedio ponderado suele reaccionar más rápido ante los cambios de la demanda, con
relación al promedio simple. Sin embargo, la verdadera utilidad del método dependerá de la
experticia del administrador de operaciones al pronosticar la demanda, como en todos.

En nuestra formula de promedio, la suma de las ponderaciones debe ser igual a 1


Cómo calcular un promedio móvil
ponderado

 Esta es una compañía productora de alimentos


para perro y requiere calcular el pronóstico de
demanda con el método de media móvil
ponderada. Para la empresa, la demanda
pasada reciente es la más importante y le
asignan un peso de 50%. La demanda
intermedia tiene un peso de 30% y la más
lejana de 20%.
Cómo calcular un promedio móvil
ponderado

 En este ejemplo de promedio ponderado,


para calcular el pronóstico de demanda del
periodo 4, multiplicamos el periodo 3 (el más
reciente) por 50%, el periodo 2 (el intermedio
2) por 30% y el periodo 1 (el más lejano) por
20%. El resultado de cada producto lo
sumamos y obtuvimos 139.
 Para pronosticar el siguiente periodo,
multiplicamos la demanda real (la que
obtuvimos, no la pronosticada) del periodo 4
por 50%, la del periodo 3 por 30% y la
demanda del 2 por 20%.
Métodos de series de tiempo

Suavización exponencial:
Requiere el pronóstico anterior, la demanda real del periodo de pronóstico y una constante de
suavizamiento. Útil cuando se cuenta con pocos datos históricos.
Ventajas del método de suavización
exponencial simple

 Formulación es sencilla, pues solo requiere el pronóstico anterior, la demanda real del
periodo de pronóstico y la constante de suavización, como ya lo veremos más adelante.
 No requiere de gran volumen de datos históricos.
 Al ser un modelo exponencial, es más preciso.
 Es flexible al conseguir darle más importancia a la demanda más reciente o a la antigua.
Desventajas del método de suavización
exponencial simple

Al igual que los métodos de promedio móvil, es la respuesta a la tendencia. Aun cuando un


valor de alfa (α) logra responder frente a cambios en el promedio, cambios sistemáticos de este
harán más grande el error de pronóstico. Es tan así, que cuando se está aplicando un alfa
mayor a 0.5 con buenos resultados, optar por el alisado exponencial doble suele ser mejor idea.
Cómo calcular un pronóstico con
suavización exponencial

Requerimos el pronóstico anterior, la demanda real del periodo de pronóstico y la constante de


suavización. Si es la primera vez que usamos el método, el pronóstico anterior puede ser un estimado o el
resultado de un promedio simple, por ejemplo.

Ft= Nuevo pronóstico


Ft-1= Pronóstico del periodo anterior
α = constante de suavización
At-1= demanda real del periodo
anterior
Ejemplo de suavización exponencial

 Luz Verde es una empresa de seguros que ha decidido expandir su mercado a la ciudad


capital de un país. Por ser la ciudad que congrega más habitantes, han decidido comenzar
ofreciendo servicio de seguro para coches.
 Como ejercicio inicial, la empresa desea pronosticar cuántos seguros de vehículo serán
contratados por las personas de la ciudad capital, para lo cual usarán como dato inicial los
seguros de vehículos contratados en otra ciudad con menos habitantes pero con mayor
posicionamiento en el mercado.
 El pronóstico de demanda del período 1 es 2869 seguros de carro adquiridos por
personas, pero la demanda para ese periodo fue de 3200. La compañía según su criterio
asigna α=0,35.
 La demanda del próximo periodo es:
Ft= 2869+0.35(3200-2869)=2984.85
 Este mismo ejercicio lo realizó a través del año, obteniendo la siguiente tabla comparativa
entre lo realmente obtenido (demanda – segunda columna) y lo pronosticado en ese
momento (tercer columna).
Ejemplo de suavización exponencial

 Gráficamente, esa tabla sería algo como


esto:
Métodos de series de tiempo

Suavización exponencial doble:


Es una modificación del suavizamiento exponencial simple. Agrega una constante de
suavización delta (δ), cuya función es reducir el error que ocurre entre la demanda real y el
pronóstico.
La constante de suavización en el método
holt

 El método de suavización exponencial con ajuste a la tendencia requiere de dos constantes de suavización:


alfa (α) delta (δ)
Su valor puede estar entre 0 y 1, pero a nivel práctico varía entre 0,05 y 0,50.
 ¿Cómo escoger los valores más adecuados?
Los criterios para definir los valores de las constantes son similares al método de suavización simple.
Para alfa dependerá de la importancia que otorgamos a datos recientes (alfa α más elevada) o a datos más antiguos
(alfa α más bajo).
El delta funciona similar. Un δ elevado responde con más velocidad a los cambios en la tendencia, mientras que un δ
inferior tiende a suavizar la tendencia actual, dando menos peso a los datos recientes.
En la práctica, los valores de α y δ se encuentran con prueba y error utilizando las medidas de error de pronóstico.
También se usan softwares
La Fórmula de cálculo suavización exponencial
con ajuste a la tendencia

 Este método requiere algunos parámetros adicionales con respecto a su hermano suavización
simple. Una constante delta y un valor para la tendencia.
Las fórmulas para calcular cada componente son las siguientes:
La Fórmula de cálculo suavización exponencial
con ajuste a la tendencia

Donde:
 Ft= Pronóstico suavizado exponencialmente con la
serie de datos del periodo t
 Tt= Tendencia suavizada para el período t
 At= Demanda real para el período t
 Alfa α= Constante de suavizamiento para el promedio
 Delta δ= Constante de suavizamiento para la
tendencia
 FITt= Pronóstico de demanda con tendencia
Cómo calcular un pronóstico con el método de holt –
Suavizado exponencial doble

Necesitamos dos constantes de suavización, el pronóstico anterior, la demanda real del periodo de pronóstico y la
tendencia suavizada.
Un ejemplo con plantilla de suavización exponencial doble para comprender el método:
En una empresa productora de alimento para peces y requiere calcular el pronóstico de demanda con el método
de suavizado exponencial con corrección por tendencia para los próximos meses.
El pronóstico de demanda del período 1 fue de 1500, pero las ventas reales fueron de 1132 y la tendencia en ese
momento fue de 150. La compañía asigna un α=0,10. Prevén una tendencia alcista en próximos meses, por lo que
definen δ=0,30.
Cómo calcular un pronóstico con el método de holt –
Suavizado exponencial doble

Vamos por la solución:


El primer paso es determinar el pronóstico suavizado para el período 2:

Con el pronóstico suavizado, calculamos la tendencia para el período 2:

Por último determinamos nuestro pronóstico con ajuste a la tendencia, que es simplemente una suma:

Para el período 2, IngE pronostica una demanda de 1732,66 unidades de alimento para peces.
Cómo calcular un pronóstico con el método de holt –
Suavizado exponencial doble

Con el mismo
procedimiento,
logramos calcular el
pronóstico de demanda
para los próximos meses:
Cómo calcular un pronóstico con el método de holt
– Suavizado exponencial doble

Eso, graficando la demanda y


nuestro pronóstico ajustado
con tendencia (segunda y
última columna) se ve así:
Métodos de series de tiempo

Estacional multiplicativo:
Considera que la demanda tiene patrones de repetición de acuerdo a periodos de tiempo y la
pronostica por medio del producto de los factores estacionales con una estimación de la
demanda promedio.
¿Cuándo utilizar un pronóstico de
variación estacional o cíclica?

 El modelo de variación estacional es un modelo óptimo para patrones de demanda sin


tendencia y que presenten un comportamiento cíclico, por ejemplo la demanda de
artículos escolares, la cual tiene un comportamiento cíclico de conformidad con el
calendario escolar.
¿Cuándo utilizar un pronóstico de
variación estacional o cíclica?

Modelo de variación estacional o cíclica


Fórmulas
Ejemplo de aplicación de un pronóstico de
Variación Estacional o Cíclica

La distribuidora de papelería CAROLA  desea
vender para el año 2015 una cantidad de 12000
kits escolares. Determine el pronóstico por Trimestre Ventas
trimestre a partir del modelo de variación  I 2500
estacional, teniendo en cuenta la siguiente
información acerca del comportamiento de las II 1500
ventas: III 3800
IV 2200
Ejemplo de aplicación de un pronóstico de
Variación Estacional o Cíclica

El primer paso consiste en determinar el promedio general de las ventas, para ello hemos de
sumar las ventas totales y dividirlas entre el número de trimestres.
Ejemplo de aplicación de un pronóstico de
Variación Estacional o Cíclica

Luego se procede a calcular el promedio de las ventas de


cada período, en este caso de cada período tan sólo
tenemos un dato, existirán en la práctica ejercicios en los
que de cada período (por ejemplo trimestre I) tengamos
gran cantidad de información histórica, por ejemplo la
información histórica del trimestre I de 5 años. Como lo
mencionamos, para éste caso no es necesario promediar,
ya que contamos tan sólo con un dato de cada trimestre,
por tal razón procedemos a calcular el índice de
estacionalidad de cada período.
Ejemplo de aplicación de un pronóstico de
Variación Estacional o Cíclica

Teniendo en cuenta que se desean vender un total de 12000 kits para el año 2015,
calcularemos el promedio general de las ventas para dicho año, para ello dividiremos ésta
cantidad en la cantidad de trimestres.
Ejemplo de aplicación de un pronóstico de
Variación Estacional o Cíclica

Ya que tenemos el promedio general de las ventas del año que deseamos pronosticar y
contamos con el índice de estacionalidad de cada trimestre, es momento de determinar el
pronóstico por trimestre para el año 2015.
Métodos causales o CONSIDERA LOS FACTORES
PRESENTES EN EL ENTORNO
asociativos DE TU PRODUCTO O
SERVICIO QUE PUEDEN
AFECTAR SU DEMANDA
Métodos causales o asociativos

Regresión lineal
Un método como la regresión lineal te permite analizar el impacto de los factores causales
con relación a la demanda de tu producto o servicio para obtener un estimado.
Qué es la regresión lineal y cómo te
ayudará en tu pronóstico de ventas

Su objetivo es pronosticar la demanda a partir de una o más causas (variables independientes),


las cuales pueden ser por ejemplo el tiempo, precios del producto o servicio, precios de la
competencia, economía del país, acciones del gobierno o fomentos publicitarios.
 Puedes calcular series de tiempo y relaciones causales. En el primer caso, ubicas la demanda
histórica de tu bien o servicio para que cambie en función del tiempo. El segundo caso es
cuando la variable que pronosticas cambia en función de otra (variable causal).
 Lineal significa que los datos del periodo anterior y la proyección para el periodo futuro que
vas a obtener caen sobre una recta.
 Si hablamos de una sola variable independiente, es una regresión lineal simple, contrario a si
son dos o más variables independientes, donde hablaríamos de regresión lineal múltiple.
Cuándo utilizar la regresión lineal

El análisis de regresión es pertinente cuando se evidencia una tendencia en los datos históricos del pronóstico. ¿es creciente o decreciente?
¿Cómo es la relación entre la demanda y el tiempo?
Para responder esta pregunta, haremos uso del coeficiente de correlación (r).Este coeficiente, te permitirá entender qué tanta correlación
existe entre la demanda y el tiempo.
Correlación perfecta: Cuando el resultado de coeficiente es igual a 1 o -1. En este caso existe una relación directamente proporcional
entre la demanda y el tiempo.
Correlación fuerte: Cuando el resultado es mayor a 0.5 y menor que 1 (correlación positiva) o menor a -0.5 y mayor que -1(correlación
negativa).
Correlación débil: Valores que están entre -0.5 y 0.5.
Entre más cercano se encuentre el coeficiente de correlación a +1 o -1 más fuerte será la tendencia y más apropiado será aplicar un modelo
de regresión lineal. Por ejemplo si la correlación es igual a 1, observaremos que la relación entre las variables es directamente
proporcional, en el sentido que si uno aumenta, la otra también lo hará.
Bien vale aclarar que este método es más útil cuando se enfoca en periodos de largo plazo. Esto aunado a su utilidad para estimar la
demanda en función de variables independientes.
Veamos entonces de que va el análisis de regresión.
El análisis de regresión en el pronóstico de
demanda

 La b es la inclinación de la recta.
 La a es la secante o la altura en la que la
recta corta al eje y.
 La X es nuestra variable independiente.
 La Y es nuestra variable dependiente,
nuestro pronóstico calculado para un
periodo.
Como hacer una regresión lineal

Las ventas de la empresa IngE durante


los últimos 10 trimestres son las
siguientes:
Como hacer una regresión lineal

¿Cómo pronosticar la demanda de los trimestres


13, 14 y 15 a través de un análisis de regresión
lineal?
Lo primero es estimar los parámetros. Lo podemos
lograr con el método de mínimos cuadrados, que
nos permite encontrar la recta que mejor se ajusta a
un conjunto de datos dados. En nuestro caso, este • La y “minúscula” es el valor y de cada punto de datos.
conjunto está dado por las ventas trimestrales • La n es el número de punto de datos.
(variable dependiente). La variable independiente
es el tiempo. Vamos entonces a la siguiente
fórmula para determinar a y b:
Como hacer una regresión lineal

En la siguiente se encuentran los


cálculos realizados para los 12
trimestres según lo requerido por las
ecuaciones:
Como hacer una regresión lineal

Con los valores de la última fila de la tabla, podemos calcular a y b, con los cuales logramos calcular los valores de la
última columna (Y) que es la recta que más se ajusta a la demanda y.
Veamos entonces:
Como hacer una regresión lineal

Fíjate que el valor de «b» varía de 63,64 a 63,657 siendo este último
el resultado si se toman todos los decimales de las variables que
participan en su calculo. Para tener resultados más fiables usamos el
valor de «b» calculado con todos los decimales, tal como lo aprecias
cuando hallamos «a». Fíjate además que pasa lo mismo con el valor
calculado de «a» y el valor que se obtiene cuando en la operación
están todos los decimales.
Con esta aclaración, puedes ver cómo se realiza el pronóstico de
producción del trimestre 13. Procedemos igual para los demás
trimestres.
Y=63,657(14)+72,894=964.09
Y=63,657(15)+72,894=1027.75
Como hacer una regresión lineal

 Cuando pronosticamos, siempre queremos saber qué tan exacto es el método que estamos utilizando,
igual que una medida de error de pronóstico.
 Para eso hay diferentes medidas que nos dan el grado de error en un pronóstico.
 Una medida apropiada para medir el error en regresión lineal es el error estándar de
estimación (Sy,x), que nos permite determinar la variabilidad en torno a la recta de regresión.
Como hacer una regresión lineal

 Con los datos obtenidos en nuestra tabla, reemplazamos en la formula y obtenemos:


 Error estándar del estimado Sy,x: 54,79
 Esto lo interpretamos como una medida de la variabilidad o dispersión de los valores observados alrededor de
nuestra línea de regresión.
 Otro análisis que si o si debemos realizar cuando trabajamos con un análisis de regresión, no importa si es con un fin
de pronóstico, es el cálculo del coeficiente de correlación.
 Como lo dijimos anteriormente, el coeficiente de correlación dará una medida de asociación entre las variables X y Y.
Como hacer una regresión lineal

El coeficiente correlación en la división entre la covarianza y el producto de las desviaciones estándar de ambas
variables.
Si queremos ver la correlación entre la demanda y lo pronosticado en periodos anteriores (desde el periodo 1 hasta
el 12), usamos la función COEF.DE.CORREL de excel.
La función requiere dos datos de entrada:
Matriz 1: Señalamos las demandas por mes.
Matriz 2: Señalamos los pronósticos por mes.
El resultado de este ejercicio es r=0,975. Esto indica que la correlación es muy fuerte y positiva porque está
cercana a 1.
En otras palabras, nos conviene seguir usando este método de pronóstico para futuros periodos.
 técnicas y métodos de pronóstico
cuantitativo para prever la demanda

Estas son 6 de las técnicas y métodos de pronóstico cuantitativo para


prever la demanda.
¿Cuál elegir?
Para eso nos basamos en múltiples medidas de error que al ser
calculadas nos orientan frente a que técnica deberíamos usar.
Aún así, en la práctica los mejores pronósticos de demanda son aquellos
que se calculan de forma cuantitativa y se ajustan con la experiencia y
subjetividad que requiere un pronóstico cualitativo.

También podría gustarte