Métodos
de promedios
Aunque existen más métodos
para pronosticar, por simplicidad presentamos solamente dos, que consideramos
los más usuales y sencillos de llevar a cabo.
Ø Promedios
Móviles
Ø Suavización
Exponencial
Estos métodos pueden utilizarse cuando:
a) Hay información disponible de la variable(s) que se
está pronosticando.
b) La información puede ser cuantificada.
c) Si se considera razonable que el patrón de
comportamiento del pasado continuara en el futuro.
Si se
cuenta con una base de datos histórica y se quiere pronosticar una variable considerando
su comportamiento pasado, entonces podemos utilizar el método de promedios
móviles o el método de suavización exponencial, que son conocidos también como
métodos de series de tiempo.
<<Método
de Promedios Móviles>>
La utilización de esta
técnica 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) esto es, que el comportamiento de los datos aunque muestren un
crecimiento o un decrecimiento lo hagan con una tendencia constante.
El método de pronóstico móvil
simple se utiliza cuando se quiere dar más importancia a conjuntos de datos más
recientes para obtener la previsión. Cada punto de una media móvil de una serie
temporal es la media aritmética de un número de puntos consecutivos de la
serie, donde el número de puntos es elegido de tal manera que los efectos
estacionales y / o irregulares sean eliminados.
Cuando se usa el método de
promedios móviles se está suponiendo que todas las observaciones de la serie de
tiempo son igualmente importantes para la estimación del parámetro a
pronosticar (en este caso los ingresos). De esta manera, se utiliza como
pronóstico para el siguiente periodo el promedio de los valores de los datos
más recientes de la serie de tiempo.
El término móvil indica que
conforme se tienen una nueva observación de la serie de tiempo, se reemplaza la
observación más antigua de la ecuación y se calcula un nuevo promedio. El resultado es que el promedio se moverá,
esto es, conforme se tengan nuevos datos y se vayan sustituyendo en la fórmula,
el valor del promedio irá modificándose.
No existe una regla
específica que nos indique cómo seleccionar la base del promedio móvil. Si la
variable que se va a pronosticar no presenta variaciones considerables, esto
es, si su comportamiento es relativamente estable en el tiempo, se recomienda
que el valor de n sea grande. Por el contrario, es aconsejable un valor de n
pequeño si la variable muestra patrones cambiantes.
El método de promedios
móviles es muy útil cuando se tiene información no desagregada y cuando no se
conoce otro método más sofisticado y que permita predecir con mayor confianza.
<<Suavización
Exponencial>>
Otro método para realizar un
pronóstico es el método de suavización exponencial. A diferencia de los
promedios móviles, este método pronostica otorgando una ponderación a los datos
dependiendo del peso que tengan dentro del cálculo del pronóstico. Esta
ponderación se lleva a cabo a través de otorgarle un valor a la constante de
suavización, α, que puede ser mayor
que cero y menor que uno.
El método de suavización
exponencial supone que el proceso es constante, al igual que el método de
promedios móviles. Esta técnica está diseñada para atenuar una desventaja del método
de promedios móviles, en donde los datos para calcular el promedio tienen la
misma ponderación. De manera particular, esta técnica considera que las observaciones
recientes tienen más valor, por lo que le otorga mayor peso dentro del
promedio.
La suavización exponencial
utiliza un promedio móvil ponderado de los datos históricos de la serie de
tiempo como pronóstico; es un caso especial de promedio móvil en donde se selecciona
un solo valor de ponderación.
Regresión
Lineal
El modelo de pronóstico de
regresión lineal permite hallar el valor esperado de una variable aleatoria a
cuando b toma un valor específico. La aplicación de este método implica un
supuesto de linealidad cuando la demanda presenta un comportamiento creciente o
decreciente, por tal razón, se hace indispensable que previo a la selección de
este método exista un análisis de regresión que determine la intensidad de las
relaciones entre las variables que componen el modelo.
El análisis de regresión lineal
es una técnica estadística utilizada para estudiar la relación entre variables,
se adapta a una amplia variedad de situaciones en cualquier área. La regresión
nos permite además, determinar el grado de dependencia de las series de valores
X e Y, prediciendo el valor y estimado que se obtendría para un valor x que no
esté en la distribución.
¿Cuándo utilizar un
pronóstico de regresión lineal?
El pronóstico de regresión
lineal simple es un modelo óptimo para patrones de demanda con tendencia
(creciente o decreciente), es decir, patrones que presenten una relación de
linealidad entre la demanda y el tiempo.
Existen medidas de la
intensidad de la relación que presentan las variables que son fundamentales
para determinar en qué momento es conveniente utilizar regresión lineal.
El objetivo de un análisis de
regresión es determinar la relación que existe entre una variable dependiente y
una o más variables independientes. Para poder realizar esta relación, se debe
postular una relación funcional entre las variables. Cuando se trata de una
variable independiente, la forma funcional que más se utiliza en la práctica es
la relación lineal. El análisis de regresión entonces determina la intensidad
entre las variables a través de coeficientes de correlación y determinación.
Medida
del error en el pronóstico
Errores
de Pronóstico
Se define como error de
pronóstico a la diferencia entre la demanda pronosticada y la demanda real.
El error se refiere a la diferencia entre el valor de
pronostico y lo que en realidad ocurrió. Mientras el valor del pronóstico este
dentro de los límites de confianza, no se trata realmente de un error, pero es
común referirse a la diferencia como si lo fuera.
La demanda de un producto se
genera por la interacción de varios factores, demasiado complejos para
describirlos con precisión en un modelo. Por lo tanto, todos los pronósticos
contienen un error.
Los errores pueden surgir de
varias fuentes, una muy común, de la que no se percatan muchos pronosticadores,
es la proyección de tendencias pasadas hacia el futuro. Ya que al utilizar esta
línea de tendencia como dispositivo de pronóstico, proyectándola hacia el
futuro, es probable que el intervalo de confianza no defina correctamente el
error porque se basa en datos del pasado.
Un error puede ser
sistemático o aleatorio. Los sistemáticos son los que se cometen
consistentemente. Algunas de las causas son: excluir variables correctas,
utilizar relaciones equivocadas entre variables; emplear líneas de tendencia
incorrecta y no darse cuenta de que existe alguna tendencia secular.
Medidas
de error
Sirven para evaluar la
utilidad de una técnica de pronósticos, calculando una medida global de los
residuos (la diferencia entre el valor real de la variable y el valor estimado
por el modelo). Las medidas de error se calculan sobre una rango de datos de
prueba común (a todos los modelos) constituido por k observaciones históricas y
realizando los pronósticos correspondientes con la técnica seleccionada.
Ø Desviación
media absoluta (MAD)
Ø Error
acumulado
Control
de pronósticos
Hay varias razones que pueden
dejar al pronóstico fuera de control:
ü Cambios
de tendencia.
ü Aparición
de ciclos.
ü Cambios
en el entorno.
Técnicas
de control de pronóstico
Las técnicas de control de
pronóstico permiten determinar si el pronóstico se mantiene por encima o por
debajo de la demanda. No se considera fuera de control si el pronóstico se
encuentra alternativamente por encima y por debajo.
Bibliografía:
http://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-industrial/pron%C3%B3stico-de-ventas/promedio-m%C3%B3vil/
http://www.cca.org.mx/funcionarios/biblioteca/html/finanzas_publicas/documentos/3/m3_metodos.pdf
http://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-industrial/pron%C3%B3stico-de-ventas/regresi%C3%B3n-lineal/
http://es.wikibooks.org/wiki/Manual_del_estudiante_de_Ingenier%C3%ADa_en_Sistemas_de_UTN/Sistemas_de_Gesti%C3%B3n_I/Unidad_Tem%C3%A1tica_2#Error_de_pron.C3.B3stico
http://ingpronosticos.blogspot.mx/p/errores-de-pronostico.html
http://pendientedemigracion.ucm.es/info/socivmyt/paginas/D_departamento/materiales/analisis_datosyMultivariable/18reglin_SPSS.pdf
