CAPITULO II (Continuación)

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