Modelos de Pronosticos

MODELOS DE PRONOSTICOS
INTRODUCCION
En la toma de decisiones se elaboran planes para el futuro. Entonces, los datos que
describen la situacin de la decisin deben representar lo que suceder en el futuro. Por
ejemplo, en el control de inventarios, las decisiones se basan en la naturaleza de la
demanda del artculo controlado durante determinado horizonte de planeacin. Tambin,
en la planeacin financiera, se necesita pronosticar la pauta del flujo de efectivo a travs
del tiempo.
En este captulo se presentan tres tcnicas para pronosticar cambios futuros en el valor
de determinada variable en funcin del tiempo. Son promedio mvil, suavizacin
exponencial y regresin.
TCNICA DEL PROMEDIO MVIL
En esta tcnica se supone que la serie de tiempo1 es estable en el sentido que su valor yt
para el periodo t sigue un proceso constante que se describe con:

en donde
b = Parmetro constante desconocido, estimado a partir de datos histricos
i=Componente aleatorio (ruido) para el periodo t, con media cero y varianza constante
La tcnica supone que no estn correlacionados los datos para los distintos periodos.
La tcnica del promedio mvil supone que las n observaciones ms recientes tienen igual
importancia para estimar el parmetro b. As, en determinado periodo t, si los datos para
los n periodos ms recientes son yt-n+1, yt-n+2, ..., yt, entonces el valor estimado para el
periodo
t +1 se calcula como sigue:

No hay una regla exacta para seleccionar n, la base del promedio mvil. Si las variaciones
de la variable permanecen razonablemente constantes al paso del tiempo, se recomienda
una n grande. En caso contrario, si los datos tienen pautas cambiantes, se aconseja un
valor pequeo de n. En la prctica, ese valor va de 2 a 10.

EJEMPLO
La demanda (en cantidad de unidades) de un artculo en inventario durante los ltimos 24
meses se resume en la tabla 13.1. Use la tcnica del promedio mvil para pronosticar la
demanda del mes prximo (t = 25).

Para seleccionar un valor razonable para n, la cantidad de periodos de clculo del
promedio mvil, se examina primero la naturaleza de los datos. Los datos de la tabla 13.1
muestran que la demanda yt tiene una tendencia creciente respecto al tiempo. Hablando
con generalidad, esa tendencia significa que el promedio mvil no sera un buen predictor
durante un horizonte de planeacin prolongado. En particular, el uso de una base grande
n para el promedio mvil no se aconseja en este caso, porque suprimir la tendencia de
los datos. Eso quiere decir que es preferible usar aqu una n pequea, porque permite
capturar la tendencia de los datos.
Si se usa n =3, la demanda estimada para el mes prximo (t =25) ser igual al promedio
de las demandas para los meses 22, 23 y 24, esto es

La demanda estimada para t = 25 se usa ahora para estimar la demanda para t =26,
como sigue:

Cuando se conozca la demanda real para t = 25, se debe usar para volver a estimar la
demanda
para t = 26, como promedio de los periodos 23, 24 y 25.

SUAVIZACIN EXPONENCIAL
En la tcnica de suavizacin exponencial se supone que el proceso es constante o que
cambia con lentitud al paso del tiempo; es la misma hiptesis que la que se usa en el
mtodo del promedio mvil. Sin embargo, el objeto es compensar un inconveniente del
mtodo del promedio mvil. En forma especfica, la suavizacin exponencial asigna un
peso mayor a la observacin ms reciente. Esto contrasta con el mtodo del promedio
mvil, en el que a todas las observaciones se asignan pesos iguales.
Se define (0 <<1) como constante de suavizacin y se supone que los puntos de la
serie del tiempo para los ltimos t periodos son y1, y2, ..., yt. Entonces y
*
t+1, el estimado
para el periodo t +1, se calcula como sigue:

Como los coeficientes respectivos de yt, yt-1, yt-2, . . . son progresivamente menores, el
nuevo procedimiento asigna ms peso a los puntos de los datos ms recientes.
La frmula para calcular yt+1 se puede simplificar como sigue:

De esta forma se puede calcular yt*+1 a partir de
y*
t
. En forma recursiva. La ecuacin
recursiva se inicia saltndose la estimacin y1* en t =1 y tomando el estimado para t = 2
como igual al dato real para t=1; esto es
En realidad, cualquier procedimiento

razonable se puede usar para iniciar los clculos. Por ejemplo, hay quienes sugieren
estimar a
como el promedio de una cantidad razonable de periodos al iniciar la serie

de tiempo.
La seleccin de la constante de suavizacin es bsica para estimar los pronsticos del
futuro. Un valor mayor de implica que las observaciones ms recientes tienen mayor
peso.
En la prctica, el valor de va de 0.01 a 0.30.

EJEMPLO

Aplicar la tcnica de suavizacin exponencial a los datos del ejemplo 13.1-1. Usar =0.1.
Los clculos se hacen saltndose
y suponiendo que
unidades. Para
ilustrar los clculos recursivos se tienen

REGRESIN
El anlisis de regresin determina la relacin entre una variable dependiente (por ejemplo,
la demanda de un artculo) y una variable independiente (por ejemplo, el tiempo). La
frmula general de regresin entre la variable independiente x y la variable dependiente y
es

Las constantes b0, b1, ..., bn son parmetros desconocidos que se deben determinar a
partir de los datos disponibles. El error aleatorio e tiene media cero y desviacin estndar
constante.
La forma ms sencilla de modelo de regresin supone que la variable dependiente vara
en forma lineal respecto a la variable independiente, esto es, que

Las constantes a y b se calculan aplicando el criterio de los mnimos cuadrados, que
minimiza la suma del cuadrado de las diferencias entre los valores observados y los
estimados.
Dado el i-simo punto de dato (yi, xi), i _ 1, 2, ..., n, la suma de los cuadrados de las
desviaciones entre los valores observados y estimados se define como

Los valores de a y b se calculan resolviendo las siguientes condiciones necesarias para
minimizar
S:

Con algo de manipulacin algebraica se obtiene la siguiente solucin:

en donde

Estas ecuaciones indican que primero se necesita calcular b, a partir del cual se puede
calcular a.
Las estimaciones de a y b son vlidas para cualquier distribucin de probabilidades de
yi. Sin embargo, si yi tiene distribucin normal con una desviacin estndar constante, se
puede
establecer un intervalo de confianza para el valor medio del estimador en x =x
0
(es decir,
y
0
=a _ bx
0
), que es

Para los valores futuros (pronosticados) de y, la variable dependiente, interesa determinar
su intervalo de prediccin (y no el intervalo de confianza de su valor medio). Como era
de esperarse, el intervalo de prediccin de un valor futuro es ms ancho que el intervalo
de confianza del valor medio. En realidad, la frmula del intervalo de prediccin es igual
que la del intervalo de confianza, excepto que el trmino
bajo la segunda raz cuadrada

se sustituye con

Se puede probar lo bien que se ajusta el estimador lineal y* =a + bx a sus datos
calculando el coeficiente de correlacin, r, con la frmula

En donde
Si , existe un ajuste lineal perfecto entre x y y. En general, mientras ms se
acerque
el valor de |r | a 1, el ajuste lineal es mejor. Si r = 0, puede ser o puede no ser que x y y
sean independientes, ya que dos variables dependientes pueden dar como resultado r =
0.

EJEMPLO

Aplicar el modelo de regresin lineal a los datos del ejemplo 13.1
De acuerdo con los datos de la tabla 13.1

En consecuencia

Entonces, la demanda estimada es

Por ejemplo, con x _=25, y* _=50 + 0.58(25) = 64.5 unidades.
El clculo del coeficiente de correlacin es como sigue:

El valor relativamente bajo de r indica que y* = 50 +0.58x podra no ser un buen ajuste
lineal para los datos. Usualmente, en un ajuste razonablemente bueno se requiere que
||
Suponga que deseamos calcular el intervalo a un 95% de confianza para un estimador
lineal dado. Primero necesitamos calcular la suma de los cuadrados de las desviaciones
con respecto de la lnea de ajuste. La tabla siguiente resume esta informacin.
En las tablas t, en el apndice C, se ve que t0.025, 22 = 2.074. Entonces, el intervalo de
confianza que se busca se calcula como sigue:

TABLA 1.2

Que se puede simplificar a

Para ilustrar el clculo del intervalo de prediccin, supngase que interesa establecer ese
intervalo para el estimado de la demanda para el prximo mes (x
0
=25). En ese caso, se
debe reemplazar el coeficiente 0.042 por 1.042, y el clculo del intervalo de prediccin es
(64.5 16.66), o sea (47.84, 81.16). Entonces se dice que hay 95% de posibilidades de
que la demanda en x = 25 sea entre 47.84 unidades y 81.16 unidades.

Modelos de Pronosticos

Cargado por

Copyright:

Formatos disponibles

Modelos de Pronosticos

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modelos de Pronosticos

Cargado por

Copyright:

Formatos disponibles

MODELOS DE PRONOSTICOS

En realidad, cualquier procedimiento

como el promedio de una cantidad razonable de periodos al iniciar la serie

bajo la segunda raz cuadrada

También podría gustarte