Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 25 vistas

    Primera Parte Pronósticos

    Cargado por

    David Quispe
    Este documento describe diferentes modelos de pronóstico de series de tiempo, incluyendo el promedio móvil simple, el promedio móvil ponderado, y el modelo de ponderación exponencial. Los modelos de series de tiempo extrapolan el comportamiento histórico de una variable para predecir valores futuros, asumiendo que los patrones pasados continuarán. El documento explica cómo estos modelos asignan diferentes pesos a datos históricos más recientes y antiguos para generar pronósticos.

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd

    Primera Parte Pronósticos

    Cargado por

    David Quispe
    25 vistas8 páginas
    Este documento describe diferentes modelos de pronóstico de series de tiempo, incluyendo el promedio móvil simple, el promedio móvil ponderado, y el modelo de ponderación exponencial. Los modelos de series de tiempo extrapolan el comportamiento histórico de una variable para predecir valores futuros, asumiendo que los patrones pasados continuarán. El documento explica cómo estos modelos asignan diferentes pesos a datos históricos más recientes y antiguos para generar pronósticos.

    Descripción original:

    Pronosticos

    Título original

    Primera parte Pronósticos

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PPTX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe diferentes modelos de pronóstico de series de tiempo, incluyendo el promedio móvil simple, el promedio móvil ponderado, y el modelo de ponderación exponencial. Los modelos de series de tiempo extrapolan el comportamiento histórico de una variable para predecir valores futuros, asumiendo que los patrones pasados continuarán. El documento explica cómo estos modelos asignan diferentes pesos a datos históricos más recientes y antiguos para generar pronósticos.

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd
    Descargar como pptx, pdf o txt
    25 vistas8 páginas

    Primera Parte Pronósticos

    Cargado por

    David Quispe
    Este documento describe diferentes modelos de pronóstico de series de tiempo, incluyendo el promedio móvil simple, el promedio móvil ponderado, y el modelo de ponderación exponencial. Los modelos de series de tiempo extrapolan el comportamiento histórico de una variable para predecir valores futuros, asumiendo que los patrones pasados continuarán. El documento explica cómo estos modelos asignan diferentes pesos a datos históricos más recientes y antiguos para generar pronósticos.

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd
    Descargar como pptx, pdf o txt
    de 8

    • Modelos de pronósticos de series de tiempo

    Estos modelos producen pronósticos mediante la extrapolación del


    comportamiento histórico de valores de una sola variable particular de
    interés.
    Por ejemplo, uno podría estar interesado en las ventas de un artículo en
    particular, o también en la fluctuación a lo largo del tiempo de un precio
    específico en el mercado.
    Los modelos de series de tiempo utilizan una técnica para extrapolar el
    comportamiento histórico hacia el futuro.
    Los datos de las series de tiempo son datos históricos en orden
    cronológico, con un solo valor por periodo.
    Por lo tanto, los datos para la estación de servicio de la sección anterior no
    son datos de una serie de tiempo y no pueden analizarse utilizando las
    técnicas de esta sección.
    • Extrapolación del comportamiento histórico Ventas
    Siempre que tengamos valores para una variable de interés
    específica (una sola), que pueda ser trazada en función del
    tiempo, estos valores a menudo se conocen como series de
    tiempo, y cualquier método utilizado para analizar y extrapolar
    dichas series en el futuro entra en una categoría general
    llamada análisis de series de tiempo.
    Ésta es actualmente un área de investigación muy activa en
    estadística y ciencias de la administración. En términos de un
    desarrollo formal apenas si presentaremos una mera
    explicación superficial.
    • Ajuste de curvas
    La diferencia principal, por lo que se refiere a las series de tiempo, se debe a que el
    tiempo es la variable independiente.
    Las observaciones históricas de la variable dependiente son trazadas en función del
    tiempo, y la curva es entonces ajustada para que coincida con estos datos. La curva
    entonces se extiende hacia el futuro para obtener un pronóstico. En este contexto, la
    extensión de la curva simplemente significa una evaluación de la función obtenida para
    valores más grandes de t, el tiempo.
    En este contexto, la extensión de la curva simplemente significa una evaluación de la
    función obtenida para valores más grandes de t, el tiempo.
    El modelo de series de tiempo supone que el sistema que produce y es esencialmente
    estacionario (o estable), y continuará su acción en el futuro como ha venido ocurriendo
    en el pasado.
    Los patrones futuros en los cambios de y se parecerán mucho a los patrones pasados.
    Esto significa que el tiempo está sustituyendo muchos factores que pueden ser difíciles
    de medir pero que con el tiempo parecen variar de manera constante y sistemática.
    Si el sistema que produce y cambia de manera considerable (por ejemplo, debido a
    cambios ambientales, tecnológicos o en las políticas del gobierno), entonces la hipótesis
    de un proceso estacionario no es válida y en consecuencia un pronóstico basado en el
    tiempo como variable independiente estará muy propenso a errores.
    Igual que con los modelos causales, es, por supuesto, posible utilizar una función
    diferente a la lineal para extrapolar una serie de observaciones (es decir, para
    pronosticar el futuro).
    La hipótesis subyacente a modelos de este tipo es que el desempeño promedio
    durante el pasado reciente es un buen pronóstico del futuro.
    Ejemplo. El vicepresidente de operaciones de STECO decide probar varios
    modelos de inventarios usando datos históricos En particular, decide utilizar los
    datos de ventas mensuales del año anterior de puntales de acero inoxidable y ver
    qué tan bien hubieran funcionado si el año anterior STECO hubiera utilizado
    dichos modelos.
    =𝑣𝑒𝑛𝑡𝑎𝑠 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑎𝑠 𝑑𝑒 𝑝𝑢𝑛𝑡𝑢𝑎𝑙𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑚𝑒𝑠 𝑡
    =𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑒𝑛𝑡𝑎𝑠 𝑑𝑒 𝑝𝑢𝑛𝑡𝑢𝑎𝑙𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡
    Está interesado en elaborar un pronóstico de las ventas con un mes de
    anticipación; esto es, tomará los valores históricos conocidos y1,...,yt-1 (demanda
    en los meses 1 a t–1) y utilizará esta información para producir el pronóstico de la
    demanda en el mes t.
    En otras palabras, tomará las ventas pasadas reales, hasta mayo por ejemplo, y
    las utilizará para pronosticar las ventas de junio; después utilizará las ventas hasta
    junio para pronosticar las ventas en julio, y así sucesivamente.
    El proceso producirá una secuencia de valores . Al comparar estos valores con
    los valores yt reales observados, se obtiene un indicativo de cómo hubiera
    • Desviación media absoluta (DMA) y el error porcentual medio absoluto
    (EPMA)

    - El promedio móvil simple tiene dos inconvenientes, uno filosófico y otro


    operacional.
    - El inconveniente filosófico se centra en el hecho de que al calcular un pronóstico
    (digamos, 𝑦8 ), a la observación más reciente (y7) no se le da una mayor
    importancia o coeficiente que a una observación más antigua, como y5. Esto se
    debe a que a cada una de las últimas n observaciones se le asigna el coeficiente
    1/n. Este procedimiento de asignar coeficientes iguales es opuesto a la intuición
    personal de que en muchos casos los datos más recientes deben contener más
    información sobre el futuro que los datos más antiguos.
    - El segundo inconveniente, que es operacional, es que en el promedio móvil, si se
    van a incluir n observaciones, deben extraerse entonces (n – 1) elementos de
    datos para combinarse con la observación actual (la número n). Todos estos datos
    Éste no es un problema serio si sólo se trata de una pequeña cantidad de
    pronósticos. La situación cambia bastante para aquella empresa que necesite
    pronosticar la demanda de miles de productos individuales en una base de artículo
    por artículo.
    • Promedio móvil ponderado de n-períodos
    - La idea de que los datos recientes son más importantes que los datos más
    antiguos puede ponerse en práctica con un promedio móvil ponderado de n
    periodos. Éste generaliza el concepto de un promedio móvil simple de n periodos
    donde, como hemos visto, cada coeficiente de ponderación es 1/n. En esta forma
    más general, tomando n = 3 como ejemplo específico, podríamos hacer que

    - donde las α (que se conocen como coeficientes de ponderación) son números no


    negativos, escogidos de forma que los coeficientes más pequeños sean asignados
    a los datos más antiguos y que todos los coeficientes sumen 1. Existen, por
    supuesto, innumerables maneras de seleccionar un conjunto de α que satisfaga
    estos criterios.
    - Para hacer que Solver escoja ponderaciones que minimicen la DMA, hacemos lo
    siguiente:
    1. Hacemos clic en Herramientas, después en “Solver”.
    2. Definimos G16 como celda objetivo e indicamos a Solver que deseamos minimizarla.
    3. Indicamos que las celdas que cambian son B1:B3.
    4. Añadimos las restricciones de que (a) B4 1.0, (b) B1:B3 0, (c) B1:B3 1, (d) B1 B2, y
    (e) B2 B3 .
    5. Hacemos clic en Resolver para obtener los resultados que se muestran en la figura
    13.16
    • Ponderación exponencial: el modelo básico
    - Vimos que, utilizando un promedio móvil ponderado, hay muchas maneras diferentes
    de asignar coeficientes decrecientes de ponderación que sumen 1. Una de ellas se
    llama ponderación o suavización exponencial, que es un nombre abreviado para
    promedio móvil ponderado exponencialmente.
    - Éste es un esquema que pondera los datos recientes con mayor peso que los datos
    pasados, con coeficientes que sumen 1.
    - En este modelo, para cualquier t >=1 el pronóstico para el periodo t + 1, identificado
    como , es una suma ponderada (con coeficientes que suman 1) de las ventas
    observadas en el periodo t (es decir, yt) y del pronóstico para el periodo t (que era ).
    - Donde α es una constante especificada por el usuario tal que 0<= α <= 1
    - El valor asignado a α determina cuánto peso relativo se le da al coeficiente de
    ponderación de la observación más reciente al calcular el pronóstico del periodo
    siguiente. Observe que si a α se le asigna un valor cercano a 1, casi todo el peso se
    coloca en la demanda real del periodo t.
    - Aunque los resultados obtenidos del modelo de ponderación exponencial son
    impresionantes, está claro que los valores numéricos específicos dependen del valor
    seleccionado para la constante de ponderación α y de la “estimación inicial” .

    También podría gustarte