INVESTIGACIÓN DE OPERACIONES II
PRONÓSTICO
WILFREDO BERRIO BLANCO
MARIA M. DUEÑAS FUENTES
ROBERTO AHUMADA
UNIVERSIDAD DE CARTAGENA
OCTAVO SEMESTRE
7/10/19
PRONOSTICOS
Por definición se entiende que un pronóstico es una estimación cuantitativa o
cualitativa de uno o varios factores (variables) que conforman un evento futuro con
base a información actual o del pasado. En el sentido práctico, Los pronósticos son
una de las herramientas fundamentales para la toma de decisiones dentro de las
organizaciones tanto productivas como sin fines de lucro. Algunas de las áreas en
donde se utilizan pronósticos en la industria son la planeación y control de
inventarios, producción, finanzas, ventas, comercialización, entre muchas otras.
El objetivo principal de los pronósticos es reducir la incertidumbre acerca de lo que
puede acontecer en el futuro proporcionando información cercana a la realidad que
permita tomar decisiones sobre los cursos de acción a tomar tanto en el presente
como en el futuro.
Métodos de elaboración de pronósticos: Se clasifican como cuantitativos o
cualitativos.
Los métodos cuantitativos se utilizan cuando:
Se dispone de información pasada sobre la variable que se pronosticará
La información puede cuantificarse
Es razonable suponer que el patrón del pasado seguirá ocurriendo en el
futuro. En estos casos puede elaborarse un pronóstico con un método de
series de tiempo o un método causal.
Si los datos históricos se restringen a valores pasados de la variable que tratamos
de pronosticar, el procedimiento de elaboración de pronósticos se llama método de
serie de tiempo.
El objetivo de los métodos de serie de tiempo es descubrir un patrón en los datos
históricos y luego extrapolarlo hacia el futuro; el pronóstico se basa sólo en valores
pasados de la variable que tratamos de pronosticar o en errores pasados.
En este curso se explican tres métodos de series de tiempo: suavización (promedios
móviles, promedios móviles ponderados y suavización exponencial), proyección de
tendencias y proyección de tendencias ajustada por influencia estacional.
Los métodos cualitativos:
Por lo general involucran el uso del juicio experto para elaborar pronósticos.
Una ventaja de los procedimientos cualitativos es que pueden aplicarse
cuando la información sobre la variable que se está pronosticando no puede
cuantificarse o son escasos.
TÉCNICAS DE PRONÓSTICOS
Modelo matemático para aplicar pronósticos promedio móvil:
En éstas técnicas o métodos se atenúan o suavizan los datos (es decir los
valores observados en la serie de tiempo que se está analizando) obteniendo
la media aritmética de un subconjunto de los datos históricos más recientes
observados eliminando la observación o dato histórico más antiguo cada vez
que se dispone de una nueva observación o dato. De manera que el
promedio o media aritmética se va, por decirlo así, moviendo o desplazando,
es por esto que se les conocen o nombran como “promedios móviles”.
Basados en esas medias o promedios obtenidos se calcula el valor estimado
para el siguiente periodo, o dicho de otra manera el valor pronosticado para
ese periodo. Existiendo diferentes formas o variantes de hacerlo en cada
método o técnica particular. El número de datos a tomar en cuenta para
obtener los promedios, es una decisión que corresponde al juicio del analista
en cuestión, es decir a la persona que está calculando los pronósticos
basados en esa serie de tiempo en particular.
El pronóstico de promedio móvil es óptimo para patrones de demandas
aleatorias o niveladas donde se pretende eliminar el impacto de los
elementos irregulares históricos mediante un enfoque en períodos de
demanda reciente.
FÓRMULA
En donde:
Promedio de ventas en unidades en el periodo t
Sumatoria de datos
Ventas reales en unidades de los periodos anteriores a t
Numero de datos
EJEMPLO DE APLICACIÓN DE UN PRONÓSTICO DE PROMEDIO MÓVIL
No. 1
Una compañía presenta en el siguiente tabulado el reporte de ventas
correspondiente al año 2009.
MES VENTAS REALES (2009)
Enero 80
Febrero 90
Marzo 85
Abril 70
Mayo 80
Junio 105
Julio 100
Agosto 105
Septiembre 100
Octubre 105
Noviembre 100
Diciembre 150
Teniendo en cuenta los datos anteriores, se debe calcular un pronóstico mediante
la técnica de Promedio Móvil utilizando:
Un período de 3 meses (a partir de abril de 2009)
Un período de 6 meses (a partir de julio de 2009)
El objetivo consiste en identificar con cuál de los dos períodos del pronóstico se
obtiene mayor precisión al compararse con las ventas reales del reporte.
Solución
Al ser un pronóstico con un período móvil de 3 meses, este deberá efectuarse a
partir del mes de abril, es decir que para su cálculo tendrá en cuenta tres períodos,
es decir, Enero, Febrero y Marzo.
Luego para efectuar la previsión del mes de Mayo, deberán tenerse en cuenta los
últimos tres períodos que anteceden al mes de Mayo, es decir Febrero, Marzo y
Abril.
De esta manera se efectúan las previsiones restantes obteniendo el siguiente
resultado:
MES VENTAS REALES (2009) PRONÓSTICO 3 MESES
Enero 80
Febrero 90
Marzo 85
Abril 70 85
Mayo 80 82
Junio 105 78
Julio 100 85
Agosto 105 95
Septiembre 100 103
Octubre 105 102
Noviembre 100 103
Diciembre 150 102
El pronóstico restante al ser un pronóstico con un período móvil de 6 meses, este
deberá efectuarse a partir del mes de Julio, es decir que para su cálculo tendrá en
cuenta seis períodos, es decir, Enero, Febrero, Marzo, Abril, Mayo y Junio.
De esta manera se efectúan las previsiones restantes obteniendo el siguiente
resultado:
VENTAS REALES PRONÓSTICO 3 PRONÓSTICO 6
MES
(2009) MESES MESES
Enero 80
Febrero 90
Marzo 85
Abril 70 85
Mayo 80 82
Junio 105 78
Julio 100 85 85
Agosto 105 95 88
Septiembre 100 103 91
Octubre 105 102 93
Noviembre 100 103 99
Diciembre 150 102 103
Aunque existen diversos indicadores de precisión de un pronóstico, en este caso el
resultado es más que evidente, pues podemos observar como el pronóstico con un
período móvil de 3 meses logra aproximarse en una mayor medida a las ventas
reales del año 2009 con relación a las previsiones obtenidas mediante el pronóstico
con un período móvil de 6 meses.
PROMEDIO MÓVIL PONDERADO
Este método de pronóstico es una variación del promedio móvil. Mientras, en el
promedio móvil simple se le asigna igual importancia a cada uno de los datos que
componen dicho promedio, en el promedio móvil ponderado podemos asignar
cualquier importancia (peso) a cualquier dato del promedio (siempre que la
sumatoria de las ponderaciones sean equivalentes al 100%). Es una práctica regular
aplicar el factor de ponderación (porcentaje) mayor al dato más reciente.
El pronóstico de promedio móvil ponderado es óptimo para patrones de demanda
aleatorios o nivelados donde se pretende eliminar el impacto de los elementos
irregulares históricos mediante un enfoque en períodos de demanda reciente, dicho
enfoque es superior al del promedio móvil simple.
FÓRMULA
Promedio de ventas en unidades en el período t
Sumatoria de datos
Factor de ponderación
Ventas o demandas reales en unidades de los períodos anteriores a t
Número de datos
EJEMPLO DE APLICACIÓN DE UN PRONÓSTICO DE PROMEDIO MÓVIL
No. 2 (PONDERACIÓN)
Un almacén ha determinado que el mejor pronóstico se encuentra determinado con
4 datos y utilizando los siguientes factores de ponderación (40%, 30%, 20% y 10%).
Determinar el pronóstico para el período 5.
Período Ventas (unidades) Ponderación
Mes 1 100000 10%
Mes 2 90000 20%
Mes 3 105000 30%
Mes 4 95000 40%
Solución
En este caso el primer paso consiste en multiplicar a cada período por su
correspondiente factor de ponderación, luego efectuar la sumatoria de los
productos.
Podemos así determinar que el pronóstico de ventas para el período 5 es
equivalente a 97500 unidades.
Modelo matemático para aplicar pronósticos por suavización
exponencial:
El método de suavización o suaviza miento exponencial simple puede considerarse
como una evolución del método de promedio móvil ponderado, en éste caso se
calcula el promedio de una serie de tiempo con un mecanismo de autocorrección
que busca ajustar los pronósticos en dirección opuesta a las desviaciones del
pasado mediante una corrección que se ve afectada por un coeficiente de
suavización.
Así entonces, este modelo de pronóstico precisa tan sólo de tres tipos de datos: el
pronóstico del último período, la demanda del último período y el coeficiente de
suavización.
El pronóstico de suavización exponencial simple es óptimo para patrones de
demanda aleatorios o nivelados donde se pretende eliminar el impacto de los
elementos irregulares históricos mediante un enfoque en períodos de demanda
reciente, este posee una ventaja sobre el modelo de promedio móvil ponderado ya
que no requiere de una gran cantidad de períodos y de ponderaciones para lograr
óptimos resultados.
FÓRMULAS
Para efectos académicos suele proporcionarse el factor de suavización, sin
embargo en la práctica éste es comúnmente hallado de la forma descrita arriba.
Promedio de ventas en unidades en el período t
Pronóstico de ventas en unidades del período t
-1
Ventas reales en unidades en el período t - 1
Coeficiente de suavización (entre 0,0 y 1,0)
Ejemplo de aplicación de un pronóstico de Suavización Exponencial (Simple)
No. 1
En Enero un vendedor de vehículos estimó unas ventas de 142 automóviles para el
mes siguiente. En Febrero las ventas reales fueron de 153 automóviles. Utilizando
una constante de suavización exponencial de 0.20 presupueste las ventas del mes
de Marzo.
Solución
Podemos así determinar que el pronóstico de ventas para el período 3
correspondiente a Marzo es equivalente a 144 automóviles.
SUAVIZACIÓN EXPONENCIAL DOBLE: MÉTODO DE HOLT
Cuándo se abordan las series de tiempo en algunos casos es identificable que el
comportamiento de un grupo de datos puede arrojar una tendencia clara e
información que permita anticipar movimientos futuros. Estimar una tendencia nos
proporciona las actualizaciones de nivel que mitigan los cambios ocasionales de
una serie de tiempo. Charles Holt en 1957 desarrolló un modelo de tendencias
lineales que evolucionan en una serie de tiempo y puede usarse para generar
pronósticos, este modelo recibe el nombre de suavización o suavizamiento
exponencial doble.
El pronóstico de suavización exponencial simple es óptimo para patrones de
demanda que presentan una tendencia, al menos localmente, y un patrón estacional
constante, en el que se se pretende eliminar el impacto de los elementos irregulares
históricos mediante un enfoque en períodos de demanda reciente.
FÓRMULAS
El método de suavización exponencial doble o método de Holt usa tres ecuaciones
fundamentales:
Pronóstico del período t:
La serie suavizada exponencialmente (primera suavización):
El estimado de la tendencia:
En donde:
Pronóstico del período t
Pronóstico del período t-1
Suavización exponencial del período t
Suavización exponencial del período t-1
Tendencia del período t
Tendencia del período t-1
Coeficiente de suavización (entre 0,0 y 1,0)
Coeficiente de suavización para la tendencia (entre 0,0 y 1,0)
EJEMPLO DE APLICACIÓN DE UN PRONÓSTICO DE SUAVIZACIÓN
EXPONENCIAL NO. 2 (DOBLE)
La firma de control ambiental "Mauricio Galindez" usa suavización exponencial
doble para pronosticar la demanda de un equipo para el control de contaminación,
demanda que aparentemente presenta una tendencia creciente.
Mes Demanda
1 12
2 17
3 ?
Según la experiencia de sus ingenieros de planeación se sugiere unos coeficientes
de alfa = 0,2 y beta 0,4. Suponer que el pronóstico para el mes 1 fue de 11 unidades
y la tendencia durante el mismo período fue de 2 unidades. Con base en lo anterior,
determinar el pronóstico del mes 3.
Solución
El primer paso consiste en hallar el Suavizamiento exponencial del período 2, dicho
cálculo se efectúa así:
El segundo paso consiste en hallar el estimado de la tendencia, dicho cálculo se
efectúa así:
El tercer paso consiste en hallar el pronóstico del período 2, dicho cálculo se efectúa
así:
Ahora procedemos a efectuar los mismos cálculos para el período siguiente, de esta
manera:
Podemos así determinar que el pronóstico de ventas para el período 3 es
equivalente a 17,28, al tratarse de unidades enteras se hace necesario redondear,
y es decisión del encargado de planeación determinar si lo hace por exceso o por
defecto.
Regresión y correlación simple:
El análisis de regresión consiste en emplear métodos que permitan
determinar la mejor relación funcional entre dos o más variables
concomitantes (o relacionadas), y el análisis de correlación, el grado de
asociación de las mismas. Es decir; no sólo se busca una función matemática
que exprese de qué manera se relacionan, sino también con que precisión
se puede predecir el valor de una de ellas si se conoce los valores de las
variables asociadas.
Análisis de regresión:
Una relación funcional matemáticamente hablando, está dada por:
Y = f(x1,...,xn; θ1,...,θm)
Dónde:
Y: Variable respuesta (o dependiente)
Xi: La i-ésima variable independiente (i=1,...,n)
Θj: El j-ésimo parámetro en la función (j=1,...m)
F: La función
Para elegir una relación funcional particular como la representativa de la
población bajo investigación, usualmente se procede:
1) Una consideración analítica del fenómeno que nos ocupa, y
2) Un examen de diagramas de dispersión.
Una vez decidido el tipo de función matemática que mejor se ajusta (o
representa nuestro concepto de la relación exacta que existe entre las
variables) se presenta el problema de elegir un expresión particular de esta
familia de funciones; es decir, se ha postulado una cierta función como
término del verdadero estado en la población y ahora es necesario estimar
los parámetros de esta función (ajuste de curvas).
Como los valores de los parámetros no se pueden determinar sin errores por
que los valores observados de la variable dependiente no concuerdan con
los valores esperados, entonces la ecuación replanteada, estadísticamente,
sería:
Y = f(x1,...xn;θ1,...,θm) + ε
Donde ε representa el error cometido en el intento de observar la
característica en estudio, en la cual muchos factores contribuyen al valor que
asume ε.
Regresión lineal simple
Cuando la relación funcional entre las variables dependientes (Y) e
independiente (X) es una línea recta, se tiene una regresión lineal simple,
dada por la ecuación:
Y = βo + β1X + ε
Donde:
Βo: El valor de la ordenada donde la línea de regresión se intersecta al eje
Y.
β1: El coeficiente de regresión poblacional (pendiente de la línea recta)
ε: El error
Análisis de correlación:
El análisis de correlación consiste en emplear métodos que permitan medir
el grado o intensidad de asociación entre dos o más variables. El concepto
de correlación está estrechamente vinculado al concepto de regresión, pues,
para que una ecuación de regresión sea razonable los puntos muestrales
deben estar ceñidos a la ecuación de regresión; además el coeficiente de
correlación debe ser:
grande cuando el grado de asociación es alto, y pequeño cuando es bajo
independiente de las unidades en que se miden las variables.
Correlación lineal simple:
El coeficiente de correlación (r) es un número que indica el grado o intensidad
de asociación entre las variables X e Y. Su valor varía entre -1 y +1; esto es:
-1 ≤ r ≤ 1. Si r=-1, la asociación es perfecta pero inversa; es decir, a valores
altos de una variable le corresponde valores bajos a la otra variable, y
viceversa. Si r=+1, también la asociación es perfecta pero directa. Si r=0, no
existe asociación entre las dos variables.
Luego puede verse que a medida que r se aproxime a -1 ó +1 la asociación
es mayor, y cuando se aproxima a cero la asociación disminuye o
desaparece. El coeficiente de correlación está dada por:
EJEMPLOS REGRESION Y CORRELACION SIMPLE No. 1
Cinco niños de 2, 3, 5, 7 y 8 años de edad pesan, respectivamente, 14, 20, 32, 42 y
44 kilos.
1. Hallar la ecuación de la recta de regresión de la edad sobre el peso.
2. ¿Cuál sería el peso aproximado de un niño de seis años?
Solución:
xi yi xi² yi² xi · yi
2 14 4 196 28
3 20 9 400 60
5 32 25 1 024 160
7 42 49 1 764 294
8 44 64 1 936 352
25 152 151 5 320 894
EJEMPLOS REGRESION Y CORRELACION SIMPLE No. 2
Un centro comercial sabe en función de la distancia, en kilómetros, a la que se sitúe
de un núcleo de población, acuden los clientes, en cientos, que figuran en la tabla:
Nº de Clientes (X) Distancia (Y)
8 15
7 19
6 25
4 23
2 34
1 40
1. Calcular el coeficiente de correlación lineal.
2. Si el centro comercial se sitúa a 2 km, ¿cuántos clientes puede esperar?
3. Si desea recibir a 5 clientes, ¿a qué distancia del núcleo de población debe
situarse?
xi yi xi ·yi x i² yi²
8 15 120 64 225
7 19 133 49 361
6 25 150 36 625
4 23 92 16 529
2 34 68 4 1 156
1 40 40 1 1 600
28 156 603 170 4 496
Correlación negativa muy fuerte.
Regresión y correlación múltiple:
La regresión lineal es una técnica estadística destinada a analizar las causas
de por qué pasan las cosas. A partir de los análisis de regresión lineal múltiple
podemos:
Identificar que variables independientes (causas) explican una variable
dependiente (resultado)
Comparar y comprobar modelos causales
Predecir valores de una variable, es decir, a partir de unas características
Predecir de forma aproximada un comportamiento o estado
La regresión lineal múltiple es la gran técnica estadística para comprobar
hipótesis y relaciones causales. Ante de empezar, una serie de condiciones que
se deben cumplir para poder aplicar la regresión lineal múltiple:
La variable dependiente (resultado) debe ser ordinal o escalar, es decir, que
las categorías de la variable tengan orden interno o jerarquía, p.ej. nivel de
ingresos, peso, número de hijos, justificación del aborto en una escala de 1-
nunca a 10-siempre.
Las variables independientes (causas) deben ser ordinales o escalares o
dummy
Hay otras condiciones como: las variables independientes no puede estar
altamente correlacionadas entre sí, las relaciones entre las causas y el
resultado deben ser lineales, todas variables deben seguir la distribución
normal y deben tener varianzas iguales. Estas condiciones no son tan
estrictas y hay maneras de tratar los datos si se incumple.
Para determinar el grado de relación entre las variables se debe calcular los
coeficientes de correlación, los cuales miden la dependencia lineal entre dos
variables. Este coeficiente para las variables y es dado por
donde es la covarianza muestral entre y determinada por
la expresión:
Una manera fácil de determinar las covarianzas entre cualquier par de
variables es mediante la matriz de covarianzas y varianzas muestrales. Se
puede obtener una matriz que contenga todas las correlaciones entre las
variables. Esta matriz es llamada matriz de correlación muestral , la cual se
puede obtener a partir de la matriz de la matriz de varianzas y covarianzas
, al aplicar la siguiente expresión:
donde es una matriz diagonal que contiene las desviaciones estándar
de las variables. Si se tienen variables entonces la matriz de correlación
tiene la siguiente estructura
donde
r = coeficiente de correlación entre la variable y
r = coeficiente de correlación entre la variable y
Algunas características de esta matriz son:
1. Es una matriz simétrica, para todo , o también
2. Los elementos de la diagonal toman el valor de , ya que para todo
.
3. es una matriz semidefinida positiva, es decir para un vector cualquiera
de números reales, se cumple que .
EJEMPLOS DE REGRESION Y CORRELACION MULTIPLE
A partir de los siguientes datos referentes a horas trabajadas en un taller (X),
y a unidades producidas (Y), determinar la recta de regresión de Y sobre X,
el coeficiente de correlación lineal e interpretarlo.
Horas (X) Producción (Y)
80 300
79 302
83 315
84 330
78 300
60 250
82 300
85 340
79 315
84 330
80 310
62 240
Solución
.
xi yi xi² yi² xi ·yi
80 300 6 400 90 000 24 000
79 302 6 241 91 204 23 858
83 315 6 889 99 225 26 145
84 330 7 056 108 900 27 720
78 300 6 084 90 000 23 400
60 250 3 600 62 500 15 000
82 300 6 724 90 000 24 600
85 340 7 225 115 600 28 900
79 315 6 241 99 225 24 885
84 330 7 056 108 900 27 720
80 310 6 400 96 100 24 800
62 240 3 844 57 600 14 880
936 3 632 73 760 1 109 254 285 908
Correlación positiva muy fuerte
2.
La tabla siguiente nos da las notas del test de aptitud (X) dadas a seis
dependientes a prueba y ventas del primer mes de prueba (Y) en cientos de
euros.
X 25 42 33 54 29 36
Y 42 72 50 90 45 48
1 Hallar el coeficiente de correlación e interpretar el resultado obtenido.
2 Calcular la recta de regresión de Y sobre X. Predecir las ventas de un
vendedor que obtenga 47 en el test.
xi yi xi² yi² xi ·yi
25 42 625 1 764 1 050
42 72 1 764 5 184 3 024
33 50 1 089 2 500 1 650
54 90 2 916 8 100 4 860
29 45 841 2 025 1 305
36 48 1 296 2 304 1 728
209 347 8 531 21 877 13 617
