PANORAMA DE LOS MÉTODOS CUANTITATIVOS
➢ Modelos de series de tiempo
Los modelos de series de tiempo predicen bajo el supuesto de que el futuro es una
función del pasado. En otras palabras, observan lo que ha ocurrido durante un
periodo y usan una serie de datos históricos para hacer un pronóstico.
➢ Modelos asociativos
Los modelos asociativos, como la regresión lineal, incorporan las variables o los
factores que pueden influir en la cantidad por pronosticar.
➢ Series de tiempo
Técnica de pronóstico que usa una serie de datos puntuales del pasado para
realizar un pronóstico.
PRONÓSTICOS DE SERIES DE TIEMPO
DESCOMPOSICIÓN DE UNA SERIE DE TIEMPO
1. La tendencia es el movimiento gradual, hacia arriba o hacia abajo, de los datos
en el tiempo. Los cambios en el ingreso, la población, la distribución de edades o
los puntos de vista culturales pueden ser causantes del movimiento en una
tendencia.
2. La estacionalidad es un patrón de datos que se repite después de un periodo de
días, semanas, meses o trimestres.
3. Los ciclos son patrones, detectados en los datos, que ocurren cada cierta
cantidad de años. Usualmente están sujetos al ciclo comercial y son de gran
importancia para el análisis y la planeación del negocio a corto plazo. La predicción
de los ciclos de negocio es difícil porque éstos pueden verse afectados por los
acontecimientos políticos o la turbulencia internacional.
4. Las variaciones aleatorias son “señales” generadas en los datos por casualidad
o por situaciones inusuales. No siguen ningún patrón discernible y, por lo tanto, no
se pueden predecir.
➢ Enfoque intuitivo
La forma más simple de pronosticar es suponer que la demanda del siguiente
periodo será igual a la demanda del periodo más reciente. En otras palabras, si las
ventas de un producto.
➢ Promedios móviles
El pronóstico de promedios móviles usa un número de valores de datos históricos
reales para generar un pronóstico. Los promedios móviles son útiles si podemos
suponer que la demanda del mercado permanecerá relativamente estable en el
tiempo.
Un promedio móvil ponderado puede expresarse matemáticamente como:
Tanto los promedios móviles simples como los ponderados son efectivos para
suavizar las fluctuaciones repentinas en el patrón de la demanda con el fin de
obtener estimaciones estables. Sin embargo, los promedios móviles presentan tres
problemas:
1. Aumentar el tamaño de n (el número de periodos promediados) suaviza de mejor
manera las fluctuaciones, pero resta sensibilidad al método ante cambios reales en
los datos.
2. Los promedios móviles no reflejan muy bien las tendencias. Porque son
promedios, siempre se quedarán en niveles pasados, no predicen los cambios hacia
niveles más altos ni más bajos. Es decir, retrasan los valores reales.
3. Los promedios móviles requieren amplios registros de datos históricos.
➢ Suavizamiento exponencial
El suavizamiento exponencial es un sofisticado método de pronóstico de promedios
móviles ponderado que sigue siendo bastante fácil de usar. Implica mantener muy
pocos registros de datos históricos. La fórmula básica para el suavizamiento
exponencial se expresa como sigue:
donde _ es la ponderación, o constante de suavizamiento, elegida por quien
pronostica, que tiene un valor de entre 0 y 1. La ecuación también puede escribirse
matemáticamente como:
La constante de suavizamiento, α, se encuentra generalmente en un intervalo de
.05 a .50 para aplicaciones de negocios. Puede cambiarse para dar más peso a
datos recientes (cuando α es alta) o más peso a datos anteriores (si α es baja).
Cuando α llega al extremo de 1.0, entonces en la ecuación, Ft = 1.0At-1. Todos los
valores anteriores se desechan y el pronóstico se vuelve idéntico al modelo.
➢ Medición del error de pronóstico
La exactitud general de cualquier modelo de pronóstico —promedios móviles,
suavizamiento exponencial u otro— puede determinarse al comparar los valores
pronosticados con los valores reales u observados. Si Ft denota el pronóstico en el
periodo t, y At denota la demanda real del periodo t, el error de pronóstico (o
desviación) se define como:
Desviación absoluta media: La primera medición del error global de pronóstico para
un modelo es la desviación absoluta media (MAD). Su valor se calcula sumando los
valores absolutos de los errores individuales del pronóstico y dividiendo el resultado
entre el número de periodos con datos (n):
Error cuadrático medio: El error cuadrático medio (MSE) es una segunda forma de
medir el error global de pronóstico. El MSE es el promedio de los cuadrados de las
diferencias encontradas entre los valores pronosticados y los observados. Su
fórmula es:
Error porcentual absoluto medio: Un problema tanto con la MAD como con el MSE
es que sus valores dependen de la magnitud del elemento que se pronostica. Si el
elemento pronosticado se mide en millares, los valores de la MAD y del MSE pueden
ser muy grandes. Para evitar este problema, podemos usar el error porcentual
absoluto medio (MAPE).
