Unidad II
PRONÓSTICOS DE DEMANDA
MODELO CLÁSICO DE SERIES DE
TIEMPO
La suspensión fundamental de análisis de series de tiempo es que los factores que
han influido en los patrones de actividad en el pasado y el presente tendrán más o
menos la misma influencia en lo futuro. Entonces la meta principal del análisis de
serie de tiempo es: identificar y aislar estos factores de influencia con el fin de
realizar predicciones (pronosticar), así como fines administrativos de planeación y
control.
Modelo multiplicativo clásico de series
para datos anuales
Donde el año i
Ti= valor del componente de tendencia
Ci=valor del componente cíclico
Ii=valor del componente irregular
Modelo multiplicativo clásico de series de
tiempo para datos con componente
estacional.
Donde:
Ti ,Ci e Ii= valores respectivos del componente de tendencia, cíclico e irregular en el
periodo i
Si= valor del componente estacional en el periodo i
Análisis de fluctuaciones
El patrón o comportamiento de los datos en una serie de tiempo tiene diversos
componentes. El supuesto usual es el que se combinan cuatro componentes
separados: la tendencia, el cíclico, el estacional y el irregular para definir valores
específicos de la serie de tiempo.
Patrones de tendencia
Medición de variaciones estacionales e
irregulares
Mientas que la tendencia y los componentes cíclicos de una serie de tiempo se
identifican analizando los movimientos de datos históricos a través de varios años,
hay muchas series de tiempos que muestran un patrón regular dentro de un
periodo de un año. El componente de la serie de tiempo que representa la
variabilidad en los datos, debido a la influencia de las estaciones, se llama
componente estacional. Aun que uno suele imaginarse que un movimiento
estacional de una serie de tiempo sucede dentro de un año, también se puede usar
para representar cualquier patrón regularmente repetitivo.
Aplicación de ajustes estacionales.
Una aplicación frecuente de índices estacionales es la de ajustar datos de serie de
tiempo observados para eliminar la influencia del componente estacional en ellos;
se llaman datos con ajustes estacional. Los ajustes estacionales son
particularmente pertinentes cuando se desea comparar datos de diferentes meses
para determinar si ha tenido lugar un incremento (o decremento) relación con las
expectativas estacionales
Año Trimestre Ventas Índice estacional Vetas
desestacionalizadas
1996 Invierno 6.7
Primavera 4.6
Verano 10.0
Otoño 12.7
1997 Invierno 6.5
Primavera 4.6
Verano 9.8
Otoño 13.6
1998 Invierno 6.9
Primavera 5.0
Verano 10.4
Otoño 14.1
1999 Invierno 7.0
Primavera 5.5
Verano 10.8
Otoño 15.0
2000 Invierno 7.1
Primavera 5.7
Verano 11.1
Otoño 14.5
2001 Invierno 8.0
Primavera 6.2
Verano 11.4
Otoño 14.9
Pronósticos basados en factores de
tendencia y estacionales
El primer paso en un análisis de series de tiempo consiste en graficar los datos y
observar sus tendencias en el tiempo. Primero debe de determinarse si parece
haber un movimiento hacia arriba o hacia abajo a largo plazo en la serie (una
tendencia) o si la serie parece oscilar alrededor de una recta horizontal en el
tiempo. En este caso se recomienda antes de aplicar algunos de los métodos de
pronósticos suavizar nuestros datos a fin de la tendencia se observe de manera
clara.
Los métodos que pueden ampliarse para suavizar nuestros datos usualmente son:
El método de promedios móviles
El método de suavización exponencial.
El objetivo de ambos métodos es el de emparejar la serie y proporcionar un panorama
global a largo plazo. Por otro lado, y si existe una tendencia, se pueden aplicar varios
métodos de pronóstico de series de tiempo al manejar datos anuales, y otro método
para los datos de serie de tiempo mensual o trimestral.
EJEMPLO 1
Ventas de fábrica (en millones de unidades) para la general MOTORS CORPORATION
Año Venta de Datos suavizados Año Ventas de Datos suavizados
fabricación fabricación
1975 6.6 1987 7.8
1976 8.6 1988 8.1
1977 9.1 1989 7.9
1978 9.5 1990 7.5
1979 9.0 1991 7.4
1980 7.1 1992 7.7
1981 6.8 1993 7.8
1982 6.2 1994 8.4
1983 7.8 1995 8.3
1984 8.3 1996 8.4
1985 9.3 1997 8.8
1986 8.6 1998 8.1
Promedio móvil
El método de promedios móviles para suavizar una serie de tiempo es muy
subjetivo y dependiente de la longitud del movimiento seleccionado para calcular
los promedios. Los promedios móviles para un promedio determinado de longitud
L consiste en una serie de promedios aritmético en el tiempo tales que cada uno se
calcula a partir de una secuencia de valores (L) observados. Estos promedios
móviles se presentan por: PM(L)
EJERCICIO 2
Considere los siguientes datos que representan las ventas minoristas mensuales de
zapatos para atletismo
Mes Ventas(miles de dólares) Promedio móvil Pronóstico
Enero 328
Febrero 337
Marzo 341
Abril 367
Mayo 385
Junio 403
Julio 389
Agosto 376
Septiembre 428
Octubre 305
Noviembre 278
Diciembre 450
Suavización exponencial simple y doble
La suavización exponencial es otra técnica que se usa para analizar una serie de
tiempo y proporcionar una visualización global de los movimientos a largo plazo
de los datos. Además, se puede usar el método de suavización exponencial para
obtener pronósticos a corto plazo.
EJERCICIO 3
Una empresa está haciendo el marketing de un nuevo video. Se necesitan los
pronósticos de ventas de las primeras 10 semanas para efectos de la planeación
del inventario. El producto anterior más cercano experimento las siguientes ventas
en las primeras 10 semanas:
Semana Ventas (miles de unidad) Datos suavizados Pronósticos
1 63
2 46
3 34
4 27
5 24
6 20
7 18
8 16
9 15
10 13
EJERCICIO 4
Ventas de fábrica (en millones de unidades) para la general MOTORS
Continuación general Motors datos suavizados
Año Venta de Datos suavizados Año Ventas de Datos suavizados
fabricación fabricación
1975 6.6 1987 7.8
1976 8.6 1988 8.1
1977 9.1 1989 7.9
1978 9.5 1990 7.5
1979 9.0 1991 7.4
1980 7.1 1992 7.7
1981 6.8 1993 7.8
1982 6.2 1994 8.4
1983 7.8 1995 8.3
1984 8.3 1996 8.4
1985 9.3 1997 8.8
1986 8.6 1998 8.1
EJERCICIO 6
Ingresos de agencia de ventas de automóviles
Año Ingresos Promedio móvil Datos suavizados
1987 4.0
1988 5.0
1989 7.0
1990 6.0
1991 8.0
1992 9.0
1993 5.0
1994 2.0
1995 3.5
1996 5.5
1997 6.5
Pronóstico
