Documente Academic
Documente Profesional
Documente Cultură
OPERACIONES
PRONSTICOS
Clases
de
mtodos
pronsticos a utilizar:
de
1. Recopilacin de datos
2. Reduccin o condensacin de datos
3. Construccin del modelo
4. Extrapolacin del modelo
Tipos de pronsticos:
Estos pueden ser clasificados de acuerdo a tres criterios:
Segn el horizonte de tiempo
Segn el entorno econmico abarcado
Segn el procedimiento empleado
El horizonte de tiempo
Largo
Plazo
Mediano Plazo
Corto
Plazo
Pronsticos
cualitativo:
de
tipo
Cuadro de
expertos
Mtodo Delphi
Investigacin
de mercados
Analoga
histrica
Estudio de
base
Panel de
concesos
Variable
Dependiente
(aleatoria)
Intercepto
Pendient
e
Variable
Independient
e
Termino
aleatorio
del error
y i a bx i i
Componente Lineal
Component
e aleatorio
del error
i 1i
i 1
i 1
d10
d9
d6
d4
x
d3
d2
n xi2 xi
d1
n xi yi xi yi
2
i
2
2
2
i
2
n
b xi
n
Pies cuadrados
(X)
1400
1600
1700
1875
1100
1550
2350
2450
1425
1700
1500
1450
1300
1600
1700
b0 es el valor medio estimado de y cuando el valor de X es cero (si X = 0 esta en el rango de los valores X observados)
Aqui, ninguna casa tiene 0 pies cuadrados, por lo que b0 = 98.24833 solo indica que, para las casas dentro de la gama de tamaos observados,
$98,248.33 es la parte del precio de la casa que no es explicada por los pies cuadrados.
En toda ocasin es importante disponer de una medida que mida la bondad del
ajuste realizado y que permita decidir si el ajuste lineal es suficiente o se
deben buscar modelos alternativos. Como medida de bondad del ajuste se utiliza
el coeficiente de determinacin, definido como:
R2
SST
suma total de cuadrados
n 1
Ra2 1 1 R 2
PRONSTICOS
Yt
n
Yt
n
n
t 1
Y Y
t
Yt
t 1
Y Y
t 1
t 1
Yt Yt
n
18
No Lineal
residual
es
residual
es
Lineal
Varianza no constante
residual
es
residual
es
Varianza constante
residual
es
Independencia
residual
es
residual
es
No independencia
t = 1, 2, ...,
n
23
y=
y1
y2
...
yn
b0
b = b1
b2
...
bm
1 x11
X = 1 x12
... ...
1 x1n
x 21
x 22
... x m1
... x m 2
...
x2n
... ...
... x mn
y = xb +
La solucin general para los estimadores de mnimos cuadrados es
b = (xx)-1xd
24
PRONSTICOS
a corto plazo.
Proceso constante
Proceso con tendencia
Proceso estacional
25
PRONSTICOS
26
PRONSTICOS
dt a t
Dato anterior
Promedio Global
Promedio Mvil simple
Promedio Mvil ponderado
Suavizacin exponencial simple
27
PRONSTICOS
16,00
165,00
158,00
158,00
164,00
152,00
153,00
155,00
163,00
159,00
163,00
160,00
160,00
158,00
155,00
154,00
162,00
164,00
159,00
49,00
0,00
36,00
144,00
1,00
4,00
64,00
16,00
16,00
9,00
0,00
4,00
9,00
1,00
64,00
4,00
25,00
0,00
159,00
ECM =
24,32
Se observa que en
el primer dato no se
puede pronosticar,
debida a la ausencia
de datos anteriores
28
PRONSTICOS
promedio
Se observa que en
el primer dato no se
puede pronosticar,
debida a la ausencia
de datos anteriores
29
PRONSTICOS
promedio
Se observa que en
el primeros n datos
no
se
puede
pronosticar, debida
a la ausencia de
datos anteriores
30
PRONSTICOS
promedio
31
PRONSTICOS
promedio
Se observa que en
el primeros n datos
no
se
puede
pronosticar, debida
a la ausencia de
datos anteriores
32
PRONSTICOS
Este mtodo trabaja de manera similar al promedio mvil. Sin embargo en este
se asigna un factor de ponderacin distinto para cada dato. Generalmente, a la
observacin o dato ms reciente a partir del que se quiere hacer el pronstico,
se le asigna el mayor peso, y este peso disminuye en los valores de datos ms
antiguos
Otra forma de calcular los factores (a) es tambin con un modelo matemtico
donde las variables serian los factores de ponderacin y el objetivo es
minimizar el valor de el error cuadrtico medio (ECM)
33
PRONSTICOS
Ponderacin aleatoria
34
PRONSTICOS
S T d t 1 S T 1
donde ST es el pronstico para el perodo T, y a es el peso o ponderacin que se
le da al valor ms reciente.
La ventaja de este enfoque es que no es necesario guardar los datos
individuales; se calcula el pronstico a partir de un pronstico anterior el nuevo
dato.
Un valor a grande har que el promedio sea ms sensible al dato ms reciente.
Un valor ms pequeo dar ms peso a un valor promedio.
35
PRONSTICOS
36
PRONSTICOS
37
PRONSTICOS
BT sT S T 1
Se puede usar suavizacin exponencial para actualizar la estimacin de la
tendencia, lo cual lleva a la suavizacin exponencial doble, la cual se
representa por
S T d T 1 S T 1 BT 1
BT S T S T 1 1 BT 1
FT k S T kBT
38
PRONSTICOS
Promedio de los
primero 10 datos
G0
Promedio de los
ultimos 10 datos
50.4 24.5
2.59
10
39
PRONSTICOS
S T d T 1 S T 1 BT 1
BT S T S T 1 1 BT 1
Para los clculos futuros se
utiliza la formula:
FT k S T kBT
40
PRONSTICOS
MTODO WINTERS
d t a bt ct t
Donde:
a = porcin constante
b = pendiente de la componente de tendencia.
ct = factor estacional para el perodo t.
et= aleatoriedad no controlable.
Los factores estacionales se pueden ver como un porcentaje de las
componentes constantes y de tendencia para el perodo t; si la demanda en un
perodo dado de una estacin es menor que la componente de
tendencia/constante, el factor estacional ser menor que uno, y si la demanda
es mayor, ser mayor que uno.
El nmero de factores estacionales debe ser igual al nmero de estaciones al
ao.
41
PRONSTICOS
MTODO WINTERS
dt = demanda en el perodo t.
L = nmero de estaciones en el ao (o en otro marco de tiempo)
T = nmero de perodos de datos disponibles; T = mL donde m es
el nmero de aos completos de datos disponibles.
St = estimacin para el trmino constante a calculado en el
perodo t.
Bt = estimacin del trmino de tendencia b calculada en el tiempo
t.
Ct = estimacin de la componente estacional para el perodo t.
42
PRONSTICOS
MTODO WINTERS
dT
1 ST 1 BT 1
CT L
ST
BT ST ST 1 1 BT 1
dT
CT
1 CT L
ST
FT k ST kBT CT k L
43
PRONSTICOS
MTODO WINTERS
200
Demanda
Linear
(Datos)
150
100
50
0
0
6
8
Periodo
10
12
14
PRONSTICOS
MTODO WINTERS
Promedio segn
tipo de estacin
PRONSTICOS
MTODO WINTERS
ST 176.83
BT 5.5
C1 0.5
C3 1.26
C2 1.87
C4 0.37
46
PRONSTICOS
MTODO WINTERS
BT 5.5
C1 0.5
C3 1.26
C2 1.87
C4 0.37
47