Pronósticos clase2

Click here to load reader

download Pronósticos clase2

of 43

Embed Size (px)

Transcript of Pronósticos clase2

1. Saltar a la primera pgina Pronsticos 2. Saltar a la primera pgina Entorno altamente incierto La intuicin no necesariamente da los mejores resultados Mejorar la planeacin Competitividad y cambio 1.1. Necesidad de pronosticar 3. Saltar a la primera pgina 1.2. Tipos de pronsticos Por su plazo: De corto plazo De Mediano plazo De largo plazo Segn el entorno a pronosticar Micro Macro Segn el procedimiento empleado Cualitativo Cuantitativo 4. Saltar a la primera pgina 1. Recopilacin de datos 2. Reduccin o condensacin de datos 3. Construccin del modelo 4. Extrapolacin del modelo 1.3. Pasos de la elaboracin de pronsticos 5. Saltar a la primera pgina 2. Exploracin de patrones de datos Se requieren suficientes datos histricos Se apoyan en la suposicin de que el pasado puede extenderse hacia el futuro 6. Saltar a la primera pgina Las tcnicas cuantitativas pueden ser: Estadsticas Se enfocan en patrones y en cambios en los patrones y sus perturbaciones Determinsticas Son de tipo causal, establecen relacin entre la variable a pronosticar y otras variables 7. Saltar a la primera pgina Con relacin a las tcnicas cuantitativas estadsticas se presentan dos enfoques: Los datos se pueden descomponer en componentes de tendencia, cclicos, estacionales y aleatorios. Modelos economtricos de series de tiempo y Box-Jenkins. 8. Saltar a la primera pgina 3. Componentes de series de tiempo: Una serie de tiempo consta de datos que se renen, registran u observan sobre incrementos sucesivos de tiempo. Se requiere un enfoque sistemtico para analizarlas. 9. Saltar a la primera pgina Descomposicin clsica de series de tiempo: Componente Descripcin Tendencia Es el componente de largo plazo que representa el crecimiento o disminucin en la serie sobre un periodo amplio. Cclico Es la fluctuacin en forma de onda alrededor de la tendencia. Estacional Es un patrn de cambio que se repite a s mismo ao tras ao. Aleatorio Mide la variabilidad de las series de tiempo despus de retirar los otros componentes. 10. Saltar a la primera pgina 4. Seleccin de una tcnica de pronstico: Datos estacionarios Las fuerzas que generan la serie se han estabi- lizado y el medio permanece relativamente sin cambios. Se puede lograr la estabilidad haciendo correcciones sencillas a factores como crecimiento de la poblacin o la inflacin. La serie se puede transformar en una serie estable. La serie es un conjunto de errores de pronstico, de una tcnica de pronstico que se considera adecuada. 11. Saltar a la primera pgina 4. Seleccin de una tcnica de pronstico: Datos con tendencia Productividad creciente y nueva tecnologa producen cambios. El incremento de la poblacin elevan la demanda por productos. El poder de compra se afecta por la inflacin. Aumenta la aceptacin en el mercado de un producto. 12. Saltar a la primera pgina 4. Seleccin de una tcnica de pronstico: Datos con estacionalidad El clima influye en la variable de inters. El ao calendario influye en la variable. 13. Saltar a la primera pgina 4. Seleccin de una tcnica de pronstico: Series cclicas El ciclo del negocio influye sobre la variable. Cambios en el gusto popular. Cambios en la poblacin. Cambios en el ciclo de vida del producto. 14. Saltar a la primera pgina 5. Medicin del error en el pronstico Se compara la precisin de dos o ms tcnicas de pronstico. Se mide la confiabilidad de una tcnica de pronstico. Se busca la tcnica ptima. 15. Saltar a la primera pgina 5. Medicin del error en el pronstico Periodo, t Yt Pronstico, Yt 1 58 - 2 54 58 3 60 54 4 55 60 5 62 55 6 62 62 7 65 62 8 63 65 9 70 63 16. Saltar a la primera pgina 5. Frmulas de medicin del error en el pronstico ttt tt t YYe residualopronsticodelError YparapronsticodelvalorY tperiodoelentiempodeserieunadevalorY : = = = 17. Saltar a la primera pgina 5. Frmulas de medicin del error en el pronstico ( ) n YY EMC cuadradomedioError n YY DAM mediaabsolutaDesviacin n t tt n t tt = = = = 1 2 1 : : 18. Saltar a la primera pgina 5. Frmulas de medicin del error en el pronstico ( ) n Y YY PME errordemedioPorcentaje n Y YY PEMA absolutomedioerrordePorcentaje n t t t n t t tt = = = = 1 1 : : 19. Saltar a la primera pgina 6. Modelos de series de tiempo 6.1. Modelos no formales: Estas tcnicas suponen que los periodos recientes son los mejores para pronosticar el futuro. El mtodo ms sencillo es el mtodo del ltimo valor: Pronstico = ltimo valor 20. Saltar a la primera pgina 6.1. Mtodo del ltimo valor t Yt Yt+1 et 1 42 2 52 42 10 3 54 52 2 4 65 54 11 5 51 65 -14 6 64 51 13 21. Saltar a la primera pgina 6.2. Metodos de promedio Promedios simples: Se obtiene la media de todos los valores pertinentes, la cual se emplea para pronosticar el periodo siguiente. 22. Saltar a la primera pgina Promedios simples: t Yt Yt+1 1 42 2 52 42 3 54 47.00 4 65 49.33 5 51 53.25 6 64 52.80 23. Saltar a la primera pgina Promedios mviles: Este mtodo no considera la media de todos los datos, sino solo los ms recientes. Se puede calcular un promedio mvil de n periodos. El promedio mvil es la media aritmtica de los n periodos ms recientes. 24. Saltar a la primera pgina Promedios mviles: promedio mvil t Yt n=3 n=4 1 42 2 52 3 54 4 65 49.33 5 51 57.00 53.25 6 64 56.67 55.5 25. Saltar a la primera pgina 6.3. Metodos de suavizamiento exponencial El mtodo de suavizamiento exponencial puede dar una ponderacin mayor a las observaciones ms recientes. Las ponderaciones se asigna mediante la constante , 0 < < 1. El modelo se expresa como: pronstico = (ltimo valor) + (1 - )(ltimo pronstico) 26. Saltar a la primera pgina 6.3. Metodos de suavizamiento exponencial t Yt =0.1 =0.5 1 42 2 52 42 42 3 54 43.00 47.00 4 65 44.10 50.50 5 51 46.19 57.75 6 64 46.67 54.38 27. Saltar a la primera pgina 6.4. Descomposicin de series de tiempo Las tendencias son movimientos a largo plazo en una serie de datos a lo largo del tiempo. La tendencia puede ser descrita por una recta o por una curva. Las tendencias se dan por varias causas: cambios en la poblacin, cambios en la productividad, cambios tecnolgicos, etc. En este tipo de anlisis la variable independiente es el tiempo. 28. Saltar a la primera pgina 6.4.1. Tendencia lineal El mtodo ms empleado para describir una tendencia lineal es el de mnimos cuadrados, para encontrar una lnea de mejor ajuste para un conjunto de puntos. Y = a + bX Y = valor pronosticado en un periodo X a = valor de la tendencia cuando X = 0 b = pendiente de la recta de tendencia X = periodo (codificado) 29. Saltar a la primera pgina 6.4.1. Tendencia lineal: ejemplo Ao Periodo X Demanda (Y) 1994 1 35 1995 2 42 1996 3 48 1997 4 51 1998 5 54 1999 6 60 2000 7 71 2001 8 75 30. Saltar a la primera pgina 6.4.1. Tendencia lineal: ejemplo 30 35 40 45 50 55 60 65 70 75 80 1994 1995 1996 1997 1998 1999 2000 2001 31. Saltar a la primera pgina 6.4.1. Tendencia lineal: ejemplo X Y XY X 1 35 2 42 3 48 4 51 5 54 6 60 7 71 8 75 Sumas 32. Saltar a la primera pgina 6.4.1. Tendencia lineal: frmulas ( ) n x b n y a xxn yxxyn b = = 22 33. Saltar a la primera pgina 6.4.1. Tendencia lineal t Yt Yt et 1 35 2 42 3 48 4 51 5 54 6 60 7 71 8 75 9 34. Saltar a la primera pgina 6.4.1. Tendencia lineal Se puede calcular el coeficiente de determinacin, a fin de evaluar qu tan correcta es la estimacin de la recta de regresin. El coeficiente de determinacin r se calcula como: [ ] ( )[ ] ( )[ ]2222 2 2 = yynxxn yxxyn r 35. Saltar a la primera pgina 6.4.1. Tendencia lineal Tambin es posible calcular intervalos de confianza para la estimacin. Para ello es necesario calcular el error estndar de la estimacin. 2 2 = n xybyay Se 36. Saltar a la primera pgina 6.4.1. Tendencia lineal Nivel de confianza Z Frmula 68% 1 y Se 95% 2 y 2Se 99% 3 y 3Se 37. Saltar a la primera pgina 7. Aplicacin de varios mtodos a datos desestacionalizados Los datos muestran alguna tendencia creciente a lo largo del tiempo, adems de una marcada estacionalidad. Se proceder a desestacionalizar los datos, lo que permite observar hasta donde las variaciones se deben a efectos estacionales o bien, a otros factores. El proceso de ajuste estacional se realizar a travs del clculo de factores estacionales: Factor estacional = Prom. periodo / prom. global 38. Saltar a la primera pgina Ao Trim. Yt 1 1 13618 2 12930 3 13138 4 16532 2 1 14514 2 14128 3 15568 4 17448 3 1 13984 2 13644 3 15898 4 19300 39. Saltar a la primera pgina 7. Aplicacin de varios mtodos a datos desestacionalizados 10000 11000 12000 13000 14000 15000 16000 17000 18000 19000 20000 1 2 3 4 1 2 3 4 1 2 3 4 Trimestres 40. Saltar a la primera pgina 7. Aplicacin de varios mtodos a datos desestacionalizados T Ao Suma Prom Factor Estac. 1 2 3 1 13618 14514 13984 42116 10529 0.9323 2 12930 14128 13644 40702 10175 0.9010 3 13138 15568 15898 44604 11151 0.9873 4 16532 17448 19300 53280 13320 1.1794 Total 45175.50 Prom. 11293.88 41. Saltar a la primera pgina Ao Trim. Yt Yt ajust. 1 1 13618.00 14607.27 2 12930.00 14351.12 3 13138.00 13306.33 4 16532.00 14017.29 2 1 14514.00 15568.36 2 14128.00 15680.79 3 15568.00 15767.47 4 17448.00 14793.96 3 1 13984.00 14999.86 2 13644.00 15143.59 3 15898.00 16101.70 4 19300.00 16364.25 42. Saltar a la primera pgina 7. Aplicacin de varios mtodos a datos desestacionalizados Se aplican varios mtodos de pronstico para finalmente seleccionar el mejor pronstico. A. Mtodo de pronstico del ltimo valor B. Promedios mviles C. Suavizamiento exponencial D. Suavizamiento exponencial con tendencia 43. Saltar a la primera pgina Otros mtodos: Modelos de tendencia con ajuste estacional Modelo de promedios mviles integrados autorregresivos (ARIMA o Box-Jenkins) Pronsticos causales (modelos economtricos) Mtodos de pronsticos subjetivos