Pronósticos en los negocios parte 2 - Grupo 4
-
Upload
nelson-salinas -
Category
Documents
-
view
2.416 -
download
0
description
Transcript of Pronósticos en los negocios parte 2 - Grupo 4
Universidad de Guayaquil
Facultad de Ciencias Administrativas
Ing. en Sistemas Administrativos Computarizados
Grupo 4:
• Quinlli Guido
• Mindiola Jefferson
• Carrasco Jean
• Salinas Nelson
• Lopez Miguel
Semestre 8
Instructor: Romni Yépez, Ing. MBA
Simulacion y Muestreo
Diciembre 2011 Instructor: Romni Yépez- UG
LOGO
Pronósticos en los
negocios
Instructor: Romni Yépez- UG
Pronósticos en los negocios
Instructor: Romni Yépez - UG
2da Parte
Contenido
Regresión Lineal Simple
Análisis de Regresión Multiple
Regresión con datos en series de tiempo
La metodología Box-Jenkings (ARIMA)
Pronósticos de juicio y ajustes de pronósticos
Capítulo 6
Capítulo 7
Capítulo 8
Capítulo 9
Capítulo 10
Instructor: Romni Yépez- UG
Administración del proceso de pronóstico
Capítulo 11
Capítulo 6.- Regresión lineal simple
Instructor: Romni Yépez - UG
Regresión Lineal Simple 6
Línea de Regresión
Error estándar de la estimación
Pronóstico de Y
Descomposición de la Varianza
Coeficiente de Determinación
Prueba de hipótesis
Análisis de Residuo 1.2
6.1
6.2
6.3
6.4
6.5
6.6
6.7
Pronósticos en los negocios
6.1 Línea de Regresión
La asolación lineal implica una relación en línea recta. Una vez que se establece una relación lineal (por el método de
mínimos cuadrados), el conocimiento de la variable independiente servirá para pronosticar la variable dependiente.
Ejemplo:
Suponga que el Señor Juan Pérez observa el precio y volumen de los
galones de leche vendidos durante 10 semana seleccionadas al azar.
Los datos que recolectó se muestra en la siguiente tabla:
TABLA 6.1
Pronósticos en los negocios
Regresión Lineal Simple
Semana
Nivel de ventas
semanal, Y (miles de
galones)
Precio de
Venta X ($) XY X^2 Y^2 1 10 1,30 13,00 1,69 100 2 6 2,00 12,00 4 36 3 5 1,70 8,50 2,89 25 4 12 1,50 18,00 2,25 144 5 10 1,60 16,00 2,56 100 6 15 1,20 18,00 1,44 225 7 5 1,60 8,00 2,56 25 8 12 1,40 16,80 1,96 144 9 17 1,00 17,00 1 289
10 20 1,10 22,00 1,21 400
10 112 14,40 149,30 21,56
1.488
DATOS DE LOS GALONES DE LECHE PARA EL EJEMPLO 6.1
Pronósticos en los negocios
Con los datos de la tabla 6.1 vamos a realizar el diagrama de
dispersión
10
6 5
12 10
15
5
12
17
20
0
5
10
15
20
25
- 0,50 1,00 1,50 2,00 2,50
Galo
nes
Precio (en dólares)
Diagrama de Dispersión
Regresión Lineal Simple
Análisis:
En este diagrama existe una relación lineal negativa entre Y.
Conforme el precio sube, el volumen baja.
Demostración:
Mediante el coeficiente de correlación de la muestra
FORMULA
r= n M
XY – ( X)( Y) M
M
n X^2 – ( X)^2 M
M
n Y^2 – ( Y)^2 M
M
r= 10(149.3) – (14.4)(112)
10(21.56) – (14.4)^2 10(1488) – (112)^2
r= - 119.8
138.7 = - 86
Regresión Lineal Simple
En conclusión:
El coeficiente de correlación de la muestra de -86 indica una
relación negativa entre Y y X: conforme el precio del galón de leche
aumenta, el número de galones vendidos disminuye
Llegado a esta conclusión, ahora la pregunta seria:
¿En que medida desciende el volumen conforme el precio
se eleva?
Esta pregunta sugiere la traficación de una línea recta por los puntos de datos
representados en el diagrama de dispersión. Y la pendiente de esta indicará la
disminución promedio del volumen (Y) por cada dólar de incremento en el precio (X).
Y esto nos lleva a dibujar la línea de regresión
Regresión Lineal Simple
LÍNEA DE REGRESIÓN AJUSTADA
• Es la línea que mejor se ajusta a la colección de puntos de datos X – Y.
• Minimiza la suma de las distancias elevadas al cuadrado desde los puntos hasta la línea medidas verticalmente, es decir, en la dirección Y.
y = -14,539x + 32,136
0
5
10
15
20
25
- 0,50 1,00 1,50 2,00 2,50
Galo
nes
Precio (en dólares)
Diagrama de Dispersión
Diagrama deDispersión
Lineal (Diagrama deDispersión)
y = -14,539x + 32,136
0
5
10
15
20
25
- 0,50 1,00 1,50 2,00 2,50
Galo
nes
Precio (en dólares)
Diagrama de Dispersión
Diagrama deDispersión
Lineal(Diagrama deDispersión)
Regresión Lineal Simple
Instructor: Romni Yépez -UG
Instructor: Romni Yépez - UG
Capítulo 7.- Análisis de regresión
múltiple
Introducción al Capítulo 7
En la regresión lineal simple se investiga la relación entre
un variable independiente y una dependiente.
La relación entre dos variables permite pronosticar con
exactitud la variable dependiente a partir del conocimiento de
la variable independiente.
Los modelos de regresión con mas de una variable
independientes se los conoce como modelo de regresión
múltiple.
Variables Explicativas
Si dos variables independientes están estrechamente relacionadas, explicaran la
misma variación.
En campos de la econometría hay una gran preocupación por el problema de intercorrelación con las variables independientes. Conocido como
MULTICOLINEALIDAD.
La solución para el problema de dos variables independientes es no usarlas
juntas .
Matriz de correlación
Una matriz de correlación es una tabla de doble entrada
para A B y C, que muestra una lista multivariable
horizontalmente y la misma lista verticalmente y con el
correspondiente coeficiente de correlación llamado r'.
MATRIZ DE CORRELACIÓN
VARIABLES 1 2 3
1 r11 r12 r13
2 r21 r22 r23
3 r31 r32 r33
Esta convención permite determinar la relación entre
cualquier par de variables.
La variable 1 y la variable 2 es exactamente lo que mismo
que la relacione entre 2 y 1.
El análisis de matriz de correlación es un paso muy
importante en la resolución de un problema que implique
múltiple variables. EJ:
MATRIZ DE CORRELACIÓN DE LOS DATOS DEL SR. BUMP
VARIABLES Ventas, 1 Precio, 2 Publicidad,3
Ventas, 1 1.00 (0.86) 0.89
Precio, 2 1.00 (0.65)
Publicidad,3 1.00
El grafico muestra las relaciones entre el gasto en
publicidad tiene una relación positiva alta en (r13=0.89)con
la variable dependiente, el volumen de ventas.
Una relación negativa moderada (r23=-0.65) con la variable
independiente.
Matriz de correlación
Las variables
dependientes se
representan mediante
Y .
Las variables
independientes se
representan mediante
X.
CONCEPTOS
Las variables
independientes se
denotan mediante x
con subíndices
X1,X2……….Xk
La relación entre Y y
estas X se expresa
Como un modelo
múltiple.
Modelo de Regresión Múltiple
El conjunto de variables independientes ponderadas se
denomina ecuación de regresión
Y= b0 + b1X1 + b2X2 +.....+ bn Xn
Modelo estadístico para la regresión múltiple
“y” es una variable aleatoria que esta relacionada con las
variables independientes(predictivas),X1,X2……,Xk
Para la i-ésima observación Y=Yi y X1,X2…….Xk se define
para los valores Xi1,Xi2…….,Xik
Estructura de datos de la
regresión múltiple.
Las “E” Son componentes de error que representan las
desviaciones de las respuestas de la relación verdadera.
Ejemplo: Datos del señor bump para el ejemplo 7.1
Semana venta en miles precio publicidad
1 $ 10,00 $ 1,30 $ 9,00
2 $ 6,00 $ 2,00 $ 7,00
3 $ 5,00 $ 1,70 $ 5,00
4 $ 12,00 $ 1,50 $ 14,00
5 $ 10,00 $ 1,60 $ 15,00
6 $ 15,00 $ 1,20 $ 12,00
7 $ 5,00 $ 1,60 $ 6,00
8 $ 12,00 $ 1,40 $ 10,00
9 $ 17,00 $ 1,00 $ 15,00
10 $ 20,00 $ 1,10 $ 21,00
TOTALES $ 112,00 $ 14,40 $ 114,00
MEDIAS $ 11,20 $ 1,44 $ 11,40
Los valores delos mínimos cuadrados –B0=16.41,B1=-8.25,B2=0.59, minimizan la suma de errores cuadrados
Se determina la función de regresión ajustada: Y=16.41-8.25X1+0.59X2
Para los datos de la tabla se considera el siguiente modelo, que relaciona el volumen de ventas precio y publicidad.
Y=B0+B1X1+B2X2+E
Resultado en la computadora Resultado de minitab para los datos del señor bump
El coeficiente de regresión es -8.25 para el precio y .585 para
gastos de publicidad.
Resultado en la computadora
Plano de regresión ajustado de los datos del señor bump
Interpretación de los coeficientes de
regresión.
El coeficiente de regresión parcial mide el cambio promedio de la variable dependiente por unidad de cambio, en la variable independiente.
En el ejemplo el valor de -8.25 indica que por cada incremento de 1 centavo en el precio de galón los gastos de publicidad se mantienen constantes.
El valor de 0.59 significa que si, los gastos de publicidad se incrementa 100 cuando el precio por galón se mantiene constante.
Ejemplo de 7.2
www.themegallery.com
Los efectos netos de las X individuales sobre las respuestas,
considere la situación, donde el precio es de 1.00 por galón y se
gastan 1,000 en publicidad así.
Y=16.41-8.25X1+0.59X2
=16.41-8.25(1.00)+5.9(10)
=16.41-8.25+5.9=14.06
El pronostico de vetas es de 14.060 galones de leche.
Ahora veremos el efecto sobre la venta el incremento de un
centavo en el precio si gasta 1,000 en publicidad.
Y=16.41-8.25(1.01)+0.59(10)
=16.41-8.3325+5.9=13.9775
Variables explicativas individuales.
www.themegallery.com
El coeficiente de una X individual en la función de regresión mide el efecto parcial o neto de esa x sobre respuesta, y, manteniendo constantes las demás x de la ecuación.
Si la regresión se considera significativa, entonces es de interés examinar la significativa de las variables explicativas individuales.
Si H0:Bj=0 es verdadero, el estadístico de prueba, t para t=Bj/Sbj tiene una distribución T con df=n-k-1.
Variables ficticias.
La variables ficticias, o indicadores ficticias, se utilizan para
determinar las relaciones entre variables independientes
cualitativas y una variable dependiente.
Algunas veces es necesario determinar como se relaciona
una variable dependiente con una variable independiente.
Cuando un factor cualitativo influye en la situación.
Existen muchas maneras de identificar cuantitativamente las
clases de una variable cualitativa.
Variables ficticias Ejemplo:
Sujeto calificacion del calificacion en la genero
desempeño laboral prueba de aptitud
y x1 x2
1 5 60 0
2 4 55 0
3 3 35 0
4 10 96 0
5 2 35 0
6 7 81 0
7 6 65 0
8 9 85 0
9 9 99 1
10 2 43 1
11 8 98 1
12 6 91 1
13 7 95 1
14 3 70 1
15 6 85 1
totales 87 1093
Los datos de las mujeres se encuentran como 0; y los datos
de los hombres como 1.
Cada una de estas líneas se obtuvo a parir de una función de
regresión ajustada de la forma
Y=bo+b1X1+b2X2
Variables ficticias Ejemplo:
Yf=Media de la calificación del desempeño laboral de las mujeres=5.75
Ym=Yf=Media de la calificación del desempeño laboral de las Hombres=5.86
Xf=Medida del resultado de la prueba de aptitud para las mujeres=64
Xm=Xf=Medida del resultado de la prueba de aptitud para las Hombres=83
Variables ficticias Ejemplo: Diagrama de dispersión de datos.
Variables ficticias Ejemplo:
La ecuación de regresión múltiple estimada para los datos del
ejemplo, se presenta en la siguiente tabla:
Y=-1.96+0.12X1-2.18X2
Variables ficticias Ejemplo:
Para los dos valores (0 y 1) de x2, la ecuación ajustada se convierte en:
Y=-1.96+.12X1-2.18(0)=-1.96+.12X1
para mujeres
Y=-1.96+12X1-2.18(1)=-4.14+.12X1 para hombres
Mujer= Y=-1.96+.12X1=-1.96+.12(70)=6.44 Hombre: Y=-4.14+.12X1=-4.14+.12(70)=4.26
Esto demuestra que existe una fuerte relación lineal entre el rendimiento de trabajo y la prueba de aptitud.
Multicolinealidad
La multicolinealidad es la situación en la cual las variables
independientes de una ecuación de regresión múltiple están
sumamente intercorrelacionados.
Es decir, existe una relación lineal entre dos a mas variables
independientes.
En problemas de regresión, los datos se registran rutinariamente
en vez de ser generados por posiciones elegidas de las variables
independientes.
Precio venta de casa
Años de la casa
Espacios en pies
cuadrados
Numero de baños
Numero de habitaciones
Por ejemplo, en el trabajo de avalúos, el precio de ventas
esta relacionada con variables explicativas tales como
Todas estas variables deben moverse juntas, si una de estas
variables aumenta, las otras generalmente se incrementaran.
Multicolinealidad
La cantidad VIF es llamado el j-ésimo Factor de inflación de la varianza, o VIFj ,Si VIF es cercano a 1 entonces la varianza de aumentará grandemente. El VIF representa el incremento en la varianza debido a la presencia de multicolinealidad.
Una variable predictora con un VIF mayor de 10 (esto es equivalente a aceptar que un R2=.90 es indicador de una buena relación lineal), puede causar multicolinealidad.
La mayoría de los programas estadísticos da los valores VIF. Los VIF son los elementos que están en la diagonal de la matriz C-1, que es la inversa de la matríz de correlaciones C .
Multicolinealidad
Instructor: Romni Yépez -UG
Instructor: Romni Yépez - UG
Capítulo 8.- Regresión con datos
en series de tiempo
INTRODUCCION
Muchas Aplicaciones de pronósticos en
negocios y en economía implican series de
tiempo
Los modelos de regresión se pueden ajustar a
los datos:
www.themegallery.com
Mensuales Trimestrales Anuales
SERIE DE TIEMPO Y EL PROBLEMA DE
AUTOCORRELACION
www.themegallery.com
1
Existe
Autocorrelacion
cuando las
observaciones
sucesivas en el
tiempo estan
relacionadas unas
con otras
2
La autocorrelacion
ocurre por que el
efecto de 1 variable
explicativa esta
distribuido en el
tiempo
SOLUCIONES A LOS PROBLEMAS
DE AUTOCORRELACION
La solucion al problema de correlacion inicia
con una evaluacion de la especificacion del
modelo.
www.themegallery.com
1 ¿Es correcta la forma funcional?
2 ¿Se omitieron algunas variables
importantes?
3 ¿Existen efectos en el tiempo que
introducieron la autocorrelacion en los
errores?
METODOS PARA ELIMINAR LA
AUTOCORRELACION
Agregar a la funcion de regresion una variable omitida que explique la asociacion de un periodo al siguiente
Implica nocion general de difenciacion (el modelo de regresion se especifica en terminos de cambio y no de niveles)
ERROR DE ESPECIFICACION DE
MODELO
En este ejemplo veremos como una variable
faltante de eliminar la correlacion serial. Ej.
Novak Corp. Desea desarrolar modelo de
pronostico para la proyeccion de las ventas a
futuro, como la corporacion tiene puntos de
venta por toda la ciudad, el ingreso del personal
en la ciudad amplia se elige como posible
variable explicativa.
EJERCICIO
Datos de venta de Novak
www.themegallery.com
EJERCICIO
Resultados de la tabla e ingreso de personal
disponible
EJERCICIO
Resultados de la tabla para ventas de Novak y
tasa de desempleo
EJERCICIO
En el ejemplo anterior la tasa de desempleo
puede ser una variable explicativa faltante e
importante para las ventas
Expresa
pronosticos
como
funcion de
valores
MODELOS
AUTORREGRESIVOS
Son
subconjuntos
de los modelos
de promedio
móvil
integrado
autoregresivo
MODELOS AUTORREGRESIVOS
El modelo autorregresivo de primer orden se
escribe como:
Una vez que este modelo se haya ajustado a
los datos mediante los minimos cuadrados la
ecuacion de pronostico se convierte en:
www.themegallery.com
DATOS DE SERIE DE TIEMPO Y
PROBLEMA DE
HETEROSCEDASTICIDAD
USO DE LA REGRESION PARA
PRONOSTICAR DATOS
ESTACIONALES
Un modelo estacional para datos trimestrales
con tendencias en el tiempo es:
Donde:
USO DE LA REGRESION PARA
PRONOSTICAR DATOS
ESTACIONALES
Instructor: Romni Yépez -UG
Instructor: Romni Yépez - UG
Capítulo 9.- La metodología Box-
Jenkings (ARIMA)
Introducción al Capítulo 9
Instructor: Romni Yépez - UG
En los anteriores capítulos se han presentado varios modelos para
el análisis y pronóstico de las series de tiempo.
Ahora se presenta un nuevo modelo que permite:
• Generar pronósticos mas exactos.
• Se basa en un descripción de patrones históricos de los
datos.
• Son modelos lineales.
• Permite generar modelos de series de tiempo estacionaria.
• No implica variables independientes en su construcción
Todas esas características expuesta se basa en un solo nombre:
Modelo ARIMA
9.1 Metodología BOX-JENKINS
Instructor: Romni Yépez - UG
Método
Su forma de pronosticar
es muy diferente a otros
modelos
Se basa en examinar
una gráfica de la serie
de tiempo
No supone
ningún patron
particular en los
datos históricos
Se basa en un enfoque
interativo, en base a
modelos anteriores.
Los pronósticos se
derivan modelo
ajustado.
El modelo se ajusta si
existen residuos
pequeños.
9.1.2 Aplicaciones de este modelo
Instructor: Romni Yépez - UG
Cálculos en los cambios de la estructura de precios.
Pronóstico del volumen accionario anual.
Pronosticar el empleo.
Pronosticar de la calidad de un producto.
Análisis de la competencia.
Análisis del numero de acciones negociadas.
Análisis sobre los efectos de las promociones de los
productos
9.1.1 Ventajas y desventajas de un ARIMA
Instructor: Romni Yépez - UG
Ventajas:
• Es una herramienta
muy poderosa para
generar pronósticos
exactos a corto
alcance.
• Son bastante flexibles.
• Representan un
amplio rango de las
series de tiempo.
Desventajas:
• Se requiere de mucho
datos.
• No se puede reajustar
el modelo.
• Requiere de una gran
inversión de tiempo y
otros recursos.
• El análisis de modelo
debe ser efectivo.
Vs
9.2 Estrategia de construcción ARIMA
Instructor: Romni Yépez - UG
Postular una clase general
de modelos
Identificar el modelo mas
importante
Estimar los parámetros en
el modelo
Diagnosticar el modelo
¿Es adecuado?
Usar el modelo para
pronosticar
Si No
Instructor: Romni Yépez - UG
9.2 Estrategia de construcción ARIMA
• Al seleccionar un modelo:
• Las autocorrelaciones calculadas originalmente no serán iguales que el ARIMA.
• Dichas autocorrelaciones están sujetas a la variación de la muestra.
• Hay que ser capaz de igual los datos de la serie de tiempo con el modelo ARIMA.
• Si la elección inicial del modelo es equivocada su análisis no será el esperado.
• La tarea de construcción de un modelo se vuelve mas fácil mediante su experiencia.
Tener en cuenta lo siguiente:
9.4 Autocorrelación – Autocorrelación
parcial AR(1)
Instructor: Romni Yépez - UG
Autocorrelación Autocorrelación Parcial
Se aproxima gradualmente a 0 Caen a 0 después del retraso de tiempo
Instructor: Romni Yépez - UG
9.4 Autocorrelación – Autocorrelación
parcial AR(2)
Autocorrelación Autocorrelación Parcial
Instructor: Romni Yépez - UG
9.4 Autocorrelación – Autocorrelación
parcial MA(1)
Autocorrelación Autocorrelación Parcial
Instructor: Romni Yépez - UG
9.4 Autocorrelación – Autocorrelación
parcial MA(2)
Autocorrelación Autocorrelación Parcial
Instructor: Romni Yépez - UG
9.4 Autocorrelación – Autocorrelación
parcial ARMA(1,2)
Autocorrelación Autocorrelación Parcial
9.5 Modelos autorregresivos (AR)
Instructor: Romni Yépez - UG
Estos tipos de modelos son adecuados para series de tiempo estacionarias, y el coeficiente 𝒇𝟎 esta relacionado con el nivel constante de la serie.
Si los datos varían alrededor de 0 o se expresan como desviaciones
de la media , 𝑌𝑡 − 𝑌 , no se requiere el coeficiente 𝜙0.
Como explicado en los gráficos los modelos AR(2) de auto
correlación tienden a 0 y los parciales caen a 0 después del 2 retraso
de tiempo.
Este tipo de patrón se mantiene para cualquier modelo AR(p)
• AR(2), dos periodos de análisis
• AR(3), tres periodos de análisis
• Etc..
9.5 Ecuación de Autorregresión
Instructor: Romni Yépez - UG
𝒀𝒕 = 𝝓𝟎 + 𝝓𝟏𝒀𝒕−𝟏 + 𝝓𝟐𝒀𝒕−𝟐 +⋯+𝝓𝒑𝒀𝒕−𝒑 + 𝜺𝒕
Donde:
𝒀𝒕 Variable de respuesta o dependiente en el tiempo t
𝒀𝒕−𝟏, 𝒀𝒕−𝟐… Variables independiente en el retraso de tiempo
𝝓𝟎, 𝝓𝟏, 𝝓𝟐… Coeficientes que serán estimados
𝜺𝒕 Término de error en el tiempo t
𝜙0, este coeficiente esta relacionado con la media del proceso, 𝜇,
mediante 𝜙0 = 𝜇(1 − 𝜙1 − 𝜙2…𝜙𝑝)
9.5 Ejemplo de Autorregresión (AR)
Instructor: Romni Yépez - UG
Se realiza un pronóstico con un modelo AR(2), se emplea un conjunto de
datos de 75 lecturas, solo le utilizaran los últimos 5 observaciones. Se calcula
los mínimos cuadrados estimados 𝜙0 = 115,2 𝜙1 = −, 535 𝜙2 = , 005 .
Suponga que para el tiempo 𝑡 − 1 = 75 se requiere un pronostico para el
periodo 𝑡 = 76.
Tabla de desarrollo
Periodo Tiempo t Valores Yt Pronostico Y't Residuo Et
t-5 71 90
t-4 72 78
t-3 73 87 73,97 13,04
t-2 74 99 69,08 29,92
t-1 75 72 62,71 9,29
t 76 77,22
𝑌 𝑡 = 𝜙0 + 𝜙1𝑌𝑡−1 + 𝜙2𝑌𝑡−2
𝑌 76 = 115,2 − 0,535𝑌75+, 0055𝑌74
𝑌 76 = 115,2 − 0,535(72)+, 0055(99)
𝒀 𝟕𝟔 = 𝟕𝟕, 𝟐
9.6 Modelos de promedios móviles (MA)
Instructor: Romni Yépez - UG
Este modelos se basa en datos históricos, en donde la desviación de la respuesta de su media 𝑌𝑡 − 𝜇, es una combinación lineal de los errores actuales y pasados;
conforme el tiempo avanza, los errores siguen el mismo transcurso.
𝑌𝑡 − 𝜇 = 𝜀𝑡 −𝜔1𝜀𝑡−1…−𝜔𝑞𝜀𝑡−𝑞
𝑌𝑡+1 − 𝜇 = 𝜀𝑡+1 −𝜔1𝜀𝑡 −𝜔2𝜀𝑡−1…𝜔𝑞𝜀𝑡−𝑞+1
Ecuaciones de Media
9.6 Ecuación de promedio móviles
Instructor: Romni Yépez - UG
𝑌𝑡 = 𝜇 + 𝜀𝑡 − 𝜔1𝜀𝑡−1 − 𝜔2𝜀𝑡−2…− 𝜔𝑞𝜀𝑡−𝑞
Donde:
𝑌𝑡 Variable dependiente en tiempo t.
𝜇 Promedio constante en el proceso.
𝜀𝑡 Termino de error.
𝜔1… Coeficientes que se estimaran.
𝜀𝑡−1 Errores en períodos anteriores.
Los coeficiente de correlación para el modelo MA(1) caen a cero
después del primer retraso y los parciales tienden a 0
gradualmente
9.6 Ejemplo de promedios (MA)
Instructor: Romni Yépez - UG
Con el ejemplo anterior de las 75 lecturas, usaremos las 5 ultimas
observaciones con el modelo MA(2). Se calcula los mínimos cuadrados
obteniendo 𝜇 = 75,4, 𝜔 1 = , 5667, 𝜔 2 = −, 3560. Suponiendo que para
𝑡 − 1 = 75 se requiere encontrar 𝑡 = 76
Tabla de desarrollo
Periodo Tiempo t Valores Yt Pronóstico Y't Residuo Et
t-5 71 90 13,9
t-4 72 78 8,9
t-3 73 87 75,30 11,70
t-2 74 99 71,94 27,06
t-1 75 72 64,23 7,77
t 76 80,63
𝑌 𝑡 = 𝜇 + 𝜀𝑡 −𝜔1𝜀𝑡−1 − 𝜔2𝜀𝑡−2
𝑌 76 = 75,4−, 5667𝜀76−1 − , 3560𝜀76−2
𝒀 𝟕𝟔 = 𝟖𝟎, 𝟔
9.7 Modelos de promedios móviles
autorregresivos ARMA(p,q)
Instructor: Romni Yépez - UG
Este modelo es una combinación de un modelo AR y MA, en donde p es el
orden de la parte autorregresiva y q es la parte de promedio móvil.
Su fórmula es:
𝑌𝑡 = 𝜙0 + 𝜙1𝑌𝑡−1 + 𝜙2𝑌𝑡−2 +⋯+ 𝜙𝑝𝑌𝑡−𝑝 + 𝜀𝑡 − 𝜔1𝜀𝑡−1 − 𝜔2𝜀𝑡−2…−𝜔𝑞𝜀𝑡−𝑞
Resumen:
Autocorrelaciones Autocorrelaciones
parciales
MA(q) Terminan después del
orden q del proceso
Se desvanecen
AR(q) Se desvanecen Terminan después
del orden p del
proceso
ARMA(p,q) Se desvanecen Se desvanecen
9.8 Construcción de un modelo
Instructor: Romni Yépez - UG
Identificación del modelo
• Determinar si la serie es estacionaria, es decir si la serie varia alrededor de un nivel fijo.
• Identificar la forma de modelo que se utilizará, comparando las autocorrelaciones estudiadas. Este modelo tan solo será de prueba hasta saber que es el adecuado.
Estimación del modelo
• Una vez seleccionado el modelo prueba, se deben de estimar los parámetros usando un procedimiento no lineal de mínimos cuadrados.
• Calculo del error cuadrático medio de los residuos y se define en la Ec. 1.
• Dicho error es útil para comparar con otros modelos y los limites de error de pronostico
𝑆2 = (𝑌𝑡 − 𝑌 𝑡)
2𝑛𝑡=1
𝑛 − 𝑟 Ec. 1
Donde:
𝑌𝑡 − 𝑌 𝑡 Residuo para el tiempo t.
𝑛 Número de residuos
𝑟 Número total de parámetros estimados
9.8 Construcción del modelo
Instructor: Romni Yépez - UG
Verificación del modelo
• Verificar la idoneidad de un modelo se realiza mediante una prueba de distribución chi cuadrada(𝑋2), con base en el estadístico 𝑄 de Ljung – Box. Su fórmula es:
𝑄 = 𝑛(𝑛 + 2) (𝑟𝑘)
2(𝑒)
𝑛 − 𝑘
𝑚
𝑘=1
Donde:
𝒓𝒌(𝒆) Autocorrelacion residual para el retraso k
𝑛 Número de residuos
𝑘 Retraso de tiempo
𝑚 Número de retrasos de tiempo que van a ser evaluados
9.8 Construcción del modelo
Instructor: Romni Yépez - UG
Elaboración del pronóstico
• Una vez determinado el modelo adecuado, es efectivo elaborar los pronósticos de uno o varios periodos.
• Es preferible utilizar el computador para generar los pronósticos en un modelo ARIMA.
• Mientras mas datos estén disponibles se puede usar el mismo modelo ARIMA para generar pronósticos modificados de otro origen de tiempo.
Es una buena idea hacer un seguimiento de los
errores. En caso de que los errores sean mas
grandes que los anteriores es preciso reevaluar el
modelo
9.9 Ejemplo de un modelo ARIMA
Instructor: Romni Yépez - UG
Cameron Consulting Corporation se especializa en ofrecer
portafolios de inversión. A Lynn Stephens, la analista de la
compañía se le asignó la tarea de desarrollar técnicas mas
complejas para pronosticar los promedios del Dow Jones. Lynn
asistió recientemente a un taller sobre metodología ARIMA y
decidió intentar esta técnica con el Índice de Transportación del
Dow Jones. La siguiente tabla representa 65 promedios diarios al
cierre de operaciones del (DJTA) durante los meses de verano.
9.9 Ejemplo de un modelo ARIMA
Instructor: Romni Yépez - UG
Periodo Promedio al
cierre Periodo
Promedio al
cierre Periodo
Promedio al
cierre Periodo
Promedio al
cierre Periodo
Promedio al
cierre
1 222,34 15 223,07 29 246,74 43 249,76 57 268,21
2 222,24 16 225,36 30 248,73 44 251,66 58 272,16
3 221,17 17 227,6 31 248,83 45 253,41 59 272,79
4 218,88 18 226,82 32 248,78 46 252,04 60 275,03
5 220,05 19 229,69 33 249,61 47 248,78 61 278,49
6 219,61 20 229,3 34 249,9 48 247,76 62 281,15
7 216,4 21 228,96 35 246,45 49 249,27 63 285,7
8 217,33 22 229,99 36 247,57 50 247,95 64 286,33
9 219,69 23 233,05 37 247,76 51 251,41 65 288,57
10 219,32 24 235 38 247,81 52 254,67
11 218,25 25 234,17 39 250,68 53 258,62
12 220,3 26 238,31 40 251,8 54 259,25
13 222,54 27 241,14 41 251,07 55 261,49
14 223,56 28 241,48 42 248,05 56 264,95
Promedios diarios al cierre de operaciones del DJTA
9.9 Ejemplo de un modelo ARIMA
Instructor: Romni Yépez - UG
210
220
230
240
250
260
270
280
290
300
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65
Va
lore
s
Tiempo
Índices DJTA
Indices
9.9 Ejemplo de un modelo ARIMA
Instructor: Romni Yépez - UG
9.9 Ejemplo de un modelo ARIMA
Instructor: Romni Yépez - UG
Lynn queda perpleja al comparar las autocorrelaciones con sus limites de
error, la única autocorrelación significativa estaba en el retraso 1.
Función de autocorrelación
Función de
autocorrelación parcial
9.9 Ejemplo de un modelo ARIMA
Instructor: Romni Yépez - UG
Lynn decide ajustar los modelos ARIMA(1,1,0) y ARIMA(0,1,1), con ello
decide incluir un término constante en donde 𝑌𝑡 es el Índice de
transportación, entonces el modelo queda así:
𝑨𝑹𝑰𝑴𝑨 𝟏, 𝟏, 𝟎 : 𝚫𝒀𝒕 = 𝝓𝟎 + 𝝓𝟏𝚫𝒀𝒕−𝟏 + 𝜺𝟏
𝑨𝑹𝑰𝑴𝑨 𝟎, 𝟏, 𝟏 : 𝚫𝒀𝒕 = 𝝁 + 𝜺𝟏 −𝝎𝟏𝜺𝒕−𝟏
Con ello se determino los cuadrados medios mediante Mintab es:
𝑨𝑹𝑰𝑴𝑨 𝟏, 𝟏, 𝟎 : 𝒔𝟐 = 𝟑, 𝟓𝟑𝟔 𝑨𝑹𝑰𝑴𝑨 𝟎, 𝟏, 𝟏 : 𝒔𝟐 = 𝟑, 𝟓𝟑𝟖 1 2
9.9 Ejemplo de un modelo ARIMA
Instructor: Romni Yépez - UG
Lynn determina que cualquier modelo era adecuado, ya que los dos se ajustan casi iguales.
Ella opta por seleccionar el modelo 1 con base en su ligero ajuste por ser el menor cuadrático medio y con ello pronostica el periodo 66.
Con 𝝓 𝟎 =, 𝟕𝟒𝟏 y 𝝓 𝟏 =, 𝟐𝟖𝟒 la ecuación de pronostico se convierte
en:
𝑌 66 = 𝑌65+, 741+, 284(𝑌65 − 𝑌64)
𝑌 𝑡 = 𝑌𝑡−1 + 𝜙0 + 𝜙1(𝑌𝑡−1 − 𝑌𝑡−2)
𝑌 66 = 288,57+, 741+, 284(288,57 − 286,23)
𝑌 66 = 289,947
El pronóstico calculado esta considerado dentro de los
parámetros que MiniTab da como resultado a continuación.
9.9 Ejemplo de un modelo ARIMA
Instructor: Romni Yépez - UG
ARIMA(1,1,0)
Entre 286,262 – 293,634
ARIMA(0,1,1)
Entre 286,366 – 293,740
𝑌 66 = 289,947
9.10 Criterios de selección de un modelo
Instructor: Romni Yépez - UG
El criterio de información de Akaike o AIC, selecciona el mejor modelo,
mediante la siguiente ecuación.
𝑨𝑰𝑪 = 𝒍𝒏 𝝈 𝟐 +𝟐
𝒏𝒓
𝒍𝒏 Logaritmo natural
𝝈 𝟐 Suma residual de cuadrados
𝒏 Numero de observaciones (residuos)
𝒓 Total de parámetros en ARIMA
El criterio de información de bayesiano o BIC, selecciona el mejor modelo,
mediante la siguiente ecuación.
𝑩𝑰𝑪 = 𝒍𝒏 𝝈 𝟐 +𝒍𝒏 (𝒏)
𝒏𝒓
El AIC y BIC, deben considerarse como procedimiento
adicionales para la ayuda la selección de un modelo
9.11 Modelo ARIMA para datos
estacionales
Instructor: Romni Yépez - UG
Los modelos estacionales de ARIMA contienen términos
autorregresivos regulares y de promedio móviles que explican la
correlación en retrasos cortos y en retrasos estacionales.
Los datos estacionales tienen un patrón
distintivo que se repite cada año
9.12 Ejemplo modelo ARIMA estacional
Instructor: Romni Yépez - UG
Tabla de ventas en un periodo de 115 meses
Se da la responsabilidad a Kathy para pronosticar las ventas para el
siguiente periodo, ella examina el gráfico y nota el pronunciado patrón
estacional y decide utiliza un modelo ARIMA estacional para sus datos.
9.12 Ejemplo modelo ARIMA estacional
Instructor: Romni Yépez - UG
Kathy decide diferenciar la serie con respecto al retraso estacional. La diferencia
estacional para el periodo S=12 se define como:
𝚫𝟏𝟐 = 𝒀𝒕 − 𝒀𝒕−𝟏𝟐
9.12 Ejemplo modelo ARIMA estacional
Instructor: Romni Yépez - UG
La primera diferencia estacional se da para el primer año 1997
𝑌13 − 𝑌1 = 1757,6 − 1736,8 = 20,8
9.12 Ejemplo modelo ARIMA estacional
Instructor: Romni Yépez - UG
Autocorrelaciones muestrales
Las autocorrelaciones tienen un punto significativo en el retraso 12 y 24
que se hacen progresivamente mas pequeños.Con ello Kathy identifica
un modelo ARIMA(0,0,0) y ARIMA(0,1,1) para sus datos de ventas.
9.12 Ejemplo modelo ARIMA estacional
Instructor: Romni Yépez - UG
Proyecciones de ventas
9.13 Suavización exponencial simple y el
modelo ARIMA
Instructor: Romni Yépez - UG
Existen modelos ARIMA que generan pronósticos
iguales a los modelos de suavización exponencial.
Un modelo ARIMA (0,1,1), con un parámetro 𝜔1 = 1 − 𝛼, puede
comportarse como un modelo exponencial siempre y cuando:
• Las series de tiempos puedan describirse adecuadamente.
• El parámetro 𝛼 este restringido a 0 < 𝛼 < 1
• El parámetro 𝜔1 este restringido al rango −1 < 𝜔1 < 1
Instructor: Romni Yépez -UG
Instructor: Romni Yépez - UG
Capítulo 10.- Pronósticos de juicio
y ajustes de pronósticos
www.themegallery.com
PRONOSTICOS
En Economía
Proceso de
estimación en
situaciones de
incertidumbre
Pueden ser de corto y mediano plazo
El Buen juicio
Es escencial en
Tec. pronosticos
Se excluye en
Cambios tecnologicos
importantes
Conocimiento anticipado de algún suceso.
Conceptos
www.themegallery.com
PRONOSTICOS DE JUICIO
Basados en
el Dominio
del Conocimiento
Sino existen suficientes datos se debe confiar en pronosticos de juicio
Dom. del Con.
Información de
La serie de tiempo
Mas información
Causa mucha precisión
En pronosticos
En ocasiones pueden ser la única alternativa.
Conceptos
www.themegallery.com
RESPONDIENDO CON IMAGINACIÓN Y LLUVIA DE IDEAS
PREGUNTAS
COMO:
¿Que ciudades tendran
mayor población y
serán centros de
comercio?
¿Cual será la distribución
de edad en EEUU
para el 2030?
¿Que tan populares
serán las compras
por internet
despues de
20 años?
¿Que tipo de diversión
disfrutaran los ciudadanos
en el año 2025?
¿De que manera
afectará todo
esto a los
hombres
de negocios?
¿Cuantos ciudadanos
Tendran sus oficinas de
trabajo en sus propias
casas dentro de 25 años?
Con el fin de no depender completamente de datos históricos.
Introducción
EJEMPLO:
www.themegallery.com
METODO DELPHI Se uso primero en la Fuerza Aerea en 1950 Basado en el conocimiento
Pronosticos de Juicio: Tecnicas
3. Expertos ven todas las
respuestas
4. Expertos modifican segun nuevos
criterios 5.Son nuevamente enviados por correo
0.Inv. Formulan preguntas
1. Expertos Contestan por
correo
2. Inv. Resumen las respuestas
Este proceso se repite, hasta 3 veces. Desde el proceso 1 hasta el 5
www.themegallery.com
Applied Biosystems suministra productos y servicios para investigar genes y proteínas
INICIO
Los equipos de instrumentación y los consumibles es lo que se
vende en mayoria. Se quiere abrir tiendas en Europa, Japon y
Australia. Se contrata a 3 expertos que sabes mucho de la economía
de cada sector, esto es lo que cada uno opino respecto al
crecimiento en cada lugar.
3
Los datos de esta tabla lo pueden observar todos los
expertos, asi que se veran de cierta manera influenciados
por las respuestas de sus compañeros de equipo, o
pueden mantenerse en sus decisiones, eso dependerá.
Pronósticos de Juicio: Técnicas
EJEMPLO PRÁCTICO DEL METODO DELPHI
Resumen
Experto A Experto B Experto C
Equipo / Instrumental Europa + 10% a +40% +30% a +70% +0% a +150%
Combustibles Europa +5% a +15% +10% a +25% +20% a +60%
Equipo / Instrumental Japón +0% a +50% -10% a +40% ---
Combustibles Japón +40% a + 100% +50% a 200% ---
Equipo / Instrumental Australia --- +100% a +200% +150% a +300%
Combustibles Australia --- +200% a +400% +200% a +400%
www.themegallery.com
Applied Biosystems suministra productos y servicios para investigar genes y proteínas
4
El experto A permanece en su deción y no cambia la
columna pero los expertos B y C si quisieron ajustar sus
desiciones ,el B en Equipo Instrumental +20% a +60%; mejor
observaremos en la tabla.
FIN
Se concluye con este analisis y la empresa decide invertir en
Europa porque se nota un crecimiento creible y sin riesgos pero
en Australia no, ya que no existe mucho mercado y ni porque
los porcentajes son superiores, igual son menos cliente que en
europa.
Pronósticos de Juicio: Técnicas
EJEMPLO PRÁCTICO DEL METODO DELPHI
Resumen
Experto A Experto B Experto C
Equipo / Instrumental Europa + 10% a +40% +20% a +60% +10% a +90%
Combustibles Europa +5% a +15% +10% a +25% +15% a +40%
Equipo / Instrumental Japón +0% a +50% -10% a +40% ---
Combustibles Japón +40% a + 100% +50% a +150% ---
Equipo / Instrumental Australia --- +100% a +200% +150% a +300%
Combustibles Australia --- +200% a +400% +200% a +400%
www.themegallery.com
• Describir escenario mas probable.
• Y 1 o 2 escenarios menos probables
Realizado preferentemente por otro equipo de trabajo.
Desición del pronostico
Describir
escenarios Debate Conclusión
Definición detallada de un futuro incierto.
Pronosticos de Juicio: Tecnicas
METODO FORMULACIÓN DE ESCENARIOS
www.themegallery.com
Descripcion
La alta gerencia pide a la gente de planeación que
plantee tres escenarios en los que se pueda encontrar
la empresa en 5 años,
1.suponiendo que le pase lo peor, otra en la
2.que se mantengan las ventas la que es menos
incierta y
3.lo mejor que le pueda pasar a la compañia
incrementando ventas.
Pronósticos de Juicio: Técnicas
EJEMPLO PRÁCTICO DEL METODO F. E. Compañia que fabrica cables para telefono y televisión.
www.themegallery.com
Escenarios
1.- El uso de internet crece y ahora es mejor
inalambricamente asi que no hay venta de clableado.
2.- El uso de internet y televisión inalambricos crecen,
pero el uso de cables ocultos en las centrales seguira
siempre.
3.- El uso de satelites para comunicación inalambrica
declina por la inseguridad de datos por lo tanto las ventas
de clables crecen cada vez mas.
Debate
Los ejecutivos de la compañia suponen que con estas
hipotesis o puntos de vista será suficiente para
comenzar un debate en su reunión y pronosticar a
juicio su estatus futuro.
Pronósticos de Juicio: Técnicas
EJEMPLO PRÁCTICO DEL METODO F. E. Compañia que fabrica cables para telefono y televisión.
www.themegallery.com
combinando
pronosticos Individuales La
Exactitud
del pronostico
mejorará
Definiendo
Sin embargo
Siempre es mejor combinar conjuntos de información.
Pronósticos de Juicio: Técnicas
METODO DE COMBINACIÓN DE PRONOSTICOS
www.themegallery.com
Plan Desea pronosticar sus ventas durante los proximos 10
años. - Se basaran el dos estudios realizados uno
profesional y l otro hecho por la empresa o casa.
Solución
El Pronostico
profesional recibio
una ponderación del
75% y el de casa el
25%.
Cada pronostico
final se calculó:
1er valor. (.75)328 + (.25)335 = 329.75
Pronósticos de Juicio: Técnicas
EJEMPLO PRÁCTICO DEL METODO C. P. Compañia que fabrica piezas para tractores.
miles miles miles
Año futuro
Pronóstico Profesional
Pronóstico de casa
Pronóstico final
1 328 335 329.8
2 342 340 341.5
3 340 345 341.3
4 348 350 348.5
5 350 352 350.5
6 360 355 358.8
7 366 365 365.8
8 371 370 370.8
9 385 375 382.5
10 390 385 388.8
www.themegallery.com
1 2 3 4
En estos
modelos
se considera
que el pasado
será muy
parecido
al futuro.
Una de las
ventajas es
que las
relaciones
no necesitan
especificarse
con
anticipación.
Pueden
operar con
información
incompleta
La R. N. son
valiosas
cuando
los datos
estan
fuertemente
correlacionados
Los pronosticos dependen de datos historicos.
Pronósticos de Juicio: Técnicas
PRONOSTICOS Y REDES NEURALES
www.themegallery.com
La F. A. esta
usando redes
neurales para
pronosticar fallas
en los aviones de
su flota. Se
recopilo datos de
cada avión y la
red fue entrenada
para predecir la
probabilidad de
fallas especificas
En esta
compañía se ha
utilizado desde
1989 una red
neural para
determinar si los
clientes son
idóneos para
acceder a un
crédito.
Una planta en
Texas redujo sus
costos en 3
millones por
manteniendo su
rendimiento y
calidad. Todo
comenzó
recopilando
datos históricos
con el
entrenamiento de
una red neural
Cia. Kodax Cia. prestamos Fuerza Aerea
Pronosticos de Juicio: Tecnicas
APLICACIONES EXITOSAS DE LAS REDES NEURALES Escenarios practicos.
www.themegallery.com
1
El VALOR ESPERADO.- Se
calcula: E(X)= Ʃ X[P(X)] Según
mi tabla de distribución: Es una herramienta muy usual para los ejecutivos o alta gerencia como vimos en el capitulo 2.
2
DIAGRAMAS DEL ARBOL.- herramienta utilizada para determinar
todos los posibles resultados de un
experimento aleatorio.
se requiere conocer el número de elementos que forman parte del espacio muestral.
Pronosticos de Juicio
OTRAS HERRAMIENTAS PARA HACER JUICIOS
Utiles para toma de decisiones.
Instructor: Romni Yépez -UG
Instructor: Romni Yépez - UG
Capítulo 11.- Administración del
proceso de pronóstico
11.1 Proceso del Pronóstico
Instructor: Romni Yépez - UG
Consta de 2 fases:
Nivel estratégico Nivel operativo
Se piensa en:
• ¿Qué pronosticar?
• ¿Cómo usar los pronósticos?
• ¿Quién los generará?
• Se recopila los datos.
• Generación del pronóstico.
• Evaluación del pronóstico.
Este proceso es como cualquier otro y si no
se controla y verifica, es como una espiral
fuera de control.
11.2 Monitoreo de Pronósticos
Instructor: Romni Yépez - UG
Resumen de los métodos
Métodos Descripción Aplicaciones
Modelos causales de pronóstico
Análisis de regresión Pronostico explicativo;
supone una relación causa-
efecto entre la información
de entrada y de salida
• Es de corto y mediano
alcance de productos y
servicios existentes.
• Estrategias de
marketing.
• Producción.
• Contratación de
personal.
• Planeación de
instalaciones
Regresión múltiple Pronostico explicativo;
supone una relación causa
–efecto entre la información
de entrada y salida.
Se aplica igualmente al
método anterior
11.2 Monitoreo de Pronósticos
Instructor: Romni Yépez - UG
Métodos Descripción Aplicaciones
Modelos de pronóstico de series de tiempo
Método de descomposición Pronostico explicativo;
supone una relación causa-
efecto entre el tiempo y la
información de salida.
• Mediano alcance:
• Financiamiento.
• Nuevo productos.
• Métodos de
ensamblaje.
• Corto alcance:
• Publicidad.
• Inventario.
• Financiamiento.
• Planeación.
Promedios móviles Se usan para eliminar la
aleatoriedad en una serie de
tiempo. Se basa en datos de
series de tiempo suavizado
por ponderación.
• Corto alcance:
• Inventario.
• Programación.
• Control.
• Fijación de precios.
• Calendarización de
promociones
especiales
11.2 Monitoreo de Pronósticos
Instructor: Romni Yépez - UG
Métodos Descripción Aplicaciones
Modelos de pronóstico de series de tiempo
Suavización exponencial Similar a los promedios
móviles, pero los valores
son ponderados
exponencialmente,
otorgando mayor peso a los
datos mas reciente.
• Corto alcance:
• Inventario.
• Programación.
• Control.
• Fijación de precios.
• Calendarización de
promociones
especiales.
Modelos autorregresivos Se usan con variables
económicas para explicar
observaciones en una serie
de tiempo.
• Corto y mediano
alcance:
• Datos económicos.
• Inventario.
• Producción.
• Acciones.
• Ventas.
11.2 Monitoreo de Pronósticos
Instructor: Romni Yépez - UG
Métodos Descripción Aplicaciones
Modelos de pronóstico de series de tiempo
Técnica Box-Jenkins Usa un método iterativo de
identificación y ajuste de un
modelo posiblemente útil
tomado de un grupo general
de modelos.
Igual que el modelo
autorregresivos.
Redes neurales Usa un programa complejo
de computadora para
asimilar datos relevantes y
reconocer patrones
mediantes «aprendizaje»
como lo hacen los humanos
• Esta en fase de
desarrollo.
11.3 Fase operativa del proceso del
pronóstico
Instructor: Romni Yépez - UG
Recolección de datos
Examen de los patrones de datos
Selección del método pronostico
Pronóstico de periodos pasados
¿Exactitud
aceptable?
Nuevo examen de los
patrones de datos
Pronósticos del futuro
Verificación del pronostico
¿Precisión
aceptable?
Examen de los patrones de
datos usando valores
históricos actualizados
No Si
No
Si
11.4 Responsabilidad al elaborar un
pronóstico
Instructor: Romni Yépez - UG
La responsabilidad de elaborar pronósticos se ubica en algún punto
entre un departamento dedicado a pronosticar y otras unidades
administrativas.
Los equipos dedicados a pronósticos generalmente se encuentran en
grandes empresas.
Los pronósticos son considerados en la toma de decisiones.
En ciertos casos el departamento de
marketing es el responsable de los
pronósticos. Este grupo usa métodos
estadísticos para amortiguar la
incertidumbre.
11.5 Costos de los pronósticos
Instructor: Romni Yépez - UG
El hardware y software computacional, mas el personal
especializado son los costos mas obvios implicados en la
creación de los pronósticos.
Es posible contratar consultores externos profesionales
con el fin de reducir costos y cubrir necesidades de
pronósticos casuales.
11.6 Sistemas de información para
administrar y pronosticar
Instructor: Romni Yépez - UG
Los grandes sistemas de información gerenciales (SIG) incluye:
• Procesos de elaboración de pronósticos.
• Recolección y registrar datos.
• Módulos de pronósticos que usan base de datos.
Una ventaja adicional para usar los datos disponibles en el
SIG, es el proceso de elaboración de un pronostico que se
convierte en un componente del mismo sistema.
11.7 Importancia de la
administración de los pronósticos
Instructor: Romni Yépez - UG
Existen varios factores:
• Debe reconocerse que los gerente requieren de resultados
útiles.
• Los pronósticos deben de ser suficientemente precisos.
• Se debe de considerar el costo – beneficio que genera la
elaboración de un pronostico.
11.8 El futuro de los pronósticos
Instructor: Romni Yépez - UG
Las tendencia de una economía altamente feroz y de competencia
global determina lo siguiente:
• El énfasis en la importancia de combinar el buen juicio con
métodos complejos de manipulación de datos despejando
las incertidumbres así:
• Generando datos útiles para la toma de decisiones.
Por ello nuevos retos y oportunidades esperan a los
pronosticadores.
Instructor: Romni Yépez -UG
LOGO
Instructor: Romni Yépez -UG
Por su atención….