1© Martín Soto-Córdova, 2013
Curso: PRONOSTICO DE NEGOCIOS
Tema: Ejercicios
Lima, 11-03-13
Facultad de Administración y Negocios (FAyN)
3© Martín Soto-Córdova, 2013
Indique 4 razones por las que pronosticar Entorno altamente incierto La intuición no necesariamente da los mejores resultados Mejorar la planeación Competitividad y cambio
Mencione los pasos en la elaboración de pronósticos
Recopilación de datos Reducción o condensación de datos Construcción del modelo Extrapolación del modelo
Señale la relación entre los datos y la serie de tiempos
Una serie de tiempo consta de datos que se reúnen, registran u observan sobre incrementos sucesivos de tiempo.
4© Martín Soto-Córdova, 2013
Menciones ejemplos por los que los datos presentan patrón tendencia Productividad creciente y nueva tecnología producen cambios. El incremento de la población elevan la demanda por productos. El poder de compra se afecta por la inflación. Aumenta la aceptación en el mercado de un producto
Menciones ejemplos por los que los datos presentan patrón estacionalidad
El clima influye en la variable de interés. El año calendario influye en la variable.
Menciones ejemplos por los que los datos presentan patrón cíclico
El ciclo del negocio influye sobre la variable. Cambios en el gusto popular. Cambios en la población. Cambios en el ciclo de vida del producto.
5© Martín Soto-Córdova, 2013
www.auladeeconomia.com
Medición del error en el pronóstico
• Se compara la precisión de dos o más técnicas de pronóstico.
• Se mide la confiabilidad de una técnica de pronóstico.
• Se busca la técnica óptima.
6© Martín Soto-Córdova, 2013
Periodo, t Yt Pronóstico, 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
7© Martín Soto-Córdova, 2013
www.auladeeconomia.com
Fórmulas de medición del error en el pronóstico
ttt
tt
t
YYe
residualopronósticodelError
YparapronósticodelvalorY
tperiodoelentiempodeserieunadevalorY
ˆ
:
ˆ
8© Martín Soto-Córdova, 2013
www.auladeeconomia.com
n
YYEMC
cuadradomedioErrorn
YYDAM
mediaabsolutaDesviación
n
ttt
n
ttt
1
2
1
ˆ
:
ˆ
:
9© Martín Soto-Córdova, 2013
www.auladeeconomia.com
n
YYY
PME
errordemedioPorcentajen
Y
YY
PEMA
absolutomedioerrordePorcentaje
n
t t
t
n
t t
tt
1
1
ˆ
:
ˆ
:
10© Martín Soto-Córdova, 2013
www.auladeeconomia.com
6.1. Método del último 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
11© Martín Soto-Córdova, 2013
www.auladeeconomia.com
Promedios simples:t Yt Yt+1
1 422 52 42
3 54 47.00
4 65 49.33
5 51 53.25
6 64 52.80
12© Martín Soto-Córdova, 2013
www.auladeeconomia.com
Promedios móviles:
promedio móvilt Yt n=3 n=41 422 523 544 65 49.335 51 57.00 53.256 64 56.67 55.5
13© Martín Soto-Córdova, 2013
www.auladeeconomia.com
6.3. Metodos de suavizamiento exponencial
El método de suavizamiento exponencial puede dar una ponderación mayor a las observaciones más recientes.
Las ponderaciones se asigna mediante la constante , 0 < < 1.
El modelo se expresa como:
pronóstico = (último valor) + (1 - )(último pronóstico)
14© Martín Soto-Córdova, 2013
www.auladeeconomia.com
6.3. Metodos de suavizamiento exponencial
t Yt =0.1 =0.51 422 52 42 423 54 43.00 47.004 65 44.10 50.505 51 46.19 57.756 64 46.67 54.38
15© Martín Soto-Córdova, 2013
www.auladeeconomia.com
6.4. Descomposición 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 población, cambios en la productividad, cambios tecnológicos, etc.
En este tipo de análisis la variable independiente es el tiempo.
16© Martín Soto-Córdova, 2013
www.auladeeconomia.com
6.4.1. Tendencia linealEl método más empleado para describir una tendencia
lineal es el de mínimos cuadrados, para encontrar una línea de mejor ajuste para un conjunto de puntos.
Y´ = a + bXY´ = valor pronosticado en un periodo X
a = valor de la tendencia cuando X = 0
b = pendiente de la recta de tendencia
X = periodo (codificado)
17© Martín Soto-Córdova, 2013
www.auladeeconomia.com
6.4.1. Tendencia lineal: ejemploAño Periodo X Demanda (Y)
1994 1 35
1995 2 421996 3 48
1997 4 51
1998 5 54
1999 6 602000 7 71
2001 8 75
18© Martín Soto-Córdova, 2013
www.auladeeconomia.com
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
19© Martín Soto-Córdova, 2013
www.auladeeconomia.com
6.4.1. Tendencia lineal: ejemplo
X Y XY X²
1 35
2 42
3 48
4 51
5 54
6 60
7 71
8 75
Sumas
20© Martín Soto-Córdova, 2013
www.auladeeconomia.com
6.4.1. Tendencia lineal: fórmulas
n
xb
n
ya
xxn
yxxynb
22
21© Martín Soto-Córdova, 2013
www.auladeeconomia.com
6.4.1. Tendencia lineal
t Yt Y´t et
1 352 423 484 515 546 607 718 759
22© Martín Soto-Córdova, 2013
www.auladeeconomia.com
6.4.1. Tendencia lineal
Se puede calcular el coeficiente de determinación, a fin de evaluar qué tan correcta es la estimación de la recta de regresión.
El coeficiente de determinación r² se calcula como:
2222
2
2
yynxxn
yxxynr
23© Martín Soto-Córdova, 2013
www.auladeeconomia.com
6.4.1. Tendencia lineal
También es posible calcular intervalos de confianza para la estimación. Para ello es necesario calcular el error estándar de la estimación.
2
2
n
xybyaySe
24© Martín Soto-Córdova, 2013
www.auladeeconomia.com
6.4.1. Tendencia lineal
Nivel de confianza
Z Fórmula
68% 1 y’ ± Se
95% 2 y’ ± 2Se
99% 3 y’ ± 3Se
25© Martín Soto-Córdova, 2013
www.auladeeconomia.com
7. Aplicación de varios métodos a datos desestacionalizados
Los datos muestran alguna tendencia creciente a lo largo del tiempo, además de una marcada estacionalidad. Se procederá 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 realizará a través del cálculo de factores estacionales:
Factor estacional = Prom. periodo / prom. global
26© Martín Soto-Córdova, 2013
www.auladeeconomia.com
Año 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
27© Martín Soto-Córdova, 2013
www.auladeeconomia.com
7. Aplicación de varios métodos 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
28© Martín Soto-Córdova, 2013
www.auladeeconomia.com
7. Aplicación de varios métodos a datos desestacionalizados
T
Año
Suma PromFactorEstac.
1 2 3
1 13618 14514 13984 42116 10529 0.93232 12930 14128 13644 40702 10175 0.90103 13138 15568 15898 44604 11151 0.98734 16532 17448 19300 53280 13320 1.1794
Total 45175.50
Prom. 11293.88
29© Martín Soto-Córdova, 2013
www.auladeeconomia.com
Año 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
30© Martín Soto-Córdova, 2013
www.auladeeconomia.com
7. Aplicación de varios métodos a datos desestacionalizados
Se aplican varios métodos de pronóstico para finalmente seleccionar el mejor pronóstico.
A. Método de pronóstico del último valor
B. Promedios móviles
C. Suavizamiento exponencial
D. Suavizamiento exponencial con tendencia
31© Martín Soto-Córdova, 2013
www.auladeeconomia.com
Otros métodos:
Modelos de tendencia con ajuste estacional
Modelo de promedios móviles integrados autorregresivos (ARIMA o Box-Jenkins)
Pronósticos causales (modelos econométricos)
Métodos de pronósticos subjetivos
32© Martín Soto-Córdova, 2013
Si desea más información visite www.auladeeconomia.com
Le invitamos a leer nuestros artículos y matricular
nuestros cursos