Untitled.pdf GESTI ON DE OPERACIONES UTP

21. CONCLUSIONES

22. Datos/Observaciones
1. Afianzando la sesión 14
Introducción
“basura entra, basura sale”. El modelo de pronóstico más elaborado fallará si se aplica a datos poco
confiables. 4 criterios para determinas la calidad de datos:
1. Los datos deben ser fidedignos
y precisos.
2. Los datos deberían ser
relevantes.
3. Los datos tienen que ser
consistentes
4. Los datos deberían ser
oportunos.
1. Son los datos
recopilados en un
periodo único
(transversal)
2. Son las
observaciones de
datos realizadas a
través del tiempo.
(serie de tiempo)
2 tipos de datos

23. Datos/Observaciones
1. Afianzando la sesión 14
Selección dela técnica de pronóstico
Para elegir acertadamente la técnica de pronóstico, el pronosticador debe hacer lo siguiente:
Definir la naturaleza del problema que se va a pronosticar
Explicar la naturaleza de los datos en investigación
Describir las capacidades y limitaciones de las técnicas
de elaboración de pronósticos potencialmente útiles.
Desarrollar algún criterio predeterminado, con el cual se
pueda tomar la decisión
Un factor importante que influye en la selección de la técnica de elaboración del pronóstico
es la identificación y comprensión de patrones históricos en los datos. Si se pueden reconocer
patrones de tendencia, cíclicos o estacionales, entonces se deben seleccionar las técnicas que sean
capaces de extrapolar efectivamente tales patrones.

24. Datos/Observaciones
2. Técnicas de pronósticos
Estudio de patrones de datos en series de tiempo
Uno de los pasos más importantes en la selección de un método para pronosticar adecuado con
datos de una serie de tiempo es considerar los diferentes tipos de patrones de datos. Existen
cuatro tipos generales: horizontal, tendencias, estacionales y cíclicos.
1. Cuando los datos recopilados en el transcurso del tiempo fluctúan alrededor de un
nivel o una media constantes, hay un patrón horizontal.
2. Cuando los datos crecen o descienden en varios periodos, existe un patrón de
tendencia. La tendencia es el componente de largo plazo que representa el
crecimiento o el descenso en la serie de tiempo.
3. Se dice que este tipo de series es estacionario en su media. El componente
estacional es un patrón de cambio que se repite año tras año.
4. Cuando las observaciones indican aumentos y caídas que no tienen un periodo fijo,
existe un patrón cíclico. El componente cíclico es la oscilación alrededor de la
tendencia.

25. Datos/Observaciones
2. Técnicas de pronósticos
Para datos estacionarios (horizontales)
Una serie estacionaria como aquella cuyo valor medio no cambia con el paso del
tiempo. Es importante reconocer que los datos estacionarios no necesariamente
varían de manera aleatoria alrededor de un nivel medio.
En su forma más simple, el pronóstico de una serie estacionaria implica el uso de la historia disponible
de la serie para estimar su valor medio, el cual se convierte así en el pronóstico de futuros periodos.
1. Los factores que generan una serie se han estabilizado, y el ambiente en el cual
existe la serie permanece relativamente sin cambios
2. Se necesita un modelo muy simple debido a la falta de datos para la explicación o
implementación.
3. La estabilidad puede obtenerse haciendo correcciones sencillas de factores tales
como crecimiento demográfico o la inflación
4. La serie puede convertirse en una serie estable.

26. Datos/Observaciones
2. Técnicas de pronósticos
Para datos con una tendencia
En palabras sencillas, en una serie de tiempo una tendencia es un crecimiento o decrecimiento
persistente de larga duración. Para una serie de tiempo con tendencia, el nivel de la serie no es
Constante.
1. Un incremento en la productividad y nueva tecnología traen consigo
cambios en el estilo de vida
2. Un incremento de la población causa aumentos en la demanda de bienes
y servicios.
3. El poder de compra de la moneda afecta las variables económicas debido
a la inflación.
4. Incremento de aceptación en el mercado. Un ejemplo es el periodo de
crecimiento en el ciclo de vida de un producto nuevo.

27. Datos/Observaciones
2. Técnicas de pronósticos
Para datos estacionales
Una serie estacional como una serie de tiempo con un patrón de cambio que se repite a sí mismo año
tras año. Una forma de desarrollar pronósticos estacionales es estimar índices estacionales de la
historia de la serie.
1. El clima influye en la variable de interés. Ejemplos son el consumo
eléctrico, las actividades de verano e invierno (por ejemplo, deportes
como el esquí), el vestido y buenas temporadas en la agricultura.
2. El calendario anual influye en la variable de interés. Son ejemplos
las ventas al menudeo influidas por las vacaciones, fines de semana
de tres días y calendarios académicos.

28. Datos/Observaciones
2. Técnicas de pronósticos
Para datos cíclicos
Se definió antes como la fluctuación con forma de onda alrededor de una tendencia. Los patrones
cíclicos son difíciles de modelar porque sus patrones generalmente son inestables.es estimar índices
estacionales de la historia de la serie.
1. El ciclo de negocios influye en la variable de interés. Son ejemplos los
factores económicos de mercado y competitivos.
2. Ocurren cambios en el gusto popular. Son ejemplos la moda, la música y
la comida.
3. Suceden cambios en la población. Son ejemplos las guerras, las
hambrunas, las epidemias y los desastres naturales
4. Ocurren cambios en el ciclo de vida del producto. Son ejemplos el
lanzamiento, el crecimiento la maduración, la saturación del mercado, y su
declive.

29. Datos/Observaciones
3. Medición del error de pronóstico
Concepto
Hay varios métodos cuya finalidad es resumir los errores generados por una técnica específica de
pronósticos. La mayoría de estas medidas son el promedio de alguna función de la diferencia entre su
valor real y su valor pronosticado. Estas diferencias se conocen como residuos.

30. Datos/Observaciones
3. Medición del error de pronóstico
Formulas

31. Datos/Observaciones
3. Medición del error de pronóstico
Ejemplo

32. Datos/Observaciones
3. Medición del error de pronóstico
Ejemplo

33. Datos/Observaciones
1. Afianzando la sesión 15
Definición
• Conjunto de actividades a través de las cuales, a partir de datos históricos relevados del entorno
(series cronológicas, experiencia cualitativa), se obtienen escenarios y proyecciones de los valores
futuros de las variables bajo análisis
• El software más utilizado para analizar series de tiempo es el Minitab también se puede analizar con
R.

34. Datos/Observaciones
1. Afianzando la sesión 15
Introducción
“basura entra, basura sale”. El modelo de pronóstico más elaborado fallará si se aplica a datos poco
confiables. 4 criterios para determinas la calidad de datos:
1. Los datos deben ser fidedignos
y precisos.
2. Los datos deberían ser
relevantes.
3. Los datos tienen que ser
consistentes
4. Los datos deberían ser
oportunos.
1. Son los datos
recopilados en un
periodo único
(transversal)
2. Son las
observaciones de
datos realizadas a
través del tiempo.
(serie de tiempo)
2 tipos de
pron’osticos

35. Datos/Observaciones
1. Afianzando la sesión 15
Estudio de patrones de datos en series de tiempo
Uno de los pasos más importantes en la selección de un método para pronosticar adecuado con
datos de una serie de tiempo es considerar los diferentes tipos de patrones de datos. Existen
cuatro tipos generales: horizontal, tendencias, estacionales y cíclicos.
1. Cuando los datos recopilados en el transcurso del tiempo fluctúan alrededor de un
nivel o una media constantes, hay un patrón horizontal.
2. Cuando los datos crecen o descienden en varios periodos, existe un patrón de
tendencia. La tendencia es el componente de largo plazo que representa el
crecimiento o el descenso en la serie de tiempo.
3. Se dice que este tipo de series es estacionario en su media. El componente
estacional es un patrón de cambio que se repite año tras año.
4. Cuando las observaciones indican aumentos y caídas que no tienen un periodo fijo,
existe un patrón cíclico. El componente cíclico es la oscilación alrededor de la
tendencia.

36. Datos/Observaciones
1. Afianzando la sesión 15
Error de pronóstico
Leer capitulo 3 del libro Pronósticos en los negocios, en especial las formulas de la pág. 87 y 88

37. Datos/Observaciones
1. Afianzando la sesión 15
Error de pronóstico

38. Datos/Observaciones
2. Basado en promedios móviles
Asociación entre dos variables
Dos variables medidas en la misma unidad de observación están asociadas si algunos de los
valores de una de las variables tienden a ocurrir más frecuentemente con algunos valores de la
segunda variable que con otros.
Ejemplos:
• Asociación o Relación Positiva : a mayor número de horas trabajadas mayor nivel de ingresos.
• Asociación o Relación Negativa : a mayor educación de la madre menor fecundidad.
Tipología:
• Un sólo conjunto de variables sin ninguna especificación a priori de dependencia . Entonces
nos enfocamos a las relaciones al interior ( within ). Estos métodos son conocidos como
métodos de interdependencia
(Ej.: Series de Tiempo)
• Dos conjuntos de variables dónde especificamos de antemano el efecto de algunas variables
sobre el comportamiento de otras . Aquí el enfoque es en la relación entre ( between )
variables. Estos métodos son conocidos como métodos de dependencia
(Ej.: Regresión)

39. Datos/Observaciones
2. Basado en promedios móviles
Métodos de pronosticar

40. Datos/Observaciones
2. Basado en promedios móviles
Métodos de pronosticar

41. Datos/Observaciones
2. Basado en promedios móviles
¿Qué hace la suavización?
1. La selección de un método de pronósticos se realiza con base en el análisis y la
intuición del pronosticador acerca de la naturaleza de los datos.
2. El conjunto de datos se divide en dos secciones: una sección de inicio o de ajuste y
una sección de prueba o de pronóstico
3. La técnica seleccionada de pronóstico se usa para desarrollar valores de ajuste
con la primera parte de los datos.
4. La técnica se usa para pronosticar la segunda sección, los pronósticos obtenidos
se comparan con los datos y se evalúa el error de pronóstico. Finalmente se toma la
decisión.
Después de que usted selecciona una técnica para la elaboración del pronóstico, la ajusta a los datos
conocidos y obtiene los valores del pronóstico. Una vez que estos valores pronosticados están
disponibles, los compara con las observaciones conocidas y calcula el error de pronóstico (et).
Una buena estrategia para evaluar los métodos de pronósticos implica los siguientes pasos:

42. Datos/Observaciones
2. Basado en promedios móviles
Promedios simples
Promediar (calcular la media de) la parte de inicialización de los datos y
pronosticar el siguiente periodo.
Cuando una nueva observación está disponible, el pronóstico del siguiente
periodo es el promedio o la media calculada empleando la ecuación
anterior incluyendo esta nueva observación.
El método de promedios simples es una técnica adecuada cuando los factores que producen la serie
que se va a pronosticar se han estabilizado y el ambiente en el cual se encuentra la serie generalmente
permanece sin cambios. Ejemplos de este tipo de series son: las ventas efectuadas como resultado de
un nivel de esfuerzo constante de los vendedores; las ventas de un producto en la etapa de madurez
de su ciclo de vida; entre otros.

43. Datos/Observaciones
2. Basado en promedios móviles
Promedios simples: Ejemplo

44. Datos/Observaciones
2. Basado en promedios móviles
Promedios simples: Ejemplo

45. Datos/Observaciones
2. Basado en promedios móviles
Promedios móviles
El método de promedios simples utiliza la media de todos los
datos para hacer el pronóstico. ¿Qué sucede si en el analista
está más interesado en las observaciones recientes?
Se puede especificar un número constante de puntos de datos al inicio
y se puede calcular una media con las observaciones más recientes.
El modelo de promedio móvil no maneja muy bien la tendencia o la estacionalidad, si bien es cierto
que lo hace mejor que el método de promedio simple.
El analista debe usar su criterio en la determinación de los días, semanas, meses o trimestres en los
cuales basar el promedio móvil. Cuanto menor es el número, mayor es el peso que se asigna a los
periodos más recientes. Y a la inversa, cuanto mayor es el número, menor es el peso que se asigna a
los periodos más recientes.

46. Datos/Observaciones
2. Basado en promedios móviles
Promedios móviles: Ejemplo

47. Datos/Observaciones
2. Basado en promedios móviles
Promedios móviles dobles
La construcción de un promedio móvil doble se resume en las
ecuaciones.
La diferencia entre los dos conjuntos de promedios móviles se
suma al promedio móvil de tres semanas para pronosticar los
valores reales.
Se emplea la ecuación para desarrollar un pronóstico sumando al
promedio móvil simple la diferencia entre el promedio móvil
simple y el segundo promedio móvil

48. Datos/Observaciones
2. Basado en promedios móviles
Promedios móviles dobles: Ejemplo

49. Datos/Observaciones
2. Basado en promedios móviles
Promedios móviles dobles: ejemplo

50. Datos/Observaciones
2. Basado en promedios móviles
Promedios móviles dobles: ejemplo

51. Datos/Observaciones
3. De suavización exponencial
¿Qué hace la suavización?

52. Datos/Observaciones
3. De suavización exponencial
Introducción
Mientras que el método de promedios móviles toma en cuenta sólo las observaciones más
recientes, la suavización exponencial simple ofrece un promedio móvil con peso
exponencial para todos los valores previos observados.

53. Datos/Observaciones
3. De suavización exponencial
Introducción

54. Datos/Observaciones
3. De suavización exponencial
Suavización exponencial: ejemplo

55. Datos/Observaciones
3. De suavización exponencial
Suavización exponencial: ejemplo

56. Datos/Observaciones
Conclusiones
6. Lo que aprendimos
• Discriminar el uso de métodos de pronósticos para
la toma de decisiones.
• Los ejemplos, nos otorgan referencias para aplicar
los pronósticos según sea el caso.
• La importancia de la selección de los datos, tiene
gran relevancia ene resultado de la proyección o
pronósticos.
• Interiorizar las formulas de la pág. 136 y 137 del libro
de pronósticos en los negocios de John Hanke

57. Docente: MBA Diego Santander Choquecota
C22303@utp.edu.pe
Cel. 959200412