Pronósticos en los cuales existen antecedentes del
fenómeno a pronosticar. Se utilizan modelos
matemáticos y estadísticos para pronosticar. Se
realizan análisis de series de tiempo
Analizado por las siguientes técnicas:
Regresión lineal: Relación funcional entre dos variables,
una dependiente de la otra, a partir de datos
observados.
Modelado por las ecuaciones: y = ax +
b, b = Σ(xy - n(X^2))/Σ(x^2 - n(XY)) y a =
Y - bx
Suavización: Permite la no utilización de demasiado dato histórico, cada dato que
pasa hace que se incremente la ponderación del dato en (1-α). α se conoce como la
constante de suavización y estas determinada por la demanda y decisiones
gerenciales.
El promedio móvil ponderado y la suavización pueden verse interrelacionadas
si se define una constante alpha 2/(n+1), donde n es la cantidad de elementos
analizados.
Muy pocos registros de los datos históricos
Constante
suavizamiento α
La última estimación de la demanda es igual a la anterior
ajustada por una fracción de la diferencia de la última demanda
real y la estimación anterior
Ajuste de la tendencia β
Enfoque
intuitivo
Suponer ventas iguales
Promedios móviles
Promedio Móvil Simple: Debido a que los promedios son
centralizados estos pueden ayudar a omitir fenómenos
externos. El plazo del promedio es siempre fijo y nuevos
valores siempre son sustituidos por los más antiguos. Este
método requiere que se tenga demasiado dato histórico por
lo cual puede ser a veces ineficiente.
Modelado por la ecuación: F = ΣA/n
Promedio Móvil Ponderado: Promedio que permite dar más
importancia a cualquier campo deseado, siempre y cuando
todas las ponderaciones sean igual a 1
Modelado por la ecuación: F = ΣWA
Hacer énfasis periodos más
recientes
Suavizar las fluctuaciones de la demanda
Número de datos historiales
reales
Suponer estabilidad de la
demanda por un tiempo
Problemas
Al aumentar n suaviza mejor
las fluctuaciones
No reflejan bien las
tendencias
Se quedan en el
pasado
Requieren datos históricos
Proyecciones de tendencia
Recta de tendencia
Método de mínimos cuadrados
Mejor ajuste
Ajuste de datos históricos
Categorías
1. Enfoque intuitivo
2. Promedios móviles
3. Suavizamiento exponencial
4. Proyección de tendencias
5. Regresión Lineal
Modelos
Series de tiempo
El futuro es una función del pasado
Serie de atos puntuales
Igualmente espaciados
Asociativos
Incorpora variables o
factores
Influyentes en la variable a
pronostricar
Serie de tiempo
Descomposición
Tendencia
Movimiento gradual de los datos en el tiempo
Estacionalidad
Datos repetidos después de un periodo
Ciclos
Patrones
Ocurren cierta cantidad de años
Afectado por acontencimientos
Variaciones
Aleatorias
Situaciones inusuales
Errores
La exactitud se verifica con comparar
pronósticos con valores reales
3 Medidas
MAD
Desviación media
absoluta
Se utiliza para
probar valores de
α y β
MSE
Error cuadrático medio
Acentua desviaciones debido al
cuadrado
Se utiliza para tener pequeñas desviaciones en vez de una desviación grande