Sie sind auf Seite 1von 7

TEMA 1: PRONSTICOS 1.1.

Introduccin Pronostico es un mtodo mediante el cual se intenta conocer el comportamiento futuro de alguna variable con algn grado de certeza. Existen disponibles tres grupos de mtodos de pronsticos: Los cualitativos, los de proyeccin histricos y los causales. Se diferencian entre s por la precisin relativa del pronstico del largo plazo en comparacin con el corto plazo, el nivel de herramientas matemticas requerido y la base de conocimiento como sustrato de sus proyecciones. Los pronsticos pueden ser utilizados para conocer el comportamiento futuros en muchas fenmenos, tales como: 1. Mercadotecnia Tamao del mercado Participacin en el mercado Tendencia de precios Desarrollo de nuevos productos 2. Produccin Costo de materia prima Costo de mano de obra Disponibilidad de materia prima Disponibilidad de mano de obra Requerimientos de mantenimiento Capacidad disponible de la planta para la produccin 3. Finanzas Tasas de inters Cuentas de pagos lentos 4. Recursos Humanos Nmero de trabajadores Rotacin de personal Tendencias de ausentismo Tendencia de llegadas tarde 5. Planeacin Estratgica Factores econmicos Cambios de precios Costos Crecimiento de lneas de productos Los pronsticos se utilizan para apoyar a la toma de decisiones por parte de las Gerencias de Mercadeo, Ventas y Produccin, se entrega un pronstico para proveer con informacin congruente y exacta, la cual se calcula utilizando modelos matemticos de pronstico, datos histricos del comportamiento de las ventas y el juicio de los ejecutivos representantes de cada departamento involucrado de la empresa. 1.2 Las necesidades de pronosticar

Los pronsticos se utilizan para acercarnos informacin futura y con ella elaborar un plan de accin, de ah que las caractersticas de un pronostico sean: Primera. Todas las situaciones en que se requiere un pronostico, tratan con el futuro y el tiempo este directamente involucrado. As, debe pronosticarse para un punto especifico en el tiempo y el cambio de ese punto generalmente altera el pronostico. Segunda. Otro elemento siempre presente en situaciones de pronsticos es la incertidumbre. Si el administrador tuviera certeza sobre las circunstancias que existirn en un tiempo dado, la preparacin de un pronostico seria trivial. Tercera. El tercer elemento, presente en grado variable en todas las situaciones descritas es la confianza de la persona que hace el pronostico sobre la informacin contenida en datos. 1.3 Procedimientos Todos los procedimientos formales de pronstico comprenden la extensin de las experiencias del pasado al futuro incierto. De ah la suposicin de que las condiciones que generaron los datos anteriores son indistinguibles de las condiciones futuras, con excepcin de aquellas variables reconocidas de manera explcita por el modelo de pronstico. Por ejemplo, si se esta pronosticando el ndice de desempeo de los empleados en el trabajo, usando slo como pronstico la calificacin del examen de admisin, se asume que el ndice de desempeo en el trabajo de cada persona se afecta slo por dicho examen. Considerando que la suposicin de pasado y futuro indistinguibles no se cumple, resultarn pronsticos imprecisos, a menos que se modifiquen a juicio de quien se pronostica. La aceptacin de que las tcnicas de pronsticos funcionan sobre datos generados en sucesos histricos pasados conduce a la identificacin de cuatro pasos en el proceso de pronstico: 1. Recopilacin de datos 2. Reduccin o condensacin de datos 3. Construccin del modelo 4. Extrapolacin del modelo El paso 1 sugiere la importancia de obtener datos adecuados y asegurarse que son correctos. Con frecuencia este paso es el mayor reto de todo el proceso de pronstico y el ms difcil de controlar, ya que los pasos siguientes se efectan sobre los datos, sean o no relevantes para el problema en cuestin. Siempre que se hace necesario obtener datos pertinentes en una organizacin, abundan los problemas de recopilacin y control de calidad. El paso 2, la reduccin de datos con frecuencia es necesaria ya que en proceso de pronstico es posible tener muchos o muy pocos datos. Algunos datos pueden no ser pertinentes al problema, por lo que reduciran la precisin del pronstico. Otros datos pueden ser los adecuados, pero slo en ciertos periodos histricos. Por ejemplo, en el pronstico de ventas de automviles compactos podra desearse emplear slo datos de ventas de automviles a partir del embargo petrolero de la dcada de 1970, en vez de datos de los ltimos 50 aos.

El paso 3 , la construccin del modelo, implica ajustar los datos reunidos en un modelo de pronstico que sea el adecuado para minimizar el error del pronstico. Entre ms sencillo sea el modelo, ser mejor para lograr la aceptacin del proceso por parte de los administradores que toman las decisiones en la empresa. Con frecuencia se debe establecer un balance entre un enfoque de pronstico complejo que ofrezca ligeramente ms precisin y un enfoque sencillo que sea fcil de entender y ganar el apoyo de quienes toman las decisiones, de manera que lo utilicen efectivamente. Es obvio que los elementos de juicio forman parte de este proceso de seleccin. El paso 4 consiste en la extrapolacin en s del modelo de pronstico, lo cual ocurre una vez que se recolectaron y tal vez redujeron, los datos adecuados y que se seleccion un modelo de pronstico apropiado. Es comn que quien realiz el pronstico revise la precisin del proceso mediante el pronstico de periodos recientes de los que se conocen los valores histricos reales. Es entonces cuando se observan los errores de pronstico y se resumen de algn modo. Ciertos procedimientos de pronsticos, suman los valores absolutos de los errores y pueden reportar esta suma, o dividirla entre el numero de intentos de pronstico para obtener el error de pronstico promedio. Otros procedimientos obtienen la suma de cuadrados de los errores, que se compara luego con cifras similares de mtodos de pronstico alternativos. Algunos procedimientos tambin rastrean y reportan la magnitud de los trminos de error sobre el periodo de pronstico. El examen de los patrones de error conduce con frecuencia al analista a la modificacin del procedimiento de pronstico, el cual genera despus pronsticos ms precisos. Tcnicas para el clculo de pronsticos Cuando es difcil convertir en nmeros las variables que intervienen en la determinacin de la demanda futura. La mayora es bajo costo y no requieren de equipo computacional para hacerse, aunque su planeacin implica una gran inversin de tiempo por parte de los directivos. Horizonte: normalmente se utilizan para planear a mediano y largo plazos. 1. Opiniones de los gerentes/ejecutivos: se basa en la opinin general de un grupo de directivos o gerentes de la empresa. 2. Tcnica Delphi: un grupo de expertos responde, de manera annima, a un cuestionario que pregunta sobre las proyecciones de ventas de la empresa. Un moderador lee en voz alta las respuestas y, entre todos, buscan consenso. 3. Informacin de los vendedores: consiste en recopilar las estimaciones realizadas por los vendedores (o distribuidores) acerca de las ventas esperadas en sus territorios, con el fin de suponer la tendencia y cambios futuros. 4. Anlisis del ciclo de vida: se basa en la evaluacin de las etapas de un producto o servicio para predecir su del producto demanda en el mercado. Esto es, desde la introduccin, inicio y crecimiento, hasta las etapas de madurez y declinacin.

5. Investigacin de mercados: se propone recolectar datos de diversas maneras (entrevistas, cuestionarios) para probar hiptesis acerca del mercado.

Tcnicas cuantitativas Tcnicas causales Caractersticas: relacionan variables internas o externas con los niveles de demanda, lo que brinda una visin amplia del sector. Los costos que implican son de medios a bajos y usualmente requieren de equipo de cmputo. Horizonte: son ms tiles para elaborar pronsticos a mediano plazo de productos o servicios existentes y para el diseo de estrategias de marketing, produccin y contratacin de personal. 6. Regresin: se predice la demanda futura a partir de una lnea recta formada por los datos de demandas pasadas. Si slo se usa una variable del pasado se le llama regresin simple. Si se usan dos o ms variables del pasado, se le nombra regresin mltiple. 7. Promedios mviles: promedia los valores de demanda reciente para predecir la demanda futura. 8. Naive: es la aplicacin de un supuesto simple: en el prximo periodo se repetir la demanda actual. 9. Suavizacin exponencial: consiste en estimar la demanda del prximo periodo basndose en una combinacin de indicadores de la demanda reciente y de los pronsticos pasados. Promedios Mviles

Un promedio mvil simple o aritmtico es calculado como la suma de un nmero predeterminado de precios por un cierto nmero de perodos de tiempo, dividido por el nmero de perodos de tiempo. El resultado es el precio promedio en dicho perodo de tiempo. Los promedios mviles simples emplean la misma ponderacin para los precios. Es calculado usando la siguiente frmula: Promedio Mvil Simple = SUMA (precios de cierre) / n, donde n es el nmero de perodos. Suavizacin exponencial 2.4.1.2 SUAVIZACIN EXPONENCIAL

Suavizacin exponencial. El mtodo de suavizacin exponencial es un mtodo de promedio mvil ponderado muy refinado que permite calcular el promedio de una serie de tiempo, asignando a las demandas recientes mayor ponderacin que a las demandas anteriores. Es el mtodo de pronstico formal que se usa ms a menudo, por su simplicidad y por la reducida cantidad de datos que requiere. A diferencia del mtodo de promedio mvil ponderado, que requiere n periodos de demanda pretrita y n ponderaciones, la suavizacin exponencial requiere solamente tres tipos de datos: el pronstico del ltimo periodo, la demanda de ese periodo y un parmetro suavizador, alfaa, cuyo valor flucta entre 0 y 1.0. Para elaborar un pronstico con suavizacin exponencial, ser suficiente que se calcule un promedio ponderado de la demanda ms reciente y el pronstico calculado para el ltimo periodo. En la suavizacin exponencial se asignan pesos a los datos pasados tal que los pesos disminuyen al hacerse los datos ms antiguos, esto es que en un proceso cambiante, esto es que los datos recientes son ms validos que los datos antiguos. Este mtodo solo necesita el pronstico ms reciente, una constante de suavizacin (es un valor arbitrario entre 0 y 1) y el ltimo dato real, y as se elimina la necesidad de almacenar grandes cantidades de datos pasados. La suavizacin exponencial requiere un valor de inicio. Si se tienen datos disponibles se puede emplear un promedio sencillo para iniciar el proceso; si los datos no son seguros se puede hacer una prediccin subjetiva. La formula a emplear es la siguiente:

Donde: ST=Pronostico ponderado alfa=Constante de XT =Dato ST-l= Pronostico del periodo T

o suavizado para suavizacin (1> real de]

un

periodo ? > periodo

futuro. 0) T

1.4 ANLISIS DE REGRESIN

El objeto de un anlisis de regresin es investigar la relacin estadstica que existe entre una variable dependiente (Y) y una o ms variables independientes ( X 1 , X 2 , X 3 , ... ). Para poder realizar esta investigacin, se debe postular una relacin funcional entre las variables. Debido a su simplicidad analtica, la forma funcional que ms se utiliza en la prctica es la relacin lineal. Cuando solo existe una variable independiente, esto se reduce a una lnea recta:

= b +b X Y 0 1
donde los coeficientes b0 y b1 son parmetros que definen la posicin e inclinacin de la para representar el valor de Y recta. (Ntese que hemos usado el smbolo especial Y calculado por la recta. Como veremos, el valor real de Y rara vez coincide exactamente con el valor calculado, por lo que es importante hacer esta distincin.) Para estimar los coeficientes por medio de mnimos cuadrados, se utilizan las siguientes frmulas:

b1 =

XY y X X2 xX

b0 = y b1 x

ACTIVIDAD Resuelve el siguiente problema mediante el mtodo de promedio mvil y suavizacin exponencial

Un contratista quiere pronosticar el nmero de instalaciones de calentadores de agua por semana, y tiene los siguientes datos.

Usando suavizacin exponencial y 0.1, se tiene CONSIDERAMOS EL VALOR DE ALFA = 35%