Evidencia #5 Investigacion Tema 5
Evidencia #5 Investigacion Tema 5
Evidencia #5 Investigacion Tema 5
Esta puede ser una buena estimación cuando se trata de un proceso muy
estable o que cambia muy poco en el tiempo
3.- Los promedios móviles solucionan, en parte, el hecho de que el proceso
cambia el tiempo y considera únicamente las últimas k observaciones, por lo
que
t
Xt
F t+1 = ∑ n
t=t −k∗1
De esta forma, mejoramos el método anterior, aunque seguimos asignando
el mismo peso relativo a las observaciones más viejas que alas más actuales.
4.- El método exponencial o de suavizado exponencial, soluciona este
problema introduciendo una constante de suavizado, ∝ ,0 <∝< 1 y calcula el
nuevo valor de la variable aleatoria como F t+1 =∝ X t +(1−∝)F t
Estos métodos muestran el hecho fundamental de que los procesos son
cambiantes y están sujetos a factores externos que deben ser tenidos en
cuenta a la hora de realizar el modelo. Uno de estos factores, el que suscita
nuestro interés en este momento, es el factor estacional. Por ejemplo, las
necesidades de nuestro insumo tinta se verán afectadas por la demanda del
producto, la cual tendrá grandes variaciones a lo largo del año si se trata por
ejemplo de un juguete muy popular que verá incrementadas sus ventas
durante las festividades de reyes, día del niño y navidad. Este factor
estacional hace que nuestra serie de tiempo viole la suposición de que el
modelo es de nivel constante. Para poder utilizar estos métodos deberemos
primero eliminar el factor estacional de nuestra serie de tiempo.
Los promedios móviles y el suavizamiento exponencial son los mejores y más
fáciles de usar para pronósticos a corto plazo: requieren pocos datos y los
resultados son de nivel medio. Los modelos a largo plazo son más complejos,
requieren más datos de entrada y ofrecen mayor precisión. Desde ya, los
términos corto, medio y largo son relativos, dependiendo del contexto en
que se apliquen.
En los pronósticos empresariales, el corto plazo por lo general se refiere a
menos de tres meses; el medio, de tres meses a dos años; y el largo, a más de
dos años.
En términos generales, los modelos a corto plazo se ajustan para cambios a
corto plazo (como la respuesta de los consumidores ante un nuevo
producto). Los pronósticos a medio plazo son buenos para efectos
estaciónales y los modelos a largo plazo detectan las tendencias generales y
son de utilidad especial para identificar punto de cambios decisivos.
El modelo de pronósticos a escoger depende de lo siguiente:
1. Horizonte de tiempo para el pronóstico.
2. Disponibilidad de datos.
3. Precisión requerida.
4. Tamaño del presupuesto para pronósticos.
5. Disponibilidad de personal calificado.
También hay que tener en cuenta el grado de flexibilidad de la empresa (si es
mayor la capacidad para reaccionar con rapidez ante los cambios, no tiene
que ser tan preciso el pronóstico).
Promedio Simple
Es un promedio de los datos del pasado en el cual las demandas de todos los
períodos anteriores tienen el mismo peso relativo.
Se calcula de la siguiente manera:
PS = Suma de demandas de todos los períodos anteriores, entre o dividido
por
K = Número de periodos de demanda
D1+ D 2+ …+ Dn
PS =
N
Dónde:
D1= demanda del período más reciente;
Promedio Móvil
Una media móvil simple combina los datos de demanda de la mayor parte de
los periodos recientes, siendo su promedio el pronóstico para el siguiente
periodo.
Una media móvil simple de n periodos se puede expresar mediante:
MMS = Suma de las demandas anteriores de los últimos n periodos entre o
dividido por
N = Número de periodos empleados en la media móvil
D1+ D 2+ …+ Dn
MMS = Dt =
N
Dónde:
t = 1 es el periodo más antiguo en el promedio de n periodos;
t = n es el periodo más reciente.
Suavizamiento o suavización Exponencial
Las principales razones de popularidad de las técnicas de suavización son:
1. Los modelos exponenciales tienen una precisión sorprendente.
2. Es muy fácil formular un modelo exponencial.
3. El usuario puede comprender como funciona el modelo.
4. Se requiere muy pocos cálculos para usar el modelo.
5. Como se usan datos históricos limitados, son pocos los requisitos de
almacenamiento en computadores.
6. Es fácil calcular pruebas para determinar la precisión del modelo en la
práctica.
En el método solo se necesitan tres datos: el pronóstico más reciente, la
demanda real que se presentó para ese periodo, y una constante de
suavización alfa.
La ecuación para un pronóstico de suavizamiento exponencial simple no es
más que: Pronóstico de la demanda ¿ Ft=F t + ¿
Dónde:
Ft = El pronóstico suavizado exponencialmente para el periodo t.
Ft-1 = El pronóstico suavizado exponencialmente para el periodo anterior.
At-1 = La demanda real para el periodo anterior.
a = La tasa de respuesta deseada, o constante de suavizamiento.
5.1.2 EFECTOS ESTACIONALES EN LOS MODELOS DE
PRONÓSTICOS.
La Estacionalidad siempre ha jugado un papel primordial en el análisis de
series de tiempo. La mayoría de las técnicas para realizar pronósticos
requieren condiciones de estacionalidad. Por lo tanto necesitamos algunas
condiciones, es decir, las series de tiempo necesitan tener un proceso
estacionario de primer y segundo orden.
Estacionario de Primer Orden: Una serie de tiempo está en el estacionario de
primer orden si el valor esperado de X t se mantiene constante para cualquier
valor de t.
Por ejemplo, en series de tiempo económicas el proceso se encuentra en
estacionario de primer orden cuando removemos cualquier tendencia por
algún mecanismo como la diferenciación.
Estacionario de Segundo Orden: Una serie de tiempo se encuentra
estacionaria de segundo orden solamente cuando la estacionaria de primer
orden y la covarianza entre X t y X s es función de la anchura (t-s.).
De nuevo, en series de tiempo económicas, un proceso es estacionario de
segundo orden cuando estabilizamos sus variables por cualquier tipo de
transformación como la raíz cuadrada.
5.2 SUAVIZADO EXPONENCIAL EN MODELOS DE TENDENCIA
LINEAL.
Suavizado Exponencial
Este modelo permite efectuar compensaciones para algunas tendencias o
para cierta temporada al calcular cuidadosamente los coeficientes Ct. Si se
desea se puede dar a los meses más recientes pesos mayores y amortiguar
en parte los efectos del ruido al dar pesos pequeños a las demandas más
antiguas. El coordinador o el administrador debe escoger los valores de los
coeficientes, de su elección dependerá el éxito o fracaso del modelo.
Los modelos de suavizado exponencial se encuentran disponibles en los
paquetes para computadora, estos modelos requieren relativamente poco
almacenamiento de datos y unas cuantas operaciones.
El suavizado exponencial se distingue por la manera tan especial de dar pesos
a cada una de las demandas anteriores al calcular el promedio. El modelo de
los pesos es de forma exponencial. La demanda de los periodos más
recientes recibe un peso mayor; los pesos de los periodos sucesivamente
anteriores decaen de una manera exponencial. En otras palabras, los pesos
decrecen en su magnitud a medida que se aplican datos anteriores, siendo el
decremento no lineal (exponencial).
Suavizado exponencial de primer orden.
La ecuación para crear un pronóstico nuevo o actualizado utiliza dos fuentes
de información: La demanda real para el periodo más reciente y, El
pronóstico más reciente.
A medida que termina cada periodo se realiza un nuevo pronóstico.
El pronoscito de la demanda del periodo siguiente=¿ ∝
Donde Et es el error del pronóstico del período, Y t es el valor real para ese
período y F t el valor que se había pronosticado. Medidas de error: