Módulo 1. Introducción a los pronósticos Explicación del módulo

Módulo 1. Introducción a los pronósticos

Explicación del módulo

Explicación del tema 2

Pronósticos para la toma de decisiones
Tema 2. Características de los pronósticos

2.1 Características de los pronósticos

[pic 7]

Ahora realizaremos una clasificación de acuerdo a las características de los pronósticos, estos conceptos ya los conoces por su explicación en el tema anterior, simplemente los veremos ahora a manera de cuadro sinóptico:

[pic 8]

Características de los pronósticos

Podemos decir que la función principal de un pronóstico es tratar de minimizar la incertidumbre en el contexto en el cual se realizan los estimados según el problema a analizar. Existen dos reglas que deben considerarse en el proceso para pronosticar:

[pic 9]

Otra característica importante es que los pronósticos no suelen ser 100% precisos, por esta razón adquiere un especial interés el estudio de los errores en su proceso, y en función de esto buscar la mayor precisión posible.

2.2 Factores para la selección del método de pronósticos

Previo a elegir una técnica para realizar un pronóstico debemos tener muy claro qué queremos lograr; consideraremos entonces los siguientes aspectos:

[pic 10]

Básicamente podemos centrar la elección de una técnica de pronósticos en el tipo de datos que tenemos, por ejemplo consideremos la elección de acuerdo a lo siguiente:

[pic 11]

Técnicas para datos estacionarios

Los datos son estacionarios cuando el valor medio no cambia en el tiempo, es decir cuando los datos de las series de tiempo son relativamente estables. Estas técnicas son útiles cuando, se requiere un modelo muy simple, cuando se puede lograr estabilidad al hacer correcciones simples, cuando el entorno de los datos no sufre variaciones o cuando los datos son una serie de errores de pronóstico.

Las técnicas recomendadas para estos casos son los métodos informales, los métodos de promedio simple, promedio móvil, métodos autorregresivos de promedio móvil y Box-Jenkins.

Técnicas para datos con tendencia

Una serie de datos presenta tendencia cuando tiene un componente a lo largo del tiempo que representa un crecimiento o decremento, es decir, si su valor promedio cambia a lo largo del tiempo. Estas técnicas suelen utilizarse cuando, por ejemplo, el poder de compra de una moneda afecta variables económicas, el crecimiento de la población provoca aumentos en la demanda de bienes y servicios, cuando crece la aceptación de un producto, etc.

Las técnicas recomendadas para datos con tendencia son los modelos de promedios móviles, de suavización exponencial, de regresión simple, curvas de crecimiento y métodos Box-Jenkins.

Técnicas para datos estacionales

Una serie de tiempo es estacional cuando presenta patrones de cambio y es repetitivo año tras año. Estas técnicas se usan, por ejemplo, cuando el clima influye en la variable a analizar, como el aumento en las ventas de cierta ropa por temporada, o el ahorro de energía por el horario de verano.[pic 12]

Las técnicas a considerar en estos casos son los modelos de descomposición clásicos, censo X-12, suavización exponencial de Winters, de regresión múltiple y Box-Jenkins.

Técnicas para datos con series cíclicas

Existe el efecto cíclico en los datos cuando hay oscilación alrededor de la tendencia, sin embargo esta oscilación pocas veces se repite a intervalos fijos y la magnitud de las fluctuaciones también tiende a variar. Estas técnicas se usan cuando hay cambio en gustos masivos o populares como modas, música, comida etc., cuando se den cambios en la población por guerras, epidemias o catástrofes naturales, también cuando hay cambios en el ciclo de vida de un producto.

Las técnicas a utilizar pueden ser la descomposición clásica, modelos econométricos, de regresión múltiple, modelos de indicadores económicos y modelos de Box-Jenkins.

Otros factores a considerar

Además del tipo de datos que tenemos, es importante considerar si el pronóstico que buscamos es de corto o largo plazo, los costos que implica el proceso, los requerimientos técnicos del método y es muy importante la facilidad de entendimiento e interpretación de los resultados, ya que esto es lo que nos debe llevar a tomar decisiones.

2.3 Precisión de los métodos de pronósticos

Los métodos de pronósticos no son perfectos en su precisión, por lo que la máxima precisión posible se busca en función del análisis de sus errores, existe una notación básica que es la siguiente:

[pic 13]

Donde:

e t =  Error residual del pronóstico (diferencia del valor real y el valor de su pronóstico).
Y t =  Valor real de una serie de tiempo en el período t.
Ŷ t  = Valor pronosticado en el período t.

Analizaremos cuatro maneras de medir el error:

• MAD: Desviación absoluta media.
• MSE: Error cuadrático medio.
• MAPE: Error porcentual absoluto medio.
• MPE: Error porcentual medio.

MAD: desviación absoluta media

[pic 14]

Este método para evaluar la precisión del pronóstico promedia las magnitudes y los errores de pronóstico, es útil cuando el analista quiere medir el error pronosticado en las mismas unidades que la serie original.

MSE: error cuadrático medio

[pic 15]

En este método para evaluar la precisión del método del pronóstico, cada error se eleva al cuadrado, se suman y se dividen entre el número de observaciones; lo que hace es que penaliza los errores grandes ya que se elevan al cuadrado.

MAPE: error porcentual absoluto medio

[pic 16]

Encuentra el valor absoluto en cada período, lo divide entre el valor real observado en ese período y después promedia los errores porcentuales absolutos. Este método es muy útil cuando la magnitud de la variable del pronóstico es de importancia para la precisión del pronóstico, o cuando los valores de Yt son grandes.

MPE: error porcentual medio

[pic 17]

Este sistema de medición se utiliza para saber si el método de pronóstico tiene sesgo; encuentra el error en cada período y divide el resultado entre el valor real para ese período, después se promedian estos errores porcentuales.

2.4 Clasificación de las técnicas de pronósticos