Modelos de Pronosticos

MODELOS DE PRONÓSTICOS:

Antes de entrar en detalle con los modelos de pronósticos es necesario definir que es pronosticar, Heizer y Render lo definen como “El arte y la ciencia de predecir los eventos futuros”. Ahora definamos el significado de un Pronóstico que nos es más que la estimación de la demanda de un producto, por lo que con este estimado podemos determinar la capacidad de la planta a instalar, y la cantidad de versiones del producto que debemos producir.

 En los sistemas de producción, los pronósticos son más importantes que nunca; esto se debe a que los pronósticos proporcionan información para tomar mejores decisiones. Primero se debe identificar la decisión, si la decisión no se afecta por el pronóstico, el pronóstico es innecesario. La decisión determina qué pronosticar, el nivel de detalle necesario y con qué frecuencia se hará el pronóstico.

5.1.1 Modelos de pronósticos para un nivel constante:

Aquí se muestran cuatro métodos de pronósticos para el modelo de un nivel constante, este modelo es solo una representación idealizada dela situación. Cada uno de los métodos refleja una idea de que tan recientes pueden ser (si lo hay) un desplazamiento significativo.

• Procedimiento de pronóstico del último valor:

Si t es el tiempo actual, el procedimiento de pronóstico del último valor usa el valor de la serie de tiempo observado en el tiempo t (xt) como pronóstico para el tiempo t + 1. Por lo tanto, Ft+1 = xt.

Pero por desgracia este método de pronóstico tiene como desventaja ser imprevisto; esto porque su varianza es grande debido a que se basa en una muestra de tamaño 1.

A este método también se le conoce como “método ingenuo”, porque los estadísticos consideran que es una simpleza usar una muestra de tamaño uno cuando se tienen datos relevantes adicionales. Sin embargo, cuando las condiciones cambian con rapidez, el último valor puede ser el único dato relevante para pronosticar el siguiente.

• Método del promedio para el pronóstico:

Este método en vez de usar un tamaño de muestra de uno, usa todos los datos en la serie de tiempo y obtiene el promedio de las observaciones. Así, el pronóstico para el siguiente periodo es

Ft+1=[pic 1]

Esta estimación es excelente si el proceso es muy estable, siempre y cuando las suposiciones sobre el modelo que se usa son correctas. Pero como se mencionó antes, las condiciones cambian de manera inevitable a través del tiempo. Debido a la renuencia natural a usar datos muy antiguos, este procedimiento, en general, se limita a procesos jóvenes.

• Método de promedios móviles para el pronóstico:

Este método no usa datos muy antiguos por que pueden ya no ser relevantes, en cambio obtiene el promedio de los datos de los últimos n periodos como el pronóstico para el siguiente, es decir,

Ft+1 = [pic 2]

El estimador de promedios móviles combina las ventajas de los estimadores del último valor y del promedio en el sentido de que usa sólo datos recientes y al mismo tiempo usa varias observaciones.

• Método de suavizado exponencial para el pronóstico:

Este procedimiento utiliza la formula

[pic 3]

Donde  se llama constante de suavizado. Así, el pronóstico es una suma ponderada de la última observación xt y el pronóstico anterior Ft para el periodo que acaba de terminar. [pic 4]

El suavizado exponencial se puede ver como un filtro estadístico que tiene como entrada los datos originales de un proceso estocástico y como salida estimaciones de una media que varía con el tiempo. Si  es pequeña, la respuesta a cabio es lenta y se obtienen estimadores suaves. Por otro lado, si  es grande, esa respuesta es rápida con una gran variabilidad en los resultados. Así, existe la necesidad de un balance que dependerá del grado de estabilidad del proceso.[pic 5][pic 6]

  5.1.2 efectos estacionales en los modelos de pronósticos:

Es muy común que una serie de tiempo tenga un patrón estacional con valores más altos en ciertos tiempos del año que en otros. Por fortuna, es sencillo hacer ajustes estacionales en esas series de tiempo y todavía se pueden usar estos métodos de pronósticos basados en un modelo de nivel constante.

En general, el factor estacional para cualquier periodo del año mide cómo se compara ese periodo con el promedio global de todo el año. El factor estacional se calcula

Factor estacional = Promedio para el periodo.[pic 7]

Procedimiento general:

1. Use la siguiente fórmula para el ajuste estacional de cada valor en la serie de tiempo:

Valor con ajuste estacional = ___Valor real____[pic 8]

1. Seleccione un método de pronóstico de series de tiempo.
2. Aplique este método a la serie de tiempo con ajuste estacional para obtener el pronóstico del siguiente valor (o valores) con ajuste estacional.
3. Multiplique este pronóstico por el factor estacional correspondiente para obtener un pronóstico del siguiente valor real (sin ajuste estacional).

5.2 Suavizado exponencial en modelos de tendencia lineal:

Supongamos que el proceso de generación de la serie de tiempo observada se puede representar por una tendencia lineal superimpuesta con fluctuaciones aleatorias. Denotando la pendiente de la tendencia lineal por B, donde esa pendiente se llama factor de tendencia. El modelos se representa por

Xi = A + Bi +,  para i = 1,2,…, [pic 9]

...