Академический Документы
Профессиональный Документы
Культура Документы
II – Visión de Futuro
1
2.1 INTRODUCCION
Podemos elegir entre:
• El enfoque normativo
• Las imágenes descriptivas.
• Escenarios posibles futuros
• Un futuro probable
El futuro probable ha sido llamado predicción o
pronóstico.
¿ Qué ocurre al objeto A en el tiempo B si la evolución
se deja continuar sin interferencias?
¿Qué sigue a esto se recurrimos a la manipulación C?
2
2.1 INTRODUCCION
3
2.1 INTRODUCCION
4
2.1 INTRODUCCION
5
2.2. Historia de los futurólogos.
6
2.3 Fuentes para el pronóstico.
7
2.4 Pronósticos basados en opiniones subjetivas.
9
2.5. Pronósticos por escenarios para
aplicar un Modelo Causal.
Es el método más exacto.
Hay que logra un modelo que muestre como los atributos y
variables dependen entre sí.
Una de las variables comúnmente usada es el Tiempo.
Suele ser bastante complicado trabajar con él, por lo que se
requiere emplear computadoras.
Sistema de notación para describir las relaciones lógicas
entre las variables.
El modelo sólo es válido en el contexto para el que fue
desarrollado.
Se pueden emplear pruebas como las que se muestran a
continuación.
10
2.5. Pronósticos por escenarios para aplicar
un Modelo Causal.
11
2.6. Pronósticos aplicando Modelos estadísticos
13
2.7. Pronósticos basados en la Analogía.
16
2.8. Pronósticos basados en la Extrapolación.
17
2.9. Análisis, Evaluación y Descripción de los
Pronósticos.
• No hay muchos métodos para predecir la fiabilidad
de las predicciones.
• Se puede emplear:
1. La triangulación (emplear varios métodos), para
determinar el rango de incertidumbre.
2. Análisis de sensibilidad.- solo para modelos numéricos.
3. La variación probable.-
4. Una curva difusa.
5. Una escala difusa
6. Explicación verbal
7. Escenarios paralelos
18
2.10. Pronósticos basados en serie histórica de
datos
La demanda futura se basa en la demanda de
periodos del pasado.
1. Demanda con tendencia
2. Demanda con variación estacional
3. Demanda con variaciones cíclicas o ciclos
4. Demanda con variación aleatoria.
b. Métodos de promedios
Promedios simples
Promedios móviles
20
Promedios móviles con ponderación exponencial.
2.11.1. Mínimos cuadrados.
n. xy x. y
n n
yi b. xi b
a i 1 i 1
n. x 2 ( x) 2
n
Tri. 1 19 28 27 30 32
Tri. 2 37 42 36 43 44
Tri. 3 30 31 28 29 32
Tri. 4 22 18 19 20 22
Año Y X X2 XY
2012 108 0 0 0
2013 119 1 1 119
2014 110 2 4 220
2015 122 3 9 366
2016 130 4 16 520
Suma 589 10 30 1225
23
2.11.1. Mínimos cuadrados (Ejemplo).
5x1225 - 10x589
b= 2
= 4.7
5x30 - (10)
589 10
a= - 4.7 * = 108.4
5 5
Y= 108,4 + 4.7 X
24
2.11.2. METODO DE REGRESION LINEAL
POR CORRELACION PARA PRONOSTICOS.
Este método es empleado cuando los datos usados
representan a indicadores económicos que tienen relación
directa con la serie histórica de la demanda de los
productos de la empresa.
Para la aplicación de este método se debe tener en
consideración lo siguiente:
1.- Este tipo de pronóstico depende del uso adecuado de
los índices que se van ha tomar y que la conclusión de las
variables que afectan al pronóstico sean los más altos.
25
2.11.2. METODO DE REGRESION LINEAL
POR CORRELACION PARA PRONOSTICOS.
2.- Se debe tratar de encontrar un indicador económico
que esté relacionado con las ventas del producto y que sea
anterior a la misma, tal como:
a.- El número de contrato de construcciones adjudicados
en un período puede determinar la cantidad de material de
construcción que se venderá en el período siguiente.
b.- Como el ingreso agrícola en un año puede indicar la
cantidad de equipo agrícola que se venderá en el año
siguiente.
26
2.11.2. METODO DE REGRESION LINEAL
POR CORRELACION PARA PRONOSTICOS.
ANALISIS DE CORRELACION
Para hallar el coeficiente de correlación :
nXY XY
r
nX 2 ( X) 2 nY 2 ( Y) 2
27
2.11.2. METODO DE REGRESION LINEAL
POR CORRELACION PARA PRONOSTICOS.
28
Problema
4 1.5 99 9 0.9 90
29
Solución
, 1025 * 20,6
10 * 21711
r
10 * 105673 (1025) 2 10 * 44,02 (20,6) 2
10 * 2067.1- 1025*19.6
b= 2
0.09517
10 *105673 - (1025)
a = Y - bX ; X =102.5 Y =1.96
a = Y - bX ; X =102.5 Y =1.96 a =1.96 - 0.09517 *102.5
a = -7.7949
Ye =-7.7949 + 0.09517X
De esta manera podemos predecir que el
volumen de ventas para un índice económico de
128 será de 43,869 unidades
32
2.11.3. Método de regresión exponencial de
pronósticos
Y = abx, Y varía con la tasa constante b en cada periodo
log y = log a + x log b
n ( x. log y) x. (log y)
(log y ) x.(log b) log b
log a
n n. x 2 ( x) 2
LogY = Loga + x logb
Y
Y
x
ab
=
Y
X X
10.350
log a = = 2.07 => a = ant.log 2.07 = 117.5
5
0.172
log b = = 0.0172 => b = ant. log 0.0172 = 1.0404
10
Pronóstico para 2002:
Y98 = 117.5 * (1.0404) 3 = 132.32
Representa a un pronóstico de 132.32 unidades 34
2.11.4. Regresión parabólica para pronósticos
Cuando la recta de mínimos cuadrados no es un estimador de
la tendencia, puede ser factible usar la parábola como línea
de tendencia por ser más flexible que una recta.
La ecuación de una parábola es:
Ye = a + bX + cX2
Ye = a + b1 X1 + b 2 X 2
Y - cX 2
XY nX 2 Y - X 2 Y
a= b = c=
n X 2 nX 4 - ( X 2 ) 2
35
2.11.5. Promedios Simples
37
Ejemplo: Caso de Herramientas Andinas S.A.
272 404
I T1 = = 0.92 I T2 = = 1.37
294.5 294.5
202 300
I T4 = = 0.69 I T3 = = 1.02
294.5 294.5
1 319 000 000
E T1 = 0.92 = 303 370 000
4
1 319 000 000
E T2 = 1.37 = 451 757 500
4
1 319 000 000 TOTAL: 1 319 000 000
E T3 = 1.02 = 336 345 000
4
1 319 000 000
E T4 = 0.69 = 227 527 500
4
38
2.11.6. Promedios Móviles
Pr onostico PMC I t
40
Año Trimestre Ventas PM4P PMC IE IEA Ye Y-Ye RM
(Y)
1 T1 73 1.04251508 76.1036005 -3.10360048
3.96915777
T2 83 0.98957160 82.1344427 0.8655573
75.25 6.41256989
T3 81 76.625 1.05709625 1.06848164 86.5470126 -5.54701259
78.00 11.9833845
T4 64 76.875 0.83252033 0.89943169 57.5636281 6.43637189
75.75 10.0076382
2 T1 84 75.625 1.11074380 1.04251508 87.5712663 -3.5712663
75.50 4.34296799
T2 74 76.250 0.97049180 0.98957160 73.2282983 0.77170169
77.00 6.25023264
T3 80 75.375 1.06135987 1.06848164 85.478531 -5.47853096
73.75 12.5183127
T4 70 73.625 0.95076401 0.89943169 62.9602182 7.03978176
73.50 10.0583521
3 T1 71 74.250 0.95622896 1.04251508 74.0185703 -3.01857033
75.00 3.77984361
T2 73 73.625 0.99151104 0.98957160 72.2387267 0.76127328
72.25 6.65069406
T3 86 1.06848164 91.8894208 -5.88942078
11.8229511
T4 59 0.89943169 53.0664697 5.93353034
TOTAL 87.7961046
41
Tabla . Cálculo de un índice de temporada ajustado.
Trimestre T1 T2 T3 T4
1.05709625 0.83252033
1.11074380 0.97049180 1.06135987 0.95076401
0.95622896 0.99151104
Suma 2.06697276 1.96200284 2.11845612 1.78328433
Promedio 1.03348638 0.98100142 1.05922806 0.89164217
Índice 1.04251508 0.98957160 1.06848164 0.89943169
Ajust.
43
Modelo de promedios exponenciales ponderados.
45
2.12. Comparación y control de los pronósticos por serie
de tiempo
para el caso de métodos de regresión matemática se
recomienda usar la la fórmula
Sy
(Y Y f ) 2
En donde
Sy = Error estándar de la estimación
Y = datos históricos
YF = ajustado calculado o puntos pronosticados.
V = número de grados de libertad(cuando n<30)
Se escoje el modelo que tiene menor Sy 46
47