1. 2.3 Métodos cuantitativos
Se describen cinco métodos de pronósticos cuantitativos que
emplean datos históricos. Los métodos caen en dos categorías:
1. Enfoque intuitivo
2. Promedios móviles
3. Suavisamiento exponencial
4. Proyección de Tendencias
Modelos de
series de tiempo
5. Regresión lineal Modelo asociativo
2. Modelos de series de tiempo. Los modelos de series de tiempo
predicen bajo el supuesto que el futuro es una función del
pasado. En otras palabras, observan lo que ocurrió durante un
periodo y usan una serie de datos históricos para hacer un
pronóstico. Si estamos pronosticando las ventas semanales de
cortadoras de césped, utilizamos datos de las ventas pasadas
de cortadoras de césped para hacer el pronóstico
Modelos asociativos. Los modelos asociativos, como la regresión
lineal, incorporan las variables o los factores que pueden influir en la
cantidad por pronosticar. Por ejemplo, un modelo asociativo sobre
las ventas de cortadoras de césped incluyen factores como la
construcción de nuevas viviendas, el presupuesto d publicidad y los
precios de los competidores.
3. Pronósticos de series de tiempo.
Una serie de tiempo se basa en una secuencia de datos puntuales
igualmente espaciados (semanales, mensuales, trimestrales, etc.).
Los ejemplos incluyen las ventas semanales de NIKE, los informes
de ingresos trimestrales de BIMBO, los embarques diarios de
barriles d petróleos mexicanos y los índices anuales de precios del
consumidor. Los datos para pronósticos de series de tiempo
implican que los valores futuros se predicen solamente a partir de
los valores pasados y que se pueden ignorar otras variables, sin
importar que tan potencialmente valiosas sean.
“Nunca podrás planear el futuro a partir
del pasado”
4. 2.3.1 Series de tiempo
2.3.1.2 Tendencia lineal.
El último método de pronósticos de serie de tiempo que analizaremos es la
Proyección de la tendencia. Esta técnica ajusta una recta de tendencias a
una serie de datos puntuales históricos, y después proyecta dicha recta al
futuro para obtener pronósticos a mediano y largo plazo. Se pueden
desarrollar varias ecuaciones matemáticas (por ejemplo, exponencial y
cuadrática), pero en esta sección veremos sólo tendencias lineales (en
línea recta).
Si decidimos desarrollar una recta de tendencia lineal mediante un método
estadístico preciso, podemos aplicar el método de mínimos cuadrados.
Este enfoque resulta en una línea recta que minimiza la suma de los
cuadrados de las diferencias verticales o desviaciones de la recta hacia
cada una de las observaciones reales.
Una recta de mínimos cuadrados se describe en términos de su
intersección con el eje “y” y su pendiente.
5. Si podemos calcular la intersección con el eje “y” y la pendiente, podemos
expresar la recta con la siguiente ecuación:
Ŷ = a + bx
*
*
*
*
*
*
*
Recta de tendencia, Ŷ = a + bx
Desviación
error
1
2
3
4
5
6
7
Periodo
Valores de la
variable
dependiente
Y Métodos de
mínimos
cuadrados para
encontrar la
recta que mejor
se ajuste,
donde los
asteristicos son
la ubicaciones
de la siete
observaciones
6. Donde Ŷ ( que se lee “y gorro”) = valor calculado de la variable
dependiente
a = intersección con el eje y
b = pendiente de la recta
x = variable independiente
b = ∑xy – n xy / ∑x² - n x²
b = pendiente de la recta de regresión
∑ = signo de sumatoria
x = valores conocidos de la variable independiente
y = valores conocidos de la variable dependiente
x = promedio de los valores de x
y = promedio de los valores de y
n = número de puntos de datos u observaciones