Oscar de la Garza

Un aspecto importante en cualquier empresa es la

planeacin, el xito a largo plazo de cualquier empresa
depende, de entre otras cosas, de las expectativas (a
futuro) y de las estrategias que se elaboren (hoy).
Por lo que se necesita una idea aproximada de lo que
probablemente suceda en el futuro, adems hay que
transformar dichas ideas en nmero, como por ejemplo:
nmero de ventas o el costo de la materia prima para el
siguiente ao.
Para esto se necesita realizar pronsticos de las variables
relevantes para la empresa, y dichos pronsticos podran
afectar el programa de produccin de la empresa, los
planes de compra de materias primas, las polticas de
inventarios, entre otras cosas. Ahora bien, un mal
pronstico, podra incrementar el costo de la empresa.

Primeramente hay que revisar la informacin
histrica de alguna variable en cuestin, por
ejemplo las ventas y as poder identificar cual
es la tendencia y si hay algn efecto
estacional.
Al revisar los datos histricos podemos
comprender el patrn de ventas pasadas, lo
que conduce a mejores predicciones de las
ventas futuras.

Los datos histricos de alguna variable forman
una serie de tiempo. Los pronsticos son
predicciones de valores futuros de la serie de
tiempo. Cuando solamente se tiene datos
histricos (valores pasados) de alguna variable, el
procedimiento de elaboracin de pronsticos se
le conoce como mtodo de serie de tiempo.
El objetivo de los mtodos de series de tiempo es
encontrar un patrn de los datos histricos y
luego extrapolarlo hacia el futuro.
Extrapolar: consiste en suponer que el curso de
los acontecimientos continuar en el futuro

Hay tres mtodos que se utilizan
comnmente, que son:
Suavizacin
Promedio mvil
Promedio mvil ponderado
Suavizacin exponencial
Proyeccin de tendencias
Proyeccin de tendencias ajustadas por
influencia estacional

Tambin estn los mtodos de elaboracin de
pronsticos causal, que se basan en el supuesto de
que la variable que tratamos de pronosticar exhibe
una relacin de causa y efecto con otra variable.
Para esto estudiamos el anlisis de regresin para
elaborar pronsticos de esta forma, por ejemplo
podramos tener: gasto en publicidad y ventas
totales, si encontramos un patrn, podramos
pronosticar las ventas futuras, planeando hoy el
gasto en publicidad que se pretende realizar
Cabe sealar que los pronsticos,
independientemente del mtodo utilizado, siempre
conllevan un error, que para este caso
especficamente se le conoce como error de
pronstico


Para llevar a cabo un anlisis de serie de
tiempo, las mediciones pueden tomarse cada
hora, da, semana ao, mes o ao
Entre menor sea el periodo se tiene la
ventaja, mayor ser el nmero de
observaciones
Por otra parte, si ampliamos el periodo,
permitimos mayor variabilidad de la variable
en cuestin, por ejemplo el precio de un
producto

El cambio gradual de la serie de tiempo, se le conoce como
tendencia. Esta puede ser positiva, negativa o sin tendencia,
la mayora de las variables en economa y finanzas tienen una
tendencia positiva (crecen conforme pasa el tiempo). Los
tipos de tendencia son:

V
e
n
t
a
s

Tiempo
V
e
n
t
a
s

Tiempo
a) Tendencia lineal positiva (creciente) b) Tendencia lineal negativa (decreciente)
V
e
n
t
a
s

Tiempo
Tiempo
V
e
n
t
a
s

c) Sin tendencia d) Tendencia no lineal (creciente)
0
10000
20000
30000
40000
50000
1
9
8
3
/
0
1
1
9
8
4
/
1
2
1
9
8
6
/
1
1
1
9
8
8
/
1
0
1
9
9
0
/
0
9
1
9
9
2
/
0
8
1
9
9
4
/
0
7
1
9
9
6
/
0
6
1
9
9
8
/
0
5
2
0
0
0
/
0
4
2
0
0
2
/
0
3
2
0
0
4
/
0
2
2
0
0
6
/
0
1
2
0
0
7
/
1
2
2
0
0
9
/
1
1
ndice de Precios y Cotizaciones
Aunque una serie de tiempo puede mostrar una
tendencia, la mayora de los valores no caen
exactamente en la lnea de tendencia, otra forma
de decirlo, la secuencia de puntos se alternan por
encima y por debajo de la lnea de tendencia, a
esto se le conoce como componente cclico de la
serie de tiempo. Ejemplo:
Algunas series de tiempo muestran un patrn
regular durante periodos dentro de un ao,
en otras palabras, este comportamiento
estacional puede ser resultado de cambios
inherentes a las estaciones del ao, como por
ejemplo el incremento de la actividad turstica
en perodos de vacaciones.
El componente de las series de tiempo que
representa la variabilidad en los datos debido
a las influencias estacionales, se llama
componente estacional.

En las series de tiempo hay un factor residual
que incluye las desviaciones de los valores de
serie de tiempo reales de aquellos valores
esperados segn los efectos del componente
cclico, de tendencia y estacional.
Este componente representa la variabilidad
aleatoria de las series de tiempo y es
resultado de factores de corto plazo,
imprevistos y no recurrentes.
El objetivo de estos mtodos es suavizar las
fluctuaciones aleatorias causadas por el
componente irregular de las series de tiempo,
estos mtodos son apropiados para las series
de tiempo estables, es decir, que no exhiben
efectos significativos de tendencia, cclicos o
estacionales
Por otra parte, estos mtodos son fciles de
usar y proporcionan una alta precisin para
pronsticos de corte alcance, por ejemplo un
pronstico para el siguiente periodo
El mtodo de promedios mviles utiliza el promedio de los n valores
de datos ms recientes en la serie de tiempo como el pronstico
para el siguiente periodo. La frmula es la siguiente:
=

Semana Ventas (galones)
1 17
2 21
3 19
4 23
5 18
6 16
7 20
8 18
9 22
10 20
11 15
12 22
10
12
14
16
18
20
22
24
1 2 3 4 5 6 7 8 9 10 11 12
Ventas (galones)
Para la semana 4
Promedio mvil (semanas 1 al 3)=
17+21+19
3
= 19
El pronstico para la semana 4 es de 19, el valor real observado es de 23, por lo tanto el error es
de 4, se obtiene de: 23 19 = 4
Para la semana 5
Promedio mvil (semanas 1 al 3)=
21+19+23
3
= 21
El pronstico para la semana 5 es de 21, el valor real observado es de 18, por lo tanto el error es
de -3, se obtiene de: 18 21 = 3

Para la semana 13
Promedio mvil (semanas 1 al 3)=
20+15+22
3
= 19
Semana Ventas (galones) Pronstico promedio mvil Error en el pronstico Error del pronstico al cuadrado
1 17
2 21
3 19
4 23 19 4 16
5 18 21 -3 9
6 16 20 -4 16
7 20 19 1 1
8 18 18 0 0
9 22 18 4 16
10 20 20 0 0
11 15 20 -5 25
12 22 19 3 9
suma error pronstico 0 92
ECM 10.22222222
Una consideracin importante al momento de
seleccionar un mtodo de pronstico es la
precisin del pronstico, es decir, queremos
que el error del pronstico sea el menor
posible. Uno de los criterios que se utiliza es
el error cuadrado medio y se define como:
=



=
92
9
= 10.22
Para el ejemplo anterior:
Semana Ventas (galones) Pronstico promedio mvil Error en el pronstico Error del pronstico al cuadrado
1 17
2 21
3 19
4 23 19 4 16
5 18 20 -2 4
6 16 19.6 -3.6 12.96
7 20 19 1 1
8 18 19.5 -1.5 2.25
9 22 21.71428571 0.285714286 0.081632653
10 20 21.75 -1.75 3.0625
11 15 21.55555556 -6.555555556 42.97530864
12 22 20.9 1.1 1.21
suma error pronstico -9.01984127 81.35753653
ECM 9.039726281
La nica diferencia con el mtodo anterior, es que en el promedio mviles cada
observacin recibe el mismo peso, pero en este mtodo se pueden seleccionar
diferentes pesos para cada observacin

Para la semana 4 tenamos:
Promedio mvil (semanas 1 al 3)=
17+21+19
3
= 19
El pronstico para la semana 4 es de 19. Lo anterior se puede expresar como:
Promedio mvil (semanas 1 al 3)=
17
3
+
21
3
+
19
3
= 19
Que es lo mismo que:
Promedio mvil (semanas 1 al 3)=
1
3
17 +
1
3
21 +
1
3
19 = 19
Si se fijan aqu
1
3
+
1
3
+
1
3
= 1
En los promedios mviles ponderados lo anterior
1
3
+
1
3
+
1
3
= 1 se puede re-expresar, siempre y
cuando sume uno (1).
Por ejemplo:
1
4
+
1
4
+
1
2
= 1
Por lo que el pronstico ahora quedara como:
Promedio mvil ponderado (semanas 1 al 3)=
1
2
17 +
1
4
21 +
1
4
19 = 18.5
Ahora el error de pronstico es 23 18.5 = 4.5

+1
=

+1

Donde:

+1
= +1

=
= ; 0 1
Utilizando la informacin anterior para la semana 4

4
= 23

= 18.5 19
= 0.5
Opcin A:

+1
= 0.523 +0.518.5 = 11.5 +9.25

+1
= 20.75
Opcin B:

+1
= 0.523 +0.519 = 11.5 +9.5

+1
= 21
Mostraremos como pronosticar los valores de una
serie de tiempo que exhibe una tendencia lineal a
largo plazo. Ejemplo:

Ao Ventas
1 21.6
2 22.9
3 25.5
4 21.9
5 23.9
6 27.5
7 31.5
8 29.7
9 28.6
10 31.4
Frmula inicial:

=
0
+
1

Donde:

0
=

1
=
=
Posteriormente utilizando los datos obtenemos:

= 20.4 +1.1
20
22
24
26
28
30
32
34
1 2 3 4 5 6 7 8 9 10
tendencia
Ventas
-4
-3
-2
-1
0
1
2
3
4
1 2 3 4 5 6 7 8 9 10
Componente cclico
El anlisis de regresin es una tcnica estadstica que se
puede utilizar para analizar como se desarrollan dos o ms
variables
Se identifican dos tipos de variables:
Dependiente o endgena (a pronosticar)
Independiente o exgena (pronosticador), de esta variable
tenemos control
El anlisis de regresin relaciona las variables a travs de una
recta, que se le conoce como regresin lineal simple. La
notacin general es:

=
0
+
1

Mes Ventas Gasto en publicidad
1 58,000 2,000
2 105,000 6,000
3 88,000 8,000
4 118,000 8,000
5 117,000 12,000
6 137,000 16,000
7 157,000 20,000
8 169,000 20,000
9 149,000 22,000
10 202,000 26,000

= 6000 +5

0
50,000
100,000
150,000
200,000
250,000
0 5,000 10,000 15,000 20,000 25,000 30,000
Gasto en publicidad
V
e
n
t
a
s

Es un mtodo de solucin de problemas
desarrollado para ayudar a los gerentes a
tomar decisiones
Seleccionar portafolios
Minimizar costos
En cada caso nos interesa la maximizacin o
minimizacin de alguna cantidad
Por lo tanto hay que definir la funcin
objetivo y las restricciones
Una empresa fabrica dos productos:
Aditivo por combustible
Base para solvente
Para cada uno se utilizan tres materiales
Material 1
Material 2
Material 3
Para producir una tonelada de cada producto, se necesita:
Material Aditivo por combustible Base para solvente
Material 1 0.4 0.5
Material 2 0 0.2
Material 3 0.6 0.3
Requerimientos de material
Nota: el requerimiento de material est en toneladas
Material Cantidad disponible
Material 1 20
Material 2 5
Material 3 21
Nota: toneladas
Esta empresa gana $30 por cada tonelada de aditivo por
combustible (F) y $40 por cada tonelada de base para
solvente (S). Por lo tanto, lo que hay que maximizar es:
Max 30F+40S
Las restricciones son:
0.4F+0.5S20
0F+0.2S 5
0.6F+0.3 21