Previsión de Ventas. Métodos no paramétricos Previsión de Ventas. Tema 2. 1 Antonio Montañés Bernal Curso 2007-08.

Presentación del tema: "Previsión de Ventas. Métodos no paramétricos Previsión de Ventas. Tema 2. 1 Antonio Montañés Bernal Curso 2007-08."— Transcripción de la presentación:

1 Previsión de Ventas. Métodos no paramétricos Previsión de Ventas. Tema 2. 1 Antonio Montañés Bernal Curso 2007-08

2 Introducción Previsión de Ventas. Tema 2. Introducción 2 Las series que hemos venido utilizando hasta el momento, no siempre reflejan las características de las series que tenemos que predecir. Veamos algunos ejemplos:

3 Introducción Previsión de Ventas. Tema 2. Introducción 3

4 Previsión de Ventas. Tema 2. Introducción 4 Ambas variables presentan un componente ESTACIONAL que no habíamos tenido en cuenta hasta el momento. Como consecuencia, debemos adaptar los métodos anteriores al caso en el que las variables que queremos predecir muestren dicho componente. El componente estacional suele modelizarse de dos formas diferentes: 1.Aditivo: y t = T t + S t 2.Multiplicativo: y t = T t S t t

5 Introducción Previsión de Ventas. Tema 2. Introducción 5 En general, consideramos el caso Aditivo. Las predicciones de variables con componente estacional son sencillas cuando las variables no tienen tendencia. Si tienen tendencia, el procedimiento es iterativo. Primero se extrae la tendencia y el componente estacional. Segundo, se predicen por separados ambos componentes. Primero vamos a revisar los métodos sin tendencia. Después, veremos cómo se puede obtener la tendencia. t

6 Métodos Simples Previsión de Ventas. Tema 2. Métodos Simples6 Suponemos que la serie viene determinada por el siguiente comportamiento Y t = S t + u t Que lo podemos asociar con el siguiente gráfico

7 Métodos Simples Previsión de Ventas. Tema 2. Métodos Simples7 Predicción Ingenua. El uso del último valor no parece tener sentido ahora, dado que éstos cambian en los distintos periodos estacional. Un método similar a éste, pero que tiene en cuenta la singularidad de los periodos estacionales, es tomar el último valor estacional observado.

8 Métodos Simples Previsión de Ventas. Tema 2. Métodos Simples8 Predicción Ingenua. Esto supone predecir el valor del próximo trimestre, con el valor del trimestre anterior; el del mes futuro con el del mes anterior, etc. Una forma de suavizar el posible efecto de una observación anómala en uno de estos periodos estacionales es tomar la media estacional

9 Alisado Exponencial Previsión de Ventas. Tema 2. Alisado Exponencial9 Cuando la variable presenta componente Tendencial más el estacional, la predicción se debe realizar por partes. Primero hay que extraer la tendencia. Después, se predicen los componentes estacional y tendencial. Esto puede ser un poco costoso. Dentro de las técnicas de alisado tenemos un método que hace todo a la vez: Holt-Winters. Es una extensión del método de Holt.

10 Alisado Exponencial de Holt-Winters Previsión de Ventas. Tema 2. Alisado Exponencial10 La gran diferencia es que considera que los dos parámetros de alisado pueden cambiar. Los parámetros ,  y  deben seleccionarse, de forma que 0< ,   <1

11 Alisado Exponencial de Holt Previsión de Ventas. Tema 2. Alisado Exponencial11 El predictor se obtiene como suma de los anteriores componentes:

12 Filtros extracción Tendencia Previsión de Ventas. Tema 2. Alisado Exponencial12 Dado que los métodos que hemos visto suponen, en esencia, desagregar la serie en su componente tendencial y estacional, podemos pensar en procedimientos que me permitan obtener ambos componentes. La Literatura sobre el tema es muy amplia, existiendo gran controversia sobre las diferentes técnicas a emplear. Uno de los métodos más populares es el filtro de Hodrick- Prescott

13 Hodrick-Prescott Previsión de Ventas. Tema 2. Alisado Exponencial13 Dada una serie de tamaño T, el filtro HP se define:

14 Hodrick-Prescott Previsión de Ventas. Tema 2. Alisado Exponencial14 El primer término de la ecuación la suma de las desviaciones de la serie respecto a la tendencia al cuadrado. El segundo término es un múltiplo λ de la suma de los cuadrados del de las segundas diferencias de los componentes de tendencia, y es una medida del grado de suavidad. Cuanto más grande sea el valor de λ, más alta es la penalidad. La elección de λ es aleatoria, pero Hodrick and Prescott estiman que, para datos trimestrales, un valor de λ = 1600 es razonable. Para series mensuales se suele utilizar 14.400 y para series anuales se recomienda un valor igual a 100.