Metodos Estocástico.docx

METODOS ESTOCÁSTICO También conocidos como modelos probabilísticos, algún elementó no se conoce con anticipación, incorporando así la incertidumbre. Un modelo es estocástico cuando al menos una variable del mismo es tomada como un dato al azar y las relaciones entre variables se toman por medio de funciones probabilísticas. Sirven por lo general para realizar grandes series de muestreos, quitan mucho tiempo en el computador son muy utilizados en investigaciones científicas. EJEMPLOS Los siguientes son ejemplos dentro del amplio grupo de las series temporales: -señales de telecomunicación -señales biomédicas (electrocardiograma, encefalograma, etcétera) -señales sísmicas -el número de manchas solares año tras año -el índice de la bolsa segundo a segundo -la evolución de la población de un municipio año tras año -el tiempo de espera en la cola de cada uno de los usuarios que van llegando a una -ventanilla CARACTERISTICAS -Estos tipos de modelos tienden a ser más populares en la literatura. Ejemplo: incluyen la mayoría de los modelos de RBC (Ciclo Real de Negocios), o nuevos modelos monetarios keynesianos. -En estos modelos, los choques golpean el día de hoy (con una sorpresa), pero después su valor esperado es cero. Se esperan choques futuros, o cambios permanentes en las variables exógenas que no pueden ser manejados por el uso de aproximaciones de Taulor en torno a un estado estacionario METODO DETERMINISTICO Son aquellos donde se supone que los datos se conocen con certeza, es decir, se supone que cuando el modelo sea analizado se tiene disponible toda la información necesaria para la toma de decisiones. Un Modelo determinístico es un modelo matemático donde las mismas entradas producirán invariablemente las mismas salidas, no contemplándose la existencia del azar ni el principio de incertidumbre La inclusión de mayor complejidad en las relaciones con una cantidad mayor de variables y elementos ajenos al modelo determinístico hará posible que éste se aproxime a un modelo probabilístico o de enfoque estocástico

CARACTERISTICAS: -Estos modelos suelen ser introducidos para estudiar el impacto de un cambio en el régimen, como la introducción de nuevo impuesto, por ejemplo. -Asume toda la información, hay suposición perfecta y no hay incertidumbre en torno a los choques. -Los choques pueden afectar a la economía de hoy o la de cualquier momento en el futuro, dado el caso de previsión perfecta. También puede durar uno o varios períodos. -Este método de solución por lo tanto puede ser útil cuando la economía está muy lejos del estado estacionario EJEMPLO Modelos determinísticos: la planificación de una línea de producción, asignación de las salas de clases en una universidad

ERROR PRONÓSTICO Su cálculo nos permite tomar decisiones frente a qué método de pronóstico es el mejor y logran detectar cuando algo en nuestra previsión de la demanda no está marchando bien, con lo que conseguimos cambiar el rumbo de nuestras decisiones a fin tomar las mejores elecciones. COMMO CALCULAR LAS MEDIDAS DE ERROR DE PRONÓSTICO:

Suma acumulada de errores de pronóstico (CFE) Es la medida más básica de todas y es la que da origen a las demás. Es la suma acumulada de los errores de pronóstico.

Desviación media absoluta (MAD) Mide la dispersión del error de pronóstico o dicho de otra forma, la medición del tamaño del error en unidades

Error cuadrático medio (MSE) el MSE es una medida de dispersión del error de pronóstico, sin embargo esta medida maximiza el error al elevar al cuadrado, castigando aquellos periodos donde la diferencia fue más alta a comparación de otros

Error porcentual medio absoluto (MAPE) El MAPE nos entrega la desviación en términos porcentuales y no en unidades como las anteriores medidas.

COEFICIENTE DE CORRELACIÓN La correlación, también conocida como coeficiente de correlación lineal (de Pearson), es una medida de regresión que pretende cuantificar el grado de variación conjunta entre dos variables. De una forma menos coloquial, la podemos definir como el número que mide el grado de intensidad y el sentido de la relación entre dos variables. Valores que puede tomar la correlación

ρ = -1

Correlación perfecta negativa

ρ=0

No existe correlación

ρ = +1

Correlación perfecta positiva

Siendo:

Cov (x;y): la covarianza entre el valor “x” e “y”. σ(x): desviación típica de “x”. σ(y): desviación típica de “y

METODO DE SUAVIZACIÓN EXPONENCIAL es una manera de pronosticar la demanda de un producto en un periodo dado. Estima que la demanda será igual a, por ejemplo, la media de los consumos históricos para un periodo dado, dando una mayor ponderación a los valores más cercanos en el tiempo. FORMULAS:

Promedio de ventas en unidades en el período t

Pronóstico de ventas en unidades del período t -1

Ventas reales en unidades en el período t – 1

Coeficiente de suavización (entre 0,0 y 1,0)

EJEMPLO: En Enero un vendedor de vehículos estimó unas ventas de 142 automóviles para el mes siguiente. En Febrero las ventas reales fueron de 153 automóviles. Utilizando una constante de suavización exponencial de 0.20 presupueste las ventas del mes de Marzo. SOLUCION:

Podemos así determinar que el pronóstico de ventas para el período 3 correspondiente a Marzo es equivalente a 144 automóviles.