PRONSTICOS PARA LA

TOMA DE DECISIONES
M.I. Miguel ngel Sols Jimnez

Estoy interesado en el futuro, porque pasar en l

el resto de mi vida

C.F. Kettering, Semillas para el pensamiento.

Que es un pronstico?

Un pronstico es simplemente
prediccin de lo que ocurrir.

una

Los
mtodos de pronsticos pueden
clasificarse dependiendo de la informacin
que
se
tenga
en
Cualitativos
y
Cuantitativos.

Mtodos cualitativos

Estos mtodos generalmente involucran el

juicio de expertos para el desarrollo de los
pronsticos, por ejemplo: El panel de
expertos, el mtodo Delphi, pregunta a la
fuerza de trabajo, entre otros.

Su principal ventaja radica en que puede

aplicarse cuando la informacin de la variable
a pronosticarse no es cuantificable o no son
aplicables datos histricos.

Mtodos cuantitativos
Este hace una extrapolacin del pasado o
se utiliza cuando se cuenta con suficientes
datos estadsticos o confiables para
especificar las relaciones existentes entre
variables fundamentales.
Dependiendo de la informacin con que
se cuente, los mtodos cuantitativos se
dividen en dos tipos: Series de Tiempo y
Mtodos Causales.

Que es una serie de tiempo?

Una coleccin de datos para alguna
variable o conjunto de variables durante
varios periodos.
Son
datos
reunidos
sobre
una
caracterstica dada durante un periodo
con intervalos regulares.
Es un conjunto de datos registrados
durante un periodo semanal, mensual,
trimestral o anual.

Componentes de una serie de

tiempo

Existen cuatro componentes de una serie

de tiempo: la tendencia, la variacin
cclica, la variacin estacional y la
variacin irregular.

Tendencia

Es el movimiento continuo en una variable

durante un periodo de tiempo extendido.

Tambin se puede entender como

desplazamientos o movimientos graduales
hacia valores ms elevados o ms
reducidos.

Variacin cclica

Es el acenso y descenso de una serie de tiempo en

periodos mayores a un ao. En este caso se aprecian
periodos de recuperacin, seguidos por los de prosperidad,
recesin y finalmente el ciclo acaba con la depresin.
80
70
60

Prosperidad

Recesin

Recuperacin

50
40
30

Depresin

20

10
0
1983

1988

1993

1998

Variacin Estacional

Estos son patrones de cambio en una

serio de tiempo en un ao. Tales patrones
tienden a repetirse ao con ao en la
misma poca, por ejemplo, la venta de
artculos de playa, artculos para invierno,
entre otros. No obstante estos patrones
pueden aplicarse a situaciones de menor
tiempo,
por
ejemplo,
la
afluencia
vehicular en las horas pico.

Variacin irregular o Componente

irregular.

Este es el factor residual, es decir, todo lo

que sobra que toma en consideracin las
desviaciones de los valores reales de la
serie de tiempo en comparacin con los
esperados, dados los efectos de las
variaciones de la tendencia, cclica y
estacional. Estas no son predecibles y no
pueden identificarse.

Enfoques simples para el

Pronstico

Se
tienen
dos
tcnicas
que
son
consideradas simples para efectuar un
pronstico:
Utilizacin del ltimo valor.
Utilizacin del promedio para el pronstico.

Utilizacin del ltimo valor.

Tambin conocido como modelo ingenuo o

pronstico emprico, este modelo toma el
ltimo valor ocurrido para pronosticar el
periodo siguiente. Este modelo no
considera ni la tendencia, ni los efectos
cclicos ni la estacionalidad.

Ft xt 1

Sus
principales
ventajas
simplicidad y bajo costo.

son

su

Utilizacin del ltimo valor.

Su principal desventaja es cuando la

variacin irregular es grande, ya que
regularmente se tendran pronsticos muy
alejados de la realidad; por lo tanto este
mtodo solo sera til en situaciones con
patrones horizontales, de tendencia o
estacionalidad estables y variaciones al
azar pequeas.

Modelo del promedio para el

pronstico.

Este mtodo va al otro extremo. En lugar

de utilizar un tamao de muestra uno,
usa todos los datos en la serie de tiempo
y
obtiene
el
promedio
de
las
observaciones, as el pronstico para el
siguiente periodo es:
t

Ft 1

xi

i 1 t

Modelo del promedio para el

pronstico.

Esta estimacin es excelente si el proceso es

muy estable, esto es, si las suposiciones
sobre el modelo que se usan son correctas.
No obstante, a menudo existe escepticismo
sobre la tendencia del modelo si se extiende
un tiempo largo.

Se recomienda utilizar cuando las condiciones

cambian de manera inevitable a travs del
tiempo. Debido a la renuencia natural a usar
datos antiguos, este procedimiento, en
general, se limita a procesos jvenes.

Ejemplo No. 1

A continuacin aparecen los precios de cierre aproximados

mensuales (en dolares por accin) para Toys of the Future.
De diciembre del 2009 a noviembre del 2010. Utilice el
mtodo del ltimo valor y el modelo del promedio para
pronosticar el precio para diciembre del 2010.
Diciembre
Enero
Febrero
Marzo
Abril
Mayo

40
38
39
41
36
41

Junio
Julio
Agosto
Septiembre
Octubre
Noviembre

34
37
35
37
40
41

Que es lo que hace que un

pronstico sea bueno?

Consistencia: Grado en que el pronstico

corresponde al mejor juicio que un pronosticador
pueda hacer de una situacin con base en su
conocimiento.

Calidad: Grado con el que el pronstico

corresponde con lo que realmente ocurri.

Valor: Grado con el que el pronstico ayuda a

un tomador de decisiones a concretar un
beneficio econmico u otro tipo de beneficio

Que es lo que hace que un

pronstico sea bueno?

La verificacin de pronsticos se suele centrar en

la calidad.

Exactitud: mide el grado de ajuste entre el

pronstico y laverdad (las observaciones).

Las medidas estadsticas que se generan a partir

de la comparacin objetiva de los pronsticos
con la verdad son una manera conveniente de
describir y resumir la precisin de un modelo.

Error de pronstico

Regularmente los pronsticos siempre tienen

errores, estos se clasifican en errores de
sesgo y errores aleatorios.
Los errores de sesgo son el resultado de
equivocaciones sistemticas, por lo cual se
observa que el pronstico siempre es
demasiado algo o demasiado bajo.
Los errores aleatorios, son el resultado de
factores
imprevisibles
que
obligan
al
pronstico a desviarse de la demanda real.

Error de pronstico

et X t Ft

Donde:
et= error de pronstico para el periodo t
Xt=demanda real para el periodo t

Ft=pronstico para el periodo t

Medidas estadsticas de errores de

pronsticos.

Suma acumulativa del error (CFE)

Error de pronstico promedio

Cuadrado medio del error (MSE)

Desviacin estndar (s)

Desviacin media absoluta (MAD)

Error porcentual medio absoluto (MAPE)

Suma acumulativa del error.

En esta medida, los errores positivos tienden

a compensarse con los negativos. Sin
embargo, esta medida resulta til para
evaluar el sesgo de un pronstico; por
ejemplo, si un pronstico resulta siempre
ms bajo que la demanda el valor de CFE
ser cada vez ms grande. Esto puede
deberse a la omisin de alguna componente
de tendencia.

CFE et

Error de pronstico promedio

Si el valor del CFE se divide entre el total de

pronsticos realizados, se obtiene el valor del
error de pronstico promedio.

CFE
e
n

Cuadrado Medio del Error, la

Desviacin Estndar y Desviacin
Media Absoluta

Estas tres estadsticas miden la dispersin

de los errores de pronsticos. Un valor
pequeo en estas medidas, indican que el
pronstico se est aproximando al valor
real. Un valor grande en estas medidas
anuncian la posibilidad de errores de
pronsticos considerables.

Cuadrado Medio del Error, la

Desviacin Estndar y Desviacin
Media Absoluta

et

MSE
n

MAD

(e e )
t

n 1

Error Porcentual Medio Absoluto

Este tipo de medida relaciona el error de

pronstico con el nivel de la demanda, y es
til para colocar el rendimiento del pronstico
en su correcta perspectiva.

et *100

X
t

MAPE
n

Ejemplo No. 2

Los datos de la tabla siguiente muestra las ventas reales

de sillas tapizadas que realiz un fabricante de muebles,
as como los pronsticos realizados utilizando un mtodo
cualitativo. Determinar:
a) grfica de dispersin
b) CFE, error de pronstico promedio, MSE, s, MAD y MAPE e interprete
los resultados

Mes (t)
Enero
Febrero
Marzo
Abril
Mayo
JUNIO
JULIO
AGOSTO

Xt
200
240
300
270
230
260
210
275

Ft
225
220
285
290
250
240
250
240

Ejemplo No. 2 (Continuacin)

CFE=-15, indica que el mtodo de pronstico sobre

estimo el valor de las ventas.

MAD=24.4, significa que el error de pronstico

promedio fue de 24.4 unidades en valor absoluto.

s=27.4, indica que la distribucin de los errores de

pronstico dentro de la muestra tiene una desviacin
estndar de 27.4 unidades.

MAPE=10.2%, implica que en promedio, el error de

pronstico fue de mas o menos el 10% de las ventas
reales observadas.

Seal de rastreo.

Esta es una medicin que indica si un mtodo

de pronstico esta previendo con precisin
los cambios reales de la demanda. Mide el
nmero de las MAD representadas por la
suma acumulativa de errores de pronstico,
es decir CFE. Cuando CFE tiende a cero, se
utiliza un sistema de pronsticos correcto.

CFE
Seal de rastreo
MAD

Seal de rastreo.

En cada periodo la CFE y la MAD se actualizan

para reflejar verdaderamente el valor actual y
comparar estos valores con ciertos lmites
establecidos de antemano que indican si el
s
mtodo de pronstico
esta pronosticando
adecuadamente.
Si los errores estn de pronstico estn
distribuidos normalmente, con media de 0,
entonces existe una relacin simple entre s y la
MAD:

s
MAD 1.25 MAD
2

MAD 0.7978 s 0.8s

Ejemplo No. 3

Considerando las relaciones mostradas en la

diapositiva anterior entre la MAD y s, utilcelas
para crear intervalos de confianza de distintos
valores y con estos determinar los porcentajes
del rea dentro de los lmites de control.
Expansin del
lmite de control
Numero
equivalente de s
(MAD)

Porcentaje del
rea dentro de
los lmites de
control

Enfoque de promedios para el

pronstico

Promedio mvil. Este mtodo tomas las

mejores caractersticas de los dos
mtodos anteriores obtenindose un
mtodo de mejores caractersticas. Este
utiliza como pronstico para el siguiente
periodo, el promedio de los n valores de
datos ms recientes de la serie de tiempo.

(n

P. Mvil

valores de datos ms recientes )

n

Enfoque de promedios para el

pronstico

Promedio mvil ponderado. Este mtodo

implica
seleccionar
diferentes
ponderaciones para cada valor de datos
ms
recientes.
Regularmente,
la
ponderacin mayor la recibirn los datos
ms recientes.

Enfoque de suavizacin para el

pronstico

Este procedimiento utiliza la frmula

Ft+1=aXt+(1-a)Ft

Donde:
a se llama constante de suavizacin. As el
pronstico es una suma ponderada de la
ltima observacin
xt y el pronstico
anterior Ft para el periodo que acaba de
terminar.

Enfoque de suavizacin para el

pronstico

El valor de a va de 0 a 1y se selecciona
haciendo las siguientes consideraciones:

a) Si la serie de tiempo contiene alta

variabilidad aleatoria, se preferir un valor de a
pequea, esto se debe a que no se desea sobre
reaccionar y ajustar los pronsticos con
demasiada rapidez.
b) Si la serie de tiempo contiene poca
variabilidad aleatoria, valores menores de a
permiten ajusten con rapidez dando un mejor
pronstico

Ejemplo No. 4

La siguiente tabla muestra los datos del nmero de galones

de gasolina vendidos por un distribuidor las ltimas doce
semanas. Suponga un patrn como el mostrado en la
siguiente figura (nivel constante) y determine el pronstico
esperado de ventas para el mes 13. utilizando cada una de
las tcnicas de pronsticos.

Datos de la serie de tiempo de las ventas de

gasolina
Semana
Ventas(miles de galones)
1
17.00
2
21.00
3
19.00
4
23.00
5
18.00
6
16.00
Continua

Ejemplo No. 4 (Continuacin )

Datos de la serie de tiempo de las ventas de
gasolina
Semana
Ventas(miles de galones)
6
16.00
7
20.00
8
18.00
9
22.00
10
20.00
11
15.00
12
22.00
Nota 1. Para el caso de promedios mviles utilice una n =3, n =4,
n =5
Nota 2. Para el caso de promedios mviles ponderados utilice una n
=3 y ponderaciones de 1/6, 2/6 y 3/6 para los ltimos tres valores.
Asigne el mayor valor de k para la ltima observacin
Nota 3. Para el caso de suavizacin exponencial utilice un a =0.2,
a =0.70

Ejemplo No. 5

A continuacin se da el precio de venta de una accin de

Pepsico, Inc., al cierre del ao.
Grafique los datos.
Utilice un modelos de suavizacin exponencial con a=0.2 y
a=0.7.
Calcule los puntos correspondientes a los aos 1993 Y 1998.
Estime las ventas netas para el ao 2003. Parece ser una
estimacin razonable segn los datos del pasado?
En promedio, cunto han aumentado (o disminuido)
anualmente el precio de las acciones, durante el periodo?
AO
1990
1991
1992
1993

PRECIO
12.9135
16.8250
20.6125
20.3024

AO
1994
1995
1996
1997

PRECIO
18.3160
27.7538
29.0581
36.0155

AO
1998
1999
2000

PRECIO
40.6111
35.0230
49.5625

Inclusin de la Tendencia en el
Pronstico

Como ya se haba mencionado, la

tendencia,
es
un
incremento
o
decremento consistente a lo largo del
tiempo. Existen varios mtodos para
modelar la tendencia:
Tendencia modelada por una funcin lineal.
Mtodos de suavizacin exponencial ajustada a
la tendencia.

Tendencia modelada por una

funcin lineal

Este modelo no busca que el pronstico siga

cada movimiento arriba y debajo de la realidad,
ms bien, el componente de la tendencia debe
reflejar un desplazamiento gradual ya sea
creciente o decreciente. El modelo es el siguiente

Ft b0 b1t
( t )( Xt)
(tX t )
n
b1
2
(
t
)

2
t n

b0 x b1t

Mtodo de suavizacin exponencial

ajustada a la tendencia.

En este enfoque, las estimaciones para el

promedio y la tendencia son suavizadas, para lo
cual se requieren solamente dos constantes de
suavizacin. Se calcula el promedio y la
tendencia para cada periodo.

At aX t (1 a )( At 1 Tt 1 )
Tt ( At At 1 ) (1 )Tt 1

Ft 1 At Tt

Mtodo de suavizacin exponencial

ajustada a la tendencia.
En donde
At=Promedio exponencialmente suavizado de la serie
de tiempo en el periodo t.
Tt=Promedio exponencialmente
tendencia en el periodo t.

suavizado

de

la

a=Parmetro de suavizacin para el promedio, con

valores entre 0 y 1

=Parmetro suavizado para la tendencia, con un valor

entre 0 y 1

Ft+1=Pronstico para el periodo t+1

Ejemplo No. 6

A continuacin se indican cantidades de dinero

gastadas en publicidad (en miles de millones de
dlares) de 1990 a 2000.
Determine la ecuacin de tendencia.
Estime los gastos publicitarios para el ao 2001.
En que porcentaje aumentaron los gastos anuales de
publicidad durante este periodo.

AO
1990
1991
1992
1993
1994
1995

MONTO
88.1
94.7
102.1
109.8
118.1
125.6

AO
1996
1997
1998
1999
2000

MONTO
132.6
141.9
150.9
157.9
162.6

Modelo Multiplicativo (Tendencia,

Estacionalidad e irregularidad)

Este tipo de modelo permite aislar de

manera conveniente situaciones que
tengan
componentes
de
tendencia,
estacionalidad e irregularidad. El modelo
general es el siguiente:

Ft 1 Tt St I t

Modelo Multiplicativo

En este modelo, la tendencia esta medida

en las mismas unidades de lo que se est
pronosticando. Sin embargo St y It se
miden en trminos relativos con valores
superiores a 1 representando efectos por
encima de la tendencia y valores
inferiores a 1 con efectos por debajo de la
tendencia.

Modelo Multiplicativo.
Procedimiento

Paso 1. Suavizar la influencia estacional e

irregular
de
cada
periodo
(trimestre,
cuatrimestre, mes, entre otros), esto se logra
calculando el promedio mvil centrado para
aislar los componentes estacionales e irregular.
Nota: si el resultado del promedio mvil centrado
coincide con un periodo al mismo nivel de un dato real,
no se hace ninguna otra operacin, de lo contrario, se
vuelve a calcular otro promedio mvil, pero ahora
tomando de 2 en 2 de los resultados de promedios
mviles obtenidos. Este segundo paso se efecta
regularmente en situaciones compuestas por ciclos pares
(cuatrimestre, bimestres, semestre, entre otros).

Modelo Multiplicativo.
Procedimiento

Paso 2. Dividir las observaciones de cada

serie de tiempo (Xt) entre el valor
correspondiente
de
promedio
mvil
centrado para identificar el efecto
estacional e irregular dentro de la serie de
tiempo.
Nota: Si se observa, cada valor del mismo
periodo (por ejemplo el 2) es semejante entre
ellos, aunque aun hay una pequea variacin
que puede atribuirse a la componente irregular.

Modelo Multiplicativo.
Procedimiento

Paso 3. Promediar los valores para cada

periodo correspondiente para eliminar la
componente irregular. El resultado es el
ndice Estacional.
Nota: el promedio de los ndices estacionales
debe ser 1, en otras palabras los efectos
estacionales se deben de equilibrar a lo largo
del ao.

Modelo Multiplicativo.
Procedimiento

Paso 4. En caso de que el promedio de los

ndices estacionales no sea la unidad,
haga
el
siguiente
procedimiento:
multiplique cada ndice estacional por el
nmero de estaciones y divida el
resultado entre la suma de los ndices
estacionales no ajustados.

Modelo Multiplicativo.
Procedimiento

Paso 5. Desestacionalizacin de la serie de

tiempo. Divida cada observacin de la
serie de tiempo por el ndice estacional
correspondiente.

Paso
6.
Con
la
serie
ya
desestacionalizada, identifique por medio
de algn mtodo, la tendencia del
modelo.

Modelo Multiplicativo.
Procedimiento

Paso 7. Utilice el modelo identificado en el

paso 6 para obtener el pronstico para
todos los periodos del ao a pronsticarse

Paso 8. Ajuste estacional. Con los

resultados del paso 7, multiplquelos por
los ndices estacionales para obtener los
pronsticos
considerando
el
ajuste
estacional.

Ejemplo No. 7

Los datos que a continuacin se presentan,

muestran las ventas de televisores de plasma de
los ltimos 4 aos de la marca Sony en un pas.
Obtenga una grfica que indique el comportamiento de la serie.
Determine las ventas esperadas para el ao nmero 5.

AO
1
2
3
4

VENTAS (MILES DE TELEVISORES)

TRIMESTE TRIMESTE TRIMESTE TRIMESTE
1
2
3
4
4.8
4.1
6
6.5
5.8
5.2
6.8
7.4
6
5.6
7.5
7.8
6.3
5.9
8
8.4

Ejemplo No. 8

Los productos trimestrales de madera pino, en millones de

pies tabla, por la negociacin Northwest Lumbre, desde
1996, es:
Determina el patrn estacional tpico de los datos de
produccin, empleando el mtodo de razn a promedio
mvil.
Interprete el patrn.
Desestacionalice
los datos y determine la ecuacin de
tendencia lineal.
Proyecte la produccin ajustada estacional a los cuatro
trimestres de 2001
AO

1996
1997
1998
1999
2000

TRIMESTRE
INVIERNO PRIMAVE VERANO
RA
7.8
10.2
14.7
6.9
11.6
17.5
8.9
9.7
15.3
10.7
12.4
16.8
9.2
13.6
17.1

OTOO

9.3
9.3
10.1
10.7
10.3