Pronosticos

ULSA M. A.
: PRONSTICO DE LA DEMANDA
P. Reyes / agosto 2009
Administ
racin de
operacio
nes
Mtodos de
Pronsticos
Dr. Primitivo Reyes
Aguilar / agosto 2009
Con base en la Tesis de maestra:

ANLISIS Y PREDICCIN DE LA DEMANDA FUTURA DE
TRANSPORTE DE PASAJEROS: APLICACIN AL ESTUDIO DE UNO DE
LOS CORREDORES DE TRANSPORTE TERRESTRE DE PASAJEROS EN
QUITO, ECUADOR, PARA MEJORAR SU CALIDAD DEL SERVICIO.
UIA - MIC
VERNICA MARIANELA VARELA CHAMORRO
ULSA M. A. : PRONSTICO DE LA DEMANDA
CAPITULO II INTRODUCCIN.............................................................................................3
2.1 Pronsticos.........................................................................................................................3
2.2 reas de Toma de Decisiones............................................................................................5
2.3 Base para los pronsticos...................................................................................................6
2.4 Aplicaciones de los Pronsticos de Demanda....................................................................8
2.5 Pronsticos para la Planeacin..........................................................................................9
Enfoques para Pronsticos.....................................................................................................11
2.6 Modelos Cualitativos.......................................................................................................11
2.7 Mtodos Cuantitativos.....................................................................................................12
CAPITULO III METODOLOGA DE LOS PRONSTICOS.............................................14
3.1. BREVE RESEA HISTRICA.................................................................................15
3.2. CLASIFICACIN DE LOS ENFOQUES PARA PRONSTICOS..........................16
3.2.1. MTODOS DISCRECIONALES O CUALITATIVOS......................................17
3.2.2. MTODOS CUANTITATIVOS..........................................................................17
3.2.3. MTODOS TECNOLGICOS...........................................................................18
3.3. TIPOS DE MODELOS...............................................................................................19
3.4. TIPO DE PATRONES EN LOS DATOS....................................................................21
3.5. MEDICIN DEL ERROR EN EL PRONSTICO....................................................23
3.5.1. DESVIACIN ABSOLUTA DE LA MEDIDA (MAD).....................................24
3.5.2. ERROR MEDIO CUADRADO (EMC)..............................................................25
3.5.3. PORCENTAJE DE ERROR MEDIO ABSOLUTO (PEMA).............................25
3.5.4. PORCENTAJE DE ERROR MEDIO..................................................................25
3.6. ETAPAS DE LA SOLUCIN DE PROBLEMAS RELACIONADOS CON LOS
PRONSTICOS....................................................................................................................27
CAPITULO IV MODELOS DE PREDICCIN CUANTITATIVOS: MTODOS DE
SUAVIZAMIENTO Y DESCOMPOSICIN........................................................................30
4.1 ANLISIS EXPLORATORIO DE LAS SERIES DE TIEMPO................................31
4.2 MODELO DE PREDICCIN CUANTITATIVO: MTODOS DE
SUAVIZAMIENTO...............................................................................................................31
4.2.1 MODELOS NO FORMALES:............................................................................34
4.2.2 MTODOS DE PROMEDIO..............................................................................34
4.2.3 MODELOS DE SUAVIZAMIENTO EXPONENCIAL NICOS......................37
4.2.4 MODELOS DE SUAVIZAMIENTO EXPONENCIAL LINEAL
(SUAVIZAMIENTO EXPONENCIAL DOBLE DE HOLT)...........................................40
4.2.5 MODELOS DE SUAVIZAMIENTO EXPONENCIAL DE WINTER...............44
4.3 MTODOS DE DESCOMPOSICIN PARA PRONSTICOS DE SERIES DE
TIEMPO.................................................................................................................................48
CAPITULO II INTRODUCCIN
Un Inicio
Las predicciones son usualmente difciles, especialmente, las que
son acerca del futuro.

Yogi Barrera, Catcher
Yankees Nueva York
http://core.ecu.edu/econ/rothmanp/bci_forecasts.htm
2.1 Pronsticos
El Pronstico de la Demanda en el Futuro es esencial para el manejo
adecuado de la Cadena de Suministro.

Este manejo adecuado incluye la toma de decisiones y el proceso de
planeacin.
El proceso de pronstico debe ser consistente con la filosofa de
produccin que la empresa maneje (push/pull).
PUSH
PULL
(Procesos anticipados a la
Demanda de los Clientes)
Nivel de produccin
(Procesos realizados como

respuesta a la Demanda de
los Clientes)
Nivel de capacidad
La Gran Pregunta
Cul ser la demanda del cliente por determinado producto en el
futuro?
En qu parte del proceso est el Inventario?
http://www.psychicguild.com/forecasting/
Patrones de Demanda
Existen diferentes patrones de demanda.
El Patrn de Demanda relaciona cantidades demandadas con
respecto al tiempo.
Patrn de Demanda por Temporada: los datos muestran
consistentemente picos y valles.
Patrn de Demanda Cclico: se observan incrementos y decrementos
sobre diferentes perodos.
http://www.monografias.com/trabajos61/gestion-compras-manejoinventarios/gestion-compras-manejo-inventarios2.shtml
Antecedentes
La mayora de los administradores toman decisiones constantemente
sin conocer con certeza el futuro.

o Ventas
o Demanda de un producto en el mercado
o Cobertura de mercado
o Inversiones econmicas sin conocer la utilidad
o Planeacin de la produccin
o Programacin de la fuerza de trabajo
o Etc.
2.2 reas de Toma de Decisiones

Una Definicin
Pronosticar es el arte y la ciencia de predecir los eventos futuros y las

situaciones de estos eventos.
http://wiki.biensimple.com/pages/viewpage.action?pageId=7407270
Los administradores buscan hacer estimaciones sobre el futuro con
una gran incertidumbre sobre ciertos factores.
La bsqueda de las empresas es realizar estimaciones con respecto
al futuro y tomar decisiones con conocimiento con respecto a estas

estimaciones.
Algunas decisiones importantes dentro de la toma de decisiones de
pronstico son:
Mercadotecnia
Manufactura
Colocacin de fuerza de trabajo

Promociones
Introduccin de Nuevos Productos
Planeacin de la produccin
Control de Inventarios
Planeacin Agregada
Finanzas
Personal
Inversin de Planta/ Equipo

Planeacin de Capital
Planeacin de Fuerza de Trabajo

Contrataciones
2.3 Base para los pronsticos

Los pronsticos se pueden manejar en base a :
o
o
o
Datos histricos para proyectar el futuro en base a modelos

matemticos.
Prediccin del futuro subjetiva o intuitiva
Combinacin de ambas opciones
http://www.monografias.com/trabajos53/tasa-libor/tasa-libor2.shtml
http://elauladenfrente.blogspot.com/2008_08_01_archive.html
6
No existe un tipo de pronstico que sea considerado la nica opcin

para encontrar la respuesta correcta.
n una forma de pronosticar es la adecuada y

Existen ocasiones en que
prons
en otras ocasiones puede
no serlo.
tico
Ning
Primeras Conclusiones
dar el
result
ado
correc
to de
lo que
suced
er en
el
futuro.
Pronosticar es el primer paso para fallar

Pronsticos de largo plazo son menos precisos que los pronsticos a
mediano-corto plazo.
Pronsticos agregados son ms precisos que los pronsticos
desagregados.
Aspectos a Considerar
Aspectos claves:
o El pronstico deber mostrar una tendencia.
o El tomador de decisiones deber tener un criterio para el
seguimiento de los pronsticos.
o La empresa deber tener la capacidad de responder a la
variacin del pronstico con respecto a la realidad.
Los pronsticos tienen un lmite de aplicabilidad, son costosos y
requieren una gran cantidad de tiempo.
Horizontes de Tiempo en Pronsticos

Los pronsticos se clasifican en el horizonte de tiempo que
afectan:
o Pronstico a corto plazo
Se manejan lapsos de tres meses hasta un ao.
Compras, programacin de planta, niveles de fuerza
laboral, asignaciones de trabajo y niveles de produccin.
o Pronstico a mediano plazo
Maneja un rango de entre tres meses y tres aos
Planeacin de produccin y presupuestos, planeacin de
ventas, flujo de efectivo y el anlisis de planes.
o Pronstico a largo plazo
Maneja lapsos de tres aos o ms.
7
Planeacin y manejo de nuevos productos, desembolsos

de capital, localizacin o expansin de instalaciones y la
investigacin y desarrollo.
2.4 Aplicaciones de los Pronsticos de Demanda

Corto plazo
(0-3 meses)
Nivel de
Pronstico
rea de
Decisin
Tcnica de
Pronstico
Productos y
servicios
Individuales
Manejo de
Inventarios
Programa de
ensamble
Final
Programa de
fuerza de
trabajo
MPS
Series de
tiempo/Registro
Lineal/Pronstico
cualitativo
Horizonte de tiempo
Mediano Plazo
(3 meses- 2 aos)
Ventas Totales/ Familias
de Productos y
Servicios
Planeacin de
puestos directivos
Planeacin de la
produccin
MPS
Procuracin
Distribucin
Regresin
Lineal/Pronstico
Cualitativo
Largo Plazo
(ms de 2 aos)
Ventas Totales
Localizacin de
Infraestructura
Planeacin de la
capacidad
Gerencia de
Procesos
Regresin Lineal/
Pronstico Cualitativo
Informacin necesaria para realizar el Pronstico de la Demanda
Demanda en el pasado (Tendencia)

Publicidad y esfuerzo del rea de Mercadotecnia
Posicin en el Catlogo de Ventas
Economa
Manejo de Descuentos en Precios
Acciones y Posicin de los competidores
2.5 Pronsticos para la Planeacin

INSUMOS
Condiciones del
Mercado
Acciones de la
competencia
Gustos del
Consumidor
Ciclo de vida de
los productos
Estacin del ao
Planes de los
clientes
Panorama Econmico
Situacin del ciclo de
los negocios
Indicadores Lderes
o Precios de las
acciones
o Rendimiento de
los bonos
o Precios de
materiales
o Oferta de dinero
o Cierre de
Negocios
o Desempleo
Otros Factores
Legales
Polticos
Sociales
Culturales
ESTRATEGIA EMPRESARIAL
Plan de
Mercadotecnia
Publicidad
Fuerza de ventas
Precio
Ventas histricas
Canales de
Comercializacin
Plan de Produccin
Nivel y gestin de la
calidad en el proceso
de produccin
Servicio al cliente
Capacidad
Costos
Plan Financiero
Polticas de
crdito
Polticas de
facturacin
Manejo
Financiero de
recursos
Diferencias en Categoras de Pronsticos
Los pronsticos a mediano y largo plazo tienen que ver con asuntos
ms trascendentes (planeacin, productos, plantas y procesos).
Los pronsticos a corto plazo utilizan metodologas diferentes a las
metodologas de los pronsticos a mediano y largo plazo.
o Promedios mviles
o Suavizacin exponencial
o Extrapolacin con tendencia
Los pronsticos a corto plazo tienden a ser ms exactos que los
pronsticos a mayor plazo (hay una menor variacin de condiciones).
La Influencia del Ciclo de Vida del Producto

10
Un factor que debe considerarse cuando se desarrollen pronsticos

de ventas es el ciclo de vida del producto.
Los bienes y servicios no se venden en forma constante a travs de
su vida en el mercado.
Ciclo de vida de los productos:
o Introduccin
o Crecimiento
o Madurez
o Declinacin
Los productos en introduccin y crecimiento necesitan pronsticos
ms largos que en las dos etapas subsecuentes.
http://blogs.creamoselfuturo.com/industria-yservicios/2007/04/24/creacion-de-empresas-e-innovacion-a-traves-delciclo-de-vida/print/
11
Enfoques para Pronsticos

Modelos de Decisin para
Pronsticos
Pronsticos Cuantitativos
Pronsticos Cualitativos
Aspectos subjetivos
Intuicin, emociones, experiencias
Sistema de Valores
Modelos Matemticos
Datos Histricos
2.6 Modelos Cualitativos
Jurado de Opinin ejecutiva

o Ejecutivos experimentados de diversos departamentos.
o Opinin de pequeo grupo de ejecutivos de alto nivel.
o Grupo interdisciplinario.
o Combinacin con modelos estadsticos.
o Un estimado del grupo sobre la demanda.
Encuesta a la Fuerza de Ventas
o Cada vendedor realiza un estimado de ventas por regin.
o Se combinan por zonas y se maneja un pronstico global.
o Diseado para empresas con pocos clientes (proveedores de
industria automotriz, contratistas para cierto tipo de
industrias).
Mtodo Delphi
o Proceso grupal iterativo
o Tres tipos de participantes
Los tomadores de decisin (5-10 expertos que harn el
pronstico real).
Personal asesor (Preparan, distribuyen, recolectan y
resumen cuestionarios y encuestas).
12
Encuestados (Grupo de personas cuyos juicios son

evaluados).
Encuesta a consumidores de mercado (clientes).
o Solicita informacin a los clientes o clientes potenciales.
o Genera el pronstico
o Mejora el producto y su diseo, adems del servicio.
Analoga Histrica
o Liga la estimacin de las ventas futuras de un producto con el
conocimiento de las ventas de un producto similar.
o A la estimacin de las ventas de un producto se aplica el
conocimiento de las ventas de un producto similar en las
diferentes etapas de su ciclo de vida.
o til para el desarrollo de productos novedosos.
Estudio de Mercado
o La base para comprobar las hiptesis sobre los mercados
reales y su comportamiento son los cuestionarios por correo,
las entrevistas telefnicas o las entrevistas de campo.
o Los resultados del estudio de mercado se extrapolan de un
sector de mercado a la totalidad de ste.
o Preferidos para productos nuevos o para productos existentes
que se quieren desarrollar en otros segmentos.
2.7 Mtodos Cuantitativos
Existen dos tipos de mtodos cuantitativos:
Modelos de
Series de Tiempo
Modelo Causal
Simplista
Promedios mviles
Suavizacin Exponencial
Proyeccin de Tendencia
Predicen sobre la base

que el futuro est en
funcin del pasado.
Estn expresados en
nocin matemtica.
13
Se incorporan al
modelo las variables o
factores que pueden
influenciar la cantidad
que se pronostica.
http://www.scielo.org.co/scielo.php?pid=S012147722008000100007&script=sci_arttext
Serie de tiempo
http://www.uiah.fi/projects/metodi/290.htm
Modelo causal
14
CAPITULO III METODOLOGA DE

LOS PRONSTICOS
Varios factores han estimulado el inters en los pronsticos en todo tipo de organizaciones,
sin embargo desde principios de la dcada de 1970 ha aumentado su uso. Los pronsticos
se han convertido en una herramienta de gran utilidad en la planificacin del entorno
empresarial, por lo que este trabajo se centra en su estudio, en principio se presenta una
visin general de los mtodos de pronstico, y sus caractersticas principales.
Se presentan, el impacto de los errores de prediccin y las limitaciones de los mtodos para
pronosticar, as como las situaciones en las que se aplican cada uno de estos con nfasis en
el mtodo cuantitativo, se identifican patrones, con base en las expectativas pasadas y el
descubrimiento de relaciones entre factores claves o variables.
El conocer y entender tales limitaciones ayudan a desarrollar expectativas realistas con
respecto a la situacin de la decisin, y pueden ayudar a los que buscan mejores soluciones
y tcnicas mejoradas a utilizar adecuadamente los resultados predictivos. Se presenta a
continuacin como se desarrolla el captulo.
3.1 Breve
resea
histrica
3.2
Clasificaci
n de los
enfoques
para
pronstic
os
3.4 Tipo
de
patrones
en los
datos
3.5
Medicin
del error
en los
pronstic
os
3.3 Tipos
de
modelos
3.6 Etapas de
la solucin de
problemas
relacionados
con los
pronsticos
15

3.1. BREVE
RESEA HISTRICA
Al hablar de pronsticos, vienen a la mente varios hechos, tal
vez el primero es el pronstico del clima, de la tasa de
cambio, de la inflacin, del crecimiento econmico, etc. En
fin cuando se mira en perspectiva hay una constante
preocupacin por conocer lo que va a suceder en el futuro. 1
Ilustracin 1 Pronstico
Esta inquietud no solo se convierte en curiosidad, pues

conociendo el futuro es posible adaptar nuestras acciones
presentes para obtener del futuro los mayores rditos
posibles o para evitar circunstancias o resultados que
podran ser adversos o con consecuencias no deseables.
El pronstico, en el lenguaje cotidiano, no es ms que un conocimiento probable sobre un

evento futuro. En el lenguaje de la empresa se suele entender como pronstico, el proceso
de estimacin anticipada del valor de una variable en situaciones de incertidumbre, por
ejemplo: la demanda de un producto o servicio, y en el contexto de la disciplina cientfica,
un pronstico puede definirse como el resultado de la aplicacin de un mtodo de prediccin
en que partiendo de determinadas series de datos, se formula una proyeccin en el futuro
con el objetivo de evaluar la ocurrencia probable de cualquier acontecimiento o el desarrollo
de una tendencia.2
La finalidad de los pronsticos es predecir el desarrollo futuro para ayudar a la toma de
decisiones de planificacin sobre medidas de apoyo, contramedidas u otras acciones que
influyan, en mayor o menor grado, sobre la tendencia del objeto planificado.
Para comprender la amplitud de los enfoques de prediccin actualmente disponibles, es til
presentar una breve sinopsis histrica. Antes del decenio de 1950 los esfuerzos
desarrollados en la poca fueron limitados para los analistas, a pesar de manejar algunas
teoras de regresin lineal y descomposicin de series de tiempo, la carencia de datos
apropiados y lo tedioso de los clculos requeridos hacan muy complicada la obtencin de
pronsticos.
Lo anterior cambio substancialmente con dos avances radicales; el primero con la
introduccin de las tcnicas de Suavizamiento exponencial que estaban orientados con
sentido prctico, y fundamentados en su sencillez conceptual y su facilidad de computacin y
el segundo avance importante en la misma dcada fue la introduccin de la computadora
que hizo posible no solo la utilizacin del Suavizamiento exponencial, sino tambin de una
gran cantidad de diferentes mtodos de prediccin sobre una base ms continua.
Pasaron casi 30 aos para que los mtodos de Suavizamiento exponencial tuvieran amplia
aceptacin y a partir de ellos se han desarrollado numerosas variedades y extensiones de
los mismos. Las ms notables son los de Brown (1950), Holt (1952) y Winters (1960). Las
adaptaciones y modificaciones ms recientes han hecho posible emplear los mtodos de
Suavizamiento de manera an ms mecnica y automatizada.
Pas un poco de tiempo despus para que los mtodos de Suavizamiento empezaran a
atraer la atencin, los mtodos de descomposicin experimentaron una mayor difusin. El
1 http://www.dandoenelblanco.com/pronsticos_y_forecast_pro/ consultada el 30 de octubre de

2008
2 http://sunwc.cepade.es/~jrivera/org_temas/metodos/prospectiva/pronostic_method.htm
consultada el 30 de octubre de 2008
16
ms prominente de esto fue Shiskin (1957,1961), que fue el creador del paquete Census II y
que a pesar de una escasa fundamentacin estadstica, presentaban una atraccin intuitiva
de significacin para los profesionales del rea.
Con el avance tecnolgico y los precios accesibles de los sistemas de cmputo los mtodos
de pronsticos se fueron perfeccionando, aparecieron tcnicas como regresin mltiple y
modelos economtricos. A principios de 1980 los pronsticos basados en econometra
representaban ya un gran mercado para los profesionales.
Un enfoque que incorporaba muchos de los elementos de una teora semejante se hizo
realidad con la aportacin de Box y Jenkins (1976), cuya metodologa consiste en un
procedimiento sistemtico para el anlisis de las series de tiempo que fue suficientemente
general para manejar todas las estructuras de datos en series de tiempo observados
empricamente.
A mediados de la dcada de 1970 comenzaron a surgir las variedades del mtodo del
promedio mvil autorregresivo, integral y de media mvil (ARIMA) desarrollado por Box
Jenkins y desde ah se han estudiado modificaciones corrigiendo algunos problemas
asociados con la metodologa tomando nombres tales como ARARMA, filtros de Kalman,
modelos de vectores autorregresivos, etc.
Los mtodos existentes funcionan bien cuando se da un nivel significativo de constancia,
pero no cuando cambian los patrones o relaciones establecidas. Por lo tanto, es importante
fijarse en las alternativas de prediccin cuando cambian los patrones o relaciones y medir el
alcance de la incertidumbre implicada. Puesto que dicho tema no se considera en la
literatura sobre pronsticos, a lo largo de este trabajo se expondr detalladamente.3
3.2. CLASIFICACIN
DE
LOS
ENFOQUES
PARA
PRONSTICOS
Cuando los gerentes de organizaciones se enfrentan con la necesidad de tomar decisiones
en una atmsfera de incertidumbre, lo que en primer trmino, se debe hacer es clasificar los
procedimientos de pronstico de largo o corto plazos.
Los pronsticos a largo plazo son necesarios para establecer el curso general de la
organizacin para un largo periodo; de ah que se conviertan en el enfoque particular de la
alta direccin.
Los pronsticos a corto plazo se utilizan para disear estrategias inmediatas y que usan los
administradores de rango medio y de primera lnea para enfrentar las necesidades del futuro
inmediato. 4
Tambin se podra clasificar a los pronsticos en muchos esquemas diferentes al considerar
los principales enfoques para pronosticar, el que hemos encontrado ms til es el de
Makridakis-Wheelwrigth el mismo que divide a esos mtodos en tres categoras:
discrecionales o cualitativos, cuantitativos y tecnolgicos. Cada enfoque importante incluye
varios tipos de mtodos, muchas tcnicas individuales y variaciones de cada tcnica. A
continuacin se detalla cada uno de ellos.
3.2.1. MTODOS DISCRECIONALES O CUALITATIVOS
3 Makridakis - Wheelwrigth, Mtodos de pronstico, Mxico, D.F., Limusa, 1998, pag. 36

4 http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm consultada
el 04/09/08
17
Ilustracin 2 Tcnica
cualitativa
Son los que se utilizan comnmente en las empresas y

organizaciones gubernamentales. Los pronsticos de
este tipo se hacen muy a menudo como juicios
individuales o decisiones de comit. Estos mtodos
utilizan el juicio de los gerentes, su experiencia, los
datos relevantes y un modelo matemtico implcito, por
lo que es frecuente que lleguen a pronsticos con
variaciones importantes.
Adems, deben utilizarse cuando los datos del pasado no resulten

confiables como indicadores de las condiciones del futuro. Tambin debe utilizarse el
pronstico cualitativo para la introduccin de nuevos productos cuando no se dispone de una
base de los datos histricos.
Los mtodos cualitativos casi siempre se utilizan para pronsticos a mediano y largo plazo
que involucren situaciones como diseo del proceso o capacidad de las instalaciones. En el
caso de estas decisiones, los datos del pasado casi nunca estn disponibles o, cuando as
es, pueden indicar un patrn poco estable.5
3.2.2. MTODOS CUANTITATIVOS
La segunda categora mtodos cuantitativos - es el tipo en el
que se han centrado la mayora de las publicaciones sobre
pronsticos y en especial el tema de inters de este trabajo.
Existen tres subcategoras de estos mtodos.
Los mtodos de series de tiempo buscan identificar patrones
histricos (empleando el tiempo como referencia) para
pronosticar, utilizando una extrapolacin de estos patrones. Los
mtodos explicativos tratan de identificar las relaciones que conducen a resultados
observados (causados) en el pasado y luego pronosticar
Ilustracin 3 Mtodo
mediante la aplicacin de tales relaciones al futuro.
cuantitativo
Los mtodos de monitoreo, que todava no alcanzan un uso muy extendido, buscan
identificar cambios en los patrones y relaciones. Bsicamente se utilizan para indicar cundo
no es apropiada la extrapolacin de patrones o relaciones pasadas. Algunas de las
aplicaciones de los mtodos cuantitativos, se muestran en la Tabla 1, as como el campo de
aplicacin donde fue desarrollada la metodologa.
La mayora de estos mtodos son estudiados posteriormente, el enfoque de monitoreo y el
de econometra son mencionados ms no son de inters en este trabajo, pues nicamente
se cuenta con datos de una misma variable medida a travs del tiempo y estos mtodos
requieren de un nmero significativo de variables que puedan explicar y en donde los
patrones y relaciones cambian y la extrapolacin de patrones o relaciones pasadas no es
apropiada.6
5 Makridakis S, Arte y Ciencia de Pronosticar, International Journal of Forecasting, 2, no.1,

pp 15-39.
6 Makridakis - Wheelwrigth, Mtodos de pronstico, Mxico, D.F., Limusa, 1998, pp28.
18
Mtodos de PronsticosVernica M./ P. Reyes
agosto 2009
3.2.3. MTODOS TECNOLGICOS

La tercera categora mtodos tecnolgicos - tienen que ver con los problemas de largo
plazo de naturaleza tecnolgica, social, econmica o poltica. Las cuatro subcategoras aqu
encontradas son extrapolativas (utilizan patrones y relaciones histricos como base de los
pronsticos), analgicas (emplean analogas histricas y de otro tipo para hacer
predicciones), expertas y normativas (hacen uso de objetivos, metas y resultados deseados
como base de los pronsticos, influyendo as los sucesos futuros). 7
No obstante, nada impide extrapolar
tendencias que se describan enteramente
en trminos cualitativos. Suele ser prctico
el describir los productos existentes con
ayuda de imgenes y otros modelos
icnicos, y esta forma de presentacin es
prctica incluso para las extrapolaciones.
En el libro Industrial Design, Raymond
Loewy8 combin dos enfoques: el histrico
y el predictivo.
En la pgina 74 del libro encontramos el
"grfico de evolucin del diseo" que
muestra el desarrollo de 1900 a 1942
Ilustracin 12. La ltima imagen es el
pronstico de Loewy. La debilidad innata
de toda extrapolacin estriba en que stas
slo se pueden atender a aquellos
procesos o fuerzas que estn ya
interviniendo.9
Con frecuencia se da una situacin en que
gradualmente habr ms y ms nuevos
impactos. En tales circunstancias, los
mtodos cualitativos suelen dar resultados
tiles slo para periodos relativamente de
corto plazo.
Otra debilidad es que es casi imposible
estimar el error probable de una
extrapolacin. Una nocin spera de lo
puede ser obtenida estudiando la
consistencia y la homogeneidad de la
serie de las observaciones originales. 10
Ilustracin 4 Mtodo tecnolgico.
7 Makridakis Wheelwrigth, Mtodos de pronstico, Limusa, 1998, pag 28

8 Hace poco la revista Life eligi a Loewy como uno de los 100 norteamericanos ms influyentes del siglo XX. A Loewy se le conoce mejor por los
estandartes del diseo norteamericano como la botella de Coca-Cola, Air Force One, Lucky Strike, los autobuses de Greyhound, la locomotora
Pennsylvania S-1, los logotipos de Exxon y Shell, los interiores del Laboratorio Espacial y el Transbordador de la NASA, as como el Avanti, el nico
automvil que se ha exhibido en el museo del Louvre.
9 Raymond Loewy, Industrial Design, pag 74.

10 http://www2.uiah.fi/projekti/metodi/290.htm consultada el 25 de agosto de 2008.
19

3.3. TIPOS
agosto 2009
DE MODELOS
Este trabajo est enfocado a los mtodos de prediccin cuantitativos con la necesidad de
obtener un modelo, que es una manera de experimentar con la realidad sin tener que invertir
realmente en una unidad operativa a escala completa.
Para la prediccin se puede emplear una amplia gama de modelos, pero para el caso de los
mtodos cuantitativos hay dos categora aceptablemente bien definidas.
Estadsticas
Se enfocan a los patrones y cambios en los mismos y sus

perturbaciones
Determinstica
s
Son de tipo causal, establecen relacin entre la variable a pronosticar

y otras variables
Hablaremos de estos dos con mayor
detalle a continuacin.
Insumos
Proceso
Generad
or
El primer tipo de modelo de prediccin

cuantitativo, y quizs el ms comn, es el
modelo de series de tiempo (Ilustracin
13). En un modelo de series de tiempo dos
factores son importantes: la serie de datos
que se va a pronosticar (como la demanda
de un producto o servicio) y el perodo de
tiempo a utilizar. Un modelo de series de
tiempo supone siempre que algn patrn o
combinacin de patrones es recurrente a
travs del tiempo. De esta manera, al
identificar y extrapolar dicho patrn, se
pueden desarrollar pronsticos para
periodos subyacentes.
Producto
Ilustracin 5 Relacin de Series de

Tiempo
El segundo tipo de mtodo de

prediccin cuantitativo es explicativo
(Ilustracin 14). En este tipo de mtodos
cualquier variacin de los insumos
afectar los productos del sistema de
manera predecible, suponiendo que la
relacin es constante. La primera tarea
de los pronsticos es encontrar la
relacin a travs de la observacin de
los productos del sistema
y
relacionndolos con los insumos
correspondientes.
Insumos
Bsicamente, el mtodo explicativo

supone que el valor de cierta variable
(el producto) es funcin de una o ms
variables (los insumos).11
Relacin
entre dos
o ms
factores
Producto
Ilustracin 6 Relacin explicativa o causal
11 Makridakis - Wheelwrigth, Mtodos de pronstico, Mxico, D.F., Limusa, 1998, pag 63

20
agosto 2009
No obstante, una desventaja de estos mtodos es que requieren informacin de varias

variables, adems de la variable que est siendo pronosticada.
A consecuencia de ello, sus necesidades de datos son mucho mayores que las de un modelo
de series de tiempo. Adicionalmente, puesto que los modelos explicativos generalmente
relacionan varios factores, usualmente requieren de ms tiempo para desarrollarse y son
ms sensibles a los cambios de las relaciones subyacentes de lo que sera un modelo de
series de tiempo.
Muy a menudo es posible hacer pronsticos utilizando ya sea modelos explicativos o de
series de tiempo. Vamos a suponer que la demanda de un producto puede ser explicada por
varios factores que lo influyen, tales como las polticas monetarias y fiscal, la inflacin, el
gasto de capital y las importaciones y exportaciones. Esto requerir que se especifiquen la
forma y los parmetros de la relacin.
Demanda= f (polticas monetarias y fiscal, la inflacin, gasto de capital, importaciones,
exportaciones).
Donde f significa es una funcin de, depende de o est influenciado por. Conforme estos
factores cambien, la Demanda variar segn lo especifique la forma seleccionada del
modelo.
Si el nico propsito es pronosticar los valores futuros de la demanda sin prestar atencin a
por qu se llevar a cabo un cierto nivel de la demanda, un enfoque de series temporales
sera el apropiado. Se sabe que la magnitud de la demanda no cambia drsticamente de un
mes a otro, o aun de un ao a otro. As, la demanda del mes prximo depender de la
demanda del mes anterior y posiblemente del de los meses pasados. Con base en esta
observacin, la demanda podra expresarse:
Demandat+1= f (Demandat, Demandat-1 , Demandat-2 Demandat-3 , ..)
Donde:
Demandat = Demanda del presente mes.
Demandat+1= Demanda del prximo mes (el pronstico).
Demandat-1= Demanda del ltimo mes.
Demandat-2= Demanda de hace dos meses.
Y as sucesivamente. Este modelo es semejante al explicativo, con la excepcin de que los
factores de miembro derecho son valores anteriores del miembro izquierdo. Esto hace al
trabajo de pronosticar ms fcil una vez que se conoce la forma especfica del modelo, ya
que a diferencia del modelo explicativo, este modelo no requiere de valores de insumos
especiales. Sin embargo, con ambos modelos es necesario que la relacin entre los
miembros derecho e izquierdo de la ecuacin sean descubiertos y medidos de tal manera
que se puedan extrapolar a fin de ser pronosticados.12
3.4. TIPO
DE PATRONES EN LOS DATOS
12 Makridakis - Wheelwrigth, Mtodos de pronstico, Mxico, D.F., Limusa, 1998, pp6374Hanke, J.E. y A.G. Reitsch, usiness Forecasting, Allyn and Bacon, Boston
21
agosto 2009
Cualquier variable que conste de datos reunidos, registrados u observados sobre

incrementos sucesivos de tiempo se denomina serie de tiempo.
En estas series de tiempo, la descomposicin clsica es un mtodo que se basa en la
suposicin de que se pueden descomponer en componentes como tendencia, ciclo,
estacionalidad e irregularidad.
Component
e
Descripcin
Tendencia
Es el componente de largo plazo que representa el crecimiento

o disminucin en la serie sobre un periodo amplio.
Cclico
Es la fluctuacin en forma de onda alrededor de la tendencia.
Estacional
Es un patrn de cambio que se repite a s mismo perodo tras

perodo ( ao tras ao, mes con mes, da con da, etc.)
Aleatorio
Mide la variabilidad de las series de tiempo despus de retirar

los otros componentes (tendencias, ciclos, estacionalidad,
etc.).
Una prediccin se hace mediante la combinacin de las proyecciones de cada componente

individual. Considrense los elementos bsicos de un patrn encontrados en las series de
datos. Existen cuatro de esos elementos o componentes: el horizontal, el estacional, el
cclico y la tendencia de una serie.
Ilustracin 7 Patrn Horizontal
Existe un patrn horizontal cuando no hay

tendencia
alguna
en
los
datos.
(Estadsticamente hablando, a esto se le
conoce como estacionalidad.) Cuando existe
tal patrn, generalmente se hace referencia a
las serie como estacionario, es decir, no tiende
a aumentar o disminuir a travs del tiempo de
ninguna manera sistemtica. Por lo tanto, es
tan probable que el siguiente valor de la serie
se encuentre arriba del valor medio como es
que se halle debajo de l. La ilustracin 15
muestra un patrn horizontal tpico para una
variable.13
13 Makridakis - Wheelwrigth, Mtodos de pronstico, Mxico, D.F., Limusa, 1998, pp6374Mahmoud, E., The Evaluation of forecasts, en S. Makridakis y S. Wheelwright, The
Handbook of Forecasting, 2a. ed.,Wiley, Nueva York.
22
agosto 2009
Existe un patrn estacional cuando una serie flucta de acuerdo con un factor estacional.
El componente estacional se refiere a un
patrn de cambio que se repite a si mismo
periodo tras periodo.
Ilustracin 8 Patrn Estacional
Las estaciones pueden ser los meses o las

cuatro estaciones del ao, pero tambin
pueden ser las horas del da, los das de la
semana o los das del mes. Los patrones
estacionales se dan por un nmero de
razones diferentes, que van desde la manera
en que una empresa ha elegido manipular
ciertas operaciones (estaciones causadas
internamente) hasta los factores externos,
como el clima. La ilustracin 16 presenta un
patrn en
el cual las
estaciones
corresponden a los cuatro trimestres del
calendario para la primavera, el verano, el
otoo y el invierno.
Ilustracin 9 Patrn Cclico
Un patrn cclico es semejante al patrn

estacional, pero la duracin de un ciclo nico
generalmente es mayor a un ao. El
componente cclico es la fluctuacin en forma
de onda alrededor de la tendencia, afectada
por lo regular por las condiciones econmicas
generales. Los patrones cclicos tienden a
repetirse en los datos aproximadamente cada
dos tres o ms aos. Es comn que las
fluctuaciones cclicas estn influidas por
cambios de expansin y contraccin
econmicas, a los que comnmente se hace
referencia como el ciclo de los negocios. 14 La
ilustracin 17 muestra un patrn cclico. El
patrn cclico es difcil de pronosticar, porque
no se repite a intervalos constantes de tiempo y
su duracin no es uniforme.15
14 http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm
consultada el 22/10/08
23
agosto 2009
El patrn de tendencia de una serie de

tiempo es el componente de largo plazo
que representa el crecimiento o disminucin
en la serie sobre un periodo amplio, es
decir se da cuando existe un aumento o
disminucin general del valor de la variable
a lo largo del tiempo. Las fuerzas bsicas
que ayudan a explicar la tendencia de una
serie son el crecimiento de la poblacin, la
inflacin de precios, el cambio tecnolgico y
los incrementos en la productividad. Este
tipo de patrn se muestra en a la ilustracin
18.16
Ilustracin 10 Patrn de tendencia de los
datos
Un factor principal que influye en la

seleccin de una tcnica de pronstico consiste en la identificacin y comprensin de
patrones histricos en los datos. Si se pueden reconocer patrones de tendencia, cclicos o
estacionales, entonces se pueden seleccionar las tcnicas con la capacidad de utilizar
eficazmente estos patrones.
3.5. MEDICIN
DEL ERROR EN EL PRONSTICO
Aunque generalmente X, o algn otro smbolo, identifica los valores observados reales
(histricos) de una variable, a menudo se utiliza un smbolo diferente para representar el
^ t +1 se usarn para
valor pronosticado de esa variable. En este trabajo los smbolos F t+1 o Y
denotar el valor de la prediccin para el periodo de tiempo t+1. Como resumen de la relacin
entre los valores observados y los valores pronosticados en una situacin de series de
tiempo consltese la siguiente tabla:
Tabla 1 Notacin usada en los pronsticos de series de tiempo
Valores del pronstico

Valores
X1 X2 X3
Observado
s
Perodo i
1 2 3
X4
Xt-2
^
^
^
^
Valores
Y1 Y2 Y3 Y4
estimados
F1 F2 F3 F4
Valores del e1 e2 e3 e4
error
t-2
Xt-1
t-1
Y^ t2
Y^ t1
Xt
t
Y^ t
Ft-2
Ft-1
Ft
et-2
et-1
et
Ft+1
Ft+2
Ft+3
. Ft-1
Pr
es
ent t+1 t+2 t+3 . t+m
e
Y^ t +1 Y^ t +2 Y^ t +3 .
Y^ t +m
Los elementos de la notacin mencionada se pueden mostrar utilizando la informacin de la

^ i es el valor pronosticado de la serie
Tabla 2: Xi es el valor real de la serie de tiempo, F i o Y
16 http://books.google.es/books?
id=1J3ZlgSTZ9gC&pg=PA926&lpg=PA926&dq=patron+horizontal+en+series+de+tiempo&s
ource=web&ots=BCYQW9hCtZ&sig=BSn2nEUXyOhptb1jZ9V9JNbS7xg&hl=es&sa=X&oi
=book_result&resnum=4&ct=result#PPA924,M1, consultada el 24/10/2008
24
agosto 2009
^ i ) de
temporal, y ei es el error, o la diferencia entre los valores reales (X i) y pronosticado ( Y
la serie de tiempo en el periodo i.
El supuesto bsico que est detrs del uso de cualquier tcnica de prediccin es que el valor
real observado ser determinado por algn patrn ms algunas influencias aleatorias.
Algebraicamente, esto se puede representar como
Lo real= el patrn + lo aleatorio
El componente aleatorio mide la variabilidad de las series de tiempo despus de que se
retiran los otros componentes o patrn. Contabiliza la variabilidad aleatoria en una serie de
tiempo ocasionada por factores imprevistos y no ocurrentes.
La mayora de los componentes irregulares se conforman de variabilidad aleatoria. Sin
embargo, ciertos sucesos a veces impredecibles como huelgas, cambios de clima (sequas,
inundaciones o terremotos), elecciones, conflictos armados o la aprobacin de asuntos
legislativos, pueden causar irregularidad en una variable.
A causa de que el mundo econmico o empresarial no es determinstico, siempre estar
presente lo aleatorio. Esto significa que aun cuando el patrn promedio de los datos
subyacentes haya sido identificado, existir cierta desviacin entre los valores pronosticados
y los valores realmente observados.
Un objetivo comn en la aplicacin de tcnicas de predicciones es minimizar tales
desviaciones o errores en los pronsticos. Dichos errores se definen como la diferencia entre
el valor real y lo que se ha pronosticado. Se pueden presentar como
e i=x iY^ i
El subndice i indica que es el error del periodo de tiempo i el que se analiza. Como se
muestra en la tabla anterior, un valor del error se asocia con cada observacin para la cual
existe tanto un valor real como un valor pronosticado.17
3.5.1. DESVIACIN ABSOLUTA DE LA MEDIDA (MAD)
Un mtodo para evaluar una tcnica de pronstico consiste en obtener la suma de los
errores absolutos. La Desviacin Absoluta de la Media (MAD) mide la precisin de un
pronstico mediante el promedio de la magnitud de los errores de pronstico (valores
absolutos de cada error).
La MAD resulta de gran utilidad cuando el analista desea medir el error de pronstico en las
mismas unidades de la serie original. La siguiente ecuacin muestra como se calcula la
MAD:
n
|e i|
MAD= i=1
n
3.5.2. ERROR MEDIO CUADRADO (EMC)

17 Makridakis - Wheelwrigth, Mtodos de pronstico, Mxico, D.F., Limusa, 1998, pp67-69
25
agosto 2009
Otra tcnica para evaluar una tcnica de pronstico es el Error Medio Cuadrado (EMC).
Cada error o residual se eleva al cuadrado; luego estos valores se suman y se divide entre el
nmero de observaciones. Este enfoque penaliza los errores mayores de pronsticos, ya que
eleva cada uno al cuadrado. Esto es importante pues en ocasiones pudiera ser preferible una
tcnica que produzca errores moderados a otra que por lo regular tenga errores pequeos
pero que ocasionalmente arroje algunos en extremo grandes. La ecuacin para el clculo del
EMC, es la siguiente:
n
e2i
EMC= i =1
n
3.5.3. PORCENTAJE DE ERROR MEDIO ABSOLUTO (PEMA)

En ocasiones, resulta ms til calcular los errores de pronstico en trminos de porcentaje y
no de cantidades. El Porcentaje de Error Medio Absoluto (PEMA) se calcula encontrando el
error absoluto en cada periodo, dividiendo ste entre el valor real observado, para ese
periodo y despus promediando estos errores absolutos de porcentaje.
Este enfoque es til cuando el tamao o magnitud de la variable de pronstico es importante
en la evaluacin de la precisin del pronstico. El PEMA proporciona una indicacin de que
tan grandes son los errores de pronstico comparados con los valores reales de la serie.
Tambin se puede utilizar el PEMA para comparar la precisin de la misma u otra tcnica
sobre dos series completamente diferentes. La siguiente ecuacin muestra el clculo del
PEMA:
n
|PEi|
PEMA= i=1
A veces resulta necesario determinar si un mtodo de pronstico est sesgado (pronstico

consistentemente alto o bajo). En estos casos, se emplea el Porcentaje Medio de Error
(PME), que se calcula encontrando el error en cada periodo, dividiendo esto entre el valor
real de ese periodo y promediando despus estos porcentajes de error.18
3.5.4. PORCENTAJE DE ERROR MEDIO
Si un enfoque de pronstico no est sesgado, la ecuacin del PME producir un porcentaje
cercano a cero. Si el resultado es un porcentaje negativo grande, el mtodo de pronstico
est sobrestimado de manera consistente. Si el resultado es un porcentaje positivo grande,
el mtodo de pronstico esta subestimado de forma consistente.
26
agosto 2009
PEi
PME= i=1
Una parte de la decisin para utilizar una tcnica de pronstico en particular es la

determinacin de si la tcnica producir errores de prediccin que se juzguen como
suficientemente pequeos. Es en este efecto realista esperar que una tcnica produzca
errores de pronstico relativamente bajos sobre una base consistente. Las cuatro mediciones
de precisin de un pronstico que acabamos de describir se utilizan de la siguiente manera:
La comparacin de la precisin de dos tcnicas diferentes.
La medicin de la utilidad o confiabilidad de una tcnica.
La bsqueda de una tcnica ptima. 19
Tabla 2 Pasajeros transportados en 2007 de un corredor vial de Quito
(1)
(2)
Pasajeros
(3)
(4)
(5)
(6)
(7)
Pronstic
o
Error
Error
Absoluto
Erros
porcentual
absoluto
Error
cuadrtico
medio
(Xi-Fi) 2
Xi
Fi
Xi-Fi
|Xi-Fi|
Enero
6,341
|(Xi-Fi)/Xi|
*100
-
Febrero
5,693
6,341
-648
648
11,4%
419,904
Marzo
6,508
5,693
815
815
12,5%
664,225
Abril
6,171
6,508
-337
337
5,5%
113,569
Mayo
6,562
6,171
391
391
6,0%
152,881
Junio
6,168
6,562
-394
394
6,4%
155,236
Julio
6,176
6,168
0,1%
64
Agosto
5,755
6,176
-421
421
7,3%
177,241
Septiembre
6,207
5,755
452
452
7,3%
204,304
Octubre
10
6,477
6,207
270
270
4,2%
72,900
Noviembre
11
6,360
6,477
-117
117
1,8%
13,689
Diciembre
12
6,263
6,360
-97
97
1,5%
9,409
-78
3,950
64,0%
1,983,422
MAD
PEMA
EMC
359
6%
180,311
Suma
74,683
Media
-7
La tabla 3 presenta un conjunto de datos de demanda mensual del 2007 en millones de

pasajeros de un corredor de transporte masivo de la ciudad de Quito, que se utilizarn para
ejemplificar estas medidas de precisin. Como punto de partida, los pronsticos son muy
sencillos, los pasajeros del mes anterior se utilizan como prediccin del siguiente mes.
el 22/10/08
27
agosto 2009
Ntese que el promedio de la columna (4) sale muy bajo respecto a los valores que se
manejan esto ya que entre la suma de los errores los signos tienden a eliminar los valores
negativos a los positivos distorsionando la interpretacin del error, por lo que para evitar este
problema se debe computar los errores absolutos y se observa lo que comnmente se
conoce como la desviacin absoluta media MAD (5).
El MAPE de la columna (6) es una medida relativa, y es por esto que algunas veces se
prefiere el error promedio o MAD como medida de precisin.
Otra medida de exactitud es el ECM que se obtiene en la columna (7) una diferencia entre
este y el MAD o el MAPE, es que el primero castiga mucho ms a un pronstico por
desviaciones extremas que por desviaciones pequeas ya que la ECM eleva el error al
cuadrado de ah la necesidad de minimizar el error cuadrado medio es decir es mejor que se
tengan varias desviaciones pequeas a una desviacin grande.
En conclusin, cualquier tcnica de estimacin debe evaluarse en trminos de error. La
evaluacin del error normalmente implica un diagnstico grfico, a fin de detectar valores
atpicos o zonas de errores con patrones recurrentes y la elaboracin de alguna medida
resumen, preferentemente relativa. El anlisis de los errores tambin nos permitir evaluar la
capacidad del mtodo de ajuste para la captacin de puntos de cambio de tendencia.
3.6. ETAPAS
DE
LA
SOLUCIN
DE
PROBLEMAS
RELACIONADOS CON LOS PRONSTICOS
1.- Identificacin y comprensin del Problema.- Los pronsticos proporcionan informacin

para tomar mejores decisiones. El primer paso es identificar la decisin. Si la decisin no se
afecta por el pronstico, el pronstico es innecesario. La importancia de la decisin sugerir
el esfuerzo que debe dedicarse a producir un pronstico.
Una decisin nica requiere un solo pronstico, mientras que una solucin recurrente
necesita un pronstico cada vez que se toma la decisin. En cualquier caso la decisin
determina qu pronosticar, el nivel de detalle necesario y con frecuencia se har el
pronstico.
La base para entender los problemas de pronsticos es comprender el proceso; para hacer
esto, se examina las caractersticas del problema y se analizan los datos, si existen. Tambin
se establece una meta para el pronstico.
2.- Caractersticas Del Problema.- Las principales caractersticas de un problema de
pronsticos son el perodo de tiempo, el nivel de detalle, la exactitud necesaria y el nmero
de aspectos a pronosticar.
Las decisiones a largo plazo no requieren pronsticos exactos. As los pronsticos muy
precisos son innecesarios. Normalmente los pronsticos a largo plazo se hacen para una
sola vez. Es comn que se usen mtodos causales y cuantitativos para obtenerlos.
Las decisiones a mediano plazo normalmente requieren pronsticos para uno o dos
artculos. Con frecuencia se usan mtodos cuantitativos, incluyendo los causales y las series
de tiempo, para los pronsticos a mediano plazo.
La decisin a corto plazo indica cuntos productos se deben fabricar. En este caso se
necesita el nmero real de unidades de producto. Debido a que las decisiones de corto plazo
28
agosto 2009
estn basadas en estos pronsticos, necesitan ser razonablemente exactos. Los mtodos de
series de tiempo son los que se usan con ms frecuencia para los pronsticos a corto plazo,
pero en algunas situaciones, tambin son tiles los mtodos causales y los cuantitativos.
3.- Datos.- Examinar los datos, cuando se tienen pueden proporcionar una gran visin. Los
datos pueden venir de los registros de la empresa o fuentes comerciales o gubernamentales.
Si no existen datos, se deben recolectar o se puede usar un enfoque de pronsticos que no
los requiera. Si no se dispone de datos o recolectarlos es demasiado costoso, se elige un
enfoque cualitativo.
Cuando la tendencia y la estacionalidad estn presentes, los datos deben descomponerse
para ver los efectos de cada una. Los datos disparados deben eliminarse antes de
analizarlos.
4.- Seleccin del mtodo de pronstico.- Existen varios factores a considerar en la
seleccin de un mtodo de pronstico. Se debe contemplar el nivel de detalle. Se requiere
de un pronstico de detalles especficos?, Se precisa el pronstico de algn punto en el
futuro cercano (un pronstico a mediano plazo), o para un punto en el futuro distante (un
pronstico a largo plazo)? Y, hasta qu grado son apropiados los mtodos cualitativos (de
juicio) y cuantitativos (de manipulacin de datos)?.
El mtodo elegido deber producir un pronstico que sea preciso y comprensible para los
administradores, de modo que pueda ayudar a producir mejores decisiones. Adems, la
utilizacin del proceso de pronstico debe producir un beneficio que exceda al costo
asociado con su uso.20
5.- Desarrollo de un modelo.- Una vez identificados los procesos, stos determinan la
forma del modelo. Los pronsticos cualitativos no usan modelos sencillos de establecer. Los
modelos causales dependen de la situacin particular pero en general tienen la forma.
Y = f (Xt-k) + e
Donde:
Y, representa la variable dependiente, como la demanda,
X, la variable independiente ( o factor causal ) y
e, la componente del ruido del tiempo t.
La variable dependiente en el tiempo t es idealmente una funcin de la variable
independiente en el tiempo t k, k> 1.
El lapso del periodo k permite conocer el valor de la variable independiente antes de hacer el
pronstico de la variable dependiente; si no hay este lapso, deber pronosticarse la variable
independiente antes de obtener un pronstico para la variable dependiente.
La relacin funcional entre Y y X se representa por f y puede ser lineal, cuadrtica o alguna
otra relacin matemtica. Puede haber ms de un factor causal.
el 04/09/08
29
agosto 2009
6.- Solucin Del Modelo.- El primer paso para resolver el modelo es elegir un mtodo. Si se
tiene un modelo causal, el mtodo ser regresin. Para modelos de series de tiempo, existen
varios mtodos disponibles.
La interpretacin de la solucin es la tarea ms
importante al operar un sistema de
pronsticos. Conforme se obtienen los nuevos
datos, se actualiza el pronstico. Adems, se
compara el pronstico anterior con lo que
realmente
ocurri
para
obtener
retroalimentacin sobre la calidad del
procedimiento de pronsticos. Si la calidad es
aceptable, se dice que el procedimiento est
bajo control.
Si el procedimiento esta fuera de control, es
necesario regresar a la etapa de diseo; se
requiere volver a estimar los parmetros del
modelo actual, o bien, cambiar el modelo. Si el
sistema de pronsticos est bajo control, se
hace un pronstico para un periodo futuro.21
RESUMEN: Se determin que un punto de
partida til y necesario es entender las
diferencias conceptuales entre los dos tipos
importantes de modelos el de series de tiempo
y los modelos explicativos al realizar una
estimacin de valores futuros (predicciones).
La clasificacin de los modelos de pronsticos
as como la identificacin de patrones
(horizontal, tendencia, ciclo, estacionalidad)
presentes en una serie de datos, ha sido
tambin contenida en este captulo, informacin importante para poder aplicar el mtodo
apropiado as como encontrar un modelo de prediccin aceptable.
Ilustracin 11 Metodologa para
encontrar un modelo que permita
predecir.
Los diferentes tipos de error sern de ayuda para identificar la bondad del mtodo de
prediccin seleccionado, por lo que se han introducido las medidas y tcnicas que se podrn
utilizar para determinar las capacidades y limitaciones de los mtodos cuantitativos de
prediccin.
La aplicacin de etapas en bsqueda de un modelo de prediccin sea cual fuere su
naturaleza fue expuesto paso a paso, cada una de estas son las que el analista debe
recorrer para encontrar un modelo predictivo satisfactorio.
An est presente la pregunta sobre qu mtodo de prediccin debo aplicar a los datos. De
este tema se encargan los siguientes captulos, empezando por los ms sencillos los
mtodos de suavizamiento y el mtodo de descomposicin que se presentan a continuacin.
21 http://home.ubalt.edu/ntsbarsh/stat-data/Forecasts.htm#rintroductionf consultada el
27/10/2008
30
agosto 2009
CAPITULO IV MODELOS DE
PREDICCIN CUANTITATIVOS:
MTODOS DE SUAVIZAMIENTO
Y DESCOMPOSICIN
En el captulo anterior se explic ampliamente la clasificacin general de los mtodos de
prediccin y los errores para su evaluacin, esta seccin abarcar el primer tipo de modelo
de prediccin cuantitativo, y quizs el ms comn, el modelo de series de tiempo, que son
modelos matemticos basados nicamente en datos histricos, bajo el supuesto de que son
relevantes para el futuro. En un modelo de series de tiempo son importantes dos factores: la
serie de datos que se va a pronosticar y el periodo de tiempo a utilizar. Un modelo de series
de tiempo supone siempre que algn patrn o combinacin de patrones es recurrente a
travs del tiempo. De esta manera, al identificar y extrapolar dicho patrn, se pueden
desarrollar pronsticos para periodos subsecuentes.
El anlisis de series de tiempo que se realiza est basado inicialmente en el estudio de
algunos mtodos de fcil comprensin como los mtodos de suavizamiento y el mtodo de
descomposicin, estos mtodos analizan algunos de los patrones estudiados en el captulo
anterior, y presentan alternativas para cada uno de los patrones presentes en la serie.
Como el objetivo es determinar el mejor modelo que ajuste a los datos y brinden unos
pronsticos confiables de la variable demanda, para la aplicacin de cada modelo se realiza
el clculo y la comparacin de la suma de cuadrados de los residuos obtenidos para cada
caso.
El esquema a continuacin muestra la clasificacin de los modelos de series de tiempo que
se analizarn este captulo.
4.1 Anlisis
Exploratorio
de la Serie
4.2Mtodos
de
suavizamient
o.
Mtodos
Mtodos de
de
promedio
promedio
Mtodos
Mtodos de
de
suavizamiento
suavizamiento
31
4.3 Mtodos
de
Descomposici
n.

4.1 ANLISIS
agosto 2009
EXPLORATORIO DE LAS SERIES DE TIEMPO.
Para iniciar con el estudio de la serie es necesario antes definir un software con el que se
pueda analizar los datos de demanda de pasajeros, para ello se han analizado varios
paquetes que actualmente muestran sus bondades en cuanto a predicciones se refiere. El
mercado presenta varias alternativas que fueron manejadas previamente, sin embargo el
anlisis de este trabajo se realiza como base en el paquete SPSS versin 15 apoyado con
algunos clculos de Excel y en algunos casos con el Minitab versin15.
El motivo de la seleccin de este software est fundamentado en dos razone, la primera es
utilizar recursos actuales que se encuentran inhabilitados en la empresa donde se aplicar el
estudio y la segunda es porque al desplegar anlisis predictivos en sistemas operacionales
de primera lnea tales como el SPSS que muestra ser un paquete amigable y ventajas
competitivas, se pueden cumplir los objetivos especficos de este trabajo.
Statistical Package for the Social Sciences (SPSS) es un programa estadstico informtico
muy usado en las ciencias sociales y las empresas de investigacin de mercado. Como
programa estadstico es muy popular su uso debido a la capacidad de trabajar con bases de
datos de gran tamao.22 Aunque los procesos que rodean al anlisis predictivo son
complicados, implantar una solucin SPSS para el anlisis predictivo no lo es.
En este sentido, los anlisis que se presentan a continuacin mostrarn los comandos
aplicados, las ventanas de instrucciones as como las salidas que la aplicacin de cada
software devuelve para el anlisis.
4.2 MODELO
DE PREDICCIN CUANTITATIVO: MTODOS DE

SUAVIZAMIENTO
El inters se ha centrado en principio en estudiar los mtodos de suavizamiento, pues bien,

estos mtodos se clasifican como a continuacin se muestra en la ilustracin 26. En cada
uno de los modelos se analizarn tanto la parte matemtica as como los errores que se
obtienen para cada caso.
Mtodos de Promedio: Modelos no formales, promedios mviles, incrementos porcentuales
y ajustes a la curva son los modelos de series de tiempo ms sencillos los cuales pueden ser
utilizados para generar pronsticos.
Estos modelos pueden ser implementados a travs de hojas de clculo rpidamente y no
requieren un conocimiento experto en estadstica por parte del pronosticador, usualmente
estos modelos son muy simples y para tener mayor exactitud en el pronstico las compaas
casi siempre deben acudir a modelos alternativos de series de tiempo.
Mtodos de suavizacin exponencial: suavizacin exponencial es el mtodo seleccionado
por la mayora de empresas. Estos modelos se desempean bien en trminos de exactitud,
son fciles de aplicar y pueden ser automatizados, permitiendo ser utilizados a gran escala.
Los modelos de suavizacin exponencial capturan y pronostican el nivel de los datos con los
diferentes tipos de tendencias y patrones estacionales. Los modelos son adaptativos y
pronostican dando mayor importancia o ponderacin a los datos ms recientes sobre los
datos ms distantes en el pasado. 23
22 http://es.wikipedia.org/wiki/SPSS, consultada el 18 de marzo de 2009

32
agosto 2009
Los mtodos que se encargan de estos anlisis son los mtodos de

suavizamiento simple en cuyo caso el patrn es horizontal, el mtodo de Holt
cuando existe presencia del patrn de tendencia o el mtodo de Winters el que
incluye los patrones de tendencia y estacionalidad.
23 http://www.dandoenelblanco.com/2008/07/modelos-de-series-de-tiempo-para-pron
%C3%B3sticos-de-demanda.html consultada el 10 de febrero de 2009.
33
agosto 2009
Ilustracin 12 Modelos de prediccin mediante suavizamiento exponencial
4.2.1 MODELOS NO FORMALES:
34
agosto 2009
Yt
Yt+1
et
1
2
3
42
52
54
42
52
10
2
65
54
11
Estas tcnicas suponen que los periodos recientes son los mejores para pronosticar el futuro. El mtodo ms sencillo es el mtodo del ltimo
valor, a este pronstico se le llama mtodo ingenuo.
Pronstico = ltimo valor
4.2.2 MTODOS DE PROMEDIO
Si la serie contiene una aleatoriedad sustancial, un enfoque ingenuo producir predicciones que variarn considerablemente. Para eliminar dicha
variabilidad, se podra considerar el uso de algn tipo de promedio de los datos recientes observados. El mtodo de promedios mviles hace
eso al tomar un conjunto de datos observados, encontrar su promedio y luego utiliza tal promedio como un pronstico del siguiente perodo. El
trmino promedio mvil se usa porque conforme cada nueva observacin se encuentra disponible, se puede calcular un nuevo promedio y
utilizarlo como pronstico. La aplicacin de este mtodo se presenta a continuacin.
Promedio mvil simple=
(n valores recientes de datos)

n
Prediccin de la demanda de pasajeros un mes adelantado mediante promedio mviles.

Tabla 3 Clculo del promedio Mvil de la demanda de pasajeros trimestral y pentamensual
(1)
2007
Mes
ENERO
(2)
(3)
(4)
(5)
Perodo
Demanda
Observada
Promedio
mvil
trimestral
Promedio
mvil
pentamensual
6,341,394
(6,341,394+5,693,328+6,508,453)/3
35
agosto 2009
FEBRERO
5,693,328
MARZO
6,508,453
ABRIL
6,170,858
6,181,058
MAYO
6,561,537
6,124,213
JUNIO
6,168,216
6,413,616
6,255,114
JULIO
6,176,497
6,300,204
6,220,478
AGOSTO
5,754,596
6,302,083
6,317,112
SEPTIEMBRE
6,207,238
6,033,103
6,166,341
OCTUBRE
10
6,477,329
6,046,110
6,173,617
NOVIEMBRE
11
6,360,097
6,146,388
6,156,775
DICIEMBRE
12
6,348,221
6,195,151
380,513
160,337
Diferencias
La tabla 4, muestra cmo la tcnica de los promedios mviles se puede aplicar con un promedio de tres y de cinco meses. La aplicacin de este
mtodo de prediccin se muestra en la ilustracin 27.
En esta figura se observan fcilmente dos de las caractersticas de los promedios mviles, la primera es que antes de que cualquier pronstico
puede prepararse, se deben tener tantas observaciones histricas como se necesiten y la segunda se refiere a que entre ms grande sea el
nmero de observaciones incluidas en el promedio mvil, mayor ser el efecto de Suavizamiento en el pronstico.
Al observar en los pronsticos tanto trimestral como pentamensual vemos que la diferencia o rango es de 380,513 usuarios para el primer caso
(6,413,616-6,033.103) en cambio en el pronstico pentamensual obtenemos casi la mitad de esa diferencia que es de 160,337. As aumentar el
nmero de perodos incluidos en el promedio mvil tiene un marcado efecto en el total de Suavizamiento realizado. Entre ms grande el nmero,
mayor es el alcance del Suavizamiento, o ms cerca se est del promedio de todos los valores
36
agosto 2009
6,800,000
6,600,000
Datos reales
6,400,000
6,200,000
Prediccin con promedios mviles trimestral
6,000,000
5,800,000
Prediccin con promedios mviles pentamensual
OV
IE
M
BR
E
SE
PT
IE
M
BR
E
LI
O
JU
M
AY
O
O
M
AR
Z
EN
ER
O
5,600,000
Ilustracin 13 Grfica de los pronsticos obtenidos mediante promedios mviles
Para determinar si el promedio mvil trimestral o pentamensual es ms apropiado para pronosticar la demanda, es til estimar el error en ambos
pronsticos. La tabla 5 muestra el error para cada prediccin y calcula la desviacin media absoluta (MAD) y el error cuadrado medio (RMS) con
propsitos de comparacin. Ambas formas de medicin de error indican que el promedio mvil de cinco meses proporciona un mejor pronstico
que el promedio mvil trimestral cuando se verifica con datos histricos al ser menores esos errores.
Para entender mejor la tcnica de los promedios mviles, se hace necesario considerar brevemente la representacin matemtica de este
mtodo. En trminos sencillos, la tcnica de prediccin con promedios mviles se puede representar como sigue:
37
Ft +1=S t=
agosto 2009
t
X t + X t 1 + + X t N +1 1
=
X
N
N i =t N +1 i
(a)
En donde
Ft +1 = Pronstico para el tiempo t+1
S t = valor suavizado en el tiempo t
X i = valor actual en el tiempo i
I = periodo de tiempo
N = nmero de valores incluidos en el promedio.
Tabla 4 Clculo del los errores obtenidos mediante el mtodo de promedios mviles
Promedio mvil trimestral

Perodo
Demanda
Observada
6,341
5,693
6,508
Promedio mvil pentamensual
Demanda
Pronosticada
error
error absoluto
error al cuadrado
Demanda
pronosticada
error
error absoluto
error al cuadrado
6,171
6,181
10
10
104,047
6,562
6,124
-437
437
191,252,281
6,168
6,414
245
245
60,221,160
6,255
87
87
7,551,262
6,176
6,300
124
124
15,303,339
6,220
44
44
1,934,364
5,755
6,302
547
547
299,742,380
6,317
563
563
316,424,475
6,207
6,033
-174
174
30,322,998
6,166
-41
41
1,672,581
10
6,477
6,046
-431
431
185,949,538
6,174
-304
304
92,241,100
11
6,360
6,146
-214
214
45,671,679
6,157
-203
203
41,339,754
12
6,348
6,195
suma
-330
2,183
828,567,423
145
1,241
461,163,537
media
-41
273
103,570,928
18
155
57,645,442
38
agosto 2009
De la ecuacin (a) se puede ver que en el mtodo de los promedios mviles se da una ponderacin (o importancia) igual a cada uno de los
ltimo N valores de la serie, pero no se asigna ponderacin alguna a los valores observados antes de ese tiempo.
Tambin se puede observar que para calcular el promedio mvil, se deben tener los valores de las ltimas N observaciones. Se puede
desarrollar una forma ms corta de la ecuacin (a) para calcular el promedio mvil. El pronstico de promedio mvil para el periodo t est dado
por
Ft =St =
X t 1 + X t2 + + X t N
N
(b)
Esto significa que una vez que se tiene el pronstico para el perodo t (es decir, F), se puede obtener el pronstico del periodo t+1 al sumar
X t /N y restar X t N /N .
El Valor de Ft+1 de la ecuacin (a) se puede encontrar de manera alternativa como
Ft +1=
X t X t N
+ Ft
N
N
(c)
Escrita de esta forma, cada nuevo pronstico basado en un promedio mvil es un ajuste del pronstico de promedio mvil precedente. Es,
asimismo, fcil ver por qu el efecto del Suavizamiento aumenta a medida que N se hace ms grande: se est haciendo un ajuste ms pequeo
entre cada pronstico.
4.2.3 MODELOS DE SUAVIZAMIENTO EXPONENCIAL NICOS.
Al menos dos limitaciones importantes de los promedios mviles han motivado a la mayora de los pronosticadores a aplicar en su lugar el
mtodo de Suavizamiento exponencial. Primero, para calcular un pronstico de promedio mvil es necesario almacenar al menos N valores
observados, lo que requiere espacio considerable si se necesita pronosticar un nmero grande de elementos. Segundo, el mtodo de promedios
mviles asigna una ponderacin igual a cada una de las ltimas N observaciones y ninguna ponderacin en absoluto a las observaciones
anteriores al perodo (t-N).
Se puede plantear un fuerte argumento en el siguiente sentido: puesto que las observaciones ms recientes contienen la informacin ms
actualizada acerca de lo que acontecer en el futuro, se le debe asignar relativamente una mayor ponderacin que a las observaciones ms
39
agosto 2009
antiguas. Lo deseable sera un esquema que asignara la ponderacin que asignara la ponderacin mayor a los valores observados ms
recientes, y ponderaciones decrecientes a los valores ms antiguos. El Suavizamiento exponencial satisface este requerimiento y elimina la
necesidad de almacenar los valores histricos de la variable.
En principio, el Suavizamiento exponencial funciona de manera anloga a los promedios mviles al suavizar las observaciones histricas para
eliminar lo estocstico. Sin embargo, el procedimiento matemtico para desempear dicho Suavizamiento es algo diferente del utilizado en los
promedios mviles. La tcnica del Suavizamiento exponencial se puede desarrollar empleando la ecuacin (c) para calcular el promedio mvil.
Supngase que slo se tiene disponible el valor observado ms reciente y el pronstico hecho para el mismo periodo. En tal situacin, la
ecuacin (c) podra modificarse de forma tal que en lugar del valor observado en el periodo (tN) se pudiese empelar un valor aproximado. Una
estimacin razonable sera el valor del pronstico del periodo anterior. As la ecuacin (c) se modificara para dar
Ft +1=
Xt Ft
+ Ft
N N
(d)
Esta ecuacin se puede escribir como
Ft +1=
1
1
X t + 1
F
N
N t
(e)
Lo que ahora se tiene es un pronstico que pondera las observaciones ms recientes con una ponderacin con valor de 1/N y al pronstico ms
reciente con una ponderacin con valor de (1-1/N). Si sustituimos 1/N por el smbolo alfa se tiene
Ft +1= X t + (1 ) F t
(f)
Esta ecuacin es la forma general usada para calcular un pronstico con el mtodo del Suavizamiento exponencial.
De esta ecuacin se puede observar que el Suavizamiento exponencial tambin se sobrepone a otra limitacin de los promedios mviles en el
sentido de que las ponderaciones decrecientes se asignan a los valores observados ms antiguos; es decir, puesto que es un nmero entre 0
y 1 (por lo que (1-) es tambin un nmero entre 0 y 1), las ponderaciones , (1-), (1-) 2, etc., tienen valores decrecientes exponencialmente.
De aqu el nombre de Suavizamiento exponencial.
Una manera alternativa de escribir la ecuacin (f) puede facilitar la comprensin del Suavizamiento exponencial. Al reordenar los trminos de la
ecuacin (f) se puede obtener.
Ft +1=F t +(X tF t ) o lo que es lo mismo que

40
(g)
agosto 2009
Ft +1=F t +(e t )
(h)
Por lo tanto, el efecto de una grande o pequea es anlogo al efecto de incluir un nmero pequeo o grande de observaciones al calcular un
promedio mvil.
Utilizando los datos de la demanda de pasajeros, la ilustracin 28 muestra como mediante el uso del paquete SPSS se pueden obtener los
resultados. El nico aspecto que debe recordarse es que para el primer periodo no est disponible ningn pronstico previo.
Analizar>Series temporales>Suavizamiento exponencial
Variables: Pasajeros_1
Modelo: Simple
Parmetros: General (Alfa)>Bsqueda de rejilla.
Aceptar>Aceptar
41
agosto 2009
Ilustracin 14 Clculo del modelo de prediccin con el mtodo simple con SPSS
Un valor grande de (0.9) proporciona un Suavizamiento pequeo al pronstico, mientras que un valor pequeo de
Suavizamiento considerable.
(0.1) proporciona un
Un valor pequeo de tiende a producir pronsticos que estn ms suavizados (o sea, tienen menos fluctuacin) que valores ms grandes de
. Sin, embargo, para encontrar el valor de que genere los mejores pronsticos para los datos del pasado, se requiere calcular el error
cuadrado medio o la desviacin absoluta media.
42
agosto 2009
En nuestro anlisis SPSS muestra los 10 valores del alfa calculados indicando la suma de los errores cuadrticos, sobre el que podemos
concluir que para =0,00 , el error es menor, como muestra la tabla 6.
Tabla 5 Suma de los errores cuadrticos de la aplicacin del Mtodo simple
Serie
Pasajeros_1
Alpha (Nivel)
.00000
.10000
Sumas de los errores

cuadrticos
4856,087,254,199.12000
5044909144667.69000
.20000
5363721301989.94000
.30000
5660141235867.19000
.40000
5914763276965.56000
.50000
6122248837379.30000
.60000
6292367209369.67000
.70000
6444663320070.61000
.80000
6600432002495.73000
10
.90000
6777085518538.42000
Rango del modelo

1
2
Parmetros del suavizado
Serie
Pasajeros_1
Alpha (Nivel)
Sumas de los errores cuadrticos
gl error
.00000
4856087254199.12000
1857
A continuacin, se muestran los parmetros con las sumas menores de errores cuadrticos. Estos parmetros se utilizan para pronosticar.
Para usar el Suavizamiento exponencial, solamente se necesita tener el valor observado ms reciente, el pronstico ms reciente y el valor de
. El empleo del Suavizamiento exponencial nico es fcil y econmico, por que los programas de computadora pueden encontrar
automticamente el mejor valor de . En este caso vemos que el mejor calculado fue 0 por lo que analizando la ecuacin para el clculo del
pronstico:
Ft +1=F t +(e t )
43
(i)
agosto 2009
Vemos que el trmino del error se anula, esto nos indica que siempre el valor del pronstico se convertir en una constante lo que se ratifica en
la Ilustracin 29. La lnea proyectada verde inmediata al perodo de validacin es el pronstico realizado con este mtodo.
Tanto la tcnica de Suavizamiento simple como los promedios mviles o el Suavizamiento exponencial pueden utilizarse efectiva y
econmicamente cuando el patrn histrico de los datos se puede considerar como horizontal. Sin embargo estas tcnicas pueden no ser
efectivas al manejar tendencias o patrones estacionales, como es el caso de la demanda bajo estudio, necesitndose desarrollar otras formas
de Suavizamiento para trabajar en tales situaciones, con el propsito de reducir considerablemente el error.
4.2.4 MODELOS DE SUAVIZAMIENTO EXPONENCIAL LINEAL (SUAVIZAMIENTO EXPONENCIAL DOBLE DE
HOLT)
El Suavizamiento exponencial nico es tericamente apropiado para cuando la serie presenta un patrn horizontal, es decir no tiene tendencia.
Si el Suavizamiento exponencial nico se usa con una serie de datos que contenga una tendencia consistente, los pronsticos irn a la zaga (se
retrasarn) de la tendencia. El mtodo de Suavizamiento lineal evita tal problema al reconocer explcitamente y tomar en consideracin la
presencia de una tendencia.
Cuando una serie de tiempo presenta alguna tendencia, ya sea creciente o decreciente, se puede utilizar el suavizamiento de Holt que permite
estimar por separado el valor suavizado de la serie y el cambio en la tendencia a travs del tiempo. La ilustracin 31 muestra cul es
procedimiento en SPSS para el clculo de este mtodo.
Modelo: Holt
Tendencia (Gamma)>Bsqueda de rejilla
Aceptar>Aceptar
44
agosto 2009
Ilustracin 15 Clculo del modelo de prediccin con el Mtodo de suavizamiento de Holt con SPSS
Para utilizar el mtodo de Holt se requieren dos constantes de suavizamiento, que es la constante de suavizamiento para el nivel de la serie y
la constante de suavizamiento para la tendencia de la serie. Estas dos constantes deben estar entre cero y uno. Para obtener el mejor ajuste
se obtienen estimaciones con diferentes valores de alpha y beta y la combinacin adecuada es la que produzca una menor media absoluta de
los errores (MAE) o una menor media absoluta del porcentaje de error (MAPE) .24
Los valores de las estimaciones iniciales son:
S1= X1
24 http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030006/lecciones/capitulocinco/5_2_4.html consultada el 20 de febrero de 2009.

45
agosto 2009
T1 = X2 - X1
Las proyecciones o pronsticos se obtienen con las siguientes ecuaciones:
t = ( S tSt 1 ) +(1) T t 1
T
(j)
S t = X t + ( 1 ) ( St 1 +T t1 )
(k)
Ft +m =S t +T t m
(l)
Donde:
S t equivalente del valor suavizado exponencial nico

coeficiente de suavizamiento, anlogo a
T t tendencia suavizada en la serie de datos.
m nmero de perodos a pronosticar 1,2,3
Con la ecuacin (j) podemos ver que la tendencia ms reciente, ( S t S t1 ) est ponderada por y la ltima tendencia suavizada, T t 1 ,
est ponderada por (1-). La suma de estos valores ponderados es el nuevo valor de la tendencia suavizada. Para nuestro caso es Gamma
como lo nombra SPSS y vemos que el mejor valor encontrado es 0 lo que implica que slo la ltima tendencia ser la que utilicemos.
SPSS realiza los clculos utilizando estas ecuaciones, la tabla 7 muestra la corrida de este mtodo en el que se obtuvo los siguientes
resultados:
Tabla 6 Descripcin de resultados del Modelo de suavizamiento de Holt en SPSS
Descripcin del modelo
Nombre del modelo
Serie
MOD_4
Pasajeros Corregido
Modelo de Holt
Tendencia
Lineal
Estacionalidad
Ninguno
46
agosto 2009
Estado de suavizado inicial
Pasajeros_1
67657.91096
44.17808
Nivel
Tendencia
Sumas menores de los errores cuadrticos
Serie
Pasajeros_1
Alpha (Nivel)
.10000
.20000
Gamma
(Tendencia)
.00000
.00000

3746909207855.35100
3956162450628.50300
.10000
.20000
4011466788585.11100
.30000
.00000
4167556892296.53200
.10000
.40000
4319389211935.85000
.40000
.00000
4350890080592.53700
.20000
.20000
4369386411192.39700
.50000
.00000
4499296398596.58600
.60000
.00000
4619126559500.59000
10
.10000
.60000
4621629497052.09000
Rango del modelo

1
2
Gamma
Alpha (Nivel)
(Tendencia)
gl error
.10000
.00000
3746909207855.35100
1459
Serie
Pasajeros_1
La primera tabla resume los datos del modelo ejecutado en donde explica que la tendencia aplicada es la lineal y que no hay presencia de
estacionalidad.
47
agosto 2009
La tabla de sumas menores de los errores cuadrticos son resultado de las 10 iteraciones que realiza el paquete en bsqueda de la menor suma
de cuadrados de los errores.
Vemos de la tabla de parmetros del suavizado que an el error sigue siendo alto para los parmetros ptimos encontrados por el SPSS, en
donde debemos tomar en cuenta que el paquete renombra como parmetro de nivel a alpha y en el caso de la tendencia que utilizamos para el
desarrollo terico beta a gamma.
Con respecto a la ecuacin (k) la nica diferencia entre sta y la forma anterior con respecto al suavizamiento exponencial nico ecuacin (f), es
el trmino adicional T t 1 que se suma a S t1 para ajustar los valores suavizados del patrn tendencial en la serie de datos.
Se observa que el valor S se actualiza primero, y luego se actualiza la tendencia T y para obtener un pronstico se deben sumar el componente
tendencial al valor suavizado bsico para el nmero de periodos adelantados que se va a pronosticar, como se indica en la ecuacin (l). La
ilustracin 32 muestra el clculo para la prediccin en la serie de pasajeros transportados. Observe que la prediccin presenta un crecimiento
lineal con tendencia, sin embargo el comportamiento de los datos histricos nos hace concluir que el futuro no se esperara tenga presente este
patrn. Observe la lnea verde de la prediccin.
La diferencia con el mtodo anterior es que se tom en cuenta la tendencia multiplicada por el perodo lo que nos result una ecuacin lineal
con tendencia como pronstico, sin embargo la periodicidad an no es analizada y es por tal razn necesitamos buscar un mtodo que nos
permita mejorar el modelo de prediccin por ello a continuacin analizamos un mtodo en el que toma ya en cuenta este hecho.
Los residuales de un ajuste deben siempre distribuirse aleatoriamente, sin ninguna apreciable direccin. Si los residuales de algn modelo
mostrasen algn patrn, el modelo sera inadecuado. Los residuales de la ilustracin 33 no muestran una gran variabilidad lo que revalidan la
necesidad de ajustar el modelo.
4.2.5 MODELOS DE SUAVIZAMIENTO EXPONENCIAL DE WINTER

Otra forma til de suavizamiento la desarroll Winters a principios de la dcada de 1960. Este mtodo genera resultados semejantes a los del
suavizamiento exponencial lineal segn se ha analizado, pero tiene la ventaja extra de ser capaz de manejar datos estacionales junto con datos
que tengan una tendencia. El suavizamiento exponencial lineal y estacional de Winters se basa en tres ecuaciones, cada una de las cuales
suaviza un factor asociado con uno de los tres componentes del patrn, tal como aleatoriedad, tendencia y estacionalidad. En este aspecto es
48
agosto 2009
semejante al suavizamiento exponencial lineal, el cual suaviza lo aleatorio y ajusta lo tendencial. Sin embargo, el mtodo de Winters incluye un
parmetro adicional para manejar la estacionalidad. Hay tres ecuaciones de suavizamiento bsicas implicadas en el mtodo de Winters:
S t =
Xt
I t L
+ ( 1 ) ( St 1+ T t 1)
(m)
T t = (St St 1 )+ ( 1 ) T t 1
I t =
(n)
Xt
+ ( 1 ) I t L
St
(o)
En donde:
S= valor suavizado de la serie desestacionalizada.
T= Valor suavizado de la tendencia.
I=Valor suavizado del facto estacional.
L= Duracin de la estacionalidad (v. gr. nmero de meses o trimestres en un ao.)
La prediccin basada en el mtodo de Winters se calcula como
S
( t+ T t m ) I t L+m
F t+m =
(p)
Las instrucciones en SPSS son las siguientes:

Modelo: Winters
Tendencia (Gamma)>Bsqueda de rejilla
Estacional (Delta)>Bsqueda de rejilla
Aceptar>Aceptar
49
agosto 2009
Ilustracin 16 Clculo del modelo de prediccin con el Mtodo de suavizamiento de Winter con SPSS
La ilustracin 34 muestra como SPSS realiza los clculos para obtener un modelo de prediccin mediante el mtodo de Winter.
Las constantes de suavizamiento inicialmente son seleccionadas arbitrariamente, con la condicin de que estn entre cero y uno.
Se deben probar varias combinaciones de , hasta encontrar la que genere predicciones suficientemente precisas. Este es uno de los
problemas que acompaan el mtodo de Winters ya que consiste en determinar estos valores basado en el enfoque de ensayo y error siempre
buscado minimizar el error cuadrado medio (MSE) o la desviacin media absoluta (MAD).
50
agosto 2009
Este proceso fcilmente lo realiza SPSS, se observa en el cuadro de dilogos de los parmetros, la activacin de la casilla mostrar los 10
mejores modelos de la bsqueda de rejilla, significa que SPSS muestra los modelos con las combinaciones que menores suma de cuadrado de
los errores generan. Estos resultados se pueden ver en la tabla 8.
Para iniciar el proceso de suavizamiento del nivel se puede asumir que: S1 = Y o tambin se puede emplear un promedio mvil centrado de
igual longitud al perodo estacional. Para el valor inicial de la tendencia se pueden utilizar los 2L primeros datos para hacer una regresin lineal;
la pendiente ( ) es el valor inicial de la tendencia en el perodo inicial, es decir, b1 =
y adems el coeficiente de interseccin puede ser el
valor inicial del nivel, S1 = .
Se deben calcular L valores iniciales para el factor estacional, es decir uno para cada uno de los perodos que conforman el ciclo estacional;
cada uno de estos factores se obtiene dividiendo el valor observado de la variable en cada perodo por el valor de la tendencia para el
correspondiente perodo. Usando los valores iniciales para el nivel, la tendencia y cada uno de los factores estacionales, se inicia el uso de las
ecuaciones para obtener las proyecciones o pronsticos. A pesar de que este clculo es un poco extenso SPSS lo realiza de manera rpida y
precisa as la tabla 8 muestra los resultados obtenidos.
Tabla 7 Descripcin de resultados del Modelo de suavizamiento de Winter en SPSS
Nombre del modelo

Serie
Modelo multiplicativo
de Winters
Descripcin del modelo

MOD_8
1
Pasajeros Corregido
Tendencia
Lineal
Estacionalidad
Multiplicativo
Longitud del periodo estacional
Estado de suavizado inicial
ndices
estacionales
Pasajeros_1
112.35042
114.06417
1
2
3
77.49747
58.61673
51
agosto 2009
5
113.39978
111.67424
112.39719
Nivel
139940.15424
Tendencia
38.11920
Sumas menores de los errores cuadrticos
Serie
Pasajeros_1
Alpha (Nivel)
.20000
.10000
Gamma
(Tendencia)
.00000
.00000
Delta
(Estacin)
.00000
.00000
Sumas de los errores

cuadrticos
895306251962.63400
896910799840.41600
.30000
.00000
.00000
902246594634.86400
.40000
.00000
.00000
915381180572.09400
.50000
.00000
.00000
934050977934.68200
.60000
.00000
.00000
958771236312.90200
.70000
.00000
.00000
990903134087.82000
.10000
.00000
.20000
993497993259.23800
.20000
.00000
.20000
999016245426.67000
10
.30000
.00000
.20000
1009551908171.35400
Rango del modelo

1
2
Gamma
Delta
Alpha (Nivel)
(Tendencia)
(Estacin)
gl error
.20000
.00000
.00000
895306251962.63400
1453
Serie
Pasajeros_1
La tabla 8 muestra los resultados del Mtodo de Winters con SPSS, en donde se destaca un resumen del modelo indicando la existencia de
tendencia y tambin de estacionalidad 7. La tabla estado de suavizado inicial muestra los ndices de estacionalidad para los 7 das, en donde 1
52
agosto 2009
es para jueves pues recordamos que la serie inicia el 01/01/04 que es jueves. El ndice estacional ms bajo es el 4 que corresponde al da
domingo.
Con estos valores se puede calcular una serie sin estacionalidad con el simple hecho de dividir el valor de la serie original para su ndice de
estacionalidad.
La tabla anterior muestra, sumas menores de los errores cuadrticos, muestra los 10 mejores modelos obtenidos por iteracin del SPSS en el
que ubicamos el que menor suma cuadrada de los errores genere. Este resultado plasma la ltima tabla, parmetros del suavizado.
La ilustracin 35 muestra a la serie de pasajeros y la serie obtenida de la aplicacin del modelo de suavizamiento exponencial de Winters,
observamos que en el perodo de validacin existe altas diferencias con los datos reales , parece ser que an el modelo puede ser mejorado de
tal manera que permita asegurar que la prediccin obtenida vaya a reflejar menor incertidumbre del futuro, sin embargo de ello, ya al menos el
modelo toma en cuenta la periodicidad que se ha venido hablando hasta ahora.
Esto nos obliga a seguir en la bsqueda de un modelo que mejore las predicciones, por lo que a continuacin estudiaremos un modelo que toma
en cuenta por separados los patrones que se encuentran en la serie de pasajeros y nos brinda una estimacin del futuro, se deber por tanto de
igual manera encontrar mediante la suma de los errores cuadrticos si el modelo que obtengamos va mejorando.
La suma de los errores cuadrticos an es alto sin embargo mejor considerablemente con esta tcnica de prediccin el modelo y disminuy el
error. La ilustracin 36 muestra con claridad este hecho, el mtodo de Winter hasta ahora da mejores resultados.
Sumas de los errores cuadrticos de cada Mtodo de prediccin

Ingenuo
18%
4%
Promedio
33%
Exponencial nico
Holt
Winter
23%
21%
Ilustracin 17 Suma de los errores cuadrticos obtenidos con los modelos de suavizamiento exponencial.
53
4.3 MTODOS
agosto 2009
DE DESCOMPOSICIN PARA PRONSTICOS DE SERIES DE TIEMPO.
Los mtodos de suavizamiento no permiten identificar los componentes individuales del patrn bsico subyacente. Sin embargo, el patrn
global puede dividirse, o descomponerse, en subpatrones que identifiquen separadamente cada componente de la serie de tiempo.
Frecuentemente dicha descomposicin puede facilitar el proceso de prediccin y ayudar al pronosticador a entender el comportamiento de la
serie.
Los mtodos de descomposicin identifican tres componentes distintos del patrn bsico subyacente que caracterizan a las series econmicas y
empresariales. stos son los factores tendenciales, cclico y estacional. El factor tendencial, que representa el comportamiento de largo plazo de
los datos, puede aumentar, disminuir o permanecer sin cambio. La tendencia puede ser aproximada por una lnea recta, pero en ciertas
situaciones puede existir una curva exponencial o en forma de S, u otro patrn de largo plazo. El factor cclico representa las altas y bajas
causadas por las condiciones econmicas o especficas de la industria. El factor estacional se refiere a fluctuaciones peridicas de longitud
constante y profundidad proporcional, que son provocadas por circunstancias tales como la lluvia, el mes del ao, el espaciamiento de feriados y
polticas corporativas.
Resumen: Los mtodos de suavizamiento as como el de descomposicin mostraron la fcil aplicacin para encontrar un ajuste ms adecuado
a la serie original de pasajeros transportados.
El anlisis exploratorio de la serie, es punto de partida de la aplicacin de cualquier mtodo de pronstico mediante series de tiempo. Identificar
cada uno de los patrones es esencial para concluir que mtodo es el que mejor ajustara a los datos.
Los datos atpicos deben ser tratados en la fase exploratoria, debido a que estos anlisis estudian patrones pasados basndose en promedios y
un dato perdido puede afectar a la proyeccin al futuro.
El mtodo del promedio simple se aplica cuando existe un patrn horizontal, el mtodo de Holt cuando est presente el patrn tendencial y el
mtodo de Winters cuando tanto la tendencia como la estacionalidad estn presentes.
El mtodo de descomposicin permite detectar cada patrn presente en la serie de tiempo y se pueden obtener proyecciones analizando cada
descomposicin por separado.
El anlisis de la bondad del modelo que utiliza SPSS est basado en el estudio de la suma de los errores cuadrticos, que es una parte del MSD
o error medio cuadrado (EMC), estudiado en el captulo III, sin embargo, SPSS no utiliza la divisin para el nmero de datos.
54
agosto 2009
e2i
EMC= i =1
n
La comparacin de la suma de los errores cuadrticos de los mtodos aplicados en este captulo, se muestra en la ilustracin 43, en donde se
aprecia que el mtodo de Winters dio mejores ajustes para la prediccin.
Sumas de los errores cuadrticos de cada Mtodo de prediccin

4%
17%
Ingenuo
7%
31%
Promedio
Exponencial nico
Holt
Winter
22%
Descomposicin estacional
20%
Ilustracin 18 Comparacin de suma de los errores cuadrticos de los mtodos de suavizacin y descomposicin.
Estos mtodos fueron el inicio del anlisis de las series de tiempo, sin embargo, las tcnicas han ido mejorando, crendose as metodologas
ms avanzadas, el captulo siguiente se encarga de este estudio, donde se expondr la metodologa llamada de Box Jenkins mediante los
modelos ARIMA estacionales.
55
agosto 2009
56
agosto 2009
57
agosto 2009
58
agosto 2009
59
agosto 2009
60

Pronosticos

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Pronosticos

Transféré par

Droits d'auteur :

Formats disponibles

ULSA M. A.

P. Reyes / agosto 2009

Con base en la Tesis de maestra:

ULSA M. A. : PRONSTICO DE LA DEMANDA

P. Reyes / agosto 2009

ULSA M. A. : PRONSTICO DE LA DEMANDA

P. Reyes / agosto 2009

son acerca del futuro.

adecuado de la Cadena de Suministro.

(Procesos realizados como

ULSA M. A. : PRONSTICO DE LA DEMANDA

P. Reyes / agosto 2009

ULSA M. A. : PRONSTICO DE LA DEMANDA

P. Reyes / agosto 2009

sin conocer con certeza el futuro.

2.2 reas de Toma de Decisiones

Pronosticar es el arte y la ciencia de predecir los eventos futuros y las

una gran incertidumbre sobre ciertos factores.

ULSA M. A. : PRONSTICO DE LA DEMANDA

P. Reyes / agosto 2009

La bsqueda de las empresas es realizar estimaciones con respecto

al futuro y tomar decisiones con conocimiento con respecto a estas

Colocacin de fuerza de trabajo

Inversin de Planta/ Equipo

Planeacin de Fuerza de Trabajo

2.3 Base para los pronsticos

Datos histricos para proyectar el futuro en base a modelos

ULSA M. A. : PRONSTICO DE LA DEMANDA

P. Reyes / agosto 2009

No existe un tipo de pronstico que sea considerado la nica opcin

n una forma de pronosticar es la adecuada y

Pronosticar es el primer paso para fallar

Horizontes de Tiempo en Pronsticos

ULSA M. A. : PRONSTICO DE LA DEMANDA

P. Reyes / agosto 2009

Planeacin y manejo de nuevos productos, desembolsos

2.4 Aplicaciones de los Pronsticos de Demanda

Informacin necesaria para realizar el Pronstico de la Demanda

Demanda en el pasado (Tendencia)

ULSA M. A. : PRONSTICO DE LA DEMANDA

P. Reyes / agosto 2009

ULSA M. A. : PRONSTICO DE LA DEMANDA

P. Reyes / agosto 2009

2.5 Pronsticos para la Planeacin

Diferencias en Categoras de Pronsticos

La Influencia del Ciclo de Vida del Producto

ULSA M. A. : PRONSTICO DE LA DEMANDA

P. Reyes / agosto 2009

Un factor que debe considerarse cuando se desarrollen pronsticos

ULSA M. A. : PRONSTICO DE LA DEMANDA

P. Reyes / agosto 2009

Enfoques para Pronsticos

2.6 Modelos Cualitativos

Jurado de Opinin ejecutiva

ULSA M. A. : PRONSTICO DE LA DEMANDA

P. Reyes / agosto 2009

Encuestados (Grupo de personas cuyos juicios son

2.7 Mtodos Cuantitativos

Existen dos tipos de mtodos cuantitativos:

Predicen sobre la base

ULSA M. A. : PRONSTICO DE LA DEMANDA

P. Reyes / agosto 2009

ULSA M. A. : PRONSTICO DE LA DEMANDA

P. Reyes / agosto 2009