Sei sulla pagina 1di 62

SISTEMA DE PRODUCCIN

UNIVERSIDAD NACIONAL DE
SAN AGUSTN
FACULTAD DE PRODUCCIN Y
SERVICIOS
ESCUELA PROFESIONAL DE INGENIERA
INDUSTRIAL

2015

TEMA:
Metodos de
Pronosticos de la
Huayata Ticona , Jos Alvaro
Demanda

100%

Pachau Quille, Richard

100%

Sarmiento Uunco ,Juan Carlos

100%

Zuiga Quispe ,Mara Luisa

100%

INTEGRANTES:

CONTENIDO
CAPITULO I - INTRODUCCIN
1.1 Pronsticos
1.2 reas de Toma de Decisiones
1.3 Base para los pronsticos
1.4 Aplicaciones de los Pronsticos de Demanda
1.5 Pronsticos para la Planeacin
Enfoques para Pronsticos
1.6 Modelos Cualitativos
1.7 Mtodos Cuantitativos
CAPITULO II - METODOLOGA DE LOS PRONSTICOS
2.1. BREVE RESEA HISTRICA
2.2. CLASIFICACIN DE LOS ENFOQUES PARA PRONSTICOS
2.2.1.MTODOS DISCRECIONALES O CUALITATIVOS
2.2.2.MTODOS CUANTITATIVOS
2.2.3.MTODOS TECNOLGICOS
2.3. TIPOS DE MODELOS
2.4. TIPO DE PATRONES EN LOS DATOS
2.5. MEDICIN DEL ERROR EN EL PRONSTICO
2.5.1.DESVIACIN ABSOLUTA DE LA MEDIDA (MAD)
2.5.2.ERROR MEDIO CUADRADO (EMC)
2.5.3.PORCENTAJE DE ERROR MEDIO ABSOLUTO (PEMA)
2.5.4.PORCENTAJE DE ERROR MEDIO
2.6. ETAPAS DE LA SOLUCIN DE PROBLEMAS RELACIONADOS CON LOS
PRONSTICOS
CAPITULO III MODELOS DE PREDICCIN CUANTITATIVOS: MTODOS DE
SUAVIZAMIENTO Y DESCOMPOSICIN
3.1 ANLISIS EXPLORATORIO DE LAS SERIES DE TIEMPO.
3.2 MODELO DE PREDICCIN CUANTITATIVO: MTODOS DE SUAVIZAMIENTO
3.2.1 MODELOS NO FORMALES:
3.2.2 MTODOS DE PROMEDIO
3.2.3 MODELOS DE SUAVIZAMIENTO EXPONENCIAL NICOS.
3.2.4 MODELOS DE SUAVIZAMIENTO EXPONENCIAL LINEAL (SUAVIZAMIENTO
EXPONENCIAL DOBLE DE HOLT)
3.2.5 MODELOS DE SUAVIZAMIENTO EXPONENCIAL DE WINTER
3.3 MTODOS DE DESCOMPOSICIN PARA PRONSTICOS DE SERIES DE
TIEMPO.

3.4 METODO PRONOSTICOS DE DEMANDA EN BASE


CERO......................................55
3.5 METODO
NAIVE.57
3.6. METODO ANLISIS DE LOS FACTORES DEL MERCADO
58

INTRODUCCIN

CAPITULO I
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

1.1 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).
PULL

PUSH

(Procesos realizados como


respuesta a la Demanda de
los Clientes)
Nivel de capacidad

(Procesos anticipados a la
Demanda de los Clientes)
Nivel de produccin

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-manejo-inventarios/gestioncompras-manejo-inventarios2.shtml

Antecedentes
4

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.

1.2 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
Mercadotecnia
al futuro y Manufactura
tomar decisiones con conocimiento
con respecto a estas
estimaciones.
Colocacin de fuerza de trabajo

Planeacin de la produccin
Control de Inventarios
Algunas Planeacin
decisiones
importantes
Agregada

Promociones
Introduccin de Nuevos Productos

dentro de la toma de decisiones de

pronstico son:

Finanzas
Inversin de Planta/ Equipo
Planeacin de Capital

Personal
5

Planeacin de Fuerza de Trabajo


Contrataciones

1.3 BASE PARA LOS PRONSTICOS


Los pronsticos se pueden manejar en base a:
o Datos histricos para proyectar el futuro en base a modelos
matemticos.
o Prediccin del futuro subjetiva o intuitiva
o Combinacin de ambas opciones

http://www.monografias.com/trabajos53/tasa-libor/tasa-libor2.shtml
http://elauladenfrente.blogspot.com/2008_08_01_archive.html

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


para encontrar la respuesta correcta.

Ning
n
Existen ocasiones en que
una forma
pron
stico
en otras ocasiones puede no serlo.
dar
el
result
ado
correc
6
to de
lo que
suced
er en

de pronosticar es la adecuada y

Primeras Conclusiones
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.
Planeacin y manejo de nuevos productos, desembolsos
de capital, localizacin o expansin de instalaciones y la
investigacin y desarrollo.

1.4 APLICACIONES DE LOS PRONSTICOS DE DEMANDA


Corto plazo
(0-3 meses)

HORIZONTE DE TIEMPO
Mediano Plazo
Largo Plazo
(3 meses- 2 aos)
(ms de 2 aos)
7

NIVEL DE
PRONSTI
CO
REA DE
DECISIN

TCNICA
DE
PRONSTI
CO

Productos y
servicios
Individuales
Manejo de
Inventarios
Programa
de
ensamble
Final
Programa
de fuerza
de trabajo
MPS
Series de
tiempo/Registro
Lineal/Pronstico
cualitativo

Ventas Totales/
Familias de
Productos y
Servicios
Planeacin de
puestos
directivos
Planeacin de
la produccin
MPS
Procuracin
Distribucin

Regresin
Lineal/Pronstico
Cualitativo

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

1.5 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


9

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-y-servicios/2007/04/24/creacion-de-empresase-innovacion-a-traves-del-ciclo-de-vida/print/

10

1.5.1 Enfoques para Pronsticos


MODELOS DE DECISIN
PARA PRONSTICOS

Pronsticos
Cuantitativos

Pronsticos Cualitativos

Modelos Matemticos

Aspectos subjetivos

Datos Histricos

Intuicin, emociones, experiencias


Sistema de Valores

1.6 Modelos Cualitativos


Jurado de Opinin ejecutiva
o
o
o
o
o

Ejecutivos experimentados de diversos departamentos.


Opinin de pequeo grupo de ejecutivos de alto nivel.
Grupo interdisciplinario.
Combinacin con modelos estadsticos.
Un estimado del grupo sobre la demanda.

Encuesta a la Fuerza de Ventas


o
o
o

Cada vendedor realiza un estimado de ventas por regin.


Se combinan por zonas y se maneja un pronstico global.
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).
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
11

o
o

Liga la estimacin de las ventas futuras de un producto con el


conocimiento de las ventas de un producto similar.
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.
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

Predicen sobre la base


que el futuro est en
funcin del pasado.
Estn expresados en
nocin matemtica.

12

Se incorporan al
modelo las variables o
factores que pueden
influenciar la cantidad
que se pronostica.

http://www.scielo.org.co/scielo.php?pid=S0121-47722008000100007&script=sci_arttext

SERIE DE TIEMPO

http://www.uiah.fi/projects/metodi/290.htm
MODELO CAUSAL

13

MARCO TERICO

CAPITULO II
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
2.1

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

BREVE RESEA HISTRICA


14

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.
Esta inquietud no solo se convierte en curiosidad,
pues conociendo el futuro es posible adaptar nuestras
Ilustracin 1 Pronstico
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.1
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
1
15

una mayor difusin. El 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.
2.2

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. 2
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.

2
16

2.2.1 MTODOS DISCRECIONALES O CUALITATIVOS

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. 3
2.2.2 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,
Mtodo cuantitativo
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
mediante la aplicacin de tales relaciones al futuro.
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.
3
17

2.2.3 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).
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
Loewy 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.Con
frecuencia se da una situacin en que
gradualmente habr ms y ms nuevos
impactos.
Entales
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.
http://www2.uiah.fi/projekti/metodi/290.htm

2.3

TIPOS 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.

18

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

Determinstic
as

Son de tipo causal, establecen relacin entre la variable a


pronosticar y otras variables
Hablaremos de estos dos con mayor
detalle a continuacin.

El primer tipo de modelo de prediccin


cuantitativo, y quizs el ms comn, es
Insumo
Product
el modelo de series de tiempo
s
o
(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
Ilustracin 3 Relacin de Series de
siempre que algn patrn o combinacin de
Tiempo
patrones es recurrente a travs del tiempo.
De esta manera, al identificar y extrapolar dicho patrn, se pueden desarrollar
pronsticos para periodos subyacentes.
Proceso
Generad
or

El segundo tipo de mtodo de


prediccin cuantitativo es
explicativo (Ilustracin 14). En
Relacin
este tipo de mtodos cualquier
entre dos
variacin de los insumos afectar
Insumos
Producto
o ms
los productos del sistema de
factores
manera predecible, suponiendo
que la relacin es constante. La
primera tarea de los pronsticos
Ilustracin 4 Relacin explicativa o causal
es encontrar la relacin a travs
de la observacin de los
productos del sistema y relacionndolos con los insumos correspondientes.
Bsicamente, el mtodo explicativo supone que el valor de cierta variable (el
producto) es funcin de una o ms variables (los insumos).
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.

19

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.4

2.4

TIPO DE PATRONES EN LOS DATOS

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.
4
20

Componen
te

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 5 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.

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.

21

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
Ilustracin 6 Patrn Estacional
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.
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. La
Ilustracin 7 Patrn Cclico
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.
http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm

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.

Ilustracin 8 Patrn de tendencia de los


datos

22

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.

2.5

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 valor pronosticado de esa variable. En este trabajo los smbolos F t+1
^ t +1 se usarn para denotar el valor de la prediccin para el periodo de
o Y
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
X X2 X3
Observado 1
s
Perodo i
1 2 3
Valores
estimados

Y^ 1 Y^ 2 Y^ 3
F1 F2

X4

Xt-2

Xt-1

Ft+1 Ft+2 Ft+3


.

Pr
es
en t+
te

t-2
Y^ 4

Y^ t2

t-1

Y^ t1

Y^ t

F3

F4

Ft-2

Ft-1

Ft

Valores del e1 e2 e3
error

e4

et-2

et-1

et

Y^ t +1

t+ t+
2
3
.
^
^
Y t +2 Y t +3
.

Ft-1
t+
m
Y^ t +m

http://books.google.es/books?
id=1J3ZlgSTZ9gC&pg=PA926&lpg=PA926&dq=patron+horizontal+en+series+de+tiempo&source=web&ots=BC
YQW9hCtZ&sig=BSn2nEUXyOhptb1jZ9V9JNbS7xg&hl=es&sa=X&oi=book_result&resnum=4&ct=result#PPA924,
M1

Los elementos de la notacin mencionada se pueden mostrar utilizando la


^ i es el
informacin de la Tabla 2: X i es el valor real de la serie de tiempo, F i o Y
valor pronosticado de la serie temporal, y ei es el error, o la diferencia entre los
^ i ) de la serie de tiempo en el periodo i.
valores reales (Xi) y pronosticado ( Y
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
23

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.

2.5.1 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

2.5.2 ERROR MEDIO CUADRADO (EMC)


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:
24

e2i

EMC= i =1
n

2.5.3 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.

2.5.4 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.
n

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.
25

La medicin de la utilidad o confiabilidad de una tcnica.


La bsqueda de una tcnica ptima.
Tabla 2 Pasajeros transportados en 2007 de un corredor vial de Quito

(1)

(2)

Pasajero
s

(3)

(4)

(5)

(6)

(7)

Pronsti
co

Error

Error
Absolut
o

Erros
porcentual
absoluto

Error
cuadrtico
medio

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

Septiemb
re
Octubre

6,207

5,755

452

452

7,3%

204,304

10

6,477

6,207

270

270

4,2%

72,900

11

6,360

6,477

-117

117

1,8%

13,689

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

Noviembr
e
Diciembr
e
Suma

74,683

Media

-7

(Xi-Fi)

http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm

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.
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.
26

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.

2.6 ETAPAS
DE
LA
SOLUCIN
DE
RELACIONADOS CON LOS PRONSTICOS

PROBLEMAS

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 estn basadas en estos pronsticos, necesitan ser razonablemente
exactos. Los mtodos de series de tiempo son los que se usan con ms frecuencia
27

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.
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.
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.

28
Ilustracin 9 Metodologa para encontrar
un modelo que permita predecir.

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.
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.
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.

29

CAPITULO III
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.

30

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.

3.1 ANLISIS 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. 5 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.

3.2 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.
5
32

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.

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.

33

Ilustracin 10 Modelos de prediccin mediante suavizamiento exponencial

34

3.2.1 MODELOS NO FORMALES:


t

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

3.2.2 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)

(2)

(3)

(4)

(5)

Perodo

Demanda
Observada

Promedio
mvil
trimestral

Promedio mvil
pentamensual

ENERO

6,341,394

FEBRERO

5,693,328

MARZO

6,508,453

ABRIL

6,170,858

2007
Mes

35

(6,341,394+5,693,328+6,50

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

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
N

SE
PT
IE
M
BR
E

LI
O
JU

M
AY
O

O
M
AR
Z

EN
ER
O

5,600,000

Ilustracin 11 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:
t
X t + X t 1 + + X t N +1 1
Ft +1=S t=
=
X
N
N i =t N +1 i

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.

37

(a)

Tabla 4 Clculo del los errores obtenidos mediante el mtodo de promedios


mviles

PROMEDIO MVIL
TRIMESTRAL

Deman
da
Observ
ada
6,341

5,693

6,508

6,171

6,181

6,562

6,124

6,168

6,414

6,176

6,300

5,755

6,302

6,207

6,033

10

6,477

6,046

11

6,360

6,146

Per
odo

12

Demand
a
Pronosti
cada

er
ro
r

error
absol
uto

error
al
cuadra
do

10
43
7
24
5
12
4
54
7
17
4
43
1
21
4

10

104,047

437

191,252
,281

245
124
547

60,221,
160
15,303,
339
299,742
,380

PROMEDIO MVIL
PENTAMENSUAL
Demand
a
pronosti
cada

er
ro
r

error
absol
uto

6,255

87

87

6,220

44

44

6,317

56
3

563

-41

41

1,672,5
81

304

92,241,
100

203

41,339,
754

174

30,322,
998

6,166

431

185,949
,538

6,174

214

45,671,
679

6,157

6,348

30
4
20
3

error al
cuadra
do

7,551,2
62
1,934,3
64
316,424
,475

6,195

suma

33
0

2,183

828,567
,423

14
5

1,241

461,163
,537

media

-41

273

103,570
,928

18

155

57,645,
442

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 .

38

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.

3.2.3 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 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

39

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

Ft +1=F t +(e t )

(g)

(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

40

Ilustracin 12 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 (0.1) proporciona un
Suavizamiento considerable.
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.
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

Rango del
modelo
1

Alpha
(Nivel)
.00000

.10000

.20000

.30000

.40000

41

Sumas de los errores


cuadrticos
4856,087,254,199.12
000
5044909144667.6900
0
5363721301989.9400
0
5660141235867.1900
0
5914763276965.5600

.50000

.60000

.70000

.80000

10

.90000

0
6122248837379.3000
0
6292367209369.6700
0
6444663320070.6100
0
6600432002495.7300
0
6777085518538.4200
0

Parmetros del suavizado

Alpha
Sumas de los errores
(Nivel)
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.
Serie
Pasajeros_1

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 )

(i)

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.

3.2.4 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.

42

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.
Analizar>Series
temporales>Suavizamiento
exponencial
Variables: Pasajeros_1
Modelo: Holt
Parmetros: General (Alfa)>Bsqueda de rejilla.
Tendencia (Gamma)>Bsqueda de
rejilla
Aceptar>Aceptar

Ilustracin 13 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) .
Los valores de las estimaciones iniciales son:
S1= X1
T1 = X2 - X1

43

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 )
T t 1 , est
est ponderada por y la ltima tendencia suavizada,
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
1

MOD_4
Pasajeros Corregido

Modelo de Holt

Tendencia

Lineal

Estacionalidad

Ninguno

Estado de suavizado inicial

Nivel
Tendencia

Pasajeros_1
67657.9109
6
44.17808

44

Sumas menores de los errores cuadrticos

Serie
Pasajeros_1

Rango del
modelo
1
2

Alpha
(Nivel)
.10000
.20000

Gamma
(Tendencia)
.00000
.00000

Sumas de los errores


cuadrticos
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

Parmetros del suavizado

Serie
Pasajeros_1

Alpha
(Nivel)
.10000

Gamma
(Tendencia)
.00000

Sumas de los errores


cuadrticos
3746909207855.35100

gl error
1459

A continuacin, se muestran los parmetros con las sumas menores de errores cuadrticos.
Estos parmetros se utilizan para pronosticar.

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.
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

45

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.

3.2.5 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 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)

T t = (St St 1 )+ ( 1 ) T t 1
I t =

Xt
+ ( 1 ) I t L
St

(m)
(n)
(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

46

t+
T
(
t m )I t L+m
F t+m =

(p)

Las instrucciones en SPSS son las siguientes:


Analizar>Series
temporales>Suavizamiento
exponencial
Variables: Pasajeros_1
Modelo: Winters
Parmetros: General (Alfa)>Bsqueda de rejilla.
Tendencia (Gamma)>Bsqueda de
rejilla
Estacional (Delta)>Bsqueda de
rejilla
Aceptar>Aceptar

Ilustracin 14 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

47

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).
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

Descripcin del modelo


MOD_8
1
Pasajeros Corregido
Tendencia
Lineal

Nombre del modelo


Serie

Modelo
multiplicativo de
Estacionalidad
Winters
Longitud del periodo estacional

Multiplicativo
7

Estado de suavizado inicial

ndices
estacionales

1
2

Pasajeros_1
112.35042
114.06417

77.49747

58.61673

113.39978

111.67424

112.39719
139940.154
24
38.11920

Nivel
Tendencia

48

Sumas menores de los errores cuadrticos

Serie
Pasajeros_1

Rango del
modelo
1
2

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

.30000

.00000

.20000

999016245426.67000
1009551908171.3540
0

10

Parmetros del suavizado

Alpha
Gamma
Delta
Sumas de los errores
(Nivel)
(Tendencia)
(Estacin)
cuadrticos
gl error
.20000
.00000
.00000
895306251962.63400
1453
A continuacin, se muestran los parmetros con las sumas menores de errores cuadrticos.
Estos parmetros se utilizan para pronosticar.

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 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

49

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 15 Suma de los errores cuadrticos obtenidos con los modelos de


suavizamiento exponencial.

3.3 MTODOS
DE
DESCOMPOSICIN
PRONSTICOS DE SERIES DE TIEMPO.

PARA

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.

50

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.
n

e 2i

EM C= 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%

Promedio

31%

Exponencial nico
Holt
Winter

22%

Descomposicin estacional
20%

Ilustracin 16 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

51

expondr la metodologa llamada de Box Jenkins mediante los modelos


ARIMA estacionales.

52

53

54

55

3.4

PRONOSTICOS DE DEMANDA EN BASE CERO

Definicin del Presupuesto Base Cero


Consiste en revaluar cada uno de los programas y gastos, partiendo
siempre de cero; es decir se elabora como si fuera la primera operacin de
la empresa, y se evala y justifica el monto y necesidad de cada rengln del
mismo. Se olvida del pasado para planear con plena conciencia el futuro.
Es el proceso de realizar un presupuesto basado nicamente en las
expectativas para el ao siguiente, sin referencias a los aos anteriores, sin
base de datos histricos; tambin en nuevas operaciones que sean
diferentes a las habituales de la empresa. Cuando las empresas estn
gastando ms de lo necesario o desmesuradamente, se elabora el
presupuesto base cero, para reorientar los recursos con mayor efectividad.
El proceso base cero proporciona informacin detallada sobre el dinero que
se necesita para lograr los resultados deseados, enfoca la atencin hacia el
capital necesario para los programas en lugar de enfocarse hacia el
porcentaje de aumento o reduccin del ao anterior.
El presupuesto base cero proporciona un medio para poder identificar y
evaluar eficazmente las actividades y los problemas correspondientes para
poder tomar decisiones y las medidas para resolver los problemas y asignar
y aprovechar los recursos en forma eficaz.
Tambin se considera una herramienta tcnica presupuestal mediante la
cual se revalan cada ao todos los programas y gastos, siempre a partir de
cero, como si fuera la primera operacin. Es decir, se olvida el pasado para
planear el futuro con plena conciencia de que cada partida es indispensable
y que su importe est soportado y justificado de manera ntegra.
Diferencias con el Presupuesto Pblico
El presupuesto de una nacin llamado generalmente presupuesto fiscal o
presupuesto pblico, toma en consideracin los datos histricos de aos
anteriores. Es una estimacin de los ingresos del Estado durante un periodo
(casi siempre de un ao) y de los egresos o gastos que efectuar el sector
pblico. Es un documento que ofrece, junto a las cifras consolidadas de
todas las actividades del sector pblico, una relacin detallada de los
ingresos y egresos de cada uno de los entes dependientes del estado
(ministerios, institutos autnomos, corporaciones y otros). Cada uno de los
entes prepara su presupuesto y luego se integra. En ellos se especifica:
La inversin. (Gasto de Inversin), El gasto corriente. (Sueldos, Salarios,
Mantenimiento, Materiales, etctera); El servicio de deuda. (Amortizacin
del capital y pago de intereses); La compras de bienes y servicios. El Gasto
social.
El Presupuesto Pblico, es esencialmente una autorizacin de gastos y una
estimacin de ingresos para un periodo determinado que se denomina
ejercicio fiscal. El presupuesto pblico es fundamentalmente una ley que
cada ao aprueba la Cmara Baja4, sobre este punto se presentan algunas
divergencias que pretenden definir el presupuesto en tres formas:
1) Como una ley.
2) Como una ley que es a la vez una operacin administrativa, segn se
refiera a los ingresos y a los gastos.
3) Como un acto administrativo, nunca una ley, trtese de ingresos o gastos
de la Nacin.

56

El Proceso de Base Cero en


Comparacin con Otros Sistemas
de Planeacin y Presupuestacin
El proceso de base cero rene
diversas tcnicas de planeacin y
control que ya se utilizan, entre
las que figuran el anlisis
incremental, el establecimiento
de objetivos o metas, el anlisis
de alternativas, el anlisis costobeneficio, la evaluacin del
rendimiento y la presupuestacin
por rubro. El de base cero integra
estas tcnicas dentro de un marco sistemtico.
En los medios gubernamentales e industriales de hoy se utilizan diversos
sistemas de presupuestacin. El que ms se emplea es la presupuestacin
incremental o tradicional, que toma como base el presupuesto existente y
analiza a partir de ah las adiciones y substracciones. Otros enfoques de la
presupuestacin que tienen algunos de los elementos del sistema de base
cero son: la planeacin programacin-presupuestacin (PPP), la
presupuestacin del rendimiento, la presupuestacin de proyectos, la
presupuestacin flexible y ciertos anlisis de planeacin. La diferencia
esencial entre la presupuestacin incremental o tradicional y la base cero es
que esta ltima no toma como base el presupuesto del ejercicio anterior.
METODOS DEL PRESUPUESTO EN BASE CERO
Piramidal
Este mtodo se caracteriza por ser un mtodo formal cuya gua son datos
analticos del pasado y cuya base son los compromisos cliente-entidad,
siendo de la misma naturaleza los presupuestos parciales a que se llegan,
los cuales deben concentrarse para obtener el sumario de ventas.
Base Cero
Los vendedores son instruidos y requeridos para formular analticamente su
estimacin de ventas en unidades, por cliente, zona, o lnea de producto.
Para ellos es necesario proveerlos con informacin pasada que les sirva de
gua en la elaboracin de este presupuesto.
Funcin de la Demanda (Factores Sectoriales)
Fue desarrollada por los autores W. Rautenstrauch y R.Villers con base en
una frmula que partiendo de los promedios de consumo, identificadas y
particularizadas por sectores econmicos, las actualiza y proyecta a travs
de factores especficos de ajuste y de influencia desde los puntos de vista
econmico y administrativo.

3.5

METODO NAIVE

En general, y aplicado a mltiples contextos, es frecuente denominar como


nave (ingenuo) a aquel procedimiento de prediccin que repite de forma
mecnica un comportamiento pasado. De hecho, gran parte de las tcnicas

57

que examinamos en esta Unidad se pueden calificar de nave.


Por ejemplo, el conocido como modelo nave I realiza prediccin asumiendo
que el valor futuro (en el perodo t + 1) de una variable (es decir, el valor
predicho,
) coincide con el valor actual (el valor de la variable en el
momento t), es decir:
Una versin alternativa, conocido como modelo nave II, asumira no la
igualdad del valor, sino del incremento, es decir:
Obviamente, se trata de procedimientos muy simples, por lo que se puede
utilizar como prediccin el valor medio de un perodo, en lugar de slo el
ltimo:
Sin embargo esto slo sera aconsejable cuando la variable o serie no
tuviese tendencia, sino que oscilase aleatoriamente entorno a la media. En
ese caso, la media es el valor ms probable de prediccin.
Como la mayor parte de las series econmicas presentan tendencia
(pinsese en una serie como el PIB, que ms all de cadas puntuales,
muestra tendencia ascendente a lo largo del tiempo), se pueden elaborar
alternativas igualmente ingenuas. Una primera consiste aadir en el
modelo nave I un trmino de tendencia, dada una tasa de crecimiento
constante, es decir:
Una segunda opcin consiste en eliminar la tendencia de la serie, predecir la
nueva serie y posteriormente aadir la tendencia. Para ello suele ser
suficiente con calcular la primera diferencia de la serie, es decir, si
representa la serie en diferencias, se trata de calcular para cada momento
de tiempo la expresin:
En todo caso, si trabajamos con medias aritmticas como predictor
aplicadas a la serie en incrementos, estaramos utilizando la media de los
incrementos, que es igual al recorrido de la serie en niveles (primer valor
menos ltimo), dividido por el nmero de perodos. Es decir:

Con lo que para predecir el incremento en la serie se actuara:

de forma que la prediccin de la serie en niveles adoptara la expresin:

En todo caso, la prctica operativa de este procedimiento exigira calcular,


perodo a perodo, la media de los incrementos en los valores de la serie
para todo el perodo muestral para actualizar la prediccin. Ello introduce,
adems de falta de economicidad, dos problemas: por una parte cuando el
perodo muestral es muy extenso se corre el riesgo de que cambios
estructurales (es decir, cambios sustanciales en el comportamiento del
fenmeno) acontecidos en un momento determinado no queden reflejados
correctamente, puesto que el valor de prediccin se forma con todo el

58

perodo muestral y no slo con los ms recientes. Un segundo problema,


ms importante con perodos muestrales cortos, hace referencia a la
estacionalidad: algunas series econmicas presentan valores atpicos (por
exceso o por defecto) en determinados perodos del ao. Por ejemplo, la
produccin industrial cae de forma muy relevante en agosto. A la hora de
predecir el valor de tal serie en un mes como septiembre, la inclusin de un
mes como agosto en el clculo de la media, puede infravalorar el valor de
prediccin. Por todo ello, es ms frecuente utilizar la tcnica conocida como
medias mviles.
http://www.uam.es/docencia/predysim/predysim/2_3_we1.ht
3.6. ANLISIS DE LOS FACTORES DEL MERCADO
Muchas veces la demanda futura de un producto se relaciona con el
comportamiento de ciertos factores del mercado. De ser as, podemos
pronosticar las ventas futuras estudiando dicho comportamiento. En
esencia, el anlisis de los factores del mercado consiste en determinar
cules son esos factores y en medir luego sus relaciones con la actividad de
ventas.
Para utilizar bien este tipo de anlisis se requiere1) seleccionar los factores
apropiados del mercado y 2) reducirlos al mnimo. Cunto ms sean los
factores, mayores probabilidades habr de estimaciones errneas y ms
difcil ser precisar cunto influye cada uno en la demanda.
Podemos traducir el comportamiento de los factores del mercado aplicando
los mtodos estadsticos conocidos como metodo de derivacin directa y
el llamado anlisis de correlacin (Si desea informacin sobre estos
mtodos consulte un libro de estadstica)
Encuesta de las intenciones del comprador
El aspecto fundamental de la encuesta de las intenciones del comprador
consiste en preguntarle a una muestra de clientes actuales o potenciales
cunto comprarn de un producto, a determinado precio, durante cierto
periodo futuro. Algunas compaas mantienen grupos de consumidores que
utilizan en esas encuestas. Tambin se valen de paneles de consumidores
para conocer su opinin sobre ideas de productos nuevos, precios y otras
caractersticas del producto. A los vendedores puede pedrseles que
entrevisten a los consumidores respecto a sus intenciones futuras de
compra. Sin embargo, de acuerdo con un estudio, los entrevistadores
profesionales son ms eficientes y baratos cuando se desea llevar a cabo
una encuesta sobre las intenciones de compra.
A veces es difcil seleccionar una muestra representativa de los
compradores potenciales. En el caso de muchos productos de consumo se
requiere una muestra bastante numerosa. De ah que la encuesta sea un
mtodo costoso respecto al dinero y al tiempo que se le invierte.
Este mtodo puede pronosticar la demanda con exactitud cuando 1) hay
relativamente pocos compradores en el mercado meta, 2) stos estn
dispuestos a manifestar su intencin de compra y 3) su historial muestra
una relacin constante entre el comportamiento de compra y sus

59

intenciones expresadas.
Pruebas de mercado
En las pruebas de mercado, una empresa vende un nuevo producto en una
rea geogrfica limitada, mide las ventas y luego a partir de esa muestra,
proyecta las ventas en una zona ms amplia. Es una tcnica que sirve para
determinar si existe suficiente demanda para un nuevo producto. Tambin
sirve de criterio para evaluar sus caractersticas y otras estrategias de
marketing.
Anlisis de ventas anteriores y de tendencias
Un mtodo muy comn de pronstico, se basa enteramente en las ventas
anteriores. Lo utilizan los detallistas cuya finalidad principal es superar las
cifras del ao pasado. En el anlisis de ventas anteriores, el pronstico de
la demanda no es ms que un simple incremento porcentual aplicado al
volmen obtenido en el ao anterior o al volumen promedio de algunos
aos precedentes.
Es una tcnica simple, barata y fcil de aplicar. Las ventas anteriores
pueden emplearse para predecir el volmen de ventas en el caso de una
empresa que opere en un mercado estable, donde su participacin ha
permanecido constante durante varios aos. Sin embargo, pocas son las
compaas que trabajan en ambientes inalterados, lo cul hace que ste
mtodo sea poco confiable.
Un anlisis de tendencias tambin se funda en datos referentes a las ventas
anteriores, pero es una tcnica de pronstico ms complicada. Un tipo es la
proyeccin de ventas a largo plazo, generalmenta calculado por una tcnica
estadstica denominada regresin. La complejidad estadstica del anlisis de
tendencias a largo plazo no compensa la debilidad intrnseca de
fundamentar las estimaciones futuras exclusivamente en la actividad
pasada de ventas.
Un segundo tipo del anlisis requiere una proyeccin a corto plazo, que
utiliza un ndice estacional de ventas. El anlisis de tendencias a corto plazo
ser aceptable, si las ventas siguen un patrn estacional confiable.
Participacin de la fuerza de ventas
Este mtodo de abajo a arriba sirve para pronosticar las ventas o estimar el
potencial del mercado. En el pronstico de ventas, la participacin de la
fuerza de ventas consiste en recabar las estimaciones de todos los
vendedores referentes a los territorios en el periodo futuro en cuestin. La
suma de sus estimaciones contituye el pronstico de ventas de la empresa.
Este mtodo genera pronsticos precisos si los vendedores son personas
competentes y bien informadas. As, ser ms adecuado aplicarlo a las
ventas de grandes generadores elctricos, que a los vendedores de
pequeos motores de uso general. Es un mtodo que aprovecha el
conocimiento especializado de los vendedores acerca de su mercado. Este
mtodo puede tener como limitaciones el tiempo de los vendedores y las

60

expectativas que estos tengan sobre la recompensa de elaborar este


pronstico.
Juicio de los ejecutivos
Consiste en recabar opiniones de uno o ms ejecutivos acerca de las ventas
futuras. Un mtodo de este tipo, es el conocido como Delfi, que comienza
con un grupo de conocedores que de modo annimo estiman las ventas
futuras. Cada uno realiza una prediccin sin que sepa como respondieron los
dems miembros del grupo. Despus se resumen las estimaciones y el
promedio se da a conocer a los participantes junto con la serie de
pronsticos.
Una ventaja de este mtodo es que impide que una persona influya en la
otra, pero tiene la desventaja de que los participantes pueden carecer de
informacin necesaria en la cual fundamentar su juicio.
http://www.cca.org.mx/cca/cursos/administracion/artra/comerc/planes/8.2.1/
metodos.htm#anfact
Modelos autorregresivos
Definimos un modelo como autorregresivo si la variable endgena de un
perodo t es explicada por la s observaciones de ella misma
correspondientes a perodos anteriores aadindose, como en los modelos
estructurales, un trmino de error. En el caso de procesos estacionarios con
distribucion normal, la teora estadstica de los procesos estocsticos dice
que, bajo determinadas condiciones previas, toda Yt puede expresarse como
una combinancin lineal de sus valores pasados (parte sistemtica) ms un
trmino de error (innovacin).
Los modelos aotorregresivos se abrevian con la palabra AR tras la que se
indica el orden del modelo: AR(1), AR(2),....etc. El orden del modelo expresa
el nmero de observaciones retasadas de las series temporales analizadas
que intervienen en la ecuacin. As, por ejemplo, un modelo R(1) tendra la
siguiente expresin:

El trmino de error de los modelos de este tipo se denomina generalmente


ruido blanco cuando cumple las tres hiptesis bsicas tradicionales
mencionadas al principio del texto:
-media nula
-varianza constante
-covarianza nula entre errores correspondientes a observaciones diferentes
La expresin genrica de un modelo autorregresivo, no ya de un AR(1) sino
de un AR(p) sera la siguiente:

Pudindose escribir de forma abreviada como:

Donde p(L) es lo que se conoce como operador polinomial de retardos

61

y donde, a su vez, el trmino L es lo que se conoce como operador retardo


tal que, aplicado al valor de una variable en t, d como resultado el valor
de esa misma variable en t-1:
y aplicado sucesivamente p veces retarda el valor en p perodos
Normalmente, se suele trabajar con modelos autorregresivos de rdenes
bajos: AR(1) o AR(2), o bien con rdenes coincidentes con la periodicidad de
los datos de la serie analizada (si es trimestral AR(4), si es mensual
AR(12)....).
https://www.uam.es/personal_pdi/economicas/anadelsur/pdf/Box-Jenkins.PDF

62