ERROR DEL PRONSTICO

Habiendo dominado esta variedad de mtodos de pronsticos, creemos necesario

establecer algunos criterios para la eleccin del mtodo ms apropiado. Lo primero que
debemos preguntarnos es para qu lo utilizaremos? Si se trata de un fundamento para la
toma de una decisin poco importante, probablemente lo mejor sea utilizar los mtodos
ms simples y que requieran de la menor cantidad de informacin. Pero si la base de una
decisin compartida o que deba ser evaluada por otros, habr que buscar un equilibrio
entre un mtodo sofisticado y ms preciso, y uno ms simple pero ms fcilmente
entendible por todos.1
Para ello se introduce el concepto error que bsicamente mide la diferencia entre el valor
real y el valor pronosticado para un perodo especfico. Realizar la estimacin de este se
puede utilizar para varios propsitos como:

Fijar inventarios o capacidad de seguridad y garantizar as el nivel deseado de

proteccin.
Observar indicadores de demanda errticas que deben evaluarse con cuidado y
quizs eliminar los datos.
Para determinar cuando el mtodo de pronsticos no representa ya la demanda
actual y es necesario volver a partir de cero.

Definamos formalmente el error de un pronstico

e t como:

e t=Dt F t
Donde

Dt

es la demanda (o valor) real u observada en el periodo t, y

Ft

es la

demanda (o valor) pronosticada del mismo periodo.

Presentamos a continuacin maneras cuantitativas de evaluar un mtodo en funcin al
error, partiendo de la base que se busca obtener los menores errores posibles:
Desviacin media absoluta (MAD): Mide la dispersin del error de pronstico o dicho de
otra forma, la medicin del tamao del error en unidades. Es el valor absoluto de la
diferencia entre la demanda real y el pronstico, dividido sobre el nmero de periodos.
n

MAD=

1
|e |
n t =1 t

Donde n es la cantidad de datos disponibles desde el inicio del clculo del pronstico.

Error cuadrtico medio (MSE): Al igual que la MAD, es una medida de dispersin del
error de pronstico, sin embargo esta medida maximiza el error al elevar al cuadrado,
castigando aquellos periodos donde la diferencia fue ms alta a comparacin de otros. En
consecuencia, se recomienda el uso del MSE para periodos con desviaciones pequeas.

MSE=

1
(e )2
n t=! t

Donde n es la cantidad de datos disponibles desde el inicio del clculo del pronstico.

Error porcentual medio absoluto (MAPE): El MAPE nos entrega la desviacin en

trminos porcentuales y no en unidades como las anteriores medidas. Es el promedio del
error absoluto o diferencia entre la demanda real y el pronstico, expresado como un
porcentaje de los valores reales.

MAPE=

||

n
et
1

n t =! Dt

Donde n es la cantidad de datos disponibles desde el inicio del clculo del pronstico.
Seal de Rastreo (Tracking Signal o TS): es una medida de desempeo que permite
medir la desviacin del pronstico respecto a variaciones en la demanda. Anlogamente
se puede interpretar como el nmero de MAD (Desviacin Media Absoluta) que el
pronstico est sobre o bajo la demanda real.
n

et

TS= t=1
MAD
Para que una seal de rastreo sea un indicador eficiente de error en el pronstico debe
compararse con lmites preestablecidos de control. S la seal de rastreo excede los
lmites de control ser un
indicador de que algo anda
mal con el pronstico.
Usualmente se considera
como lmites aceptables una
Seal de Rastreo que vara
en el rango de [-4,4] MAD,
siempre y cuando los errores
se comporten siguiendo una
distribucin
normal.
La
siguiente tabla nos indica el
porcentaje del rea de una
distribucin normal de media
cero cubierta en el rango

# de MADs.

Para una correcta interpretacin de estos mtodos consideremos los siguientes

pronsticos de ventas, desarrollados en regresin lineal y suavizacin exponencial,
determinaremos cul de estos metodos es ms preciso:

Pronsticos
Periodos mensuales

5
6
7
8
9

Mayo
Junio
Julio
Agosto
Septiembre

Periodos
mensuales

100
120
130
120
140

Demand
a

5
6

Mayo
Junio

Julio

Agosto

Deman
da

Septiembr
e

Tenemos que
n

Suavizaci
n
exponenci
al
110
107
110,9
116,63
117,641

SUAVIZACION EXPONENCIAL
2
Pronostic
|e t|
(et )
o

||

110

10

100

120

107

13

169

130

110,9

19,1

364,81

120

116,63

3,37

11,3569

140

117,641

22,359

499,924881

TOTAL

67,829

1145,091781

1
67,829
MAD= |e t|=
=13,565
n t =1
5

106
114
122
130
138

et
Dt

100

n=5

Regre
sin
Lineal

0,1
0,10833333
3
0,14692307
7
0,02808333
3
0,15970714
3
0,54304688
6

et

-10
13
19,1
3,37
22,359
47,829

MSE=

1
=229,018
( e ) 2= 1145,091
n t=! t
5

MAPE=

||

n
e t 0,5430
1
=
=0,1086=10,86

n t =! Dt
5

et

TS= t=1 =
MAD

47,829
=3,526
5

Regresin Lineal
Periodos mensuales

5
6
7
8
9

Mayo
Junio
Julio
Agosto
Septiembre

Tenemos que

n=5

1
32
MAD= |e t|= =6,4
n t =1
5
n

MSE=

1
2 240
et ) =
=40

(
n t=!
5

Demand
a
100
120
130
120
140

Pronostico

|e t|

(et )

106
114
122
130
138
TOTAL

6
6
8
10
2
32

36
36
64
100
4
240

||
et
Dt

0,06
0,05
0,06153
0,0833
0,0143
0,2691

et

-6
6
8
-10
2
0

||

n
e t 0,2691
1
=
=0,0538=5,38

n t =! Dt
5

MAPE=

et

0
TS= t=1 =
=0
MAD 6,4
Para ambos metodos de pronosticos la seal de rastreo nos indica que estan dentro de
los limites comumente aceptables, por lo que ambos son pronosticos consistentes, sin
embargo, el metodo de suavizacion esta entregando predicciones sobreestimadas.
Partiendo de la premisa que buscamos los menores errores posibles, la regresion lineal
resulta mas eficaz para explicar el comportamiento del pronostico de venta ( para este
problema ) segun lo demuestran la MAD, MSE y MAPE, la dispercion de los errores es
siginificativamente menor a los arrojados por la suavizacion exponencial.
En este ejercicio hallamos los indicadores para el mes de septiembre, de igual forma
podemos aplicar estos modelos mes a mes, y asi obtener un fundamento mas acertado a
la hora de tomar desiciones. Es importante utilizar una tcnica de estimacin del error
comn, y no utilizar medidas propias, ya que en general las medidas propias hacen que
se pierda objetividad en el anlisis.
La mayora de los criterios de seleccin del modelo intentan determinar que ste tenga el
mnimo error cuadrtico medio una etapa fuera de la muestra. Los criterios que
examinaremos ahora se apegan a este mtodo general; las diferencias entre ellos
equivalen a asignar distintas penalizaciones a los grados de libertad usados en la
estimacin del modelo (esto es la cantidad de parmetros estimados). Debido a que todos
los criterios son en realidad estimadores del error de prediccin Cuadrtico promedio
fuera de la muestra, y tienen orientacin negativa, entonces cuanto ms pequeo es
mejor.
La idea es que si se desea obtener un estimador exacto de la varianza del error de
prediccin a un paso fuera de la muestra, se necesita penalizar la varianza de los
Residuales dentro de la muestra (el ECM) para reflejar la cantidad de grados de libertad
usada. Hay dos criterios de este tipo muy importantes, que son el criterio de informacin
de Akaike (CIA) y el criterio de informacin de Schwarz (CIS). Sus ecuaciones son:
N

( )
( )
e2t

CIA=Ln

t =!

2k
N

k ln ( N)
N

e2t

CIS=Ln

t =!

Donde:

k =Los grados de libertad usados en el ajuste del modelo , que son simplemente la cantidad de
parametro s .
Aunque el criterio Akaike penaliza los grados de libertad sigue siendo inconsistente, pues
este criterio tiende a seleccionar modelos que son demasiados grandres o
sobreparametrizados, pero es Un criterio de seleccin de modelo asintticamente
eficiente, es decir, elige, a medida que aumenta el tamao de la muestra, una serie de
modelos cuyas varianzas del error de pronstico a un paso tienden a la que se obtendra
con el modelo verdadero, con parmetros conocidos. Sin embargo, el de Schwarz, que
penaliza con maxima intesidad los grados de libertad, si es consistente pero no es
asintticamente eficiente.
En la practica de los pronosticos se regitran y examinan los criterios de Akaike y de
Schwarz. Con mucha frecuencia es el mismo modelo el que selecciona con ambos. Pero
cuando no es asi y a pesar de la propiedad terica de eficiencia asinttica del criterio de
Akaike, muchos autores recomiendan usar el modelo de Schwarz.