Pronos Ticos

Métodos de Pronósticos Verónica M./ P.
Reyes agosto 2009
Administración
de operaciones
Métodos de Pronósticos
Dr. Primitivo Reyes Aguilar / agosto

2009
Con base en la Tesis de maestría:

“ANÁLISIS Y PREDICCIÓN DE LA DEMANDA FUTURA DE TRANSPORTE DE
PASAJEROS: APLICACIÓN AL ESTUDIO DE UNO DE LOS CORREDORES DE
TRANSPORTE TERRESTRE DE PASAJEROS EN QUITO, ECUADOR, PARA
MEJORAR SU CALIDAD DEL SERVICIO”.
UIA - MIC
VERÓNICA MARIANELA VARELA CHAMORRO
1
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
CAPITULO II INTRODUCCIÓN................................................................................................... 3
2.1 Pronósticos ........................................................................................................................ 3
2.2 Áreas de Toma de Decisiones ........................................................................................... 5
2.3 Base para los pronósticos .................................................................................................. 6
2.4 Aplicaciones de los Pronósticos de Demanda ................................................................... 7
2.5 Pronósticos para la Planeación .......................................................................................... 9
Enfoques para Pronósticos .................................................................................................... 11
2.6 Modelos Cualitativos ...................................................................................................... 11
2.7 Métodos Cuantitativos .................................................................................................... 12
CAPITULO III METODOLOGÍA DE LOS PRONÓSTICOS ......................................................... 14
3.1. BREVE RESEÑA HISTÓRICA ................................................................................ 15
3.2. CLASIFICACIÓN DE LOS ENFOQUES PARA PRONÓSTICOS ......................... 16
3.2.1. MÉTODOS DISCRECIONALES O CUALITATIVOS .................................... 16
3.2.2. MÉTODOS CUANTITATIVOS ........................................................................ 17
3.2.3. MÉTODOS TECNOLÓGICOS .......................................................................... 18
3.3. TIPOS DE MODELOS .............................................................................................. 19
3.4. TIPO DE PATRONES EN LOS DATOS .................................................................. 21
3.5. MEDICIÓN DEL ERROR EN EL PRONÓSTICO ................................................... 23
3.5.1. DESVIACIÓN ABSOLUTA DE LA MEDIDA (MAD) ................................... 24
3.5.2. ERROR MEDIO CUADRADO (EMC) ............................................................. 25
3.5.3. PORCENTAJE DE ERROR MEDIO ABSOLUTO (PEMA) ............................ 25
3.5.4. PORCENTAJE DE ERROR MEDIO ................................................................. 25
3.6. ETAPAS DE LA SOLUCIÓN DE PROBLEMAS RELACIONADOS CON LOS
PRONÓSTICOS ................................................................................................................... 27
CAPITULO IV MODELOS DE PREDICCIÓN CUANTITATIVOS: MÉTODOS DE
SUAVIZAMIENTO Y DESCOMPOSICIÓN ................................................................................. 30
4.1 ANÁLISIS EXPLORATORIO DE LAS SERIES DE TIEMPO. .............................. 31
4.2 MODELO DE PREDICCIÓN CUANTITATIVO: MÉTODOS DE
SUAVIZAMIENTO .............................................................................................................. 31
4.2.1 MODELOS NO FORMALES: ........................................................................... 34
4.2.2 MÉTODOS DE PROMEDIO ............................................................................. 34
4.2.3 MODELOS DE SUAVIZAMIENTO EXPONENCIAL ÚNICOS. ................... 37
4.2.4 MODELOS DE SUAVIZAMIENTO EXPONENCIAL LINEAL
(SUAVIZAMIENTO EXPONENCIAL DOBLE DE HOLT) .......................................... 40
4.2.5 MODELOS DE SUAVIZAMIENTO EXPONENCIAL DE WINTER ............. 44
4.3 MÉTODOS DE DESCOMPOSICIÓN PARA PRONÓSTICOS DE SERIES DE
TIEMPO. ............................................................................................................................... 48
2
CAPITULO II INTRODUCCIÓN
Un Inicio…
 “Las predicciones son usualmente difíciles, especialmente, las que son acerca del
futuro.”
Yogi Barrera, Catcher
Yankees Nueva York
http://core.ecu.edu/econ/rothmanp/bci_forecasts.htm
2.1 Pronósticos
 El Pronóstico 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 planeación.
 El proceso de pronóstico debe ser consistente con la filosofía de producción que la
empresa maneje (push/pull).
PUSH PULL
(Procesos anticipados a la (Procesos realizados como

Demanda de los Clientes) respuesta a la Demanda de
 Nivel de producción los Clientes)
 Nivel de capacidad
3
La Gran Pregunta…
 ¿Cuál será la demanda del cliente por determinado producto en el futuro?

 ¿En qué parte del proceso está el Inventario?
http://www.psychicguild.com/forecasting/
Patrones de Demanda
 Existen diferentes patrones de demanda.

 El Patrón de Demanda relaciona cantidades demandadas con respecto al tiempo.
 Patrón de Demanda por Temporada: los datos muestran consistentemente “picos” y
“valles”.
 Patrón de Demanda Cíclico: se observan incrementos y decrementos sobre diferentes
períodos.
http://www.monografias.com/trabajos61/gestion-compras-manejo-inventarios/gestion-
compras-manejo-inventarios2.shtml
4
Antecedentes
 La mayoría 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 económicas sin conocer la utilidad
o Planeación de la producción
o Programación de la fuerza de trabajo
o Etc.
2.2 Áreas de Toma de Decisiones
Una Definición…
 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 búsqueda de las empresas es realizar estimaciones con respecto al futuro y tomar

decisiones con conocimiento con respecto a estas estimaciones.
5
 Algunas decisiones importantes dentro de la toma de decisiones de pronóstico son:
Mercadotecnia
Manufactura
 Colocación de fuerza
 Planeación de la de trabajo
producción  Promociones
 Control de Inventarios  Introducción de Nuevos
 Planeación Agregada Productos
Finanzas Personal
 Inversión de Planta/  Planeación de Fuerza

Equipo de Trabajo
 Planeación de Capital  Contrataciones
2.3 Base para los pronósticos
Los pronósticos se pueden manejar en base a :
o Datos históricos para proyectar el futuro en base a modelos matemáticos.

o Predicción del futuro subjetiva o intuitiva
o Combinación 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 pronóstico que sea considerado la única opción para encontrar la
respuesta correcta.
6
 Existen ocasiones en que una forma de pronosticar es la adecuada y en otras

ocasiones puede no serlo.
Ningún pronóstico dará el

resultado correcto de lo que
sucederá en el futuro.
Primeras Conclusiones…
 Pronosticar es el primer paso para fallar

 Pronósticos de largo plazo son menos precisos que los pronósticos a mediano-corto
plazo.
 Pronósticos agregados son más precisos que los pronósticos desagregados.
Aspectos a Considerar
 Aspectos claves:
o El pronóstico deberá mostrar una tendencia.
o El tomador de decisiones deberá tener un criterio para el seguimiento de los
pronósticos.
o La empresa deberá tener la capacidad de responder a la variación del
pronóstico con respecto a la realidad.
 Los pronósticos tienen un límite de aplicabilidad, son costosos y requieren una gran
cantidad de tiempo.
Horizontes de Tiempo en Pronósticos

 Los pronósticos se clasifican en el horizonte de tiempo que afectan:
o Pronóstico a corto plazo
 Se manejan lapsos de tres meses hasta un año.
 Compras, programación de planta, niveles de fuerza laboral,
asignaciones de trabajo y niveles de producción.
o Pronóstico a mediano plazo
 Maneja un rango de entre tres meses y tres años
 Planeación de producción y presupuestos, planeación de ventas, flujo
de efectivo y el análisis de planes.
o Pronóstico a largo plazo
 Maneja lapsos de tres años o más.
 Planeación y manejo de nuevos productos, desembolsos de capital,
localización o expansión de instalaciones y la investigación y desarrollo.
2.4 Aplicaciones de los Pronósticos de Demanda

Horizonte de tiempo
7
Corto plazo Mediano Plazo Largo Plazo

(0-3 meses) (3 meses- 2 años) (más de 2 años)
Nivel de
Pronóstico Productos y servicios Ventas Totales/ Familias de Ventas Totales
Individuales Productos y Servicios
Área de  Manejo de  Planeación de puestos  Localización de

Decisión Inventarios directivos Infraestructura
 Programa de  Planeación de la  Planeación de la
ensamble Final producción capacidad
 Programa de  MPS  Gerencia de
fuerza de trabajo  Procuración Procesos
 MPS  Distribución
Técnica de Series de
Pronóstico tiempo/Registro Regresión Lineal/Pronóstico Regresión Lineal/
Lineal/Pronóstico Cualitativo Pronóstico Cualitativo
cualitativo
Información necesaria para realizar el Pronóstico de la Demanda
 Demanda en el pasado (Tendencia)

 Publicidad y esfuerzo del área de Mercadotecnia
 Posición en el Catálogo de Ventas
 Economía
 Manejo de Descuentos en Precios
 Acciones y Posición de los competidores
8
2.5 Pronósticos para la Planeación
INSUMOS
Condiciones del Panorama Económico Otros Factores

Mercado
 Situación del ciclo de los  Legales
 Acciones de la negocios  Políticos
competencia  Indicadores Líderes  Sociales
 Gustos del o Precios de las  Culturales
Consumidor acciones
 Ciclo de vida de o Rendimiento de
los productos los bonos
 Estación del año o Precios de
 Planes de los materiales
clientes o Oferta de dinero
o Cierre de
Negocios
o Desempleo
ESTRATEGIA EMPRESARIAL
Plan de Mercadotecnia Plan de Producción Plan Financiero
 Publicidad  Nivel y gestión de la  Políticas de

 Fuerza de ventas calidad en el proceso crédito
 Precio de producción  Políticas de
 Ventas históricas  Servicio al cliente facturación
 Canales de  Capacidad  Manejo
Comercialización  Costos Financiero de
recursos
Diferencias en Categorías de Pronósticos
 Los pronósticos a mediano y largo plazo tienen que ver con asuntos más
trascendentes (planeación, productos, plantas y procesos).
 Los pronósticos a corto plazo utilizan metodologías diferentes a las metodologías de
los pronósticos a mediano y largo plazo.
o Promedios móviles
o Suavización exponencial
o Extrapolación con tendencia
 Los pronósticos a corto plazo tienden a ser más exactos que los pronósticos a mayor
plazo (hay una menor variación de condiciones).
9
La Influencia del Ciclo de Vida del Producto
 Un factor que debe considerarse cuando se desarrollen pronósticos de ventas es el

ciclo de vida del producto.
 Los bienes y servicios no se venden en forma constante a través de su vida en el
mercado.
 Ciclo de vida de los productos:
o Introducción
o Crecimiento
o Madurez
o Declinación
 Los productos en introducción y crecimiento necesitan pronósticos más largos que en
las dos etapas subsecuentes.
http://blogs.creamoselfuturo.com/industria-y-servicios/2007/04/24/creacion-de-empresas-
e-innovacion-a-traves-del-ciclo-de-vida/print/
10
Enfoques para Pronósticos
Modelos de Decisión para

Pronósticos
Pronósticos Cuantitativos Pronósticos Cualitativos
 Aspectos subjetivos
 Intuición, emociones, experiencias
 Sistema de Valores
 Modelos Matemáticos
 Datos Históricos
2.6 Modelos Cualitativos
 Jurado de Opinión ejecutiva

o Ejecutivos experimentados de diversos departamentos.
o Opinión de pequeño grupo de ejecutivos de alto nivel.
o Grupo interdisciplinario.
o Combinación con modelos estadísticos.
o Un estimado del grupo sobre la demanda.
 Encuesta a la Fuerza de Ventas
o Cada vendedor realiza un estimado de ventas por región.
o Se combinan por zonas y se maneja un pronóstico global.
o Diseñado para empresas con pocos clientes (proveedores de industria
automotriz, contratistas para cierto tipo de industrias).
 Método Delphi
o Proceso grupal iterativo
o Tres tipos de participantes
 Los tomadores de decisión (5-10 expertos que harán el pronóstico
real).
 Personal asesor (Preparan, distribuyen, recolectan y resumen
cuestionarios y encuestas).
11
 Encuestados (Grupo de personas cuyos juicios son evaluados).

 Encuesta a consumidores de mercado (clientes).
o Solicita información a los clientes o clientes potenciales.
o Genera el pronóstico
o Mejora el producto y su diseño, además del servicio.
 Analogía Histórica
o Liga la estimación de las ventas futuras de un producto con el conocimiento de
las ventas de un producto similar.
o A la estimación de las ventas de un producto se aplica el conocimiento de las
ventas de un producto similar en las diferentes etapas de su ciclo de vida.
o Útil para el desarrollo de productos novedosos.
 Estudio de Mercado
o La base para comprobar las hipótesis sobre los mercados reales y su
comportamiento son los cuestionarios por correo, las entrevistas telefónicas o
las entrevistas de campo.
o Los resultados del estudio de mercado se extrapolan de un sector de mercado
a la totalidad de éste.
o Preferidos para productos nuevos o para productos existentes que se quieren
desarrollar en otros segmentos.
2.7 Métodos Cuantitativos
 Existen dos tipos de métodos cuantitativos:
Modelos de
Series de Tiempo Modelo Causal
 Simplista
 Promedios móviles
 Suavización Exponencial
 Proyección de Tendencia
 Predicen sobre la base  Se incorporan al modelo

que el futuro está en las variables o factores
función del pasado. que pueden influenciar
 Están expresados en la cantidad que se
noción matemática. pronostica.
12
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
CAPITULO III METODOLOGÍA DE LOS

PRONÓSTICOS
Varios factores han estimulado el interés en los pronósticos en todo tipo de organizaciones,
sin embargo desde principios de la década de 1970 ha aumentado su uso. Los pronósticos se
han convertido en una herramienta de gran utilidad en la planificación del entorno empresarial,
por lo que este trabajo se centra en su estudio, en principio se presenta una visión general de
los métodos de pronóstico, y sus características principales.
Se presentan, el impacto de los errores de predicción y las limitaciones de los métodos para
pronosticar, así como las situaciones en las que se aplican cada uno de estos con énfasis en
el método 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 situación de la decisión, y pueden ayudar a los que buscan mejores soluciones
y técnicas mejoradas a utilizar adecuadamente los resultados predictivos. Se presenta a
continuación como se desarrolla el capítulo.
3.5
3.4 Tipo de Medición
3.1 Breve reseña
patrones en del error en
histórica
los datos los
pronósticos
3.2
3.6 Etapas de la
Clasificación
solución de
de los 3.3 Tipos de
problemas
enfoques modelos
relacionados con
para
los pronósticos
pronósticos
14
3.1. BREVE RESEÑA HISTÓRICA
Al hablar de pronósticos, vienen a la mente varios hechos, tal

vez el primero es el pronóstico del clima, de la tasa de cambio,
de la inflación, del crecimiento económico, etc. En fin cuando
se mira en perspectiva hay una constante preocupación por
conocer lo que va a suceder en el futuro. 1
Esta inquietud no solo se convierte en curiosidad, pues

conociendo el futuro es posible adaptar nuestras acciones
presentes para obtener del futuro los mayores réditos posibles
Ilustración 1 Pronóstico o para evitar circunstancias o resultados que podrían ser
adversos o con consecuencias no deseables.
El pronóstico, en el lenguaje cotidiano, no es más que un conocimiento probable sobre un

evento futuro. En el lenguaje de la empresa se suele entender como pronóstico, el proceso de
estimación 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 científica”, un pronóstico
puede definirse como el resultado de la aplicación de un método de predicción en que
partiendo de determinadas series de datos, se formula una “proyección” en el futuro con el
objetivo de evaluar la ocurrencia probable de cualquier acontecimiento o el desarrollo de una
tendencia.2
La finalidad de los pronósticos es predecir el desarrollo futuro para ayudar a la toma de

decisiones de planificación 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 predicción actualmente disponibles, es útil

presentar una breve sinopsis histórica. “Antes del decenio de 1950 los esfuerzos desarrollados
en la época fueron limitados para los analistas, a pesar de manejar algunas teorías de
regresión lineal y descomposición de series de tiempo, la carencia de datos apropiados y lo
tedioso de los cálculos requeridos hacían muy complicada la obtención de pronósticos.
Lo anterior cambio substancialmente con dos avances radicales; el primero con la introducción
de las técnicas de Suavizamiento exponencial que estaban orientados con sentido práctico, y
fundamentados en su sencillez conceptual y su facilidad de computación y el segundo avance
importante en la misma década fue la introducción de la computadora que hizo posible no solo
la utilización del Suavizamiento exponencial, sino también de una gran cantidad de diferentes
métodos de predicción sobre una base más continua.
Pasaron casi 30 años para que los métodos de Suavizamiento exponencial tuvieran amplia
aceptación y a partir de ellos se han desarrollado numerosas variedades y extensiones de los
mismos. Las más notables son los de Brown (1950), Holt (1952) y Winters (1960). Las
adaptaciones y modificaciones más recientes han hecho posible emplear los métodos de
Suavizamiento de manera aún más mecánica y automatizada.
Pasó un poco de tiempo después para que los métodos de Suavizamiento empezaran a atraer
la atención, los métodos de descomposición experimentaron una mayor difusión. El más
1
http://www.dandoenelblanco.com/pronsticos_y_forecast_pro/ consultada el 30 de octubre de 2008
2
http://sunwc.cepade.es/~jrivera/org_temas/metodos/prospectiva/pronostic_method.htm consultada el 30
de octubre de 2008
15
prominente de esto fue Shiskin (1957,1961), que fue el creador del paquete Census II y que
a pesar de una escasa fundamentación estadística, presentaban una atracción intuitiva de
significación para los profesionales del área.
Con el avance tecnológico y los precios accesibles de los sistemas de cómputo los métodos
de pronósticos se fueron perfeccionando, aparecieron técnicas como regresión múltiple y
modelos econométricos. A principios de 1980 los pronósticos basados en econometría
representaban ya un gran mercado para los profesionales.
Un enfoque que incorporaba muchos de los elementos de una teoría semejante se hizo
realidad con la aportación de Box y Jenkins (1976), cuya metodología consiste en un
procedimiento sistemático para el análisis de las series de tiempo que fue suficientemente
general para manejar todas las estructuras de datos en series de tiempo observados
empíricamente.
A mediados de la década de 1970 comenzaron a surgir las variedades del método del
promedio móvil autorregresivo, integral y de media móvil (ARIMA) desarrollado por Box
Jenkins y desde ahí se han estudiado modificaciones corrigiendo algunos problemas
asociados con la metodología tomando nombres tales como ARARMA, filtros de Kalman,
modelos de vectores autorregresivos, etc.
Los métodos 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 predicción 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
pronósticos, a lo largo de este trabajo se expondrá detalladamente”.3
3.2. CLASIFICACIÓN DE LOS ENFOQUES PARA PRONÓSTICOS
Cuando los gerentes de organizaciones se enfrentan con la necesidad de tomar decisiones en

una atmósfera de incertidumbre, lo que en primer término, se debe hacer es clasificar los
procedimientos de pronóstico de largo o corto plazos.
Los pronósticos a largo plazo son necesarios para establecer el curso general de la
organización para un largo periodo; de ahí que se conviertan en el enfoque particular de la alta
dirección.
Los pronósticos a corto plazo se utilizan para diseñar estrategias inmediatas y que usan los
administradores de rango medio y de primera línea para enfrentar las necesidades del futuro
inmediato. 4
También se podría clasificar a los pronósticos en muchos esquemas diferentes al considerar

los principales enfoques para pronosticar, el que hemos encontrado más útil es el de
Makridakis-Wheelwrigth el mismo que divide a esos métodos en tres categorías: discrecionales
o cualitativos, cuantitativos y tecnológicos. Cada enfoque importante incluye varios tipos de
métodos, muchas técnicas individuales y variaciones de cada técnica. A continuación se
detalla cada uno de ellos.
3.2.1. MÉTODOS DISCRECIONALES O CUALITATIVOS
3
Makridakis - Wheelwrigth, Métodos de pronóstico, México, D.F., Limusa, 1998, pag. 36
4
http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm consultada el 04/09/08
16
“Son los que se utilizan comúnmente en las empresas y

organizaciones gubernamentales. Los pronósticos de
este tipo se hacen muy a menudo como juicios
individuales o decisiones de comité. Estos métodos
utilizan el juicio de los gerentes, su experiencia, los datos
relevantes y un modelo matemático implícito, por lo que
es frecuente que lleguen a pronósticos con variaciones
importantes.
Ilustración 2 Técnica cualitativa
Además, deben utilizarse cuando los datos del pasado no resulten confiables
como indicadores de las condiciones del futuro. También debe utilizarse el pronóstico
cualitativo para la introducción de nuevos productos cuando no se dispone de una base de los
datos históricos.
Los métodos cualitativos casi siempre se utilizan para pronósticos a mediano y largo plazo que
involucren situaciones como diseño del proceso o capacidad de las instalaciones. En el caso
de estas decisiones, los datos del pasado casi nunca están disponibles o, cuando así es,
pueden indicar un patrón poco estable.”5
3.2.2. MÉTODOS CUANTITATIVOS
“La segunda categoría – métodos cuantitativos - es el tipo en el

que se han centrado la mayoría de las publicaciones sobre
pronósticos y en especial el tema de interés de este trabajo.
Existen tres subcategorías de estos métodos.
Los métodos de series de tiempo buscan identificar patrones

históricos (empleando el tiempo como referencia) para
pronosticar, utilizando una extrapolación de estos patrones. Los
métodos explicativos tratan de identificar las relaciones que conducen a resultados observados
(causados) en el pasado y luego pronosticar mediante la
Ilustración 3 Método cuantitativo aplicación de tales relaciones al futuro.
Los métodos de monitoreo, que todavía no alcanzan un uso muy extendido, buscan identificar
cambios en los patrones y relaciones. Básicamente se utilizan para indicar cuándo no es
apropiada la extrapolación de patrones o relaciones pasadas. Algunas de las aplicaciones de
los métodos cuantitativos, se muestran en la Tabla 1, así como el campo de aplicación donde
fue desarrollada la metodología.
La mayoría de estos métodos son estudiados posteriormente, el enfoque de monitoreo y el de

econometría son mencionados más no son de interés en este trabajo, pues únicamente se
cuenta con datos de una misma variable medida a través del tiempo y estos métodos requieren
de un número significativo de variables que puedan explicar y en donde los patrones y
relaciones cambian y la extrapolación de patrones o relaciones pasadas no es apropiada.”6
5
Makridakis S, “Arte y Ciencia de Pronosticar”, International Journal of Forecasting, 2, no.1, pp 15-39.
6
Makridakis - Wheelwrigth, Métodos de pronóstico, México, D.F., Limusa, 1998, pp28.
17
3.2.3. MÉTODOS TECNOLÓGICOS
La tercera categoría – métodos tecnológicos - tienen que ver con los problemas de largo plazo
de naturaleza tecnológica, social, económica o política. Las cuatro subcategorías aquí
encontradas son extrapolativas (utilizan patrones y relaciones históricos como base de los
pronósticos), analógicas (emplean analogías históricas y de otro tipo para hacer predicciones),
expertas y normativas (hacen uso de objetivos, metas y resultados deseados como base de
los pronósticos, influyendo así los sucesos futuros). 7
No obstante, nada impide extrapolar

tendencias que se describan enteramente
en términos cualitativos. Suele ser práctico
el describir los productos existentes con
ayuda de imágenes y otros modelos
icónicos, y esta forma de presentación es
práctica incluso para las extrapolaciones.
En el libro Industrial Design, Raymond
Loewy8 combinó dos enfoques: el histórico
y el predictivo.
En la página 74 del libro encontramos el

"gráfico de evolución del diseño" que
muestra el desarrollo de 1900 a 1942
Ilustración 12. La última imagen es el
pronóstico de Loewy. La debilidad innata de
toda extrapolación estriba en que éstas
sólo se pueden atender a aquellos
procesos o fuerzas que están ya
interviniendo.9
Con frecuencia se da una situación en que

gradualmente habrá más y más nuevos
impactos. En tales circunstancias, los
métodos cualitativos suelen dar resultados
útiles sólo para periodos relativamente de
corto plazo.
Otra debilidad es que es casi imposible

estimar el error probable de una
extrapolación. Una noción áspera de lo
puede ser obtenida estudiando la
Ilustración 4 Método tecnológico. consistencia y la homogeneidad de la serie
de las observaciones originales. 10
7
Makridakis Wheelwrigth, Métodos de pronóstico, Limusa, 1998, pag 28
8
Hace poco la revista Life eligió a Loewy como uno de los 100 norteamericanos más influyentes del siglo XX. A Loewy se le conoce mejor por los
estandartes del diseño norteamericano como la botella de Coca-Cola, Air Force One, Lucky Strike, los autobuses de Greyhound, la locomotora
Pennsylvania S-1, los logotipos de Exxon y Shell, los interiores del Laboratorio Espacial y el Transbordador de la NASA, así como el Avanti, el único
automóvil que se ha exhibido en el museo del Louvre.
9
Raymond Loewy, Industrial Design, pag 74.
10
http://www2.uiah.fi/projekti/metodi/290.htm consultada el 25 de agosto de 2008.
18
3.3. TIPOS DE MODELOS
Este trabajo está enfocado a los métodos de predicción cuantitativos con la necesidad de
obtener un modelo, que es una manera de experimentar con la realidad sin tener que invertir
realmente en una unidad operativa a escala completa.
Para la predicción se puede emplear una amplia gama de modelos, pero para el caso de los
métodos cuantitativos hay dos categoría aceptablemente bien definidas.
Estadísticas Se enfocan a los patrones y cambios en los mismos y sus

perturbaciones
Determinísticas Son de tipo causal, establecen relación entre la variable a pronosticar
y otras variables
Hablaremos de estos dos con mayor detalle

a continuación.
“El primer tipo de modelo de predicción

cuantitativo, y quizás el más común, es el
modelo de series de tiempo (Ilustración
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 período de
tiempo a utilizar. Un modelo de series de
tiempo supone siempre que algún patrón o
combinación de patrones es recurrente a
través del tiempo. De esta manera, al
Ilustración 5 Relación de Series de Tiempo
identificar y extrapolar dicho patrón, se
pueden desarrollar pronósticos para
periodos subyacentes.
El segundo tipo de método de

predicción cuantitativo es explicativo
(Ilustración 14). En este tipo de métodos
cualquier variación de los insumos
afectará los productos del sistema de
manera predecible, suponiendo que la
relación es constante. La primera tarea
de los pronósticos es encontrar la
relación a través de la observación de los
productos del sistema y relacionándolos
con los insumos correspondientes.
Básicamente, el método explicativo

supone que el valor de cierta variable (el
producto) es función de una o más
Ilustración 6 Relación explicativa o causal
variables (los insumos).”11
11
Makridakis - Wheelwrigth, Métodos de pronóstico, México, D.F., Limusa, 1998, pag 63
19
No obstante, una desventaja de estos métodos es que requieren información de varias

variables, además de la variable que está 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 más tiempo para desarrollarse y son más
sensibles a los cambios de las relaciones subyacentes de lo que sería un modelo de series de
tiempo.
“Muy a menudo es posible hacer pronósticos 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 políticas monetarias y fiscal, la inflación, el gasto de
capital y las importaciones y exportaciones. Esto requerirá que se especifiquen la forma y los
parámetros de la relación.
Demanda= f (políticas monetarias y fiscal, la inflación, gasto de capital, importaciones,

exportaciones).
Donde f significa “es una función de”, “depende de” o “está influenciado por”. Conforme estos
factores cambien, la Demanda variará según lo especifique la forma seleccionada del modelo.
Si el único propósito es pronosticar los valores futuros de la demanda sin prestar atención a
por qué se llevará a cabo un cierto nivel de la demanda, un enfoque de series temporales sería
el apropiado. Se sabe que la magnitud de la demanda no cambia drásticamente de un mes a
otro, o aun de un año a otro. Así, la demanda del mes próximo dependerá de la demanda del
mes anterior y posiblemente del de los meses pasados. Con base en esta observación, la
demanda podría expresarse:
Demandat+1= f (Demandat, Demandat-1 , Demandat-2 Demandat-3 , …………………..)
Donde:
Demandat = Demanda del presente mes.

Demandat+1= Demanda del próximo mes (el pronóstico).
Demandat-1= Demanda del último mes.
Demandat-2= Demanda de hace dos meses.
Y así sucesivamente. Este modelo es semejante al explicativo, con la excepción de que los
factores de miembro derecho son valores anteriores del miembro izquierdo. Esto hace al
trabajo de pronosticar más fácil una vez que se conoce la forma específica 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 relación entre los miembros derecho e
izquierdo de la ecuación sean descubiertos y medidos de tal manera que se puedan extrapolar
a fin de ser pronosticados.”12
12
Makridakis - Wheelwrigth, Métodos de pronóstico, México, D.F., Limusa, 1998, pp63-74
Hanke, J.E. y A.G. Reitsch, usiness Forecasting, Allyn and Bacon, Boston
20
3.4. 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 descomposición clásica es un método que se basa en la

suposición de que se pueden descomponer en componentes como tendencia, ciclo,
estacionalidad e irregularidad.
Componente Descripción
Tendencia Es el componente de largo plazo que representa el crecimiento
o disminución en la serie sobre un periodo amplio.
Cíclico Es la fluctuación en forma de onda alrededor de la tendencia.
Estacional Es un patrón de cambio que se repite a sí mismo período tras

período ( año tras año, mes con mes, día con día, etc.)
Aleatorio Mide la variabilidad de las series de tiempo después de retirar
los otros componentes (tendencias, ciclos, estacionalidad, etc.).
Una predicción se hace mediante la combinación de las proyecciones de cada componente

individual. Considérense los elementos básicos de un patrón encontrados en las series de
datos. Existen cuatro de esos elementos o componentes: el horizontal, el estacional, el cíclico
y la tendencia de una serie.
“Existe un patrón horizontal cuando no hay

tendencia alguna en los datos.
(Estadísticamente hablando, a esto se le
conoce como estacionalidad.) Cuando existe
tal patrón, generalmente se hace referencia a
las serie como estacionario, es decir, no
tiende a aumentar o disminuir a través del
tiempo de ninguna manera sistemática. 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 él. La
ilustración 15 muestra un patrón horizontal
típico para una variable.”13
Ilustración 7 Patrón Horizontal
13
Mahmoud, E., “The Evaluation of forecasts”, en S. Makridakis y S. Wheelwright, The Handbook of Forecasting,
2a. ed.,Wiley, Nueva York.
21
“Existe un patrón estacional cuando una

serie fluctúa de acuerdo con un factor
estacional. El componente estacional se
refiere a un patrón de cambio que se repite a
si mismo periodo tras periodo.
Las estaciones pueden ser los meses o las

cuatro estaciones del año, pero también
pueden ser las horas del día, los días de la
semana o los días del mes. Los patrones
estacionales se dan por un número 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 ilustración 16 presenta un
patrón en el cual las estaciones
Ilustración 8 Patrón Estacional corresponden a los cuatro trimestres del calendario para la
primavera, el verano, el otoño y el invierno.
Un patrón cíclico es semejante al patrón

estacional, pero la duración de un ciclo único
generalmente es mayor a un año. El
componente cíclico es la fluctuación en forma
de onda alrededor de la tendencia, afectada
por lo regular por las condiciones económicas
generales. Los patrones cíclicos tienden a
repetirse en los datos aproximadamente cada
dos tres o más años. Es común que las
fluctuaciones cíclicas estén influidas por
cambios de expansión y contracción
económicas, a los que comúnmente se hace
referencia como el ciclo de los negocios. 14 La
ilustración 17 muestra un patrón cíclico. El
patrón cíclico es difícil de pronosticar, porque
Ilustración 9 Patrón Cíclico no se repite a intervalos constantes de tiempo y
su duración no es uniforme”.15
14
15
22
El patrón de tendencia de una serie de

tiempo es el componente de largo plazo
que representa el crecimiento o
disminución en la serie sobre un periodo
amplio, es decir se da cuando existe un
aumento o disminución general del valor de
la variable a lo largo del tiempo. Las fuerzas
básicas que ayudan a explicar la tendencia
de una serie son el crecimiento de la
población, la inflación de precios, el cambio
tecnológico y los incrementos en la
productividad. Este tipo de patrón se
muestra en a la ilustración 18.16
Ilustración 10 Patrón de tendencia de los datos
Un factor principal que influye en la selección
de una técnica de pronóstico consiste en la identificación y comprensión de patrones históricos
en los datos. Si se pueden reconocer patrones de tendencia, cíclicos o estacionales, entonces
se pueden seleccionar las técnicas con la capacidad de utilizar eficazmente estos patrones.
3.5. MEDICIÓN DEL ERROR EN EL PRONÓSTICO
Aunque generalmente X, o algún otro símbolo, identifica los valores observados reales
(históricos) de una variable, a menudo se utiliza un símbolo diferente para representar el valor
pronosticado de esa variable. En este trabajo los símbolos Ft+1 o 𝑌̂𝑡+1 se usarán para denotar
el valor de la predicción para el periodo de tiempo t+1. Como resumen de la relación entre los
valores observados y los valores pronosticados en una situación de series de tiempo
consúltese la siguiente tabla:
Tabla 1 Notación usada en los pronósticos de series de tiempo
Valores del pronóstico

Valores X1 X2 X3 X4 …… Xt-2 Xt-1 Xt Ft+1 Ft+2 Ft+3 …. Ft-1
Observados
Período i 1 2 3 4 …… t-2 t-1 t t+1 t+2 t+3 …. t+m
Presente
Valores 𝑌̂1 𝑌̂2 𝑌̂3 𝑌̂4 …… 𝑌̂𝑡−2 𝑌̂𝑡−1 𝑌̂𝑡 𝑌̂𝑡+1 𝑌̂𝑡+2 𝑌̂𝑡+3 …. 𝑌̂𝑡+𝑚
estimados
F1 F2 F3 F4 …… Ft-2 Ft-1 Ft
Valores del e1 e2 e3 e4 …… et-2 et-1 et
error
Los elementos de la notación mencionada se pueden mostrar utilizando la información de la

Tabla 2: Xi es el valor real de la serie de tiempo, Fi o 𝑌̂𝑖 es el valor pronosticado de la serie
16
http://books.google.es/books?id=1J3ZlgSTZ9gC&pg=PA926&lpg=PA926&dq=patron+horizontal+en+series+de+ti
empo&source=web&ots=BCYQW9hCtZ&sig=BSn2nEUXyOhptb1jZ9V9JNbS7xg&hl=es&sa=X&oi=book_result&re
snum=4&ct=result#PPA924,M1, consultada el 24/10/2008
23
temporal, y ei es el error, o la diferencia entre los valores reales (X i) y pronosticado (𝑌̂𝑖 ) de la

serie de tiempo en el periodo i.
El supuesto básico que está detrás del uso de cualquier técnica de predicción es que el valor
real observado será determinado por algún patrón más algunas influencias aleatorias.
Algebraicamente, esto se puede representar como
Lo real= el patrón + lo aleatorio
“El componente aleatorio mide la variabilidad de las series de tiempo después de que se retiran
los otros componentes o patrón. Contabiliza la variabilidad aleatoria en una serie de tiempo
ocasionada por factores imprevistos y no ocurrentes.
La mayoría de los componentes irregulares se conforman de variabilidad aleatoria. Sin

embargo, ciertos sucesos a veces impredecibles como huelgas, cambios de clima (sequías,
inundaciones o terremotos), elecciones, conflictos armados o la aprobación de asuntos
legislativos, pueden causar irregularidad en una variable.
A causa de que el mundo económico o empresarial no es determinístico, siempre estará

presente lo aleatorio. Esto significa que aun cuando el patrón promedio de los datos
subyacentes haya sido identificado, existirá cierta desviación entre los valores pronosticados
y los valores realmente observados.
Un objetivo común en la aplicación de técnicas de predicciones es minimizar tales

desviaciones o errores en los pronósticos. Dichos errores se definen como la diferencia entre
el valor real y lo que se ha pronosticado. Se pueden presentar como
𝑒𝑖 = 𝑥𝑖 − 𝑌̂𝑖
El subíndice 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 observación para la cual existe tanto
un valor real como un valor pronosticado.”17
3.5.1. DESVIACIÓN ABSOLUTA DE LA MEDIDA (MAD)
Un método para evaluar una técnica de pronóstico consiste en obtener la suma de los errores
absolutos. La Desviación Absoluta de la Media (MAD) mide la precisión de un pronóstico
mediante el promedio de la magnitud de los errores de pronóstico (valores absolutos de cada
error).
La MAD resulta de gran utilidad cuando el analista desea medir el error de pronóstico en las
mismas unidades de la serie original. La siguiente ecuación muestra como se calcula la MAD:
∑𝑛𝑖=1|𝑒𝑖 |
𝑀𝐴𝐷 =
𝑛
17
24
3.5.2. ERROR MEDIO CUADRADO (EMC)
Otra técnica para evaluar una técnica de pronóstico es el Error Medio Cuadrado (EMC). Cada
error o residual se eleva al cuadrado; luego estos valores se suman y se divide entre el número
de observaciones. Este enfoque penaliza los errores mayores de pronósticos, ya que eleva
cada uno al cuadrado. Esto es importante pues en ocasiones pudiera ser preferible una técnica
que produzca errores moderados a otra que por lo regular tenga errores pequeños pero que
ocasionalmente arroje algunos en extremo grandes. La ecuación para el cálculo del EMC, es
la siguiente:
∑𝑛𝑖=1 𝑒𝑖2
𝐸𝑀𝐶 =
𝑛
3.5.3. PORCENTAJE DE ERROR MEDIO ABSOLUTO (PEMA)
“En ocasiones, resulta más útil calcular los errores de pronóstico en términos de porcentaje y
no de cantidades. El Porcentaje de Error Medio Absoluto (PEMA) se calcula encontrando el
error absoluto en cada periodo, dividiendo éste entre el valor real observado, para ese periodo
y después promediando estos errores absolutos de porcentaje.
Este enfoque es útil cuando el tamaño o magnitud de la variable de pronóstico es importante

en la evaluación de la precisión del pronóstico. El PEMA proporciona una indicación de que
tan grandes son los errores de pronóstico comparados con los valores reales de la serie.
También se puede utilizar el PEMA para comparar la precisión de la misma u otra técnica
sobre dos series completamente diferentes. La siguiente ecuación muestra el cálculo del
PEMA:
∑𝑛
𝑖=1|𝑃𝐸𝑖 |
𝑃𝐸𝑀𝐴 = 𝑛
A veces resulta necesario determinar si un método de pronóstico está sesgado (pronóstico

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 después estos porcentajes de error.”18
3.5.4. PORCENTAJE DE ERROR MEDIO
Si un enfoque de pronóstico no está sesgado, la ecuación del PME producirá un porcentaje

cercano a cero. Si el resultado es un porcentaje negativo grande, el método de pronóstico está
sobrestimado de manera consistente. Si el resultado es un porcentaje positivo grande, el
método de pronóstico esta subestimado de forma consistente.
∑𝑛𝑖=1 𝑃𝐸𝑖
𝑃𝑀𝐸 =
𝑛
Una parte de la decisión para utilizar una técnica de pronóstico en particular es la
determinación de si la técnica producirá errores de predicción que se juzguen como
18
25
suficientemente pequeños. Es en este efecto realista esperar que una técnica produzca errores
de pronóstico relativamente bajos sobre una base consistente. Las cuatro mediciones de
precisión de un pronóstico que acabamos de describir se utilizan de la siguiente manera:
 La comparación de la precisión de dos técnicas diferentes.

 La medición de la utilidad o confiabilidad de una técnica.
 La búsqueda de una técnica óptima. 19
Tabla 2 Pasajeros transportados en 2007 de un corredor vial de Quito
(1) (2) (3) (4) (5) (6) (7)

Pronóstico Error Error Erros Error
Absoluto porcentual cuadrático
Pasajeros absoluto medio
i Xi Fi Xi-Fi |Xi-Fi| |(Xi- (Xi-Fi) 2

Fi)/Xi|*100
Enero 1 6,341 - - - -
Febrero 2 5,693 6,341 -648 648 11,4% 419,904
Marzo 3 6,508 5,693 815 815 12,5% 664,225

Abril 4 6,171 6,508 -337 337 5,5% 113,569
Mayo 5 6,562 6,171 391 391 6,0% 152,881

Junio 6 6,168 6,562 -394 394 6,4% 155,236
Julio 7 6,176 6,168 8 8 0,1% 64
Agosto 8 5,755 6,176 -421 421 7,3% 177,241

Septiembre 9 6,207 5,755 452 452 7,3% 204,304
Octubre 10 6,477 6,207 270 270 4,2% 72,900

Noviembre 11 6,360 6,477 -117 117 1,8% 13,689
Diciembre 12 6,263 6,360 -97 97 1,5% 9,409

Suma 74,683 -78 3,950 64,0% 1,983,422
MAD PEMA EMC
Media -7 359 6% 180,311
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 utilizarán para
ejemplificar estas medidas de precisión. Como punto de partida, los pronósticos son muy
sencillos, los pasajeros del mes anterior se utilizan como predicción del siguiente mes.
Nótese 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 interpretación del error, por lo que para evitar este problema se
debe computar los errores absolutos y se observa lo que comúnmente se conoce como la
desviación absoluta media MAD (5).
19
26
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 precisión.
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 más a un pronóstico por desviaciones
extremas que por desviaciones pequeñas ya que la ECM eleva el error al cuadrado de ahí la
necesidad de minimizar el error cuadrado medio es decir es mejor que se tengan varias
desviaciones pequeñas a una desviación grande.
En conclusión, cualquier técnica de estimación debe evaluarse en términos de error. La

evaluación del error normalmente implica un diagnóstico gráfico, a fin de detectar valores
atípicos o zonas de errores con patrones recurrentes y la elaboración de alguna medida
resumen, preferentemente relativa. El análisis de los errores también nos permitirá evaluar la
capacidad del método de ajuste para la captación de puntos de cambio de tendencia.
3.6. ETAPAS DE LA SOLUCIÓN DE PROBLEMAS RELACIONADOS

CON LOS PRONÓSTICOS
1.- Identificación y comprensión del Problema.- Los pronósticos proporcionan información

para tomar mejores decisiones. El primer paso es identificar la decisión. Si la decisión no se
afecta por el pronóstico, el pronóstico es innecesario. La importancia de la decisión sugerirá el
esfuerzo que debe dedicarse a producir un pronóstico.
Una decisión única requiere un solo pronóstico, mientras que una solución recurrente necesita
un pronóstico cada vez que se toma la decisión. En cualquier caso la decisión determina qué
pronosticar, el nivel de detalle necesario y con frecuencia se hará el pronóstico.
La base para entender los problemas de pronósticos es comprender el proceso; para hacer
esto, se examina las características del problema y se analizan los datos, si existen. También
se establece una meta para el pronóstico.
2.- Características Del Problema.- Las principales características de un problema de

pronósticos son el período de tiempo, el nivel de detalle, la exactitud necesaria y el número de
aspectos a pronosticar.
Las decisiones a largo plazo no requieren pronósticos exactos. Así los pronósticos muy
precisos son innecesarios. Normalmente los pronósticos a largo plazo se hacen para una sola
vez. Es común que se usen métodos causales y cuantitativos para obtenerlos.
Las decisiones a mediano plazo normalmente requieren pronósticos para uno o dos artículos.
Con frecuencia se usan métodos cuantitativos, incluyendo los causales y las series de tiempo,
para los pronósticos a mediano plazo.
La decisión a corto plazo indica cuántos productos se deben fabricar. En este caso se necesita
el número real de unidades de producto. Debido a que las decisiones de corto plazo están
basadas en estos pronósticos, necesitan ser razonablemente exactos. Los métodos de series
de tiempo son los que se usan con más frecuencia para los pronósticos a corto plazo, pero en
algunas situaciones, también son útiles los métodos causales y los cuantitativos.
3.- Datos.- Examinar los datos, cuando se tienen pueden proporcionar una gran visión. Los
datos pueden venir de los registros de la empresa o fuentes comerciales o gubernamentales.
27
Si no existen datos, se deben recolectar o se puede usar un enfoque de pronósticos 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 están presentes, los datos deben descomponerse

para ver los efectos de cada una. Los datos disparados deben eliminarse antes de analizarlos.
4.- Selección del método de pronóstico.- Existen varios factores a considerar en la selección
de un método de pronóstico. Se debe contemplar el nivel de detalle. ¿Se requiere de un
pronóstico de detalles específicos?, ¿Se precisa el pronóstico de algún punto en el futuro
cercano (un pronóstico a mediano plazo), o para un punto en el futuro distante (un pronóstico
a largo plazo)? Y, ¿hasta qué grado son apropiados los métodos cualitativos (de juicio) y
cuantitativos (de manipulación de datos)?.
El método elegido deberá producir un pronóstico que sea preciso y comprensible para los
administradores, de modo que pueda ayudar a producir mejores decisiones. Además, la
utilización del proceso de pronóstico debe producir un beneficio que exceda al costo asociado
con su uso.20
5.- Desarrollo de un modelo.- Una vez identificados los procesos, éstos determinan la forma
del modelo. Los pronósticos cualitativos no usan modelos sencillos de establecer. Los modelos
causales dependen de la situación 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 función 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
pronóstico de la variable dependiente; si no hay este lapso, deberá pronosticarse la variable
independiente antes de obtener un pronóstico para la variable dependiente.
La relación funcional entre Y y X se representa por f y puede ser lineal, cuadrática o alguna
otra relación matemática. Puede haber más de un factor causal.
20
28
6.- Solución Del Modelo.- El primer paso para resolver el modelo es elegir un método. Si se
tiene un modelo causal, el método será regresión. Para modelos de series de tiempo, existen
varios métodos disponibles.
La interpretación de la solución es la tarea más

importante al operar un sistema de pronósticos.
Conforme se obtienen los nuevos datos, se
actualiza el pronóstico. Además, se compara el
pronóstico anterior con lo que realmente ocurrió
para obtener retroalimentación sobre la calidad
del procedimiento de pronósticos. Si la calidad
es aceptable, se dice que el procedimiento está
bajo control.
Si el procedimiento esta fuera de control, es

necesario regresar a la etapa de diseño; se
requiere volver a estimar los parámetros del
modelo actual, o bien, cambiar el modelo. Si el
sistema de pronósticos está bajo control, se
hace un pronóstico para un periodo futuro.21
RESUMEN: Se determinó que un punto de

partida útil 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
estimación de valores futuros (predicciones).
La clasificación de los modelos de pronósticos

así como la identificación de patrones
Ilustración 11 Metodología para encontrar un modelo (horizontal, tendencia, ciclo, estacionalidad)
que permita predecir. presentes en una serie de datos, ha sido
también contenida en este capítulo, información
importante para poder aplicar el método apropiado así como encontrar un modelo de
predicción aceptable.
Los diferentes tipos de error serán de ayuda para identificar la bondad del método de
predicción seleccionado, por lo que se han introducido las medidas y técnicas que se podrán
utilizar para determinar las capacidades y limitaciones de los métodos cuantitativos de
predicción.
La aplicación de etapas en búsqueda de un modelo de predicción 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.
Aún está presente la pregunta sobre qué método de predicción debo aplicar a los datos. De
este tema se encargan los siguientes capítulos, empezando por los más sencillos los métodos
de suavizamiento y el método de descomposición que se presentan a continuación.
21
http://home.ubalt.edu/ntsbarsh/stat-data/Forecasts.htm#rintroductionf consultada el 27/10/2008
29
CAPITULO IV MODELOS DE
PREDICCIÓN CUANTITATIVOS:
MÉTODOS DE SUAVIZAMIENTO Y
DESCOMPOSICIÓN
En el capítulo anterior se explicó ampliamente la clasificación general de los métodos de
predicción y los errores para su evaluación, esta sección abarcará el primer tipo de modelo de
predicción cuantitativo, y quizás el más común, el modelo de series de tiempo, que son
modelos matemáticos basados únicamente en datos históricos, 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 algún patrón o combinación de patrones es recurrente a través
del tiempo. De esta manera, al identificar y extrapolar dicho patrón, se pueden desarrollar
pronósticos para periodos subsecuentes.
El análisis de series de tiempo que se realiza está basado inicialmente en el estudio de algunos
métodos de fácil comprensión como los métodos de suavizamiento y el método de
descomposición, estos métodos analizan algunos de los patrones estudiados en el capítulo
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
pronósticos confiables de la variable demanda, para la aplicación de cada modelo se realiza
el cálculo y la comparación de la suma de cuadrados de los residuos obtenidos para cada
caso.
El esquema a continuación muestra la clasificación de los modelos de series de tiempo que se

analizarán este capítulo.
4.2Métodos de
suavizamiento.
4.1 Análisis
•Métodos de 4.3 Métodos de
Exploratorio de promedio Descomposición.
la Serie •Métodos de
suavizamiento
30
4.1 ANÁLISIS 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 análisis de
este trabajo se realiza como base en el paquete SPSS versión 15 apoyado con algunos
cálculos de Excel y en algunos casos con el Minitab versión15.
El motivo de la selección de este software está fundamentado en dos razone, la primera es

utilizar recursos actuales que se encuentran inhabilitados en la empresa donde se aplicará el
estudio y la segunda es porque al desplegar análisis predictivos en sistemas operacionales de
primera línea tales como el SPSS que muestra ser un paquete amigable y ventajas
competitivas, se pueden cumplir los objetivos específicos de este trabajo.
Statistical Package for the Social Sciences (SPSS) es un programa estadístico informático muy
usado en las ciencias sociales y las empresas de investigación de mercado. Como programa
estadístico es muy popular su uso debido a la capacidad de trabajar con bases de datos de
gran tamaño.22 Aunque los procesos que rodean al análisis predictivo son complicados,
implantar una solución SPSS para el análisis predictivo no lo es.
En este sentido, los análisis que se presentan a continuación mostrarán los comandos
aplicados, las ventanas de instrucciones así como las salidas que la aplicación de cada
software devuelve para el análisis.
4.2 MODELO DE PREDICCIÓN CUANTITATIVO: MÉTODOS DE

SUAVIZAMIENTO
El interés se ha centrado en principio en estudiar los métodos de suavizamiento, pues bien,

estos métodos se clasifican como a continuación se muestra en la ilustración 26. En cada uno
de los modelos se analizarán tanto la parte matemática así como los errores que se obtienen
para cada caso.
Métodos de Promedio: Modelos no formales, promedios móviles, incrementos porcentuales

y ajustes a la curva son los modelos de series de tiempo más sencillos los cuales pueden ser
utilizados para generar pronósticos.
Estos modelos pueden ser implementados a través de hojas de cálculo rápidamente y no

requieren un conocimiento experto en estadística por parte del pronosticador, usualmente
estos modelos son muy simples y para tener mayor exactitud en el pronóstico las compañías
casi siempre deben acudir a modelos alternativos de series de tiempo.
Métodos de suavización exponencial: suavización exponencial es el método seleccionado

por la mayoría de empresas. Estos modelos se desempeñan bien en términos de exactitud,
son fáciles de aplicar y pueden ser automatizados, permitiendo ser utilizados a gran escala.
Los modelos de suavización exponencial capturan y pronostican el nivel de los datos con los
diferentes tipos de tendencias y patrones estacionales. Los modelos son adaptativos y
22
http://es.wikipedia.org/wiki/SPSS, consultada el 18 de marzo de 2009
31
pronostican dando mayor importancia o ponderación a los datos más recientes sobre los datos
más distantes en el pasado. 23
Los métodos que se encargan de estos análisis son los métodos de

suavizamiento simple en cuyo caso el patrón es horizontal, el método de Holt
cuando existe presencia del patrón de tendencia o el método de Winters el que
incluye los patrones de tendencia y estacionalidad.
23
http://www.dandoenelblanco.com/2008/07/modelos-de-series-de-tiempo-para-pron%C3%B3sticos-de-
demanda.html consultada el 10 de febrero de 2009.
32
Ilustración 12 Modelos de predicción mediante suavizamiento exponencial
33
4.2.1 MODELOS NO FORMALES:
t Yt Yt+1 et Estas técnicas suponen que los periodos recientes son los mejores
para pronosticar el futuro. El método más sencillo es el método del
1 42 último valor, a este pronóstico se le llama método ingenuo.
2 52 42 10
Pronóstico = último valor
3 54 52 2
4 65 54 11 4.2.2 MÉTODOS DE PROMEDIO
Si la serie contiene una aleatoriedad sustancial, un enfoque ingenuo producirá predicciones
que variarán considerablemente. Para eliminar dicha variabilidad, se podría considerar el
uso de algún tipo de promedio de los datos recientes observados. El método de promedios
móviles hace eso al tomar un conjunto de datos observados, encontrar su promedio y luego
utiliza tal promedio como un pronóstico del siguiente período. El término promedio móvil se
usa porque conforme cada nueva observación se encuentra disponible, se puede calcular
un nuevo promedio y utilizarlo como pronóstico. La aplicación de este método se presenta
a continuación.
∑(𝑛 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑟𝑒𝑐𝑖𝑒𝑛𝑡𝑒𝑠 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠)

𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑚ó𝑣𝑖𝑙 𝑠𝑖𝑚𝑝𝑙𝑒 =
𝑛
Predicción de la demanda de pasajeros un mes adelantado mediante promedio móviles.
Tabla 3 Cálculo del promedio Móvil de la demanda de pasajeros trimestral y pentamensual
(1) (2) (3) (4) (5)
2007 Demanda Promedio móvil Promedio móvil

Período Observada
Mes trimestral pentamensual
ENERO 1 6,341,394
(6,341,394+5,693,328+6,508,453)/3
FEBRERO 2 5,693,328
MARZO 3 6,508,453
ABRIL 4 6,170,858 6,181,058
MAYO 5 6,561,537 6,124,213
JUNIO 6 6,168,216 6,413,616 6,255,114
JULIO 7 6,176,497 6,300,204 6,220,478
AGOSTO 8 5,754,596 6,302,083 6,317,112
SEPTIEMBRE 9 6,207,238 6,033,103 6,166,341
OCTUBRE 10 6,477,329 6,046,110 6,173,617

ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
NOVIEMBRE 11 6,360,097 6,146,388 6,156,775
DICIEMBRE 12 6,348,221 6,195,151
Diferencias 380,513 160,337
La tabla 4, muestra cómo la técnica de los promedios móviles se puede aplicar con un
promedio de tres y de cinco meses. La aplicación de este método de predicción se muestra
en la ilustración 27.
En esta figura se observan fácilmente dos de las características de los promedios móviles,
la primera es que antes de que cualquier pronóstico puede prepararse, se deben tener
tantas observaciones históricas como se necesiten y la segunda se refiere a que entre más
grande sea el número de observaciones incluidas en el promedio móvil, mayor será el efecto
de Suavizamiento en el pronóstico.
Al observar en los pronósticos 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
pronóstico pentamensual obtenemos casi la mitad de esa diferencia que es de 160,337. Así
aumentar el número de períodos incluidos en el promedio móvil tiene un marcado efecto en
el total de Suavizamiento realizado. Entre más grande el número, mayor es el alcance del
Suavizamiento, o más cerca se está del promedio de todos los valores
6,800,000
6,600,000
6,400,000
6,200,000
6,000,000
5,800,000
5,600,000
FEBRERO
DICIEMBRE
ABRIL
NOVIEMBRE
MARZO
MAYO
JUNIO
AGOSTO
OCTUBRE
JULIO
SEPTIEMBRE
ENERO
Datos reales
Predicción con promedios móviles trimestral
Predicción con promedios móviles pentamensual
Ilustración 13 Gráfica de los pronósticos obtenidos mediante promedios móviles
35
Para determinar si el promedio móvil trimestral o pentamensual es más apropiado para

pronosticar la demanda, es útil estimar el error en ambos pronósticos. La tabla 5 muestra
el error para cada predicción y calcula la desviación media absoluta (MAD) y el error
cuadrado medio (RMS) con propósitos de comparación. Ambas formas de medición de error
indican que el promedio móvil de cinco meses proporciona un mejor pronóstico que el
promedio móvil trimestral cuando se verifica con datos históricos al ser menores esos
errores.
Para entender mejor la técnica de los promedios móviles, se hace necesario considerar
brevemente la representación matemática de este método. En términos sencillos, la técnica
de predicción con promedios móviles se puede representar como sigue:
𝑋𝑡 +𝑋𝑡−1 +⋯……+𝑋𝑡−𝑁+1 1
𝐹𝑡+1 = 𝑆𝑡 = = ∑𝑡𝑖=𝑡−𝑁+1 𝑋𝑖 (a)
𝑁 𝑁
En donde
𝐹𝑡+1 = Pronóstico para el tiempo t+1
𝑆𝑡 = valor suavizado en el tiempo t
𝑋𝑖 = valor actual en el tiempo i
I = periodo de tiempo
N = número de valores incluidos en el promedio.
Tabla 4 Cálculo del los errores obtenidos mediante el método de promedios móviles
Promedio móvil trimestral Promedio móvil pentamensual

Demanda Demanda error Demanda error
Períod erro error al erro error al
Observad Pronosticad absolut pronosticad absolut
o r cuadrado r cuadrado
a a o a o
1 6,341
2 5,693
3 6,508
4 6,171 6,181 10 10 104,047
191,252,28
5 6,562 6,124 -437 437
1
6 6,168 6,414 245 245 60,221,160 6,255 87 87 7,551,262
7 6,176 6,300 124 124 15,303,339 6,220 44 44 1,934,364
299,742,38 316,424,47
8 5,755 6,302 547 547 6,317 563 563
0 5
9 6,207 6,033 -174 174 30,322,998 6,166 -41 41 1,672,581
185,949,53
10 6,477 6,046 -431 431 6,174 -304 304 92,241,100
8
11 6,360 6,146 -214 214 45,671,679 6,157 -203 203 41,339,754
12 6,348 6,195
828,567,42 461,163,53
suma -330 2,183 0 145 1,241
3 7
103,570,92
media -41 273 0 18 155 57,645,442
8
36
De la ecuación (a) se puede ver que en el método de los promedios móviles se da una
ponderación (o importancia) igual a cada uno de los último N valores de la serie, pero no se
asigna ponderación alguna a los valores observados antes de ese tiempo.
También se puede observar que para calcular el promedio móvil, se deben tener los valores
de las últimas N observaciones. Se puede desarrollar una forma más corta de la ecuación
(a) para calcular el promedio móvil. El pronóstico de promedio móvil para el periodo t está
dado por
𝑋𝑡−1 +𝑋𝑡−2 +⋯……+𝑋𝑡−𝑁

𝐹𝑡 = 𝑆𝑡 = (b)
𝑁
Esto significa que una vez que se tiene el pronóstico para el período t (es decir, F), se puede
obtener el pronóstico del periodo t+1 al sumar 𝑋𝑡 /𝑁 y restar 𝑋𝑡−𝑁 /𝑁.
El Valor de Ft+1 de la ecuación (a) se puede encontrar de manera alternativa como
𝑋𝑡 𝑋𝑡−𝑁
𝐹𝑡+1 = − + 𝐹𝑡 (c)
𝑁 𝑁
Escrita de esta forma, cada nuevo pronóstico basado en un promedio móvil es un ajuste
del pronóstico de promedio móvil precedente. Es, asimismo, fácil ver por qué el efecto del
Suavizamiento aumenta a medida que N se hace más grande: se está haciendo un ajuste
más pequeño entre cada pronóstico.
4.2.3 MODELOS DE SUAVIZAMIENTO EXPONENCIAL ÚNICOS.
Al menos dos limitaciones importantes de los promedios móviles han motivado a la mayoría
de los pronosticadores a aplicar en su lugar el método de Suavizamiento exponencial.
Primero, para calcular un pronóstico de promedio móvil es necesario almacenar al menos
N valores observados, lo que requiere espacio considerable si se necesita pronosticar un
número grande de elementos. Segundo, el método de promedios móviles asigna una
ponderación igual a cada una de las últimas N observaciones y ninguna ponderación en
absoluto a las observaciones anteriores al período (t-N).
Se puede plantear un fuerte argumento en el siguiente sentido: puesto que las

observaciones más recientes contienen la información más actualizada acerca de lo que
acontecerá en el futuro, se le debe asignar relativamente una mayor ponderación que a las
observaciones más antiguas. Lo deseable sería un esquema que asignara la ponderación
que asignara la ponderación mayor a los valores observados más recientes, y
ponderaciones decrecientes a los valores más antiguos. El Suavizamiento exponencial
satisface este requerimiento y elimina la necesidad de almacenar los valores históricos de
la variable.
En principio, el Suavizamiento exponencial funciona de manera análoga a los promedios

móviles al “suavizar” las observaciones históricas para eliminar lo estocástico. Sin embargo,
el procedimiento matemático para desempeñar dicho Suavizamiento es algo diferente del
utilizado en los promedios móviles. La técnica del Suavizamiento exponencial se puede
37
desarrollar empleando la ecuación (c) para calcular el promedio móvil. Supóngase que sólo
se tiene disponible el valor observado más reciente y el pronóstico hecho para el mismo
periodo. En tal situación, la ecuación (c) podría modificarse de forma tal que en lugar del
valor observado en el periodo (t—N) se pudiese empelar un valor aproximado. Una
estimación razonable sería el valor del pronóstico del periodo anterior. Así la ecuación (c)
se modificaría para dar
𝑋𝑡 𝐹𝑡
𝐹𝑡+1 = − + 𝐹𝑡 (d)
𝑁 𝑁
Esta ecuación se puede escribir como
1 1
𝐹𝑡+1 = 𝑋 + (1 − ) 𝐹𝑡 (e)
𝑁 𝑡 𝑁
Lo que ahora se tiene es un pronóstico que pondera las observaciones más recientes con
una ponderación con valor de 1/N y al pronóstico más reciente con una ponderación con
valor de (1-1/N). Si sustituimos 1/N por el símbolo alfa se tiene
𝐹𝑡+1 = ∝ 𝑋𝑡 + (1−∝)𝐹𝑡 (f)
Esta ecuación es la forma general usada para calcular un pronóstico con el método del
Suavizamiento exponencial.
De esta ecuación se puede observar que el Suavizamiento exponencial también se

sobrepone a otra limitación de los promedios móviles en el sentido de que las
ponderaciones decrecientes se asignan a los valores observados más antiguos; es decir,
puesto que α es un número entre 0 y 1 (por lo que (1-α) es también un número entre 0 y 1),
las ponderaciones α, α(1-α), α(1-α)2, etc., tienen valores decrecientes exponencialmente.
De aquí el nombre de Suavizamiento exponencial.
Una manera alternativa de escribir la ecuación (f) puede facilitar la comprensión del
Suavizamiento exponencial. Al reordenar los términos de la ecuación (f) se puede obtener.
𝐹𝑡+1 = 𝐹𝑡 +∝ (𝑋𝑡 − 𝐹𝑡 ) o lo que es lo mismo que (g)
𝐹𝑡+1 = 𝐹𝑡 +∝ (𝑒𝑡 ) (h)
Por lo tanto, el efecto de una α grande o pequeña es análogo al efecto de incluir un número
pequeño o grande de observaciones al calcular un promedio móvil.
Utilizando los datos de la demanda de pasajeros, la ilustración 28 muestra como mediante

el uso del paquete SPSS se pueden obtener los resultados. El único aspecto que debe
recordarse es que para el primer periodo no está disponible ningún pronóstico previo.
Analizar>Series temporales>Suavizamiento exponencial

Variables: Pasajeros_1
Modelo: Simple
Parámetros: General (Alfa)>Búsqueda de rejilla.
Aceptar>Aceptar
38
Ilustración 14 Cálculo del modelo de predicción con el método simple con SPSS
Un valor grande de α (0.9) proporciona un Suavizamiento pequeño al pronóstico, mientras

que un valor pequeño de 𝛼 (0.1) proporciona un Suavizamiento considerable.
Un valor pequeño de α tiende a producir pronósticos que están más suavizados (o sea,
tienen menos fluctuación) que valores más grandes de α. Sin, embargo, para encontrar el
valor de α que genere los mejores pronósticos para los datos del pasado, se requiere
calcular el error cuadrado medio o la desviación absoluta media.
En nuestro análisis SPSS muestra los 10 valores del alfa calculados indicando la suma de
los errores cuadráticos, sobre el que podemos concluir que para 𝛼 = 0,00, el error es
menor, como muestra la tabla 6.
Tabla 5 Suma de los errores cuadráticos de la aplicación del Método simple
Sumas de los errores

Serie Rango del modelo Alpha (Nivel) cuadráticos
Pasajeros_1 1 .00000 4856,087,254,199.12000
2 .10000 5044909144667.69000
3 .20000 5363721301989.94000
4 .30000 5660141235867.19000
5 .40000 5914763276965.56000
39
6 .50000 6122248837379.30000
7 .60000 6292367209369.67000
8 .70000 6444663320070.61000
9 .80000 6600432002495.73000
10 .90000 6777085518538.42000
Parámetros del suavizado
Serie Alpha (Nivel) Sumas de los errores cuadráticos gl error

Pasajeros_1 .00000 4856087254199.12000 1857
A continuación, se muestran los parámetros con las sumas menores de errores cuadráticos. Estos parámetros
se utilizan para pronosticar.
Para usar el Suavizamiento exponencial, solamente se necesita tener el valor observado

más reciente, el pronóstico más reciente y el valor de α. El empleo del Suavizamiento
exponencial único es fácil y económico, por que los programas de computadora pueden
encontrar automáticamente el mejor valor de α. En este caso vemos que el mejor α
calculado fue “0” por lo que analizando la ecuación para el cálculo del pronóstico:
𝐹𝑡+1 = 𝐹𝑡 +∝ (𝑒𝑡 ) (i)
Vemos que el término del error se anula, esto nos indica que siempre el valor del pronóstico
se convertirá en una constante lo que se ratifica en la Ilustración 29. La línea proyectada
verde inmediata al período de validación es el pronóstico realizado con este método.
Tanto la técnica de Suavizamiento simple como los promedios móviles o el Suavizamiento
exponencial pueden utilizarse efectiva y económicamente cuando el patrón histórico de los
datos se puede considerar como horizontal. Sin embargo estas técnicas pueden no ser
efectivas al manejar tendencias o patrones estacionales, como es el caso de la demanda
bajo estudio, necesitándose desarrollar otras formas de Suavizamiento para trabajar en
tales situaciones, con el propósito de reducir considerablemente el error.
4.2.4 MODELOS DE SUAVIZAMIENTO EXPONENCIAL LINEAL (SUAVIZAMIENTO

EXPONENCIAL DOBLE DE HOLT)
El Suavizamiento exponencial único es teóricamente apropiado para cuando la serie

presenta un patrón horizontal, es decir no tiene tendencia. Si el Suavizamiento exponencial
único se usa con una serie de datos que contenga una tendencia consistente, los
pronósticos irán a la zaga (se retrasarán) de la tendencia. El método de Suavizamiento
lineal evita tal problema al reconocer explícitamente y tomar en consideración la presencia
de una tendencia.
Cuando una serie de tiempo presenta alguna tendencia, ya sea creciente o decreciente, se
puede utilizar el suavizamiento de Holt que permite estimar por separado el valor suavizado
de la serie y el cambio en la tendencia a través del tiempo. La ilustración 31 muestra cuál
es procedimiento en SPSS para el cálculo de este método.
40

Modelo: Holt
Tendencia (Gamma)>Búsqueda de rejilla
Aceptar>Aceptar
Ilustración 15 Cálculo del modelo de predicción con el Método de suavizamiento de Holt con SPSS
Para utilizar el método de Holt se requieren dos constantes de suavizamiento, α que es la

constante de suavizamiento para el nivel de la serie y β 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
combinación adecuada es la que produzca una menor media absoluta de los errores (MAE)
o una menor media absoluta del porcentaje de error (MAPE) .24
Los valores de las estimaciones iniciales son:
S1= X1
T1 = X2 - X1
Las proyecciones o pronósticos se obtienen con las siguientes ecuaciones:
24
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030006/lecciones/capitulocinco/5_2_4.html
consultada el 20 de febrero de 2009.
41
𝑇𝑡= 𝛽(𝑆𝑡 − 𝑆𝑡−1 ) + (1 − 𝛽)𝑇𝑡−1 (j)
𝑆𝑡 = 𝛼𝑋𝑡 + (1 − 𝛼)(𝑆𝑡−1 + 𝑇𝑡−1 ) (k)
𝐹𝑡+𝑚 = 𝑆𝑡 + 𝑇𝑡 𝑚 (l)
Donde:
𝑆𝑡 equivalente del valor suavizado exponencial único

𝛽 coeficiente de suavizamiento, análogo a α
𝑇𝑡 tendencia suavizada en la serie de datos.
m número de períodos a pronosticar 1,2,3…………
Con la ecuación (j) podemos ver que la tendencia más reciente, (𝑆𝑡 − 𝑆𝑡−1 ) está ponderada
por β y la última tendencia suavizada, 𝑇𝑡−1 , está ponderada por (1-β). La suma de estos
valores ponderados es el nuevo valor de la tendencia suavizada. Para nuestro caso β es
Gamma como lo nombra SPSS y vemos que el mejor valor encontrado es “0” lo que implica
que sólo la última tendencia será la que utilicemos.
SPSS realiza los cálculos utilizando estas ecuaciones, la tabla 7 muestra la corrida de este
método en el que se obtuvo los siguientes resultados:
Tabla 6 Descripción de resultados del Modelo de suavizamiento de Holt en SPSS
Descripción del modelo
Nombre del modelo MOD_4

Serie 1 Pasajeros Corregido
Modelo de Holt Tendencia Lineal
Estacionalidad Ninguno
Estado de suavizado inicial
Pasajeros_1
Nivel 67657.91096
Tendencia 44.17808
Sumas menores de los errores cuadráticos
Gamma
Serie Rango del modelo Alpha (Nivel) (Tendencia) Sumas de los errores cuadráticos
Pasajeros_1 1 .10000 .00000 3746909207855.35100
2 .20000 .00000 3956162450628.50300
3 .10000 .20000 4011466788585.11100
4 .30000 .00000 4167556892296.53200
5 .10000 .40000 4319389211935.85000
6 .40000 .00000 4350890080592.53700
7 .20000 .20000 4369386411192.39700
42
8 .50000 .00000 4499296398596.58600

9 .60000 .00000 4619126559500.59000
10 .10000 .60000 4621629497052.09000
Gamma
Serie Alpha (Nivel) (Tendencia) Sumas de los errores cuadráticos gl error
Pasajeros_1 .10000 .00000 3746909207855.35100 1459
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 cuadráticos son resultado de las 10 iteraciones
que realiza el paquete en búsqueda de la menor suma de cuadrados de los errores.
Vemos de la tabla de parámetros del suavizado que aún el error sigue siendo alto para los
parámetros óptimos encontrados por el SPSS, en donde debemos tomar en cuenta que el
paquete renombra como parámetro de nivel a alpha y en el caso de la tendencia que
utilizamos para el desarrollo teórico beta a gamma.
Con respecto a la ecuación (k) la única diferencia entre ésta y la forma anterior con respecto
al suavizamiento exponencial único ecuación (f), es el término adicional 𝑇𝑡−1 que se suma
a 𝑆𝑡−1 para ajustar los valores suavizados del patrón 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 pronóstico se deben sumar el componente tendencial al valor suavizado básico
para el número de periodos adelantados que se va a pronosticar, como se indica en la
ecuación (l). La ilustración 32 muestra el cálculo para la predicción en la serie de pasajeros
transportados. Observe que la predicción presenta un crecimiento lineal con tendencia, sin
embargo el comportamiento de los datos históricos nos hace concluir que el futuro no se
esperaría tenga presente este patrón. Observe la línea verde de la predicción.
La diferencia con el método anterior es que se tomó en cuenta la tendencia multiplicada

por el período lo que nos resultó una ecuación lineal con tendencia como pronóstico, sin
embargo la periodicidad aún no es analizada y es por tal razón necesitamos buscar un
método que nos permita mejorar el modelo de predicción por ello a continuación analizamos
un método en el que toma ya en cuenta este hecho.
Los residuales de un ajuste deben siempre distribuirse aleatoriamente, sin ninguna

apreciable dirección. Si los residuales de algún modelo mostrasen algún patrón, el modelo
sería inadecuado. Los residuales de la ilustración 33 no muestran una gran variabilidad lo
que revalidan la necesidad de ajustar el modelo.
43
4.2.5 MODELOS DE SUAVIZAMIENTO EXPONENCIAL DE WINTER
Otra forma útil de suavizamiento la desarrolló Winters a principios de la década de 1960.

Este método genera resultados semejantes a los del suavizamiento exponencial lineal
según 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 patrón, 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 método de Winters
incluye un parámetro adicional para manejar la estacionalidad. Hay tres ecuaciones de
suavizamiento básicas implicadas en el método de Winters:
𝑋𝑡
𝑆𝑡 =∝ 𝐼 + (1−∝)(𝑆𝑡−1 + 𝑇𝑡−1 ) (m)
𝑡−𝐿
𝑇𝑡 = 𝛽(𝑆𝑡 − 𝑆𝑡−1 ) + (1 − 𝛽)𝑇𝑡−1 (n)

𝑋
𝐼𝑡 = 𝛾 𝑆𝑡 + (1 − 𝛾)𝐼𝑡−𝐿 (o)
𝑡
En donde:
S= valor suavizado de la serie desestacionalizada.

T= Valor suavizado de la tendencia.
I=Valor suavizado del facto estacional.
L= Duración de la estacionalidad (v. gr. número de meses o trimestres en un año.)
La predicción basada en el método de Winters se calcula como
𝐹𝑡+𝑚 = (𝑆𝑡 + 𝑇𝑡 𝑚)𝐼𝑡−𝐿+𝑚 (p)
Las instrucciones en SPSS son las siguientes:

Modelo: Winters
Tendencia (Gamma)>Búsqueda de rejilla
Estacional (Delta)>Búsqueda de rejilla
Aceptar>Aceptar
44
Ilustración 16 Cálculo del modelo de predicción con el Método de suavizamiento de Winter con SPSS
La ilustración 34 muestra como SPSS realiza los cálculos para obtener un modelo de
predicción mediante el método de Winter.
Las constantes de suavizamiento inicialmente son seleccionadas arbitrariamente, con la

condición de que estén entre cero y uno.
Se deben probar varias combinaciones de α, β hasta encontrar la que genere predicciones

suficientemente precisas. Este es uno de los problemas que acompañan el método 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 desviación media
absoluta (MAD).
Este proceso fácilmente lo realiza SPSS, se observa en el cuadro de diálogos de los

parámetros, la activación de la casilla mostrar los 10 mejores modelos de la búsqueda 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 también
se puede emplear un promedio móvil centrado de igual longitud al período estacional. Para
el valor inicial de la tendencia se pueden utilizar los 2L primeros datos para hacer una
regresión lineal; la pendiente ( ) es el valor inicial de la tendencia en el período inicial, es
45
decir, b1 = y además el coeficiente de intersección 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 períodos que conforman el ciclo estacional; cada uno de estos factores se obtiene
dividiendo el valor observado de la variable en cada período por el valor de la tendencia
para el correspondiente período. 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 pronósticos. A pesar de que este cálculo es un poco extenso SPSS lo
realiza de manera rápida y precisa así la tabla 8 muestra los resultados obtenidos.
Tabla 7 Descripción de resultados del Modelo de suavizamiento de Winter en SPSS
Descripción del modelo

Nombre del modelo MOD_8
Serie 1 Pasajeros Corregido
Modelo multiplicativo Tendencia Lineal
de Winters Estacionalidad Multiplicativo
Longitud del periodo estacional
7
Estado de suavizado inicial
Pasajeros_1
Índices 1 112.35042
estacionales 2 114.06417
3 77.49747
4 58.61673
5 113.39978
6 111.67424
7 112.39719
Nivel 139940.15424
Tendencia 38.11920
Sumas menores de los errores cuadráticos
Gamma Delta Sumas de los errores

Serie Rango del modelo Alpha (Nivel) (Tendencia) (Estación) cuadráticos
Pasajeros_1 1 .20000 .00000 .00000 895306251962.63400
2 .10000 .00000 .00000 896910799840.41600
3 .30000 .00000 .00000 902246594634.86400
4 .40000 .00000 .00000 915381180572.09400
5 .50000 .00000 .00000 934050977934.68200
6 .60000 .00000 .00000 958771236312.90200
7 .70000 .00000 .00000 990903134087.82000
46
8 .10000 .00000 .20000 993497993259.23800

9 .20000 .00000 .20000 999016245426.67000
10 .30000 .00000 .20000 1009551908171.35400
Gamma Delta
Serie Alpha (Nivel) (Tendencia) (Estación) Sumas de los errores cuadráticos gl error
Pasajeros_1 .20000 .00000 .00000 895306251962.63400 1453
La tabla 8 muestra los resultados del Método de Winters con SPSS, en donde se destaca
un resumen del modelo indicando la existencia de tendencia y también de estacionalidad
7. La tabla estado de suavizado inicial muestra los índices de estacionalidad para los 7
días, en donde 1 es para jueves pues recordamos que la serie inicia el 01/01/04 que es
jueves. El índice estacional más bajo es el 4 que corresponde al día 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 índice de estacionalidad.
La tabla anterior muestra, sumas menores de los errores cuadráticos, muestra los 10
mejores modelos obtenidos por iteración del SPSS en el que ubicamos el que menor suma
cuadrada de los errores genere. Este resultado plasma la última tabla, parámetros del
suavizado.
La ilustración 35 muestra a la serie de pasajeros y la serie obtenida de la aplicación del

modelo de suavizamiento exponencial de Winters, observamos que en el período de
validación existe altas diferencias con los datos reales , parece ser que aún el modelo puede
ser mejorado de tal manera que permita asegurar que la predicción 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 búsqueda de un modelo que mejore las predicciones, por lo
que a continuación estudiaremos un modelo que toma en cuenta por separados los
patrones que se encuentran en la serie de pasajeros y nos brinda una estimación del futuro,
se deberá por tanto de igual manera encontrar mediante la suma de los errores cuadráticos
si el modelo que obtengamos va mejorando.
La suma de los errores cuadráticos aún es alto sin embargo mejoró considerablemente
con esta técnica de predicción el modelo y disminuyó el error. La ilustración 36 muestra
con claridad este hecho, el método de Winter hasta ahora da mejores resultados.
47
Sumas de los errores cuadráticos de cada

Método de predicción
4%
18% Ingenuo
34% Promedio
Exponencial único
23%
Holt
Winter
21%
Ilustración 17 Suma de los errores cuadráticos obtenidos con los modelos de suavizamiento exponencial.
4.3 MÉTODOS DE DESCOMPOSICIÓN PARA PRONÓSTICOS DE

SERIES DE TIEMPO.
“Los métodos de suavizamiento no permiten identificar los componentes individuales del

patrón básico subyacente. Sin embargo, el patrón global puede dividirse, o descomponerse,
en subpatrones que identifiquen separadamente cada componente de la serie de tiempo.
Frecuentemente dicha descomposición puede facilitar el proceso de predicción y ayudar al
pronosticador a entender el comportamiento de la serie.
Los métodos de descomposición identifican tres componentes distintos del patrón básico
subyacente que caracterizan a las series económicas y empresariales. Éstos son los
factores tendenciales, cíclico 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 línea recta, pero en ciertas situaciones
puede existir una curva exponencial o en forma de S, u otro patrón de largo plazo. El factor
cíclico representa las altas y bajas causadas por las condiciones económicas o específicas
de la industria. El factor estacional se refiere a fluctuaciones periódicas de longitud
constante y profundidad proporcional, que son provocadas por circunstancias tales como la
lluvia, el mes del año, el espaciamiento de feriados y políticas corporativas.
Resumen: Los métodos de suavizamiento así como el de descomposición mostraron la

fácil aplicación para encontrar un ajuste más adecuado a la serie original de pasajeros
transportados.
El análisis exploratorio de la serie, es punto de partida de la aplicación de cualquier método

de pronóstico mediante series de tiempo. Identificar cada uno de los patrones es esencial
para concluir que método es el que mejor ajustaría a los datos.
Los datos atípicos deben ser tratados en la fase exploratoria, debido a que estos análisis
estudian patrones pasados basándose en promedios y un dato perdido puede afectar a la
proyección al futuro.
48
El método del promedio simple se aplica cuando existe un patrón horizontal, el método de
Holt cuando está presente el patrón tendencial y el método de Winters cuando tanto la
tendencia como la estacionalidad están presentes.
El método de descomposición permite detectar cada patrón presente en la serie de tiempo

y se pueden obtener proyecciones analizando cada descomposición por separado.
El análisis de la bondad del modelo que utiliza SPSS está basado en el estudio de la suma
de los errores cuadráticos, que es una parte del MSD o error medio cuadrado (EMC),
estudiado en el capítulo III, sin embargo, SPSS no utiliza la división para el número de
datos.
∑𝑛𝑖=1 𝑒𝑖2
𝐸𝑀𝐶 =
𝑛
La comparación de la suma de los errores cuadráticos de los métodos aplicados en este

capítulo, se muestra en la ilustración 43, en donde se aprecia que el método de Winters dio
mejores ajustes para la predicción.
Sumas de los errores cuadráticos de cada

Método de predicción
6%
4%
Ingenuo
31% Promedio
17%
Exponencial único
Holt
22% Winter
20%
Descomposición estacional
Ilustración 18 Comparación de suma de los errores cuadráticos de los métodos de suavización y descomposición.
Estos métodos fueron el inicio del análisis de las series de tiempo, sin embargo, las técnicas
han ido mejorando, creándose así metodologías más avanzadas, el capítulo siguiente se
encarga de este estudio, donde se expondrá la metodología llamada de Box Jenkins
mediante los modelos ARIMA estacionales.
49
50
51
52

Pronos Ticos

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Pronos Ticos

Caricato da

Copyright:

Formati disponibili

Métodos de Pronósticos Verónica M./ P.

Reyes agosto 2009

Dr. Primitivo Reyes Aguilar / agosto

Con base en la Tesis de maestría:

 El Pronóstico de la Demanda en el Futuro es esencial para el manejo adecuado de la

(Procesos anticipados a la (Procesos realizados como

 ¿Cuál será la demanda del cliente por determinado producto en el futuro?

 Existen diferentes patrones de demanda.

 La mayoría de los administradores toman decisiones constantemente sin conocer con

2.2 Áreas de Toma de Decisiones

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

 La búsqueda de las empresas es realizar estimaciones con respecto al futuro y tomar

 Algunas decisiones importantes dentro de la toma de decisiones de pronóstico son:

 Inversión de Planta/  Planeación de Fuerza

2.3 Base para los pronósticos

Los pronósticos se pueden manejar en base a :

o Datos históricos para proyectar el futuro en base a modelos matemáticos.

 Existen ocasiones en que una forma de pronosticar es la adecuada y en otras

Ningún pronóstico dará el

 Pronosticar es el primer paso para fallar

Horizontes de Tiempo en Pronósticos

2.4 Aplicaciones de los Pronósticos de Demanda

Corto plazo Mediano Plazo Largo Plazo

Área de  Manejo de  Planeación de puestos  Localización de

Información necesaria para realizar el Pronóstico de la Demanda

 Demanda en el pasado (Tendencia)

2.5 Pronósticos para la Planeación

Condiciones del Panorama Económico Otros Factores

Plan de Mercadotecnia Plan de Producción Plan Financiero

 Publicidad  Nivel y gestión de la  Políticas de

Diferencias en Categorías de Pronósticos

La Influencia del Ciclo de Vida del Producto

 Un factor que debe considerarse cuando se desarrollen pronósticos de ventas es el

Enfoques para Pronósticos

Modelos de Decisión para

Pronósticos Cuantitativos Pronósticos Cualitativos

2.6 Modelos Cualitativos

 Jurado de Opinión ejecutiva

 Encuestados (Grupo de personas cuyos juicios son evaluados).

2.7 Métodos Cuantitativos

 Existen dos tipos de métodos cuantitativos:

 Predicen sobre la base  Se incorporan al modelo

CAPITULO III METODOLOGÍA DE LOS

El conocer y entender tales limitaciones ayudan a desarrollar expectativas realistas con

3.1. BREVE RESEÑA HISTÓRICA

Al hablar de pronósticos, vienen a la mente varios hechos, tal

Esta inquietud no solo se convierte en curiosidad, pues

El pronóstico, en el lenguaje cotidiano, no es más que un conocimiento probable sobre un

La finalidad de los pronósticos es predecir el desarrollo futuro para ayudar a la toma de

Para comprender la amplitud de los enfoques de predicción actualmente disponibles, es útil

3.2. CLASIFICACIÓN DE LOS ENFOQUES PARA PRONÓSTICOS

Cuando los gerentes de organizaciones se enfrentan con la necesidad de tomar decisiones en

También se podría clasificar a los pronósticos en muchos esquemas diferentes al considerar

“Son los que se utilizan comúnmente en las empresas y

3.2.2. MÉTODOS CUANTITATIVOS

“La segunda categoría – métodos cuantitativos - es el tipo en el

Los métodos de series de tiempo buscan identificar patrones

La mayoría de estos métodos son estudiados posteriormente, el enfoque de monitoreo y el de

3.2.3. MÉTODOS TECNOLÓGICOS

No obstante, nada impide extrapolar

En la página 74 del libro encontramos el

Con frecuencia se da una situación en que

Otra debilidad es que es casi imposible

3.3. TIPOS DE MODELOS