Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
INTRODUCCION
3.5
3.4 Tipo de
Medición
3.1 Breve reseña patrones
del error en
histórica en los
los
datos
pronósticos
3.2
3.6 Etapas de la
Clasificació
solución de
n de los 3.3 Tipos
problemas
enfoques de modelos
relacionados con
para
los pronósticos
pronósticos
II.-BREVE RESEÑA HISTÓRICA
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 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 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.
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.”
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.
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).
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.
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 consistencia y la
homogeneidad de la serie de las observaciones originales.
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.
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.
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.
Componente Descripción
Tendencia Es el componente de largo plazo que representa el crecimiento
o disminución en la serie sobre un periodo amplio.
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:
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 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.
“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.
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.”
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
2.4.2. 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
“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.
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
∑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
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:
Enero 1 6,341 - - - -
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.
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.
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. 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.
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.
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:
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.
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.
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.