ADMINISTRACIÓN DE OPERACIONES

INTRODUCCION

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.
Desarrollo del tema

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

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.

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 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

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 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”.

2.1. 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.

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.
 2.1.1. MÉTODOS DISCRECIONALES O CUALITATIVOS

“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 1 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.”

2.1.2. MÉTODOS CUANTITATIVOS

Ilustración 2 Método cuantitativo

“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
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.

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).

Ilustración 3 Método tecnológico.

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 Loewy 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.

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.

2.2. 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
Ilustración 4 Relación de Series de Tiempo
recurrente a través del tiempo. De
esta manera, al 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 5 Relación explicativa o causal
variables (los insumos).”

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.”

2.3. 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.

Ilustración 6 Patrón Horizontal
él. La ilustración 15 muestra un patrón
horizontal típico para una variable.”
Ilustración 7 Patrón Estacional
hasta los factores externos, como el clima. La
ilustración 16 presenta un patrón en el cual las estaciones corresponden a los cuatro
trimestres del calendario para la primavera, el verano, el otoño y el invierno.
Ilustración 81 Patrón Cíclico
“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
“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)
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. La
ilustración 17 muestra un patrón cíclico. El patrón cíclico es difícil de pronosticar, porque
no se repite a intervalos constantes de tiempo y su duración no es uniforme”.

El patrón de tendencia de una serie

Ilustración 9 Patrón de tendencia de los datos
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.

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.

2.4. 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 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.”

2.4.1. 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
 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

2.4.3. 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.”

2.4.4. 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
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.

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).

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.

2.5. 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. 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.

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.
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.

RESUMEN: Se determinó que un punto

Ilustración 10 Metodología para encontrar un modelo
que permita predecir.
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

(horizontal, tendencia, ciclo, estacionalidad) 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.