Capitulo 3 PDF

·
'1
CAPíTULO 3
LO QUE SE PUEDE Y NO SE
PUEDE PRONOSTICAR*
En el capítulo anterior, se analizó la función de los pronósticos en la planificación

y en otras actividades de la toma de decisiones con vistas al futuro. Como se
sabe, algunos sucesos o situaciones se pueden pronosticar con un alto grado de
exactitud, mientras que otros son menos pronosticables o completamente impre
decibles. En este capítulo se describirá el alcance de la pronosticabilidad de
varios sucesos o situaciones que más comúnmente se encuentran en las aplica
ciones prácticas. Se considera de sumaimportancia para los que toman decisiones
y deciden políticas ser conscientes de las ventajas de la predicción: asimismo,
también es importante que conozcan sus limitaciones.
LAS PERCEPCIONES Y LA REALIDAD DE LOS PRONÓSTICOS
El derrumbe del mercado de valores del 19 de octubre de 1987 sorprendió a tia

gran número de inversionistas. Obviamente, muchos no anticiparon el colapso.
Al hacer caso a los pronósticos de que ei mercado alcista continuaría. anticiparon
enormes ganancias por los aumentos en sus carteras de valores. No pretendemos
afirmar que nosotros pronosticamos la caída; sin embargo, no nos sorprendió.
Como se dejará ciara más adelante en este capítulo, es imposible pronosticar el
rumbo del mercado de valores o de valores individuales. Los precios del mercado
de valores son cíclicos (o sea, fluctúan ampliamente alrededor de una tendencia
secular de largo plazo). Por ejemplo, antes de 1974 el Promedio Industrial Dow
Jones alcanzó 1300. Luego bajó a menos de 800 en un periodo de unos pocos
meses, una reducción del 40%. Por lo tanto, un descenso semejante de 40% no
debió de sorprender. Esto Quiere
"1 :jr:::~¡r cue el Dow Iones de 2800 ::·oi.lrfa baiar
~ ~
hasta menos de 1700 sin sorprender a nadie, pero la gente tiende a olvidar lo
*Este capitulo se basa en S. Makridakis, "Meraforecasting. Ways of hnproving Forecasiing Accuracy

and Usefulness", buernational Journal 01Forecasting, 4. no. 3, pp. 467-491.
46 Función e importancia de los pronósticos en la administradón
que sucedió en el pasado (véase el capítulo 13). De la misma manera, le gusta

creer en las habilidades proféticas de alguien o de algún método.
Los inversionistas del mercado de valores no son los únicos que son
sorprendidos por creencias erróneas' en la precisión de los pronósticos, y la
incertidumbre que rodea a todas las predicciones que se relacionan con sucesos
del medio económico o empresarial. Los funcionarios gubernamentales y em
presariales también son sorprendidos. De aquí que sea necesario poner las cartas
sobre la mesa. Reiteramos una vez más que es de suma importancia el no tener
expectativas irreales con respecto a qué tan exactamente y con qué grado de
certeza se puede pronosticar el futuro.
LA PRONOSTlCABILlDAD DEL FUTURO
Como se indicó en los capítulos 1 y 2, un requisito de cualquier forma de

predicción, sea ésta discrecional o cuantitativa, es que existaun patrón o relación
que se refiera a algún suceso' de interés. Tales patrones o relaciones tienen que
ser correctamente identificados o proyectados con el propósito de pronosticar.
Cuando los patrones o relaciones no existen, la predicción no es posible,
aunque se pueden hacer evaluaciones discrecionales basadas en sucesos
pasados semejantes. El progreso científico ha mejorado considerablemente
nuestra habilidad para pronosticar sucesos futuros, aunque de manera dispareja,
en diversas áreas. En el campo fisico, la precisión de los pronósticos es perfecta
para todos los propósitos prácticos. En otras áreas, sobre todo en el campo de
la economía o de los negocios, la pronosticabilidad va desde lo intrascendente a
¡ lo excelente.
En el dominio de 10 fisico, los patrones son exactos y las relaciones precisas
\
y, para fines prácticos, permanecen inalterados a través' del tiempo: Éste no es
el caso en el campo de la economía o de la empresa, en donde los patrones y
\ las relaciones se'entremezclan con perturbaciones aleatorias ycambian impre
deciblemente con el tiempo. Dos causas importantes del cambio de patrones y
\
!
relaciones son 10 caprichoso del comportamiento humano (comolas alteraciones
I
de las actitudes atizadas por la modao las diferencias entre los individuos) y la
habilidad de la gente para influir los sucesos futuros a'través de sus acciones (o
sea, los pronósticos mismos pueden convertirse en profecías autocumplidas
o autodesalentadoras que cambian los patrones y las relaciones establecidas),
La tabla 3-1 sintetizalos factores que influyen la pronosticabilidad así como
las características de patrones y relaciones como función de los sucesos impli
cados y el horizonte de predicción. Entre más prolongado 'sea' el horizonte de
predicción, mayor será la probabilidad de un cambio en los patrones o relaciones,
debido al) la conducta o actitudes de la gente pueden cambiar, 2) hay más
tiempo para utilizar los pronósticos con el fin de modificar el futuro para lograr
los beneficios deseados, o 3) puede ocurrir un cambio fundamental en el medio,
\
por ejemplo, un adelanto tecnológico. Además, la tabla 3-1 contiene algunos
.\
Lo que se puede y no se puede pronosticar 47
factores generales que influyen sistemáticamente la pronosticabilidad. A conti

nuación se describen brevemente esos factores.
1. Número de elementos. Entre mayor sea el número de elementos

implicado (todo 10 demás permaneciendo igual), mayor será la exactitud de los
pronósticos. Debido a la ley estadística de los grandes números, la magnitud de
los errores de predicción y, por lo tanto, la precisión, disminuye conforme el
número de elementos que se pronostica aumenta, y viceversa. De aquí que sea
más exacto pronosticar el número de llamadas telefónicas que llegan a una
estación operadora durante un intervalo de cinco minutos que el número de
computadoras personales vendidas en cierto día.
2. Homogeneidad de los datos. Entre más homogéneos sean los datos
(permaneciendo todo lo demás igual), más exactos serán los pronósticos, y
viceversa. Por 10 cual, los datos que se refieran a una sola región se pueden
pronosticar estacionalmente más exactamente que los datos que cubren muchas
regiones con patrones climáticos variables. De igual manera, las ventas de bienes
de consumo a clientes individuales se pueden pronosticar con mayor precisión
que las ventas combinadas a usuarios finales y a industriales.
3. Elasticidad de la demanda. A mayor inelasticidad de la demanda
(permaneciendo todo 10 demás igual), mayor exactitud de los pronósticos. Así,
la demanda de bienes de primera necesidad se puede pronosticar con un grado
de precisión más alto que la demanda de bienes de lujo, y la demanda de bienes
no duraderos con un grado mayor de exactitud que la de los duraderos. La
influencia de los ciclos económicos se halla relacionada con la elasticidad de
la demanda. Dichos ciclos tienen el mínimo impacto en la demanda inelástica y
el máximo impacto en la demanda elástica. Para la gente, los alimentos y los
bienes de primera necesidad tienen prioridad sobre otras compras cuando se
reduce su ingreso, por ejemplo, durante una recesión.
4. Competencia. Entre mayor sea la competencia (permaneciendo igual
todo lo demás), mayor es la dificultad para pronosticar, ya que la competencia
puede utilizar los pronósticos para cambiar el curso de los sucesos futuros e
invalidar así las predicciones.
LOS ORíGENES DE LOS ERRORES DE PREDICCiÓN Y LA

INCERTIDUMBRE FUTURA
En las ciencias físicas la identificación y verificación de patrones o relaciones

son exactas y objetivas. Para todo propósito práctico, los instrumentos de
precisión reducen a cero los errores de medición, y la experimentación de la
boratorio o controlada hace posible mantener todos los factores constan-es, a
excepción del que se está verificando. Lo que es más, la retroalimentación no
es ambigua. Sin embargo, en los dominios de la economía y los negocios abundan
los errores de medición, la experimentación tipo laboratorio no es posible y la
t
TABLA 3-1 Alcance o capacidad para pronosticar y factores implicados
Incapocidod para ~
SuctsoS o situaciones
Suasos o
siluacioMs qw
Suc~sos
siluaciOMS qu~
o SMc~sos
silJlDCiOMS
o
que Prrdcción
pronostiCtJ/' mds
uoctommIe que
Incopoddod pom
pronostiCtJ/' mds ~
::J
qw~lkn ~lkn pulden pwdtn SUlfJQl1WfII~ lIIi1izJw/o los uoctomefll~ qw el)
. pronosticaru paro fines pnl(l()S/icaru con prOflOSlicoru COfI pronosIicone COfl inexoaa de wúor~s IWJks mds IosprtJnWi601 §,
prdaicos con IUI grado Horizonu de un auo grado de . IUI grado medio de 11II bojo grado de SUC~SOI o "cinll~s para QCtIItJI'ÍQks IncopoddDd IOIQ/
l
petfecto de t.XJU:IÍlud pmJiccidn UJJCIilud UOCIilud UOCIllud SillltJCiOMS 1ttJc~rlo ~lIIdsd«n pom pronosdcor
Gran número de
elemelllOS
(ProduclOS. (a) Número pequeflo af
e/iemes.
I
• deelemenlos i
servicios)
.Sucesos o fenómenos Cono Swnameme
(b)
Sucesos Sucesos inusua\cs
~
ElemetllOl soI01 Sucesos
~
I I
f1sicos (e.g.• la fecha (hasla 3 agregados detenninados o no rrecuentes· inesperadose
~
eueta de la llegada meses) por las accIones (e'B•• un incooccbibles
del eomela IlaUeyO coIecüvlSde incendio que (e·I·. cP:
SlldisllllCiamás muchos desuuye una alguien previera

cercana a la tierra; la inllividuoI u casa o fAbrica. el crecimiento y
hora elUlela de la Ol'Baniuciooes unap.13lOlSO la impor1m:ia Q)
salida del sol (con la ÍI1Iención accidenle de las ::J
mailana. dentro de un de nwimar SUS aulOmOYillSlico, compuwtns Qr
mes o dentro de un beneficios) la muene anIa de 19j(); SU
año a partir de hoy; cuando se acciderul de que alguien ~
el resultado di: poner
juraos dos átomos de . (a). (b)
I
disemina
eficientemente la
una persona
joven. una
predijera la
crisis petrolera
S'
~
s~
hidrógeno y uno de información tonnellll de de 1970: que un
o"l"eno) Iillliz'''1Ie de -,
II(lIilOO1e de (e.g., 101 nieve analista pollúeo
predicción (e) predicción mercados de extremadamente previera la urda
cercano a klL" J • • cercano a 101 2 valores y de fuene) del sha de (rin)
mesc:~ a/los (uturOl. las
Medio (de 3
meses a 2
Demanda
inelástica
. I
(d)
• Demanda
elástica
paridades
cambiarlas, 101
precios de casi
a!\os)
Sin competencia . (e)
• Fuerte competerc ia
todas las
materias primas
y la mayoria de
los produclOS
terminados)
1t '*='=:-m=:;."'1%'Ur' r I T' en = ,'" '.-' 2S $" ·~trrh'r m $'n·'TrTiíÜ'.M·¡.i·¡i"·líi"_·JI';·;"~";' "'h"-.

•• oo. "0_0. . '__ O~·_'·.·_O'_ ., .' .~. "_'-""H' ••• ~~-..- >-,•• ~.~~:!!!_,a_!!!!!.t.?~¡;;:¡~-'!!':!I!
Caracleristicas (~ los Cancterfsdcas de Caracterúác:u de CMaclierfslícas de

patrones O rel.lciones los patrones o los patrones o 101 pacrooes o
relaciones relaciones relaciones
Patrones o relaciooes Patrones o Patrones Los patrones o
que no cambian con relaciones que a¡repdos (que relaciones no
el tiempo cambian con el implica pan eXÍSlal, o no se
tiempo carbJad de pueden
tUOI o de JaU ideoDlicar dIdo
Sucesos que no Sucesos que • que exbr.e; a el conocimlen&o
pueden ser ¡n/luidos ¡udma lI1Iyores presme
por las .cciOC>:5 mIluidos pa" las camdades
(a), (b). (e), (d). (e)
humanas • • aa:ÍOl1eS Iunmas . Implicadas. mAs
pnlClIOIlORlaI
Los patrones son Horizoue de Horizme de Patrones que no pauones. y
eUClOS predicción (d) predicción de son euclOS viceYma)
1 I
cercano a los 2 muchas aOOs r
O
Las relaciones son aiIos Relaciones que no Los patrones
precisas pollim ambiar
.o
son precisas
Bajo grado de (e) Alto gmIode con el tiempo, f5
urgo
(2 aiIt\'I o
cambio • • cambio pero ~
recrx'¡6¡ico tecnológico ¡eneralmeru \o ~
~
mAs) hacen Ienwnenle
Fuertes barreras (f) Sin bureras para
I I
para entrar muu Las relaciones 100
~bi1c3 o "'c:
::J
inex.isltnles O
Cara.::..:rísticas de: Il15 patrones o relaciones ~
~
~
Los patrones o relaciones ~arfan anl'liarncnle (lJue vandesde los que c&l!n en la columna de la ¡Jo
quicrda a los que aparecen en las tres cotumnas de la derecha). dependiendo de IQS (actOIa es
pecificados ~
g
~
[
-,
.I:lo
CD
50 Función e importancia de ~ pronósticos en la administración
retroalimentación no es frecuente y muy a. menudo es poco clara. Además, tos

errores de predicción -mucho más grandes que los observados en las ciencias
fisicas- son un hecho reai debido a la complejidad de las situaciones económi
cas, la inconsistencia del comportamiento humano, los variables rezagos entre
las acciones y los resultados, así como otros factores. El tamaño. y la persistencia
de tales errores dependen de lo siguiente.
Identificación errónea de patrones y relaciones. Se podría identificar un
patrón o una relación ilusorios cuando realmente no existen. Esto puede ocurrir
tanto en los pronósticos discrecionales como en los estadísticos. En su afán por
dominar y controlar el medio, con frecuencia la gente vislumbra una correlación
ilusoria, mientras que los modelos estadísticos basados en un número pequeño
de observaciones (por ejemplo, con los productos nuevos) pueden "identificar"
un patrón que no se mantiene a través de un periodo más largo. De modo
semejante, una relación entre dos variables podría ser espuria, existiendo sólo
porque un tercer factor causa que ambas variables se muevan en la misma
dirección. De forma alternativa, los patrones o relaciones que existen podrían
identificarse o ignorarse indebidamente porque se dispone de información
insuficiente, o porque la realidad es demasiado compleja para ser comprendida
o modelada con un número limitado de variables (véase Einhorn y Hoganh,

1987). La identificación ilusoria q inapropiada puede causar errores de predic
ción serios y aleatorios, pues el futuro podría volverse muy diferente de lo que
se postuló por un patrón o relación erróneo.
Patrones inexactos o relaciones imprecisas. En las ciencias sociales, por las

razones ya expuestas, los patrones son inexactos y las relaciones imprecisas.
Aunque se puede identificar un patrón o relación promedio, existen fluctuaciones
en casi todos los casos, alrededor de,-dicho promedio. El propósito de la
modelación estadística es la identificación de patrones o relaciones de manera
que las fluctuaciones alrededor del promedio se hagan tan pequeñas o aleatorias
como sea posible. Es cuestionable si esto es una buena estrategia o no (véase
más adelante), pero aun en el caso de que sea adecuado, no garantiza que los
errores futuros serán aleatorios o simétricos o que no excederán una cierta
magnitud. .
Patrones o relaciones cambiantes. En las ciencias sociales, los patrones o

relaciones están constantemente cambiando con el tiempo de manera que no son
pronosticables en la gran mayoría de los casos. Los cambios de los patrones y
las relaciones pueden causargrandes errorespersistentes cuya magnitud no puede
saberse con antelación. El tamaño de tales errores depende de la magnitud y
duración del cambio.
La tabla 3-1 resume los análisis al presentar la gama completa de sucesos
o situaciones, el alcance de su pronosticabilidad y las características de los
patrones y las relaciones. Conjuntamente, muestra la importancia del horizonte
,
"
e
de tiempo y cómo influye la exactitud de los pronósticos (a mayor horizonte,

,
'i
i'
menor la precisión del pronóstico). Muchos sucesos, como los cambios en los
precios de los mercados de valores y de futuros, las tasas de interés y de cambio
y la mayoria de los precios de materias primas, no pueden pronosticarse más
exactamente sino mediante la extrapolación de los precios corrientes. Esto
significa que nadie (a menos que sea clarividente) puede beneficiarse de la
predicción exacta de tales sucesos, porque, tan pronto como está disponible, toda
la información conocida se disemina y utiliza eficientemente por un gran número
de individuos u organizaciones, para maximizar sus beneficios o minimizar sus
pérdidas. Aunque esta evidencia ha demostrado ser válida más allá de cualquier
duda razonable, poca gente la usa. Por ejemplo, en el caso del mercado de
valores, actúa con base en "sugerencias", busca el consejo de "gurúes" y lee
"t numerosas publicaciones en un esfuerzo por ganarle al mercado. De igual forma,
algunos sucesos inusuales o poco frecuentes no pueden pronosticarse mejor que
"en promedio". Esta información, aunque es útil cuando se halla implicado un
gran número de sucesos, es de poco valor pronosticable para casos únicos. Por
lo tanto, no tiene sentido práctico intentar pronosticar cuándo ocurriráel próximo
accidente automovilístico o que tan grave será. Por otro lado, una compañía de
seguros puede pronosticar razonablemente bien cuántos accidentes de tránsito
diarios o semanalmente tendrán sus asegurados. Finalmente, existen muchos
otros sucesos que no pueden pronosticarse.
Entre los sucesos o situaciones del mundo fisico y los que se acaban de
describir están aquellos cuya pronosticabilidad varía desde muy poca a excelente
(véase la tabla 3-1). La mayor parte de estos sucesos pertenecen al mundo de la
empresa. Es interesante, en consecuencia, considerar más estos sucesos inter
medios.
La tabla 3-2 comprende un conjunto de sucesos o áreas que se pueden
pronosticar y otros que no en términos de los horizontes de predicción. En
general, se pueden predecir exactamente 1) la estacionalidad, 2) las relaciones
promedio, 3) los patrones cíclicos promedio, 4) las tendencias tecnológicas
emergentes y su influencia, 5) la continuidad de las tendencias establecidas y 6)
las tendencias generales. Por otra parte, no se pueden predecir exactamente los
sucesos especiales, las acciones o reacciones competitivas, las ventas de los nuevos
productos, el inicio y la profundidad de las recesiones, la duración y fortaleza
de los auges, los cambios de tendencias, los cambios de las relaciones o actitudes
y las innovaciones tecnológicas. Además, la tabla 3-2 contiene las implicaciones
de los pronósticos exactos e inexactos.
Por lo tanto, la precisión de los pronósticos se ve fuertemente influida por
los cambios de los patrones o relaciones establecidos que se pueden clasificar,
como lo muestra la tabla 3-3, en términos del carácter del cambio, la duración
de ese cambio y si es o no una ocurrencia aleatoria o un cambio sistemático. La
aleatoria indica que no puede pronosticarse, en tanto que el sistemático sugiere
que si se puede pronosticar, aunque el conocimiento necesario para realizar tales
pronósticos puede no estar disponible. Al considerar la gama de cambios que se
en
N
TABLA 3·2 Sucesos o áreas que pueden y no pueden pronosticarse, con sus implicaciones
Sucesos o áreas Problemas o dificultades ~
imponantes que. pueden
Horizonte de tiempo del pronosticarse con un grado Ventajas lmportames de los
Fuentes importasues de generados por sorpresas y [
sorpresas o errores de errores de predicción :)
pronóstico razonable de exactitud pronósricos exactos predicción inesperados inesperados Q)

§.
Corto plazo (menos de 3 Estacionalicladde las Satisfacción mejorada del Sucesos especiales (e.g., Existencias altas "B
meses) ventas .
Efecto de las acciones de
promoción y publicidad
Nivel requerido de
cliente .
Mejor programación de
la producción o el
servicio
una intensa tormenta de

nieve, una huelga)
Acciones especiales
Fuerza de trabajo
subutUizada.
Ventas perdidas, pérdida
f
i-
competitivas (e.g., de participación en el
existencias . Existencias más reducidas campañas de publicidad mercado 2"
"b
Impacto del cambio de Políticas pu~licitarias y o reducción de precios Reducción drástica de
precios. ~ """',
Entradas y salidas de
~ promocionales más
efectivas '" .(~
por el competidor)
Ventas de nuevos
liquidez
Pérdidas de oportunidad ~
efectivo Polfticas de fij~ción de ,productos Ganancias disminuidas o [
Necesidades de' materias precios más efectivas pérdidas ~
primasy otros materiales Manejo de efectivo más ar
Necesidades de la fuerza redítuable :: l»
de trabajo o del 'personal Mejor administración de ~
• -i : ~ '. . c., ."~
materiales y de personal S'
~
Mediano plazo (de 3 Longitud promedio de Mejor manejo financiero Los auges duran más que Subutilización de personal ~
meses a 2 años) recuperación y Asignación mejorada de el promedio o más de lo Altas existencias ~
expansión del ciclo recursos"' esperado Ventas perdidas
económico' ~ Ni.veles reducidos de Las recesiones son más Pérdida de participación
Longitud promedio de la existencias cortas que el promedio en el mercado

recesión / Ganancias mejoradas o o inesperadas Problemas financieros
Número promedio de pérdidas reducidas El clima empresarial y las graves
meses entre un cambio Mejor posición actitudes del consumidor Pérdidas de oportunidad
del índice de indicadores competitiva son diferentes de lo Ganancias reducidas o
líderes y un cambio,del esperado pérdidas
'u" y
,",
.... ~.... ·uz· . . 'ti....
'.. " . '. ·;~7-:".'" ,•• ". '. ~~(~~'" .r#·U' ''f ,r. •..,;.
t't-Jr-·r&·,.trlttti1t:t:tMt _#M... llCi . .y1""'...~1'~~~~.!t. .l~L._
;,,-.::n,
. 4 IP
~~H(.f!.
•
-~ .~ 't;.: "1·' ,; " . ...¡, ·(l.¡-·~-
nivel de la actividad Cambios de las relaciones Posición competitiva de

económica Ventas de nuevos largo plazo disminuida
Efectos teóricos de las productos
políticas fiscal y
monetaria en la economía
Estimación de las
relaciones existentes
Emergente Cambios tecnológicos y Formulación de Subestimación de los Incapacidad para
(de 2 a 5 años) sus implicaciones estrategias más efectivas efectos de tecnologías introducir el cambio
Cambios de actitudes y Introducción de cambios emergentes y sus Incapacidad para explorar
sus implicaciones en la organización implicaciones en las las ventajas de
Cambios demográficos y ldemificación de áreas organizaciones o la tecnologías nuevas, r
sus implicaciones prometedoras para sociedad incapacidad para o
Realidades económica y
política
inversión de capital, Falla de voluntad para manejar los cambios
ambientales importantes
~
tomando en cuenta, sin considerar las tendencias
~
Ambiente competitivo embargo, que los estancadas o negativas Pérdida de la ventaja
Recursos y requerimientos
financieros
competidores podrían
tener acceso de modo
similar a pronósticos
Falta de voluntad para
aceptar los efectos de
posibles cambios
competitiva
Pérdidas por
comprometerse con
1
~
;:)
exactos ambientales importantes modas cuya demanda se o
Proyectos promisorios de Suponer que las modas' desvanece ~
~
investigación y persistirán Pérdidas de oportunidad
desarrollo
Mejora (o rnantenimiento)
~
de la posición ~
competitiva ~
~.
..,
(11
w
~
TABLA 3-2 (Continuaclórl)
Distante Tendencias establecidas Capacidad de consenso Sobreestímación de la Pérdidas por ¿.
(de 5 a 15 años) Algunas innovaciones
tecnológicas
Inicio de estudios de
factibilidad para
aplicabilidad de nuevas
tecnologías (e.g.,
comprometerse con
proyectos fracasados
[
::J
Algunos cambios proyeceos de energía nuclear, que implican tecnologías CD
demográficos investigación y inteligencia artificial) o proyectos no ~.

Realidades económica, desarrollo promisorios Énfasis exagerado en la verificados
competitiva y ñnancíera EsUlblecimiento de capacidad para 6t
básicas.: " , direcciones estratégicas pronosticar nuevas §.
tecnologías y su impacto i
o utilidad
I
fI
Lejano
(15 años o más)
Tendencias generales en:
;Tecnología
Actitudes sociales
Ambiente económico
Direcciones estratégicas
generales
Incapacidad para
pronosticar innovaciones
tecnológicas importantes
y su impacto en la
Desperdicio de recursos
por 'hacer pronósticos
cuya utilidad es dudosa 1
DemogratIa empresa o sociedad !8

Ambiente político (e.g., crecimiento e w
importancia de las Q)
computadoras) ~
2:
~
iil
~
.' ...... ~.-,

s
... ~ ~ ......... ~.- ._-_..
_-_._.--~ . _..
.~- _- -, _-----
..
'o.i.}
'
t, "'-'_ '""';''\.'-.~'-' . ,~:,~.........Jrr.·~i-: .::-:~ . . .- :~,c ....' ~.I'. "J;o
TABLA 3·3 Clasificación de sucesos futuros (con ejemplos) como fonna de explorar la gama total deincertidumbres futuras
Tipo Y duración del cambio
Cambios sistemáticos
Naturaleza r
Fluctuaciones o
del cambio alearorias Temporales Permanentes
i
~
Normal Descompostura de maquinaria Fluctuaciones estacionales en la Cambio de las preferencias del
Inusual Fuerte tormenta de nieve

demanda del producto A
Recesión
consumidor (e.g., autos pequeños)
El accidente nuclear de Tbree MiJe
Island
1
'-.::
Inesperado Incendio que consume un hotel Recesión severa La caída del sha de Irán 5
Inconcebible Meteorito que choca contra la Depresión mundial Guerra nuclear total que destruya la &
superficie y destruye todas las
instalaciones de la compañía XYZ
civilización
1
1
~
...
C1I
C1I
56 Función e importancia de los pronósticos en la administración
sugiere en la tabla 3-3, se deben tener presentes dos aspectos importantes.

Primero. y tal vez 10 másobvio, que los patrones y lasrelaciones pueden cambiar
y, de hecho, cambian. Segundo, 'debido a la inercia. aun cuando un patrón o
relación realmente cambia, la consecuencia de tal cambio. sin embargo. no tiende
a ser inmediata, Un buen ejemplo de esto es cuando se' hace presión sobre el
freno de un coche pero éste no se detiene irunediatamente. Debido a su velocidad
(inercia), el auto continúa desplazándose una cierta distancia antes de hacer alto
total.
Este concepto de inercia es muy importante en la mayoría de las situaciones
empresariales y económicas. Detener la publicidad no dará como resultado una
declinación inmediata de las ventas. Generalmente pasa algo de tiempo. con
frecuencia varios meses, antes de que se sienta todo el impacto de ese tipo de
cambio. De igual manera, si se observan algunos de los sucesos importantes
de las décadas de 1970 Y1980. como el embargo petrolero y el alza cuadruplicada de
los precios del petróleo. o el derrumbe del mercado de valores de 1987. se
recuerda que el impacto de tales sucesos no se sintió inmediatamente. Por
ejemplo, casi pasó un año completo después 'de la crisis petrolera antes de que
las economías industrializadas del mundo entraran en una recesión. Como

resultado de la inercia y los rezagos de respuesta subsecuentes. los patrones
establecidos pueden extrapolarse en el corto plazo con cierto grado de precisión.
A estas alturas deben tenersepresentes otros dos aspectos de las técnicas de
predicción existentes. Uno'se refiere a la función de los pronósticos en relación
con el deseo de la administración de reducir la incertidumbre. Quienes utilizan
los pronósticos deben desarrollar expectativas apegadas a la realidad acerca de
lo que la predicción puedey no puede hacer. Unode los aspectos de los métodos
de pronósticos más frecuentemente malinterpretado es su relación con la
incertidumbre. Los administradores creen generalmente (y. a menudo. así lo
esperan) que entre más tiempo y recursos se comprometen con la predicción,
menor debe ser la incertidumbre. No obstante, en muchas situaciones. dedicar
más tiempo y esfuerzo en los pronósticos tiene el ~esultado opuesto -el proceso
en sí de explorar el futuro mediante las. técnicas de predicción puede abrir las
puertas de nuevas posibilidades y conducir a la consideración de más alternativas
en lugar de que sean menos; esto significa más incertidumbre.
Desde esta perspectiva, unode los propósitos de mayor peso de la predicción
es habilitar a los tomadores de decisiones y formuladores de políticas para
entender las incertidumbres del futuro y tomar en'cuenta tales incertidumbres y
sus riesgos asociados en la planificación y en la toma de decisiones con vistas
al futuro. Los planificadores y tomadores de decisiones podrían considerar.
mediante un proceso de predicción cuidadoso, un espectro más amplio de
opciones de lo que sería en otrascircunstancias. Por ejemplo. podrían considerar
adquirir un seguro contra sucesos indeseables posibles que previamente no se
han considerado posibles. Alternativamente, se podrían desarrollar guías para
prevenir que la organización se aventure en situaciones que impliquen riesgos
extremos.
II
- -.l.
Segundo, los pronósticos pueden ser una ventaja importante, aun cuando los
patrones y relaciones tradicionales estén cambiando y los métodos que los identifican
y extrapolan no sean particularmente útiles. Esta ventaja se obtiene simplemente
de la identificaci6n sistemática de los cambios conforme suceden. Este aspecto de
los pronósticos, al que generalmente se le conoce como monitoreo, empezó a
l ' atraer la atenci6n sólo recientemente. El propósito del monitoreo es muy
semejante al de un sistema de radar que detecta lo importante en el horizonte.
En tanto no aparezca nada en la pantalla, el estado existente (es decir, el cielo
despejado) se supone que seguirá manteniéndose. Sin embargo, cuando el radar
detecta un objeto en el cielo, da la señal de que se requiere Wl3 atención más
esmerada y tal vez sea la alerta de que se necesita un cambio de planes y decisiones.
En el campo de los pronósticos, los métodos de monitoreo proporcionan
señales de aviso de cambios inminentes para que así los usuarios de predicciones
puedan evaluar su significado y desarrollen respuestas apropiadas. Una razón
por la cual dichos métodos de monitoreo han estado llamando más la atención
es que los estudios recientes sobre la capacidad humana para pronosticar sugieren
que cuando ocurre un cambio sistemático de manera acumulativa e incremental
y se presenta en varias variables de forma paralela, el juicio se enfrenta a
dificultades extremas para percibir e interpretar dicho cambio aleatorio. Así,
estos cambios se pueden manejar mejor mediante técnicas cuantitativas de
monitoreo. (En el capítulo 14 se estudian algunas formas específicas de estas

técnicas).
Debido a que los cambios sistemáticos de los patrones y relaciones estable
cidos degradan el desempeño de los métodos de predicción existentes y pueden
ser sumamente costosos para una organización, se debe utilizar algún tipo de
técnica de monitoreo como complemento de enfoques de pronósticos más
tradicionales en casi todas las situaciones. Aun cuando las técnicas de rnonitoreo
no pueden detectar el cambio sistemático hasta que dicho cambio real mente ha
empezado a ocurrir -al igual que lo hace un primitivo sistema de prevención
pueden apresurar de modo significativo el reconocimiento por parte de la
administración de que tal cambio está ocurriendo y que tenga más tiempo
disponible para responder a dicho cambio.
REFERENCIAS SELECCIONADAS
Armstrong, J.C., Long-Range Forecasting: From Crystal Ball to Computer, 2a.

ed., Wiley-Interscience, Nueva York.
Ascher, W., Forecastlng: An Appraisal for Policy Makers and Planners, Johns
Hopkins University Press, Baltimore, MD.
Berenson, C. y S. Schnaars, "Growth Market Forecasting Rcvisiied", California
Managemetu Review, verano 1986, pp. 71-88.
Dawes, R.M., "Forecasting One's Own Preferences", lntemational Ioumal 01
Forecasting ; 2, pp. 5-14.
58 Función e importancia de los pronósticos en la administración
Einhom, H.J. YR.M. Hogarth, "Decision Making: Going Forward in Reverse",

Harvard Business Review, enero-febrero 1986. pp. 66-70.
Fishoff, B.• P. Slovic y S. Lichtenstein, "Knowing with Certainty: The
Appropriateness of Extreme Confidence" • Joumal o/ Experimerual Psycho
logy: Human Perception and Performance, 3. no. 4. pp. 55'2-564.
Hogarth, R. M. YS. Makridakis, "Forecasting and Planning: An Evaluatíon",
Managemenl Science, 27. no. 2. pp. 115-138.
Lawrence, M. y S. Makridakis, "Factors Affecting Judgmental Forecasts and
Confidence Intervals", Organiuuional Behavior and Human Decision Pro
cesses.
Makridakis, S.• "The Art and Science of Forecasting: An Assessment and Future
Directions", Ituemational Joumal o/ Forecasting, 2, pp. 15-39.
Makridakis, S. y D. Heau, "The Evolution of Strategic Planning y Manage
ment", en W.R. King and D. I. Cleland (comp.), Strategic Planning and
Managemem Handbook, Van Nostrand, Reinhold, Nueva York, pp. 1-20.
Moriarty, M.M. y AJ. Adams, "Management Judgment Forecasts, Composite
Forecasting Models, and Conditional Efficiency", Journal o/ Marketing
Research, 21, pp. 239-250.
Porter, M., Competitive Advantage: Creating and Sustaining Superior Perfor
mance, Free Press, Nueva York.
Schnaars, S.P.• 1984. "Situational Factors Affecting Forecast Accuracy", Jour
nal o/ Marketing Research, 21, pp. 290-297. .
·
.¡
I
~
CAPíTULO 5
,
METÜnOS
DE SUAVIZAMIENTO
Uno de los problemas al que los gerentes se enfrentan es el relativo a la

preparación de pronósticos de corto plazo para una gran cantidad de situaciones
diferentes. Un ejemplo típico sería el de un gerente de producción quien debe
programar la producción conbaseen ciertas predicciones de la demanda de varios
cientos de artículos diferentes en una línea de producto. En muchas de estas
situaciones no es práctico desarrollar y aplicar un método refinado de predicción
para cada artículo. Loque senecesita es una técnica que se pueda emplear fácilmen
te para cada uno de los productos y que proporcione pronósticos razona
blemente buenos a lo largo del horizonte de cono plazo en el cual se requieren.
En tales contextos, se utiliza una clase de métodos de predicción que se
conocen como métodos de suavizamieruo. Con todos los métodos de este tipo.
los datos históricos se usan para obtener un valor "suavizado" para la serie. El
valor suavizado se extrapola después para convertirse en el pronóstico del valor
futuro de la serie.
En este capítulo se analizarán dos subclases de métodos de suavizamiento.
La primera, los métodos de promedio, responde a la definición convencional
de un promedio --es decir, igual ponderación (o suavizamiento) del número de
valores incluido en el promedio-o La segunda, los métodos de suavizamieruo
exponencial, aplica un conjunto desigual de ponderaciones a los datos pasados.
Tales ponderaciones declinan de manera exponencial desde el valor de los datos
más reciente al valor más alejado.
La idea básica inherente al suavizamiento exponencial es que existe cierto
patrón subyacente en los valores de las variables que se van a pronosticar y que
las observaciones históricas de cada variable representan al patrón subyacente
así como a las fluctuaciones aleatorias. El objetivo de estos métodos de pre
dicción es distinguir entre las fluctuaciones aleatorias y el patrón básico sub
yacente mediante el "suavizamiento" (promediación) de los valores históricos.
Esto equivale a eliminar lo aleatorio encontrado en la secuencia histórica y a
fundamentar un pronóstico en el patrón suavizado de los datos.
78
Métodos de suavizamiento 79
Para entender mejor cómo se pueden utilizar en la práctica los promedios

móviles y el suavizamiento exponencial. considérese la situaci6n a la queseenfrenta
un industrial que fabrica cuchillos y tenedores. Durante varios meses la empresa ha
logrado mantener altos niveles en la demanda de cuchillos. Paraayudar a programar
la fabricación, al gerente de producci6n le atrae utilizar estas observaciones para
preparar un pronóstico de 10 que será la demanda durante el mes venidero.
PROMEDIOS MÓVILES SIMPLES
En el capítulo 4 se vio c6moun gerente podría seleccionar un enfoque ingenuo

de predicci6n si tomaba simplemente la observación más reciente y la empleaba
como pronóstico del siguiente periodo. Si la serie contiene una aleatoriedad
sustancial. un enfoque ingenuo producirá predicciones que variarán considera
blemente. Para eliminar dicha aleatoriedad, se podría considerar el uso de algún
tipo de promedio de los datos recientes observados. El método de los promedios
m6viles hace eso al tomar un conjunto de datos observados. encontrar su
promedio y luegoutilizar tal promedio comoun pronóstico del siguiente periodo.
El número real de observaciones incluido en el promedio queda especificado por
el gerente y permanece constante. El término promedio móvil se usa porque
conforme cada nueva observación se encuentra disponible. se puede calcular un
nuevo promedio y utilizarlo como pronóstico,
Para el industrial de cuchillos y tenedores. la tabla 5-1 muestra cómo la
técnica de los promedios móviles se puede aplicar con un promedio de tres meses
TABLA 5-1 Predicción de la demanda de cuchillos un mes por adelantado

mediante promedios móviles
(1) (2) (3) (4) (5)

Predicción con un Predicción con un
1988 Demanda promedio móvil promedio móvil
Mes Periodo observada trimestral pcntamensual
Enero I 2000
Febrero 2 1350
Marzo 3 1950
Abril 4 1975 1767
Mayo 5 3100 1758
Junio 6 1750 2342 2075
Julio 7 1550 2275 2025
Agosto 8 1300 2133 2065
Septiembre 9 2200 1533 1935
Octubre 10 2770 1683 1980
Noviembre 11 2350 2090 1915
Diciembre 12 2440 2034
\ "
~, ,.
80 Métodos de predicción cuantitativos
y de cinco meses. En esta tabla, la columna 4 es el pronóstico promedio móvil

de tres meses basado en los valores de los tres meses anteriores; por ejemplo.
el pronóstico de 1767 para abril de 1988 se basa en la demanda promedio de los
!-
periodos 1, 2 Y3 (enero, febrero y marzo). Este valor del promedio móvil de
tres meses (el valor suavizado) se convierte entonces en el pronóstico del
siguiente mes, el periodo 4. La última cifra de la columna 4 (2440) es el
promedio para los periodos 9, 10 Y11, Ysirvecomo pronóstico para diciembre,
el periodo 12.
De manera semejante, en la columna 5, el promedio de cinco meses, la cifra
2075 parajuniorepresenta el promedio (o sea, el valor suavizado) de la demanda
observada en los periodos del 1 al 5 y se utiliza como el pronóstico para el
periodo 06. La última cifra de la columna 5 (2034) es el promedio para los pe
riodos del 7 al 11 Ysirve como pronóstico del periodo 12.
Un ejemplo del funcionamiento de este método de predicción se muestra en
la figura 5-1. En esta gráfica están trazados los valores reales de la demanda y
los valores de pronóstico para el periodo correspondiente basados en un
promedio móvil trimestral y otro pentamensual. En esta figura se observan
fácilmente dos de las características de los promedios móviles. La primera es
que antes de que cualquier pronóstico pueda prepararse, se deben tener tantas
observaciones históricas como se necesiten para el promedio móvil. Así, no es
sino hasta el final del periodo 3 que se puede preparar un promedio móvil
trimestral para pronosticar el periodo 4, y no es sino hasta el periodo S que
el promedio móvil de cinco meses se puede calcular como pronóstico del pe
riodo 6. . o. • o• • " " . o • o. Ó,
3000
/
._.--~
1000
-
",,- ,/""-
500
2 3 4 5 6 9 10 o 11 12
Periodo
Figura 5-1 Comparación de pronósticos de promedios móviles trimestrales y

pentamensuales de la demanda de cuchillos (de la tabla S-l). Datos
reales; - - - Predicción de promedios móviles trimestral; - . - Predicción de
promedios móviles pentamensual. .
Una segunda característica de los promedios móviles 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 el promedio
móvil trimestral, sé nota que el valor más pequeño es 1533 y el más grande es
2440, un recorrido de 907 (2440 - 1533). De los pronósticos de promedio móvil
pentarnensual podemos ver que los valores más pequeño y más grande son 1915
y 2075, respectivamente. Esto representa un intervalo de sólo 160. Así, aumentar
·<'
.:., .. el número de periodos incluidos era el promedio móvil tiene un marcado efecto
en el total de suavizamiento realizado. Si se desea un valor más suavizado, ya
,-.. sea porque se considere que las observaciones históricas contienen una aleato
riedad considerable o porque se piense que haya poco cambio en el patrón
subyacente, se debe emplear un número grande de observaciones para calcular
el pronóstico de promedio móvil. Por otro lado, si se estima que el patrón
subyacente en los datos está cambiando (y se quiere reaccionar a las fluctuaciones
,'(
más rápidamente) o que hay poca aleatoriedad en losvalores observados, se debe
utilizar un número menor para calcular el promedio móvil. La figura 5-1 muestra
el efecto de aumentar el número de términos en el promedio móvil. (Entre más
grande el número, mayor es el alcance del suavizamiento, o más cerca se está
del promedio de todos los valores.)
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 5-2 muestra el error para cada predicción y calcula la
desviación media absoluta y el error cuadrado medio con propósitos de compa
ración. Ambas formas de medición del error indican que el promedio móvil de
cinco meses proporciona un mejor pronóstico que el promedio móvil trimestral
cuando se verifica con datos históricos. (Más adelante en este capítulo se usan
las mismas mediciones de errores para comparar la exactitud de los promedios
móviles con suavizamiento exponencial para este ejemplo en particular).
Para comprender mejor la técnica de los promedios móviles. se hace
necesario considerar brevemente la representación matemática de ;:.:;.~ método.
En términos sencillos, la técnica de predicción con promedios móviles se puede
representar como sigue:
= S, = X,+X'_I + ... + 1 I
F,t'
N
X'-N+l
= - L
N ;=,-N+I
Xi (5-1)
en donde
F, + I = pronóstico para el tiempo I + 1 ..

S, = valor suavizado en el tiempo t
x, = valor actual en el tiempo i
1 = periodo de tiempo
N = número de valores incluidos en el promedio
m
N
TABLA 5-2 Comparación de errores de predicción de promedios móviles ~

Promedio móvil trimcscral Promedio móvil pencamensual I
¡-
Demanda Demanda Error Error Demanda Error Error al ~
I;
Periodo observada pronosticada Error absoluto al cuadrado pronosticada 'Error absoluto cuadrado
1 2000
2 1350
-."
-, .
3 1950
4 1975 1767 +208 208 43.264 ~
D:i
5
6
3100
1750
1758
2342
+.1342
-592 j
1342
592 ...
'
1.800.964
:350.464 2075 -325 325 105.625

l
7 1550 2275 -725
" .
725 525.625 2025 -475 475 225,625
8 1300 2133 -833 . 833 693,889 2065 -765 765 585,225

9 2200 1533 +667 . 667 .448.889 1935 +265 265 70,225
10 2770 1683 + 1087 1087 -, 1,181,569 1980 -790 790 624,100
1) 2350 2090 +260 260 -67,600 1915 +435 435 189,225
12 2440 2034
Suma + 1414 . 5714 . 5,108,264 -1655 3055

-1,800,025
Media . -t: 177 714- 638,533" -276 509" 300.004'
,'.
"Desviación absoluta media
!:.'
b¡:rror cuadrado medio /
, ";fr·~i't ..."e.... _ ..'.".'n1

·· . ..-rza.."lc'¡\' J
_.J?W"'" ro •.7 · ~m·I.I,_I ;_· ¡'.:... ~ • ,.<. fln.'.
¡., .•_~ _. "..•
", ~,. . 3'11 ~.!!!!!!!!!!~
De la ecuación (5-1) se puede ver queen el método de lospromedios móviles

se da una ponderación (o importancia) igual a cada uno de los últimos 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 (5-1) para calcular el promedio móvil. El
pronóstico de promedio móvil para el periodo t está dado por
F = X'_I + X'_2 + ... + X'_N (5-2)

, N
Esto significa que una vez que se tiene el pronóstico para el periodo t (es decir.
F), se puede obtener el pronóstico del periodo t + 1 al sumar X/N y restar X,
_IN.
El valor de F, + I de la ecuación (5-1) se puede encontrar de manera
altemativa como
X, X'_N F (5.3)
F'+1 = 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.
SUAVlZAMIENTO EXPONENCIAL ÚNICO
Al menos dos limitaciones importantes al uso de los promedios móviles han

motivado a la mayoría de los pronosticadores a aplicar el método de suaviza
miento exponencial en su lugar. 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 periodo (1 - 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 les debe asignar relativamente más
ponderación que a las observaciones más antiguas. Lo que se quisiera sería un
·. esquema de ponderaciones que asignara la ponderación mayor a los valores
l
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.
84 Métodos de precflCCión cuantitativos
En principio. el suavizamiento exponencial funciona de manera análoga a

los promedios móviles al "suavizar" las observaciones históricas para eliminar
lo estocástico. Sinembargo. el procedimiento matemático para desempeñar dicho
suavizamiento es algo diferente del utilizado en los promedios móviles. La
técnica del suavizarniento exponencial se puede desarrollar empleando la ecua
ción (5-3) 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 (5-3) podría modificarse de forma tal que
en lugar del valor observado en el periodo (t - N) se pudiese emplear un valor
aproximado. Una estimación razonable sería el valor del pronóstico del periodo
anterior. Así. la ecuación (5-3) se modificaría para dar
F '+1 = X, F,
N - N + ,
F (5-4)
Esta ecuación se puede escribir como '¡,j'
(5-5)
-'
Lo que ahora se tiene es un pronóstico que pondera las observaciones más

recientescon 'una ponderación con valor de, 11N Y_al pronóstico más recier.te con
una ponderación.con valor de (1 -, l/N). Si sustituimos 11N por el símbolo alfa.
se tiene
FI+ 1 = «X, + (l - a.)F, (5-6)
Esta ecuación es la forma general usada para calcular un pronóstico con el

método del suavizamiento exponencial. Nótese que elimina inmediatamente uno
de los problemas'asociado con los promedios ~Ó~'Ü~s: 'los datos históricos
extensos ya no' necesitan ser almacenados. Más bien. solamente la observación
más reciente: el pronóstico más reciente y un- valor para a se requieren para
preparar un nuevo pronóstico. Si la ecuación (5-6) se expande al sustituir el valor
de F,. que ~ igual a F, = aX, _ I + (1 - a )F, _ l' se, tiene.
Ft+1 - a.X, + (1 - a.)[a.X'_1 + (1 .; a.)F,_d (5-7)

- a.X, + a.(l - a.)X'~1 + (1 - a.)2 F, _ I
Sin embargo.
Si este proceso de sustitución se lleva adelante aún más.,se obtiene la relación

Al sustituir todavía más los valores de T, _ 2' F, _ 3' ••• , se obtiene:

FH I = a X, + a(1 - a)X'_1 + c{I - ai X'_2 + a(l - a)3 X'_3 +
4 (5-8)
a (1 - a ) X,_ 4 + ...
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 o es un número entre O y 1 [por lo que (1 - o)
,
,~
es también un número entre O y 1], las ponderaciones o, o (l - o), o (l

0)2, etc., tienen valores decrecientes exponencialmente. De aquí el nombre de
suavizamiento exponencial.
Una manera alternativa de escribir la ecuación (5-6) puede facilitar la
comprensión del suavizamiento exponencial. Al reordenar los términos de la
ecuación (5-6) se puede obtener
o (5-9)
De este modo, el nuevo pronóstico preparado mediante el suavizamiento

exponencial es sencillamente el pronóstico antiguo más o por el error del pro
nóstico antiguo, o sea, el término (X, - F,) es simplemente el error en ese
pronóstico anterior. Así las cosas, es evidente que cuando o tiene un valor
próximo al, el nuevo pronóstico incluirá un ajuste sustancial para cualquier
error ocurrido en el pronóstico anterior. A la inversa, cuando o está cerca de
O, el nuevo pronóstico no mostrará un gran ajuste para el error del pronóstico
previo. Por lo tanto, el efecto de una a grande o pequeña es análogo al efecto
de incluir un número pequeño o grande de observaciones al calcular un promedio
móvil.
Con el ejemplo dado anteriormente, en el cual se pronosticaba la demanda
de cuchillos, se pueden ilustrar los diversos aspectos del suavizamiento expo
nencial. La tabla 5-3 muestra los valores calculados del pronóstico con valores
para a de 0.1,0.5 Y0.9. Las últimas tres columnas de la tabla se pueden calcular
con la ecuación (5-6) o la ecuación (5-9). El único aspecto que debe recordarse
es que para el primer periodo no está disponible ningún pronóstico previo. En
ese caso, el valor del primer punto de datos (es decir, la demanda observada
para enero) se puede emplear como el primer pronóstico. Así, F2 = XI = 2(XX).
(El apéndice de este capítulo proporciona una explicación más amplia sobre la
inicialización del método de suavizamiento.) De esta forma, el número 1935 en
la colwnna de a = 0.1 se obtuvo al considerar 2000 (el pronóstico precedente)
y sumarle 0.1(1350 - 2000). Esto da el valor de 1935, el cual se puede utilizar
como el pronóstico para el periodo 3.
El efecto que el valor de a tiene sobre el total de suavizamiento realizado
en los valores observados anteriores se puede observar en la tabla 5-3 y en la
...
l
i','
86 Métodos de precflCCión cuantitativos
TABLA 5-3 Predicción de la demanda de cuchillos un mes por adelantado

mediante el suavizamiento exponencial
Pronósticos suavizados exponencialmente r

Demanda .;.
Mes Periodo observada Gl = 0.1 Gl = 0.5 Gl = 0.9 ,
"í
Enero 1 2000
Febrero 2 1350 2000 2000 2000
Marzo 3 1950 1935 1675 1415
Abril 4 1975 1937 1813 1897
Mayo 5 3100 1940 1894 1967
Junio 6 1750 2056 2497 2987
Julio 7 1550 2026 2123 1874
Agosto 8 1300 1978 1837 1582
Septiembre 9 2200 1910 1568 1328
Octubre 10 i775 1939 1884 2113
Noviembre 11 2350 2023 2330 2709
Diciembre 12 2056 2340 2386
,.-..'
figura 5-2. Un valor grande de a (0.9) proporciona un suavizamiento pequeño

al pronóstico, mientras que un valor pequeño de a (0.1) proporciona un
suavizamiento considerable. ' j.'" ,~
La figura 5-2 indica que unvalorpequeño de a tiende a producir pronósticos
que están más suavizados (o sea, tienen menos fluctuación) que valores más
grandes de a. Sin embargo, para encontrar el valor' de o que genere los mejores
•. '~ .,); c , ¡ ~
3000
2SOO
1: 1000
- - Demanda observada _. - -. - CI • .5
500 - - - CI·.1 - ••• - 'CI • • 9
\
2 3 4 5 6 7 8 9 10 11 12
Periodo
\,
FIgura 5-2 Comparación de pronósticos de suavizamiento exponencial, a = 0.1,
0',5 Y 0.9. l¡
1:
pronósticos para los datos del pasado. se requiere calcular el error cuadrado
medio o la desviación absoluta media. Esto se hace para los tres valores de a
en la tabla 5-4. de la cual se puede observar que a = 0.1 genera pronósticos
con errores más pequeños que los que se derivan de valores más grandes de a.
Esto es válido tanto para la desviación absoluta media como para el error
cuadrado medio. Puesto que se calculan mediciones del error para promedios
móviles así como para el suavizamiento exponencial. se puede ahora analizar la
precisión relativa de los dos métodos diferentes.
Si se compara el promedio móvil pentamensual (que se encontró ser el mejor
de los dos promedios móviles calculados) con los pronósticos de suavizamiento
exponencial cuando a = 0.1 (el mejor de los tres procedimientos de suaviza
miento exponencial aplicados). se colige que el suavizamiento exponencial sólo
proporciona resultados ligeramente superiores a los de los promedios móviles.
No obstante. los requerimientos reducidos de datos asociados con el suaviza
miento exponencial y la atracción intuitiva de ponderar sustancialmente las
observaciones más recientes. haría que la mayor parte de gerentes optara por el
suavizamiento exponencial en lugar del enfoque del promedio móvil.
Para usar el suavizamiento exponencial. solamente se necesita tener el valor
observado más reciente. el pronóstico más reciente y el valor de a. El empleo
del suavizamiento exponencial únicoes fácil y económico. porque los programas
decomputadora pueden encontrar automáticamente el mejor valor de a. Además,
..... las pruebas empíricas y la experiencia entre los usuarios de pronósticos han
confirmado que el suavizamiento exponencial es un método preciso, efectivo y
seguro para una amplia gama de aplicaciones de pronósticos.
En las secciones anteriores se vio que las técnicas 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. Se pueden desarrollar otras formas
de suavizarniento para trabajar en tales situaciones.
En la siguiente sección se explica el método de suavizamiento lineal que
puede utilizarse efectivamente con los datos que manifiesten un patrón lineal.
Este método es económico y se puede aplicar fácilmente a cientos o aun miles
de elementos.
SUAVIZAMIENTO EXPONENCIAL LINEAL (SUAVIZAMIENTO

EXPONENCIAL DE HOLT)
El método de suavizamiento exponencial único que se analizó en la sección

anterior es teóricamente apropiado cuando la serie de datos contiene un patrón
horizontal (o sea. no tiene una 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 del
O')
co
~
TABLA 5-4 Comparación de errores de predicción del suavlzamiento exponencial
Predicción con Q' :: 0.1 Predicción con Q' = 0.5 Predicción con Q' :: 0.9
1i-
~
Demanda Dernan- Deman- Deman-
Error Error Error Error
f
Error da pronos- Error
p '000 observada da pronos- Er -absoluto da pronos
en tlcada ror cu_a~4o Error absoluto cuadrado Error absoluto cuadrado
ticada ticada
O;
1 2000 :::J
2
3
1350
1950
2000
1935
-650
+ 15
650
15 -
42.2,500
225
2000
1675
-650
+275
650
275
422,500
75,625
2000
1415
-650
+535
650
535
422,500
286,225
~
:::J
~
4 1975 1937 +38 38 1,444 1813 + 162 162 26,244 1897 +78 78 6,084 Q.i
5
6
3100
1750
,.1; 1940
2056
+1160 :" 1i60
-306 306 '.
1,345,600
93,636
1894
2497
+ 1206
~747
1206
747
1,454,436
558,009
1967
2987
+ 1133
-1237
1133
1237
1,283,689
1,530,169
~
7 1550 2026 -476 476 : 226,576 . 2123 -573 573 328,329 1874 -324 324 104,976
8 1300 1978 -678 678 459,684 1837 -537 537 288,369 1582 '-282 282 79,524
9 2200 1910 +290 290 84,100 1568 +632 632 399,424 1328 +872 872 760,384
10 2770 1939 +831 831 690.561 1884 +886 886 784,996 2113 +657 657 431,649
11 2350 2023 +327 327 106,929 2330 +20 20 400 2709 -359 359 128,881
12 2056 2340 2386
Suma +551 4771 3,431.255 +674 5688 4,338.332 -423

--
6127 5,034,081
Media +55 477" 343.12610 +67 569" 433.833" -42 613" 503.408'
"Desviaclón absoluta media

~Error cuadrado medio
•• " <f,
•. ,·F.l• • •,.• •r::rI!J!'U.'!IIl.... U•• I.Mtt_"UIIl..... Id!'!! ! 1#1111111' 11 _ _ _

suavizamiento exponencial lineal evita tal problema al reconocer explícitamente

y tomar en consideración la presencia de una tendencia.
\~
Supóngase que se pide pronosticar el próximo valor en la serie aleatoria (con

una tendencia constante de 3) 3. 6. 9. 12. 15. 18.21.24.27. 30. Como \IDa primera
aproximación. se podría emplear el suavizamiento exponencial único como se
bosquejó en la secci6n anterior. obteniendo los resultados mostrados en la tabla 5-5.
(El mejor valor de el es 1.0 ya que así se miniman los errores). Los errores para
\
cada uno de los nueve pron6sticos iniciales tienen un valor de 3.0.
I
Éstos son los pronósticos adelantados un periodo. Si los valores observados
continúan aumentando 3 unidades por periodo temporal más allá del periodo 10,
y se pronostican estos periodos empleando el valor suavizado más reciente, los
tI
f,
términos de error futuros también aumentarán en 3 unidades por cada periodo.
Al analizar la tabla 5-5. se observa que el monto del error en cada periodo,
o sea. 3. es constante cuando existe una tendencia en los datos. El suavizamiento
exponencial lineal toma en cuenta este hecho y lo utiliza en la ecuación (5-10)
para preparar una estimación suavizada de la tendencia en la se-rie de datos:
(5-10)
t
tt en donde
S, =
equivalente del valor sua~izado exponencial único
f3 - coeficiente de suavizamiento, análogo a el
T, = tendencia suavizada en la serie de datos
El principio básico de la ecuación (5-10) es el mismo que el del suaviza

miento exponencial único representado en la ecuación (5-6). La tendencia más
reciente. (S, - S, _ 1)'* está ponderada por f3 y la última tendencia suavizada,
T, _ l' está ponderada por (l - f3). La suma de estos valores ponderados es el
nuevo valor de la tendencia suavizada.
El suavizamiento exponencial lineal utiliza la ecuación (5-10) para obtener
un valor suavizado de la tendencia y combina dicha tendencia con la ecuación
estándar de suavizamiento para obtener
s, = (XX, + (1 - (X)(S'_I + T'_I)' (5-11)
La única diferencia entre ésta y la forma anterior, la ecuación (5-6), es el

término adicional T, _ 1 que se suma a S, _ 1 para ajustar los valores suavizados
del patrón tendencial en la serie de datos.
• s, - s, _1 ~epresenta la tendencia en los datos. Esto se puede verificar al restar cualquier par de
valores suceswos en la columna 3 de la tabla 5-5. La razón por la que S - S da la tendencia
es que si los datos han sido suavizados para eliminar lo aleatorio, lo q~e qU~da es el patrón (1a
1
tendencia en este caso) en los datos.

90 -; Métodos de predicción cuantitativos
TABLA 5-5 Predicción de una serie aleatoria con tendencia secular mediante el
suavizamiento exponencial único
Predicción con el
Valor suavizamiento exponencial
Periodo observado único y a = 1.0 Error
1 3
2 6 3 3
3 9 6 3
4 12 9 3
5 15 12 3
6 18 15 3
7 21 18 3
8 24 21 3
9 27 24 3
10 30 30 3
Como un ejemplo del suavizamiento exponencial lineal, las ecuaciones

(5-10) y (5-11) se pueden aplicar a los datos de la tabla 5-5. Los mejores valores
de a y f3 se encuentran al tratar varias combinaciones de valores (entre 0.0 y
1.0) Yelegir el conjunto, de valores que minimen el error cuadrado medio o la
desviación absolutamedia. Puesto 'que,no existe aleatoriedad en los datos de
la tabla 5-5, se observa que los mejores valores son a = 1.0 Yf3 = 1.0. Al utilizar
estos valores con las ecuaciones (5-10) y(5-Í 1) se tiene para el periodo 2
S2 - aX2 + (1 - a)(S, + TI) - (l)X2 + (O)(SI + TI) - 6

T2 - P(S2, - SI) + (l - P) T, - (l )(6~~ 3)+ (O)(T,) - 3
Para el periodo 3, los resultados ,SOl~ ~,
S) ,= Ú)X)'j+' (0)(S2 +' T2 ) = "9
T) . =', (l)(9"~"6)+ (0)(3)""" 3 '
Al continuar los cálculos para los periodos intermedios, los resultados para el
periodo 1Oson
SIO = (l)X IO + (0)(S9 + T 9 ) = 30

T IO = (1)(27 - 24) + (0)(27 + 3) = 3
. ,.
Debe observarse que el valor de S se actualiza primero, y luego se actualiza
la tendencia T. Parautilizar estos valores de series suavizadas S y el componente
T de la tendencia suavizada en la preparación de un pronóstico, se debe sumar
el componente tendencial al valor suavizado básico para el número de periodos
" adelantados que se va a pronosticar. La"ecuación general es, '
lIíi '..
.<
.:',1,;. ,
.~
,
:JIJ
.;
.r
- " F,+," = 5,+ T,m (5-12)
Así, el pronóstico para el periodo 11, el cual es un periodo adelante (o sea,

m = 1), con la ecuación (5-12) es
. t\
F" = S,o + T1o(m) = 30 + 3(1) = 33.
(
.....
, .<
, -~:
.::1
De manera similar, los pronósticos para los periodos 12, 13 Y 14 (2, 3 Y 4
", :
periodos adelantados, respectivamente) son
F'2 = 30 + 3(2) = 36
f F 13 - 30 + 3(3) = 39
l~i, F'4 = 30 + 3(4) = 42
J
1 Este método toma en cuenta una tendencia lineal y, por consiguiente, con
1
una serieno estocástica da unerror cero cuando a y f3 tienen sus valores óptimos.
Cuando la serie de datos contiene aleatoriedad, es más dificil determinar los
I
I
!
valores óptimos de ex y f3, y los errores de predicción no serán cero, pero el
enfoque es exactamente como se ejemplificó antes y hace simplemente repetidas
aplicaciones de las ecuaciones (5-10), 2(5-11) Y(5-12). Para más detalles acerca
de cómo se puede aplicar el método del suavizamiento exponencial lineal, o de
Holt, véase la siguiente sección, la cual describe un método similar.
Así como la ecuación (5-9) es una manera más sencilla, pero equivalente,
de aplicar el suavizamiento exponencial simple, se puede desarrollar mediante
sustitución aritmética un conjunto de tres ecuaciones que son más fáciles de usar
que las ecuaciones de la (5-10) a la (5-12); sin embargo, son totalmente
equivalentes. Éstas son las siguientes:
s, - 5'_1 + T ,_ 1 + «e, = F, + a. e, (5-13)

T, - T, _ I + a.pe, (5-14)
Fl+," - S, + T,m (5-15)
Un ejemplo del uso de las equivalentes de estas ecuaciones en lugar de las

ecuaciones (5-10), (5-11) Y(5-12) se utilizará más adelante en este capítulo, con
el suavizamiento exponencial de tendencias amortiguadas.
SUAVlZAM1ENTO EXPONENCIAL LINEAL

Y ESTACIONAL DE WINTERS
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
I
I
\
II
\
\
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 --aleatoriedad, tendencia y estacionalidad-. En
este aspecto es semejante al suavizamiento exponencial lineal, el cual suaviza lo
aleatorio y ajusta 10 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. Son como sigue:
X
s, - a. , + (l - a.)(S'_1 + T,_ 1) (5-16)
I,-L
'.¡
T, - P(S,-S'_I) + (l - P)T'_I (5-17)
~, + (l
.-~
1, - - '1)1,-L (5-18) .:
en donde
s = valor suavizado de la serie desestacionalizada

T = valor suavizado de la tendencia
1 = valor suavizado del factor estacional
L = duración de la estacionalidad (e.g., número de meses o trimestres en un año)
La ecuación de 1 es comparable a un índice estacional. Dicho índice se
calcula como la razón del valor actual de la serie X, dividido entre el valor
suavizado actual de la serie Sr Si X, es mayor que S" la razón será mayor que
1. Si es menor que S" la razón será menor que 1. Para entender este método y
la función del índice estacional, 1, es importante darse cuenta que S, es un valor
(promedio) suavizado de la serie que incluye tendencia pero no estacionalidad.
Los valores de los datos X" por otro lado, contienen estacionalidad. Así pues,
la razón X/S, dice algo acercadelnivel de estacionalidad de los datos. Recuérdese
que X, es el valor actual de los datos que contiene estacionalidad, en tanto que
S, está suavizado y no la contiene. No obstante, la estacionalidad en cada periodo
no es perfecta. Contiene aleatoriedad, por lo cual debe ser suavizada o prome
diada para eliminar tal estocasticidad. .

Para suavizar dicha estacionalidad, la ecuación de 1 pondera el factor
estacional recientemente calculado (X/S,) con "Y y el número estacional más
reciente que corresponde a la misma estación 1,_ Lcon (l - "Y).

La ecuación de T, suaviza la tendencia pues pondera la tendencia incremental
(S, - S, _ 1) con f3 y el valor tendencial previo T, _ I con (1 - p). Esto se hace
exactamente de la misma forma que en el suavizamiento lineal [véase la ecuación
(5-10)]. En la ecuación (5-16) del valor suavizado de S" el primer término se
divide entre el factor estacional/'_L. Estose hace para desestacionalizar (eliminar
• '11
~
i
las fluctuaciones estacionales de) X,. Este ajuste se puede ejemplificar al
considerar el caso cuando T, _ L es mayor que 1, lo cual ocurre cuando el valor
de 1 en el periodo T - L es mayor que el promedio de su estacionalidad. Al
, -:':.
dividir X, entre 1, _ L se tiene un valor que es menor que el valor original por un
por ciento precisamente igual a la cantidad en que la estacionalidad del periodo
t - L era mayor que el promedio. El ajuste opuesto ocurre cuando el factor de
estacionalidad es menor que 1. El valor 1, _L se utiliza en estos cálculos porque
1, no se puede calcular hasta que se conoce S,.
La predicción basada en el método de Winters se calcula como
F'+m = (S, + T,m)/'_L+"" (5-19)
Los datos de la tabla 5-6, que están graficados en la figura 5-3, se pueden
usar para ejemplificar la aplicación del método de Winters. Al emplear los '\'1
valores paramétricos de a = 0.20, {3= 0.10 Y'}'= 0.05, los pronósticos y valores
suavizados relacionados son como los que se muestran en la tabla 5-7.
El cálculo implicado en el método de Winters para obtener los datos de la
tabla 5-6 se pueden ejemplificar para el periodo 24 como sigue. Primero, al
utilizar la ecuación (5-19),
F 24 = {Sn + T n (l )]/20 - (709.56 + 17.4)0.90 - 654.03.
Luego, al usar la ecuación (5-16),
S24 = X'4
(0.2F/- + O. 8(Sn + Tn )
20
= 0.2 g.~~ + 0.8(709.56 + 17.40) - 728.06
en tanto que, al emplear la ecuación (5-17),
T 24 = 0.I(S24 - Sn) + 0.9T2)

= 0.1(728.06 - 709.56) + 0.9(17.40) - 17.51
If Finalmente, al utilizar la ecuación (5-18),
X24
/ 24 = O.05 -S + 0.95/20
24
661
= 0.05 728.06 + 0.95(0.9024) - 0.9027
.
..
-~
, , '\
,,~ ~.~ ¿ í. ' " . ...... .~_. \,
TABLA s-e Datos de ventas trimestrales
Ventas
Año Trimestre Periodo ($000)
1982 1 - 1 362
2 2 385
3 3 432
4 4 341
1983 1 5 382
2
3
6
7
409
498
,
4 8 387
1984 1 9 473
2 10 513
3 11 582
4 12 474
1985 1 13 544
2 14 582
3 15 681
4 16 557
1986 1 17 628
2 18 707
3 19 773
4 20 592
1987 1 21 627
2 22 725
3 23 854
4 24 661
Los pronósticos para los periodos 25, 26. 27 Y 28 se pueden obtener al
variar el valor de m y los índices estacionales:
F2S + 17.5\( 1)](1.01) -

= [728.06 753.0
F26 - [728.06 + 17.51(2)](1.07) - 816.5
. "
F27 - [728.06 + 17.51(3)](1.18) - 921.1
Fl S = [728.06 + 17.51(4)](0.90) - 718.3
Uno de los problemas que acompañan el uso del método de Winters consiste
en determinar los valores de a. f3 y 'Y que minimaránel error cuadrado medio
(MSE) o la desviación media absoluta (MAD). El enfoque para realizar esto es
el de ensayo y error. La búsqueda de los valores óptimos se hace mediante un
enfoque de rejilla en donde los resultados que emplean valores diferentes para ¡
a. f3 y 'Y comparan para encontrar la combinación que mínima el MSE o la

900
800
700
600
•
500
400
300
Figura 5-3 Gráfica de los datos de ventas trimestrales
MAD. Con las computadoras actuales, encontrar los valores óptimos de a, f3 y

y ya no es el problema que solía ser. Requiere de unos pocos nanosegundos a
un par de minutos, dependiendo de la velocidad de la computadora usada y de
la cantidad de datos históricos disponibles.
Como fue el caso de las ecuaciones (5-9) y (5-15), mediante sustitución
algebraica se puede desarrollar un conjunto alternativo de ecuaciones, pero
completamente equivalente, para el suavizamiento exponencial lineal y estacional
de Winters. Estas ecuaciones se pueden usar en lugar de las identificadas como
(5-16) a (5-19). Las cuatro ecuaciones son como sigue:
.<
S, - S;_I + T,_, + a.e,fJ'_ 1 (5-20)
T, - T,_1 + a.fJe,fJ'_1 (5-21 )
J, - J'_L + 1(/ - a.)e,fS, (5-22)
- (S, + T,m)J'_L+m (5-23)
USO DEL SUAVIZAMIENTO EXPONENCIAL LINEAL

DESPUÉS DE DESESTACIONALlZAR UNA SERIE DE DATOS
Si una serie de datos contiene un patrón estacional, existe una alternativa al uso
del método de suavizamiento de Winters. Tal alternativa consiste en desestacio
TABLA 5-7 Aplicación de' suavizamiento exponencial lineal y estacional de

Winters a datos estacionales (de la tabla 5-6)
Valores suavi- Factores Valores Pron6sti

Valores zados y desesta- estacionales tendenciales cos cuando
Periodo reales de 'Xl cionalizados S, suavizados t, suavizados T, ni = 1
1 362.00
0.95 }
2 385.00 1.01 Valores ~.
3 432.00 1.14 iniciales

4 341.00 0.90 ,~. "
5 382.00 382.00 1.00 9.17
6 409.00 394.05 1.07 14.70 424.79
7 498.00 411.62 1.18 14.99 481.10
8 387.00 427.39 0.90 15.07 383.53
9 473.00 448.17 1.01 15.64 444.32
10 513.00 467.08 1.07 15.97 495.53
11 582.00 485.20 1.18 16.18 569.34
12 474.00 506.52 0.90 16.70 450.90
\ 13 544.00 526.64 1.01 17.04 526.75

14 582.00 543.74 1.07 17.04 581.68
15 681.00 564.08 1.18 17.37 661.55 ...y.
\I 16 557.00 588.78 0.90 18.11 523.98
17 628.00 610.11 1.01 18.43 611.79
18 707.00 634.99 1.07 19.07 672.48
19 773.00 654.15 1.18 19.08 772.49
,
20 592.00 669.65 0.90 18.72 608.19
21 627.00 674.96 1.01 17.38 694.66
22 725.00 689.13 1.07 17.06 742.26·
23 854.00 709.56 1.18 17.40 834.08
24 661.00 728.06 0.90 17.51 654.03
25 753.03
.'
nalizar primero la serie de datos y utilizar en seguida el suavizamiento exponen

cial lineal en esa serie desestacionalizada.
Por ejemplo, con los datos de la tabla 5-6 se pueden encontrar los índices
estacionales para cada uno de los cuatro trimestres, como sigue:
Trimestre Índice estacional

1 0.96
2 1.02
3 1.14
4 0.88
En el siguiente capítulo se analiza el cálculo de estos índices.

·,
Con estos índices estacionales, la tabla 5-8 muestra los mismos datos que
la tabla 5-6, con la excepción de que cada uno de los valores de ventas ha sido
dividido entre el índice estacional (columna 3). Esto da los valores desestacio
nalizados mostrados en la columna 4. Desestacionalizar los datos significa
eliminar la estacionalidad. Así pues, se puede aplicar un método no estacional
a esta serie de datos desestacionalizada para obtener pronósticos. Con los datos
desestacionalizados de la columna 4 de la tabla 5-8 se usa el suavizamiento de
Holt para encontrar el pronóstico de periodo 20 como
F'+fft - S, + T,m
..,';-,
-¡~
F10 = SI9 + T ,9 (l ) = 680.69 + 18.25 = 698.94

'"
en donde S, = aX; + (1 - a)(S'_1 + 7:-1 ) [véase la ecuación (5-11)],
5 19 = (XX19 + (1 - 2)(5 111 + T 1K )

= 0.862(675.71) + 0.138(691.32 + 20.59) = 680.69 .
.}
(Nota:El valor óptimo de ex se calculó previamente como igual a 0.862.) De

manera semejante,
T, = fl(5, - S, _ 1) + (1 - f1) T, _ I [véase la ecuación (5-10)].
Entonces,
T'9 - fJ(S19 - S18) + (1 - /1) T I 8

= 0.075(680.69 - 691.32) + 0.925(20.59) - 18.25.
(Nota: El valor óptimo de f3 se calculó como igual a 0.075.)

Al sumar 680.69 + 18.25 se obtiene el pronóstico para el período 20. Tal
pronóstico de 698.94 (columna 7 de la tabla 5-8) no contiene estacionalidad
alguna. Para reestacionalizar este pronóstico (o sea, para agregar de nuevo la
estacionalidad), se debe multiplicar dicho pronóstico dcsestacionalizado por el
índice estacional correspondiente al periodo 20. Este índice es igual a 0.88
(columna 3). El resultado es el pronóstico estacional izado del periodo 20:
F20 = 698.94(0.8755) = 611.90.
El pronóstico para los períodos 25, 26, 27 Y 28 se puede calcular de modo

similar, con la excepción de que m ahora toma los valores de 1, 2, 3 Y 4,
respectivamente. Los pronósticos son 742.59, 806.98,922.02 Y727.25. Éstos
nodifieren mucho de los calculados con el suavizarnieruo exponencial de Wintcrs
(tabla 5-7). Estos valores fueron 753.0, 816.5, 921.1 Y 718.3.
U)
m
.'
~ :c-
TABLA 5-8 Aplicación del euav/zamlento exponencial lineal de Holt a los datos
1:
i- , . ~.;.
(1)
desestaclonallzados de la tabla 5-6
(2) (3) (4) (5) (6)

Valores de
(7) (8) 1g;
c'
Valores Valores Valores Pronósticos

reales Indiees desestacío- suavizados
tendencia
suavizados euando Pronósticos i
::;)
~
Perlodo Xr estacionales nalizados XI S, TI m=1 reestacionaJizados Cl:i
I 362.00 0.96 376.09 373.26 18./4 l

2 385.00 1.02 378.19 380.00 17.29 391.40 398.45
3 432.00 1.14 377.63 380.33 16.01 397.29 454.49
4 341.00 0.88 ,. 389.51 390.45 15.57 396.35 346.99
5 382.00 ' 0.96 , 396.87 398.13 14.98 406.02 390.81
6 409.00 1.02 401.76 403.32 14.25 413.11 420.55
7 498.00 . 1.14 435.32 432.88 15.39 417.57 477.69
8 387.00 0.88 442.05 442.91 14.99 448.27 392.45
9 473.00 0.96 491.41 486.80 17.16 457.90 440.74
10 513.00 1.02 503.92 503.93 17.16 503.96 513.04
11 582.00 1./4 508.75 510.45 16.36 521.08 596.11
12 474.00 0.88 541.43 539.42 17.30 526.80 461.20
13 544.00 0.96 565.17 564.01 17.85 556.72 535.86
14 582.00 1.02 571. 70 573.10 17.19 581.86 592.35
15 68/.00 1.14 595.29 594.60 17.52 590.29 675.28
16 557.00 0.88 636.23 632.92 19.08 612.12 535.89
. " : .;';'
t "'hz-- h' "~'h ";¡$i ~) :*4'(déí~'W"lf"; . t"_e·siinr-;~m·'''~·~:-«Zt?tüM,~ ""u ff+.......,~
-· .-·
.•
':-:" .t"':".1).;.·:,.",:,.~::.;.,:",~· ,C,T" ,;\, '}jfl(j;:
17 628.00 0.96 652.44 652.38 19.1 1 652.00 627.57

18 707.00 1.02 694.49 691.32 20.59 671.49 683.59
19 773.00 1.14 675.71 680.69 18.25 711.92 814.42
20 592.00 0.88 676.21 679.34 16.78 698.94 611.90
21 627.00 0.96 651.40 657.55 13.89 696.12 670.04
22 725.00 1.02 712.17 706.57 16.52 671.44 683.54
23 854.00 1.14 746.52 743.29 18.04 723.09 827.20
24 661.00 0.88 755.03 755.90 17.63 761.33 666.52
25 0.96 773.53 742.59
26 1.02 m = 2, 791.16 806.98
27 1.14 m = 3, 806.79 922.02
28 0.88 m = 4,826.42 727.25
2
~
~.
~
~.
6"
~
'.
,.'
100' Métodos de precflCCión cuantitativos
SUAVlZAMIENTO EXPONENCIAL AMORTIGUADO

DE TENDENCIA
Otra variedad útil de suavizamiento exponencial la dieron a conocer Gardner y

McKenzie en 1985. Difiere del suavizamiento lineal de Holt por amortiguar
(disminuir) la tendencia lineal que se extrapola a medida que nos dirigimos más
hacia el futuro. Hablando en términos prácticos, esto tiene mucho sentido ya
que la mayor parte de las series de datos no aumentan o disminuyen para siempre.
El suavizarniento amortiguado de tendencia incluye el parámetro extra 4>
(además de los dos parámetros de Holt), el cual aplica el amortiguamiento óptimo
mediante la aplicación de valores diferentes para elegir el que minime el error
cuadrado medio o la desviación media absoluta. Las ecuaciones incluidas en el
suavizamiento amortiguado son
,~
s, - lX X, + (1 - lX)(S'_1 + T,-l)4> (5-24)

T, - f3(S, - S,_I) + (1 - P) T,_ .4> (5-25)
t
m
,•
F,+", - S, + I4>;T, (5-26)
;-1
De modo alternativo, las ecuaciones (5-24), (5-25) Y (5-26) se pueden

expresar con términos de errores como sigue:
e, - X, - F, (5-27) ,
S, - 8'_1 + 4>T,_, + lX e, (5-28)
T, - 4> T'_I + f3e,. (5-29)
La ecuación para pronósticos es la misma que la ecuación (5-26). "_

La tabla 5-9 muestra la ventas trimestrales de un modelo de automóvil
producido por un fabricante de Estados Unidos. (Estos datos, aunque reales, se
han multiplicado por una constante para asegurar la confidencialidad.) Debido
a que los datos son estacionales, no se puede utilizar el método del suavizarniento
amortiguado a menos que los datos sean desestacionalizados. Para hacerlo,
primero se deben calcular los índices estacionales (véase el siguiente capítulo
para mayores detalles), que son los siguientes:
Trimestre índice estacional

1 99.53
2 119.78
3 99.09
4 81.61
Si las ventas originales de automóviles mostradas en la tabla 5-9 se dividen entre

los índices estacionales, se obtienen valores desestacionalizados (por ejemplo,
los valores para los primeros cuatro trimestres [1982] serán 36,069.5, 22,012.6,
TABLA 5-9 Ventas trimestrales de un modelo de automóvil
Año Trimestre Pertodo Ventas unitarias"

1982 I I 35,900.0
2 2 26,366.7
3 3 27,355.5
4 4 3~,02~.2
1983 1 5 45,542.0
2 6 83,199.9
3 7 71,938.3
4 8 82,745.6
1984 I 9 95,323.4
~ . "t 2 10 125,129.7
'. '''J:....•.
. !~
3 11 111,350.6
:;,f 4 12 90,339.5
..... ~
1985 1 13 119,627.2
1
2 14 151,519.7
',:. •-i
'~f;
3 15 125,867.9
4 16 101,979.1
~.j:
1986 1 17 114,90(). 1
1
t
2
3
18 _
19
123,040.7
103,527.1
1
4 20 68,679.1
f. 1987 1 21 112,103.7
, 2 22 84,926.0
3 23 81,739.5
4 24 71,612.1
a Los valores incluyen un decimal porque han sido multiplicados por una constante para encubrirlos
27,606.7 Y 39,238, respectivamente). Tales valores se pueden emplear para

encontrar los valores óptimos de a, f3 y cP que miniman el error cuadrado medio.
Los valores óptimos de a, f3 y eJ> se pueden usar en seguida para preparar los
pronósticos trimestrales de 1988 y 1989.
Al tratar valores diferentes de a, {3 y el> se pueden ajustar modelos
¡
alternativos a los datos históricos mostrados en la tabla 5-9 y calcular el error
¡
cuadrado medio. Por ejemplo, la tabla 5-10 muestra varios valores de a, f3 y el>
,
\
y los valores correspondientes del error cuadrado medio. Obviamente, si se

, supone que el futuro será semejante al pasado, los valores de a, {3 y eJ> que
I
\
corresponden al menor valor del error cuadrado medio serán los elegidos para
i hacer los pronósticos de 1988 y 1989. Con los datos de la tabla 5-9, dichos
valores son a = 0.277, f3 = 0.999 Y el> = 0.551.
Además de los valores óptimos de a, J3 y 4> se requieren los valores de 524
y T24 para pronosticar 1988 y 1989. Estos valores son 79,303.5 y 5,565.4,
respectivamente. Así pues, al utilizar la ecuación (5-26),
TABLA 5.10 Valores diferentes de a, /3, el> y el error cuadrado medio (M5E)
correspondiente
ex fJ ti> MSE
0.277 0.999 0.551 14,140.9 (el menor)

0.2 0.3 0.5 14,531.2
0.1 0.2 0.3 26,164.9
0.4 0.5 0.6 14,615.7
0.6 0.7 0.8 26,053.5
0.4 0.3 0.2 17,584.4
0.4 0.5 0.1 17,826.2
F24+ \ - 8 24 + 4>T24
8 24 + 4> T 24 4>2 T 24 - F24 + \ + 2T

F24 + 2 - 4> 24
F24+ 3 - 8 24 + 4> T 24 4>2 T 24 + 4>3 T 24 - F24+ 2 + 4>3 T 24

F24 +4 - + 4>4T24
F24 + )
F24 + 5 - F24+ 4 + 4>5 T 24
F24 +6 - F24 + 5 + 4>6 T 24
F24 +7 - F24 + 6 + 4>7T24
F24+ 1 - F24 + 7 + 4>1 T 24
Puesto que S24 = 79,303.5 Y T 24 = 5,565.4, los pronósticos son
F: 5 - + 0.551(5555.4) - 79,303.5 + 3,055.5 -

79,303.5 82,:>7\). i
q'
F26 - 82,370.1 + 0.551 2(5565.4)
, - 82,370.1 + 1,689.7 - 84,059.8
F27 - 84,059.8 + 0.551 3(5565.4) - 84,059.8 + 931.0 - 84,990.8
F'lJ - 84,990.8 + 0.551 4(5565.4) - 84,990.8 + 513.0 - 85,503.8
F29 - 85,503.8 + 0.551 5(5565.4) - 85,503.8 + 282.7 + 85,786.5
FlO - 85,786.5 + 0.551 6(5565.4) - 85,768.5 + 155.7 + 85,942.2
F3\ - 85,942.2 + 0.551 7(5565.,4) - 85,942.2 + 85.8 + 86,028.0
F)2 - 86,028.0 + 0.551 8(5565.4) - 86,028.0 + 47.3 + 86,075.3
\
Estos pronósticos se deben reestacionalizar mediante su multiplicación por
\
los índices estacionales correspondientes. Los pronósticos finales ~e encuentran
en la tabla 5-11.
TABLA 5-11 Pronósticos finales de 1988 y 1989
Pronósticos
Afta Trimestre sin estacionalizar índice estacional Pronósticos finales
1988 1 82,370.1 0.9953 81,983

2 84,059.8 1.1978 100,686.8
3 84,990.8 0.9909 84,217.4
4 85,503.8 0.8161 69,779.7
1989 1 85,786.5 0.9953 85,383.3
2 85,942.2 1.1978 102,941.6
85,245.2
·
~:
"
3
4
86,028.0
86,075.3
0.9909
0.8161 70,246.0
r.{
orass FORMAS DE SUAVIZAMIENTO

Aunque existen otras formas de suavizamiento, se ha encontrado que las que
hasta ahora se han presentado son adecuadas para casi todas las situaciones
que caracterizan a las aplicaciones empresariales o gubernamentales. El suavi
zamiento exponencial único es apropiado para datos mensuales o cuando la
tendencia en los datos es débil o inexistente. El suavizamiento de Holt se puede
usar con éxito cuando existe una tendencia consistente y persistente en los datos,
lo que sucede a menudo con datos anuales. El suavizamiento amortiguado se
puede utilizar cuando se da una tendencia en los datos que no persiste a través
de horizontes predictivos más largos. El suavizamiento de Winters se utiliza
cuando existe estacionalidad en los datos además de una tendencia consistente.
Sin embargo, se ha visto que es preferible desestacionalizar primero los datos,
luego emplear el suavizamiento único, de Holt o el amortiguado, y finalmente
reestacionalizar los pronósticos. En la mayor parte de las situaciones, este
procedimiento genera pronósticos más precisos cuando existe estacionalidad en
los datos que cuando se usa directamente el suavizamiento de Winters.
REFERENCIAS SELECCIONADAS
Brown, R.G., Advanced Service Parts Inveniory Control, 2a. ed., Brown
Materials Management Systems, Norwich, VT.
___, Smoothing, Forecasting and Prediaion, McGraw-Hill, Englewood
Cliffs, NJ. '
Gardner, E.S., Jr., "Exponential Smoothing: The State of the Art" (con
comentarios), JouT7Ul1 01 Forecasting, 4, pp. 1-38.
Gardner, E.S., Jr. y E. McKenzie, "Forecasting Trends in Time-Series",

Managemeni Science, 31, pp. 1237-1246.
Gardner, E.S., Jr. y D.G. Dannenbring, "Forecasting with Exponential Smoot
hing: Sorne Guidelines fo~ ModelSelection", Decision Science, 11, pp.
-370-383.
Makridakis, S., S.C. Wheelwright y V.E. McGee, Forecasting Melhods and
Appilcaüons, 3a. ed., Wiley, Nueva York.
Makridakis, S. y S.C. Wheelwright (comp.), The Handbook o/ Forecasting: A
Manager's Guide, 2a. ed., Wiley, Nueva York.
Montgomery, D.C. y L.A. Johnson, Forecasting and Time-Series Analysis,
McGraw-Hill, Nueva York. ,;
Winters, P.R., "Forecasting,Sales by Exponentially Weighted Moving Avera
ges", Management Science, abril, pp. 324-342.
APÉNDICE: VALORES INICIALES PARA LOS ENFOQUES
DEL SUAVlZAMIENTO EXPONENCIAL
Necesidad de la inicialización
La razón por la cual se necesitan los valores iniciales para los métodos de
suavizamiento exponencial se puede ver si se examina la ecuación del suaviza
miento exponencial único.
F, +1 - aX, + (l - g.)F, (5-30)
en donde
x, = valor actual más reciente

F, . == último prónóstico
F, + I = pronóstico del periodo siguiente
a . = constante de suavizamiento '
Cuando t = 1, la ecuación (5-30) se convierte en
(5-31)
Para obtener un valor de F2 , se debe conocer F,. El valor de F 1 tuvo que

haber sido .
F1 = aXo = (l - a.)Fo (5-32)
Ya que Xo no existe, Fo no se puede calcular, lo cual da origen al problema de

una valor inicial para F, es decir, F 1• Dicho valor es necesario porque F, se
Métodos de suavizamiento 1 05
requiere para calcular F2 en la ecuación (5-31). Sin embargo, en la formulación
,
dada F¡ no se puede calcular. En consecuencia, se necesitan algunos enfoques
alternativos para estimar el valor inicial de F, en la ecuación (5-31). De manera
semejante, se necesitan valores iniciales para cualquier tipo de suavizarniento ex
ponencial. La cantidad y tipo de valores depende del enfoque de suavizamiento
I
.~
exponencial particular que se esté utilizando.
Si los datos son estacionales, los primeros valores para los factores
estacionales se pueden calcular empleando uno de los métodos de descomposi
ción (véase el capitulo 6). Si hay datos insuficientes para aplicar la descompo
sición, los primeros valores del factor estacional deben basarse en estimaciones
.
!
subjetivas o en los índices estacionales de productos o situaciones semejantes.
El nivel suavizado promedio S y los componentes T de la tendencia se pueden
calcular empleando uno de los siguientes enfoques:
l. Estimaciones minimocuadráticas. Se pueden estimar los valores ini

ciales utilizando mínimos cuadrados ordinarios (como se explica en el capítulo
8). Por ejemplo, en el suavizamiento exponencial único SI se puede calcular al
l
promediar, digamos, 10valores pasados. En el suavizamiento exponencial lineal
S y T se pueden calcular al resolver la ecuación para una línea recta y obtener
la ordenada al origen y la pendiente, y utilizarlas como valores paramétricos
1
l
iniciales. Lo mismo se puede hacer en el suavizamiento amortiguado. Éste es el
enfoque de inicialización más frecuentemente empleado.
e
.~,
2. Retroprediccion. La metodología de Box-Jenkins utiliza este método
~'.
(véase el capítulo 7), pero también se puede aplicar a los métodos de suaviza
i miento exponencial. Implica invertir la serie de datos y empezar el proceso de
;
estimación a partir del valor último (el más reciente) y terminar con el primer
valor (el más antiguo). Esto ofrecerá pronósticos o estimaciones paramétricas
para empezar los datos, y estos últimos se pueden utilizar como los valores
iniciales cuando los datos se predicen en la secuencia normal, o sea, desde el
más antiguo al más reciente.
3. Cuando sólo existen datos limitados. En algunas ocasiones existen
muy pocos datos como para estimar valores iniciales. También, los usuarios
pueden no considerar importante empezar con valores iniciales precisos. En tales
casos, los modelos que no requieren valores iniciales pueden resultar interesan
tes. Por ejemplo, el suavizamiento simple puede aplicarse al utilizar
~
!
r
J
en tanto que en el suavizamiento de Holto en el amortiguado podría ser suficiente
la inicialización siguiente:
1
= XI
= X¡ - XI
- O
106 Métodos de precrlCCión cuantitativos
Por último. en el suavizamiento de Winters los valores correspondientes podrían

ser
SI - X'.
T. - X'2 - X'.
en donde X', y X'2 son valores desestacionalizados de X. Yx,

Capitulo 3 PDF

Caricato da

Informazioni sul documento

Titolo originale

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

Capitulo 3 PDF

Caricato da

Copyright:

Formati disponibili

·

En el capítulo anterior, se analizó la función de los pronósticos en la planificación

LAS PERCEPCIONES Y LA REALIDAD DE LOS PRONÓSTICOS

El derrumbe del mercado de valores del 19 de octubre de 1987 sorprendió a tia

*Este capitulo se basa en S. Makridakis, "Meraforecasting. Ways of hnproving Forecasiing Accuracy

que sucedió en el pasado (véase el capítulo 13). De la misma manera, le gusta

LA PRONOSTlCABILlDAD DEL FUTURO

Como se indicó en los capítulos 1 y 2, un requisito de cualquier forma de

Lo que se puede y no se puede pronosticar 47

factores generales que influyen sistemáticamente la pronosticabilidad. A conti­

1. Número de elementos. Entre mayor sea el número de elementos

LOS ORíGENES DE LOS ERRORES DE PREDICCiÓN Y LA

En las ciencias físicas la identificación y verificación de patrones o relaciones

SlldisllllCiamás muchos desuuye una alguien previera

1t '*='=:-m=:;."'1%'Ur' r I T' en = ,'" '.-' 2S $" ·~trrh'r m $'n·'TrTiíÜ'.M·¡.i·¡i"·líi"_·JI';·;"~";' "'h"-.

Caracleristicas (~ los Cancterfsdcas de Caracterúác:u de CMaclierfslícas de

retroalimentación no es frecuente y muy a. menudo es poco clara. Además, tos

Identificación errónea de patrones y relaciones. Se podría identificar un

tanto en los pronósticos discrecionales como en los estadísticos. En su afán por

dominar y controlar el medio, con frecuencia la gente vislumbra una correlación

ilusoria, mientras que los modelos estadísticos basados en un número pequeño

de observaciones (por ejemplo, con los productos nuevos) pueden "identificar"

un patrón que no se mantiene a través de un periodo más largo. De modo

porque un tercer factor causa que ambas variables se muevan en la misma

dirección. De forma alternativa, los patrones o relaciones que existen podrían

identificarse o ignorarse indebidamente porque se dispone de información

insuficiente, o porque la realidad es demasiado compleja para ser comprendida

o modelada con un número limitado de variables (véase Einhorn y Hoganh,

Patrones inexactos o relaciones imprecisas. En las ciencias sociales, por las

Patrones o relaciones cambiantes. En las ciencias sociales, los patrones o

de tiempo y cómo influye la exactitud de los pronósticos (a mayor horizonte,

pronóstico razonable de exactitud pronósricos exactos predicción inesperados inesperados Q)

una intensa tormenta de

meses a 2 años) recuperación y Asignación mejorada de el promedio o más de lo Altas existencias ~

expansión del ciclo recursos"' esperado Ventas perdidas

económico' ~ Ni.veles reducidos de Las recesiones son más Pérdida de participación

Longitud promedio de la existencias cortas que el promedio en el mercado

nivel de la actividad Cambios de las relaciones Posición competitiva de

demográficos investigación y inteligencia artificial) o proyectos no ~.

DemogratIa empresa o sociedad !8

.' ...... ~.-,

t, "'-'_ '""';''\.'-.~'-' . ,~:,~.........Jrr.·~i-: .::-:~ . . .- :~,c ....' ~.I'. "J;o

Tipo Y duración del cambio

Inusual Fuerte tormenta de nieve

sugiere en la tabla 3-3, se deben tener presentes dos aspectos importantes.

empresariales y económicas. Detener la publicidad no dará como resultado una

declinación inmediata de las ventas. Generalmente pasa algo de tiempo. con

cambio. De igual manera, si se observan algunos de los sucesos importantes

de las décadas de 1970 Y1980. como el embargo petrolero y el alza cuadruplicada de

los precios del petróleo. o el derrumbe del mercado de valores de 1987. se

recuerda que el impacto de tales sucesos no se sintió inmediatamente. Por

las economías industrializadas del mundo entraran en una recesión. Como

En el campo de los pronósticos, los métodos de monitoreo proporcionan

puedan evaluar su significado y desarrollen respuestas apropiadas. Una razón

que cuando ocurre un cambio sistemático de manera acumulativa e incremental

y se presenta en varias variables de forma paralela, el juicio se enfrenta a

dificultades extremas para percibir e interpretar dicho cambio aleatorio. Así,

estos cambios se pueden manejar mejor mediante técnicas cuantitativas de

monitoreo. (En el capítulo 14 se estudian algunas formas específicas de estas

Armstrong, J.C., Long-Range Forecasting: From Crystal Ball to Computer, 2a.

Einhom, H.J. YR.M. Hogarth, "Decision Making: Going Forward in Reverse",

Uno de los problemas al que los gerentes se enfrentan es el relativo a la

Para entender mejor cómo se pueden utilizar en la práctica los promedios

factores generales que influyen sistemáticamente la pronosticabilidad. A conti

es también un número entre O y 1], las ponderaciones o, o (l - o), o (l

El principio básico de la ecuación (5-10) es el mismo que el del suaviza

no es perfecta. Contiene aleatoriedad, por lo cual debe ser suavizada o prome

reciente que corresponde a la misma estación 1,_ Lcon (l - "Y).