La seleccin de una tcnica para pronosticar se analiza en el captulo 3 y se resume en la

tabla 3-6. Las metodologas para elaborar pronsticos que estudiamos en este libro se
resumen en la tabla 11-1. Dichas tablas, junto con el anlisis adicional disponible en
Chase (1997), ayudan al pronosticador a seleccionar un conjunto inicial de
procedimientos para pronosticar.
El paso 3, construccin y evaluacin del modelo, incluye ajustar los datos recolectados
a un modelo de pronstico que sea adecuado, en trminos de minimizar errores en el
pronstico. Cuanto ms sencillo sea el modelo, mejor ser en trminos de la aceptacin
del proceso de pronsticos por parte de los gerentes que deben tomar las decisiones de
la empresa. Con frecuencia, se debe alcanzar un equilibrio entre un enfoque para
pronosticar complejo que ofrezca un poco ms de precisin, y un enfoque sencillo que
se entienda fcilmente y gane el apoyo de quienes toman las decisiones de la compaa
y sea activamente usado por stos. Evidentemente, el buen juicio interviene en este
proceso de seleccin. Puesto que este libro analiza diversos modelos de pronsticos y su
aplicacin, la capacidad del lector para ejercitar el buen juicio, en la seleccin y el uso
de modelos para pronosticar adecuados, se incrementar despus de estudiar este
material.
El paso 4, implementacin del modelo, es la generacin del modelo real una vez que se
hayan recopilado y depurado los datos apropiados, y se haya seleccionado el modelo de
pronstico adecuado. Los datos de periodos histricos ms recientes se mantienen como
respaldo y ms tarde se usan para verificar la exactitud del proceso.
El paso 5, evaluacin del pronstico, implica la comparacin de los valores del
pronstico con valores histricos reales. Despus de que se termina la implementacin
del modelo, se realizan los pronsticos para los periodos histricos ms recientes, donde
se conocen los valores de los datos, pero se mantienen como respaldo de los datos que
se analizan. Estos pronsticos se comparan despus con los valores histricos conocidos
y se analizan cualesquiera errores en el pronstico. Algunos procedimientos para
pronosticar suman los valores absolutos de los errores y reportan esta suma; o dividen
esta suma entre el nmero de intentos para producir el pronstico, y conocer el error
promedio del pronstico. Otros procedimientos brindan la suma de los errores al
cuadrado, lo cual se compara luego con cifras similares de mtodos alternativos para
pronosticar. Algunos procedimientos tambin rastrean y reportan la magnitud de los
trminos del error, durante el periodo del pronstico. El examen de los patrones de error
a menudo lleva al analista a modificar el modelo para pronosticar. Mtodos especficos
de medicin de los errores en los pronsticos se examinan cerca del final del captulo 3.
Se utilizan diagramas de dispersin para visualizar la relacin entre dos variables. Tales
diagramas se analizarn ms adelante, en el captulo de la seccin sobre anlisis de
correlacin.
Para datos cronolgicos, la forma grfica ms frecuentemente empleada es un diagrama
de series de tiempo, en el cual los datos se grafican a travs del tiempo. La figura 2-5
ilustra el diagrama de una serie de tiempo con las ventas anuales en las tiendas de
alimentos Alomega, que analizamos en el ejemplo 1.1. Un diagrama de series de tiempo
revela la variabilidad de los datos y el momento en que ocurren picos y valles. Tambin
muestra el tamao relativo de los picos y los valles, en comparacin con el resto de la
serie.
Un paso importante en la seleccin de una tcnica de pronsticos adecuada consiste en
identificar los patrones de datos que existen dentro de una serie de tiempo. Una vez que
se identifican los patrones de datos, se pueden utilizar los mtodos de pronstico ms
adecuados para tales patrones. Se identifican cuatro tipos de patrones de datos para
series de tiempo: horizontal, de tendencia, cclico y estacional.
CORRELACIN: Segundo, advierta que el coeficiente de correlacin mide una
relacin lineal entre dos variables.
ESTUDIO DE PATRONES DE DATOS EN LAS SERIES DE TIEMPO
Cuando los datos crecen o descienden en varios periodos, existe un patrn de tendencia.
La tendencia es el componente de largo plazo que representa el crecimiento o el
descenso en la serie de tiempo, durante un periodo extenso.
Cuando las observaciones indican aumentos y cadas que no tienen un periodo fijo,
existe un patrn cclico. El componente cclico es la fluctuacin con forma de onda
alrededor de la tendencia y, por lo comn, se ve afectada por las condiciones
econmicas generales. Un componente cclico, si existe, tpicamente presenta un ciclo
durante varios aos. Las fluctuaciones cclicas a menudo estn influidas por cambios en
las expansiones y contracciones econmicas, mejor conocidas como el ciclo de
negocios.
El componente estacional es un patrn de cambio que se repite ao tras ao.
La variacin estacional puede representar condiciones climticas, horarios de escuela,
das feriados o duracin de los meses calendario.
TCNICAS DE PRONSTICOS PARA DATOS CON UNA TENDENCIA
En palabras sencillas, en una serie de tiempo una tendencia es un crecimiento o
decrecimiento persistente de larga duracin. Para una serie de tiempo con tendencia, el
nivel de la serie no es constante. Es comn que las series de tiempo de economa
muestren una tendencia.
Las tcnicas de pronstico para datos con tendencia se usan en las siguientes
circunstancias:
Un incremento en la productividad y nueva tecnologa traen consigo cambios en el
estilo de vida. Algunos ejemplos son las demandas de componentes electrnicos, las
cuales aumentaron con la llegada de las computadoras, y el uso del ferrocarril, el cual
disminuy con la aparicin del avin.
Un incremento de la poblacin causa aumentos en la demanda de bienes y servicios.
Ejemplos de esto son los ingresos por ventas de bienes de consumo, demanda de
consumo de energa y uso de materias primas.
El poder de compra de la moneda afecta las variables econmicas debido a la
inflacin. Son ejemplos los salarios, los costos de produccin y los precios.
Incremento de aceptacin en el mercado. Un ejemplo es el periodo de crecimiento en
el ciclo de vida de un producto nuevo.
Las tcnicas que deberan considerarse en el pronstico de series con tendencia incluyen
modelos de promedios mviles, de suavizamiento exponencial lineal de Holt, de
regresin simple, de curvas de crecimiento, los modelos exponenciales y los modelos
autorregresivos integrados de promedio mvil (ARIMA)(mtodos de Box-Jenkins).

Advierta que el coeficiente de correlacin mide una relacin lineal entre dos variables.
En el caso en que el coeficiente de correlacin es bajo, se concluira que las dos
variables no estn estrechamente relacionadas de forma lineal. Tal vez estn
estrechamente relacionadas de un modo no lineal o curvado. As, un coeficiente de
correlacin bajo no significa que las dos variables no estn relacionadas, solo que
parece que no existe una relacin lineal o en lnea recta.

TCNICAS DE PRONSTICOS PARA SERIES CCLICAS
El efecto cclico se defini antes como la fluctuacin con forma de onda alrededor de
una tendencia. Los patrones cclicos son difciles de modelar porque sus patrones
generalmente son inestables. Las fluctuaciones ondulatorias hacia arriba y hacia abajo
de la tendencia rara vez se repiten en intervalos de tiempo fijos, en tanto que la
magnitud de las variaciones tambin tiende a cambiar. Los mtodos de descomposicin
(captulo 5) pueden ampliarse para analizar los datos cclicos. Sin embargo, debido al
comportamiento irregular de los ciclos, el anlisis del componente cclico de una serie,
si existe, a menudo requiere de la obtencin de indicadores de coincidencia o
indicadores econmicos importantes.
Las tcnicas para la elaboracin de pronsticos con datos cclicos se usan en las
siguientes circunstancias:
El ciclo de negocios influye en la variable de inters. Son ejemplos los factores
econmicos, de mercado y competitivos.
Ocurren cambios en el gusto popular. Son ejemplos la moda, la msica y la comida.
Suceden cambios en la poblacin. Son ejemplos las guerras, las hambrunas, las
epidemias y los desastres naturales.
Ocurren cambios en el ciclo de vida del producto. Son ejemplos el lanzamiento, el
crecimiento, la maduracin, la saturacin del mercado, y su declive.
Las tcnicas que deberan considerarse cuando se elaboren pronsticos con series
cclicas incluyen la descomposicin clsica, los indicadores de la economa, los
modelos economtricos, la regresin mltiple y modelos ARIMA (mtodos de Box-
Jenkins).
OTROS FACTORES A CONSIDERAR EN LA SELECCIN DE UNA
TCNICA DE PRONSTICO
El horizonte de tiempo de un pronstico tiene una relacin directa con la seleccin de la
tcnica para pronosticar. En pronsticos de corto y mediano plazos, se puede aplicar una
gama de tcnicas cuantitativas. Sin embargo, conforme aumenta el horizonte del
pronstico, varias de estas tcnicas se vuelven menos adecuadas. Por ejemplo, los
modelos de promedios mviles, suavizamiento exponencial y ARIMA son
pronosticadores deficientes de los cambios econmicos drsticos; mientras que los
modelos economtricos resultan ms tiles. Los modelos de regresin son apropiados
para el corto, el mediano y el largo plazos. Las medias, los promedios mviles, la
descomposicin clsica y las proyecciones de la tendencia son tcnicas cuantitativas
adecuadas para horizontes de tiempo de corto y mediano plazos. Las tcnicas ms
complejas de Box-Jenkins y economtricas tambin son recomendables para
pronsticos de corto y mediano plazos. Los mtodos cualitativos se usan a menudo para
los horizontes de tiempo ms largos (vase el captulo 10).
Segn Hnake (2010), es importante sealar que la informacin
presentada en la siguiente tabla debe usarse como una gua para la
seleccin de una tcnica de elaboracin de pronsticos.
Tabla N2: Seleccin de una tcnica de pronsticos
Mtodo
Patrn
de datos
Horizonte
de tiempo
Tipo
de
modelo
Simple ST,TS S TS
Promedios simples
ST S TS
Promedios mviles
ST S TS
Suavizamiento exponencial
ST S TS
Suavizamiento exponencial lineal
T S TS
Suavizamiento exponencial
cuadrtico
T S TS
Suavizamiento exponencial
estacional
S S TS
Filtracin adaptativa S S TS
Regresin simple T I C
Regresin mltiple C,S I C
Descomposicin clsica S S TS
Modelos de tendencia exponencia T I,L TS
Ajuste de la curva T I,L TS
Modelos de Gompertz T I,L TS
Curvas de crecimiento T I,L TS
Census X12 S S TS
Box-Jenkins ST,T,C,S S TS
Indicadores principales C S C
Modelos economtricos
C S C
Regresin mltiple de series de
tiempo
T,S I,L C
Fuente: Hanke, 2010
De la tabla anterior se tiene que:
Patrn de datos:
ST, estacionario; T, de tendencia; S, estacional; C, cclico
Horizonte de tiempo:
S, corto plazo (menos de tres meses); I, mediano plazo; L, largo
plazo
Tipo de modelo:
TS, serie de tiempo; C, causal