Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Pronos Ticos
Pronos Ticos
: PRONSTICO DE LA DEMANDA
Administ
racin de
operacio
nes
Mtodos de
Pronsticos
Dr. Primitivo Reyes
Aguilar / agosto 2009
CAPITULO II INTRODUCCIN.............................................................................................3
2.1 Pronsticos.........................................................................................................................3
2.2 reas de Toma de Decisiones............................................................................................5
2.3 Base para los pronsticos...................................................................................................6
2.4 Aplicaciones de los Pronsticos de Demanda....................................................................8
2.5 Pronsticos para la Planeacin..........................................................................................9
Enfoques para Pronsticos.....................................................................................................11
2.6 Modelos Cualitativos.......................................................................................................11
2.7 Mtodos Cuantitativos.....................................................................................................12
CAPITULO III METODOLOGA DE LOS PRONSTICOS.............................................14
3.1. BREVE RESEA HISTRICA.................................................................................15
3.2. CLASIFICACIN DE LOS ENFOQUES PARA PRONSTICOS..........................16
3.2.1. MTODOS DISCRECIONALES O CUALITATIVOS......................................17
3.2.2. MTODOS CUANTITATIVOS..........................................................................17
3.2.3. MTODOS TECNOLGICOS...........................................................................18
3.3. TIPOS DE MODELOS...............................................................................................19
3.4. TIPO DE PATRONES EN LOS DATOS....................................................................21
3.5. MEDICIN DEL ERROR EN EL PRONSTICO....................................................23
3.5.1. DESVIACIN ABSOLUTA DE LA MEDIDA (MAD).....................................24
3.5.2. ERROR MEDIO CUADRADO (EMC)..............................................................25
3.5.3. PORCENTAJE DE ERROR MEDIO ABSOLUTO (PEMA).............................25
3.5.4. PORCENTAJE DE ERROR MEDIO..................................................................25
3.6. ETAPAS DE LA SOLUCIN DE PROBLEMAS RELACIONADOS CON LOS
PRONSTICOS....................................................................................................................27
CAPITULO IV MODELOS DE PREDICCIN CUANTITATIVOS: MTODOS DE
SUAVIZAMIENTO Y DESCOMPOSICIN........................................................................30
4.1 ANLISIS EXPLORATORIO DE LAS SERIES DE TIEMPO................................31
4.2 MODELO DE PREDICCIN CUANTITATIVO: MTODOS DE
SUAVIZAMIENTO...............................................................................................................31
4.2.1 MODELOS NO FORMALES:............................................................................34
4.2.2 MTODOS DE PROMEDIO..............................................................................34
4.2.3 MODELOS DE SUAVIZAMIENTO EXPONENCIAL NICOS......................37
4.2.4 MODELOS DE SUAVIZAMIENTO EXPONENCIAL LINEAL
(SUAVIZAMIENTO EXPONENCIAL DOBLE DE HOLT)...........................................40
4.2.5 MODELOS DE SUAVIZAMIENTO EXPONENCIAL DE WINTER...............44
4.3 MTODOS DE DESCOMPOSICIN PARA PRONSTICOS DE SERIES DE
TIEMPO.................................................................................................................................48
CAPITULO II INTRODUCCIN
Un Inicio
Las predicciones son usualmente difciles, especialmente, las que
http://core.ecu.edu/econ/rothmanp/bci_forecasts.htm
2.1 Pronsticos
El Pronstico de la Demanda en el Futuro es esencial para el manejo
PULL
(Procesos anticipados a la
Demanda de los Clientes)
Nivel de produccin
La Gran Pregunta
Cul ser la demanda del cliente por determinado producto en el
futuro?
En qu parte del proceso est el Inventario?
http://www.psychicguild.com/forecasting/
Patrones de Demanda
Existen diferentes patrones de demanda.
El Patrn de Demanda relaciona cantidades demandadas con
respecto al tiempo.
Patrn de Demanda por Temporada: los datos muestran
consistentemente picos y valles.
Patrn de Demanda Cclico: se observan incrementos y decrementos
sobre diferentes perodos.
http://www.monografias.com/trabajos61/gestion-compras-manejoinventarios/gestion-compras-manejo-inventarios2.shtml
Antecedentes
La mayora de los administradores toman decisiones constantemente
http://wiki.biensimple.com/pages/viewpage.action?pageId=7407270
Los administradores buscan hacer estimaciones sobre el futuro con
pronstico son:
Mercadotecnia
Manufactura
Planeacin de la produccin
Control de Inventarios
Planeacin Agregada
Finanzas
Personal
http://www.monografias.com/trabajos53/tasa-libor/tasa-libor2.shtml
http://elauladenfrente.blogspot.com/2008_08_01_archive.html
6
Ning
Primeras Conclusiones
dar el
result
ado
correc
to de
lo que
suced
er en
el
futuro.
Aspectos a Considerar
Aspectos claves:
o El pronstico deber mostrar una tendencia.
o El tomador de decisiones deber tener un criterio para el
seguimiento de los pronsticos.
o La empresa deber tener la capacidad de responder a la
variacin del pronstico con respecto a la realidad.
Los pronsticos tienen un lmite de aplicabilidad, son costosos y
requieren una gran cantidad de tiempo.
Tcnica de
Pronstico
Productos y
servicios
Individuales
Manejo de
Inventarios
Programa de
ensamble
Final
Programa de
fuerza de
trabajo
MPS
Series de
tiempo/Registro
Lineal/Pronstico
cualitativo
Horizonte de tiempo
Mediano Plazo
(3 meses- 2 aos)
Ventas Totales/ Familias
de Productos y
Servicios
Planeacin de
puestos directivos
Planeacin de la
produccin
MPS
Procuracin
Distribucin
Regresin
Lineal/Pronstico
Cualitativo
Largo Plazo
(ms de 2 aos)
Ventas Totales
Localizacin de
Infraestructura
Planeacin de la
capacidad
Gerencia de
Procesos
Regresin Lineal/
Pronstico Cualitativo
Panorama Econmico
Situacin del ciclo de
los negocios
Indicadores Lderes
o Precios de las
acciones
o Rendimiento de
los bonos
o Precios de
materiales
o Oferta de dinero
o Cierre de
Negocios
o Desempleo
Otros Factores
Legales
Polticos
Sociales
Culturales
ESTRATEGIA EMPRESARIAL
Plan de
Mercadotecnia
Publicidad
Fuerza de ventas
Precio
Ventas histricas
Canales de
Comercializacin
Plan de Produccin
Nivel y gestin de la
calidad en el proceso
de produccin
Servicio al cliente
Capacidad
Costos
Plan Financiero
Polticas de
crdito
Polticas de
facturacin
Manejo
Financiero de
recursos
Los pronsticos a mediano y largo plazo tienen que ver con asuntos
ms trascendentes (planeacin, productos, plantas y procesos).
Los pronsticos a corto plazo utilizan metodologas diferentes a las
metodologas de los pronsticos a mediano y largo plazo.
o Promedios mviles
o Suavizacin exponencial
o Extrapolacin con tendencia
Los pronsticos a corto plazo tienden a ser ms exactos que los
pronsticos a mayor plazo (hay una menor variacin de condiciones).
http://blogs.creamoselfuturo.com/industria-yservicios/2007/04/24/creacion-de-empresas-e-innovacion-a-traves-delciclo-de-vida/print/
11
Pronsticos Cuantitativos
Pronsticos Cualitativos
Aspectos subjetivos
Intuicin, emociones, experiencias
Sistema de Valores
Modelos Matemticos
Datos Histricos
Analoga Histrica
o Liga la estimacin de las ventas futuras de un producto con el
conocimiento de las ventas de un producto similar.
o A la estimacin de las ventas de un producto se aplica el
conocimiento de las ventas de un producto similar en las
diferentes etapas de su ciclo de vida.
o til para el desarrollo de productos novedosos.
Estudio de Mercado
o La base para comprobar las hiptesis sobre los mercados
reales y su comportamiento son los cuestionarios por correo,
las entrevistas telefnicas o las entrevistas de campo.
o Los resultados del estudio de mercado se extrapolan de un
sector de mercado a la totalidad de ste.
o Preferidos para productos nuevos o para productos existentes
que se quieren desarrollar en otros segmentos.
Modelos de
Series de Tiempo
Modelo Causal
Simplista
Promedios mviles
Suavizacin Exponencial
Proyeccin de Tendencia
13
Se incorporan al
modelo las variables o
factores que pueden
influenciar la cantidad
que se pronostica.
http://www.scielo.org.co/scielo.php?pid=S012147722008000100007&script=sci_arttext
Serie de tiempo
http://www.uiah.fi/projects/metodi/290.htm
Modelo causal
14
.1Brevsahitc36Epdlounbm
ULSA M. A. : PRONSTICO DE LA DEMANDA
Varios factores han estimulado el inters en los pronsticos en todo tipo de organizaciones,
sin embargo desde principios de la dcada de 1970 ha aumentado su uso. Los pronsticos
se han convertido en una herramienta de gran utilidad en la planificacin del entorno
empresarial, por lo que este trabajo se centra en su estudio, en principio se presenta una
visin general de los mtodos de pronstico, y sus caractersticas principales.
Se presentan, el impacto de los errores de prediccin y las limitaciones de los mtodos para
pronosticar, as como las situaciones en las que se aplican cada uno de estos con nfasis en
el mtodo cuantitativo, se identifican patrones, con base en las expectativas pasadas y el
descubrimiento de relaciones entre factores claves o variables.
15
RESEA HISTRICA
Al hablar de pronsticos, vienen a la mente varios hechos, tal
vez el primero es el pronstico del clima, de la tasa de
cambio, de la inflacin, del crecimiento econmico, etc. En
fin cuando se mira en perspectiva hay una constante
preocupacin por conocer lo que va a suceder en el futuro. 1
Ilustracin 1 Pronstico
ms prominente de esto fue Shiskin (1957,1961), que fue el creador del paquete Census II y
que a pesar de una escasa fundamentacin estadstica, presentaban una atraccin intuitiva
de significacin para los profesionales del rea.
Con el avance tecnolgico y los precios accesibles de los sistemas de cmputo los mtodos
de pronsticos se fueron perfeccionando, aparecieron tcnicas como regresin mltiple y
modelos economtricos. A principios de 1980 los pronsticos basados en econometra
representaban ya un gran mercado para los profesionales.
Un enfoque que incorporaba muchos de los elementos de una teora semejante se hizo
realidad con la aportacin de Box y Jenkins (1976), cuya metodologa consiste en un
procedimiento sistemtico para el anlisis de las series de tiempo que fue suficientemente
general para manejar todas las estructuras de datos en series de tiempo observados
empricamente.
A mediados de la dcada de 1970 comenzaron a surgir las variedades del mtodo del
promedio mvil autorregresivo, integral y de media mvil (ARIMA) desarrollado por Box
Jenkins y desde ah se han estudiado modificaciones corrigiendo algunos problemas
asociados con la metodologa tomando nombres tales como ARARMA, filtros de Kalman,
modelos de vectores autorregresivos, etc.
Los mtodos existentes funcionan bien cuando se da un nivel significativo de constancia,
pero no cuando cambian los patrones o relaciones establecidas. Por lo tanto, es importante
fijarse en las alternativas de prediccin cuando cambian los patrones o relaciones y medir el
alcance de la incertidumbre implicada. Puesto que dicho tema no se considera en la
literatura sobre pronsticos, a lo largo de este trabajo se expondr detalladamente.3
3.2. CLASIFICACIN
DE
LOS
ENFOQUES
PARA
PRONSTICOS
Cuando los gerentes de organizaciones se enfrentan con la necesidad de tomar decisiones
en una atmsfera de incertidumbre, lo que en primer trmino, se debe hacer es clasificar los
procedimientos de pronstico de largo o corto plazos.
Los pronsticos a largo plazo son necesarios para establecer el curso general de la
organizacin para un largo periodo; de ah que se conviertan en el enfoque particular de la
alta direccin.
Los pronsticos a corto plazo se utilizan para disear estrategias inmediatas y que usan los
administradores de rango medio y de primera lnea para enfrentar las necesidades del futuro
inmediato. 4
Tambin se podra clasificar a los pronsticos en muchos esquemas diferentes al considerar
los principales enfoques para pronosticar, el que hemos encontrado ms til es el de
Makridakis-Wheelwrigth el mismo que divide a esos mtodos en tres categoras:
discrecionales o cualitativos, cuantitativos y tecnolgicos. Cada enfoque importante incluye
varios tipos de mtodos, muchas tcnicas individuales y variaciones de cada tcnica. A
continuacin se detalla cada uno de ellos.
3.2.1. MTODOS DISCRECIONALES O CUALITATIVOS
Ilustracin 2 Tcnica
cualitativa
Los mtodos de monitoreo, que todava no alcanzan un uso muy extendido, buscan
identificar cambios en los patrones y relaciones. Bsicamente se utilizan para indicar cundo
no es apropiada la extrapolacin de patrones o relaciones pasadas. Algunas de las
aplicaciones de los mtodos cuantitativos, se muestran en la Tabla 1, as como el campo de
aplicacin donde fue desarrollada la metodologa.
La mayora de estos mtodos son estudiados posteriormente, el enfoque de monitoreo y el
de econometra son mencionados ms no son de inters en este trabajo, pues nicamente
se cuenta con datos de una misma variable medida a travs del tiempo y estos mtodos
requieren de un nmero significativo de variables que puedan explicar y en donde los
patrones y relaciones cambian y la extrapolacin de patrones o relaciones pasadas no es
apropiada.6
agosto 2009
agosto 2009
DE MODELOS
Este trabajo est enfocado a los mtodos de prediccin cuantitativos con la necesidad de
obtener un modelo, que es una manera de experimentar con la realidad sin tener que invertir
realmente en una unidad operativa a escala completa.
Para la prediccin se puede emplear una amplia gama de modelos, pero para el caso de los
mtodos cuantitativos hay dos categora aceptablemente bien definidas.
Estadsticas
Determinstica
s
Insumo Relacintrdosmf
Product
agosto 2009
12 Makridakis - Wheelwrigth, Mtodos de pronstico, Mxico, D.F., Limusa, 1998, pp6374Hanke, J.E. y A.G. Reitsch, usiness Forecasting, Allyn and Bacon, Boston
21
agosto 2009
Component
e
Descripcin
Tendencia
Cclico
Estacional
Aleatorio
13 Makridakis - Wheelwrigth, Mtodos de pronstico, Mxico, D.F., Limusa, 1998, pp6374Mahmoud, E., The Evaluation of forecasts, en S. Makridakis y S. Wheelwright, The
Handbook of Forecasting, 2a. ed.,Wiley, Nueva York.
22
agosto 2009
Existe un patrn estacional cuando una serie flucta de acuerdo con un factor estacional.
El componente estacional se refiere a un
patrn de cambio que se repite a si mismo
periodo tras periodo.
otoo y el invierno.
14 http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm
consultada el 22/10/08
15 Makridakis - Wheelwrigth, Mtodos de pronstico, Mxico, D.F., Limusa, 1998, pp6374Mahmoud, E., The Evaluation of forecasts, en S. Makridakis y S. Wheelwright, The
Handbook of Forecasting, 2a. ed.,Wiley, Nueva York.
23
agosto 2009
Aunque generalmente X, o algn otro smbolo, identifica los valores observados reales
(histricos) de una variable, a menudo se utiliza un smbolo diferente para representar el
^ t +1 se usarn para
valor pronosticado de esa variable. En este trabajo los smbolos F t+1 o Y
denotar el valor de la prediccin para el periodo de tiempo t+1. Como resumen de la relacin
entre los valores observados y los valores pronosticados en una situacin de series de
tiempo consltese la siguiente tabla:
Tabla 1 Notacin usada en los pronsticos de series de tiempo
X4
Xt-2
^
^
^
^
Valores
Y1 Y2 Y3 Y4
estimados
F1 F2 F3 F4
Valores del e1 e2 e3 e4
error
t-2
Xt-1
t-1
Y^ t2
Y^ t1
Xt
t
Y^ t
Ft-2
Ft-1
Ft
et-2
et-1
et
Ft+1
Ft+2
Ft+3
. Ft-1
Pr
es
ent t+1 t+2 t+3 . t+m
e
Y^ t +1 Y^ t +2 Y^ t +3 .
Y^ t +m
16 http://books.google.es/books?
id=1J3ZlgSTZ9gC&pg=PA926&lpg=PA926&dq=patron+horizontal+en+series+de+tiempo&s
ource=web&ots=BCYQW9hCtZ&sig=BSn2nEUXyOhptb1jZ9V9JNbS7xg&hl=es&sa=X&oi
=book_result&resnum=4&ct=result#PPA924,M1, consultada el 24/10/2008
24
agosto 2009
^ i ) de
temporal, y ei es el error, o la diferencia entre los valores reales (X i) y pronosticado ( Y
la serie de tiempo en el periodo i.
El supuesto bsico que est detrs del uso de cualquier tcnica de prediccin es que el valor
real observado ser determinado por algn patrn ms algunas influencias aleatorias.
Algebraicamente, esto se puede representar como
Lo real= el patrn + lo aleatorio
El componente aleatorio mide la variabilidad de las series de tiempo despus de que se
retiran los otros componentes o patrn. Contabiliza la variabilidad aleatoria en una serie de
tiempo ocasionada por factores imprevistos y no ocurrentes.
La mayora de los componentes irregulares se conforman de variabilidad aleatoria. Sin
embargo, ciertos sucesos a veces impredecibles como huelgas, cambios de clima (sequas,
inundaciones o terremotos), elecciones, conflictos armados o la aprobacin de asuntos
legislativos, pueden causar irregularidad en una variable.
A causa de que el mundo econmico o empresarial no es determinstico, siempre estar
presente lo aleatorio. Esto significa que aun cuando el patrn promedio de los datos
subyacentes haya sido identificado, existir cierta desviacin entre los valores pronosticados
y los valores realmente observados.
Un objetivo comn en la aplicacin de tcnicas de predicciones es minimizar tales
desviaciones o errores en los pronsticos. Dichos errores se definen como la diferencia entre
el valor real y lo que se ha pronosticado. Se pueden presentar como
e i=x iY^ i
El subndice i indica que es el error del periodo de tiempo i el que se analiza. Como se
muestra en la tabla anterior, un valor del error se asocia con cada observacin para la cual
existe tanto un valor real como un valor pronosticado.17
3.5.1. DESVIACIN ABSOLUTA DE LA MEDIDA (MAD)
Un mtodo para evaluar una tcnica de pronstico consiste en obtener la suma de los
errores absolutos. La Desviacin Absoluta de la Media (MAD) mide la precisin de un
pronstico mediante el promedio de la magnitud de los errores de pronstico (valores
absolutos de cada error).
La MAD resulta de gran utilidad cuando el analista desea medir el error de pronstico en las
mismas unidades de la serie original. La siguiente ecuacin muestra como se calcula la
MAD:
n
|e i|
MAD= i=1
n
25
agosto 2009
Otra tcnica para evaluar una tcnica de pronstico es el Error Medio Cuadrado (EMC).
Cada error o residual se eleva al cuadrado; luego estos valores se suman y se divide entre el
nmero de observaciones. Este enfoque penaliza los errores mayores de pronsticos, ya que
eleva cada uno al cuadrado. Esto es importante pues en ocasiones pudiera ser preferible una
tcnica que produzca errores moderados a otra que por lo regular tenga errores pequeos
pero que ocasionalmente arroje algunos en extremo grandes. La ecuacin para el clculo del
EMC, es la siguiente:
n
e2i
EMC= i =1
n
|PEi|
PEMA= i=1
18 Makridakis - Wheelwrigth, Mtodos de pronstico, Mxico, D.F., Limusa, 1998, pp6374Mahmoud, E., The Evaluation of forecasts, en S. Makridakis y S. Wheelwright, The
Handbook of Forecasting, 2a. ed.,Wiley, Nueva York.
26
agosto 2009
PEi
PME= i=1
(1)
(2)
Pasajeros
(3)
(4)
(5)
(6)
(7)
Pronstic
o
Error
Error
Absoluto
Erros
porcentual
absoluto
Error
cuadrtico
medio
(Xi-Fi) 2
Xi
Fi
Xi-Fi
|Xi-Fi|
Enero
6,341
|(Xi-Fi)/Xi|
*100
-
Febrero
5,693
6,341
-648
648
11,4%
419,904
Marzo
6,508
5,693
815
815
12,5%
664,225
Abril
6,171
6,508
-337
337
5,5%
113,569
Mayo
6,562
6,171
391
391
6,0%
152,881
Junio
6,168
6,562
-394
394
6,4%
155,236
Julio
6,176
6,168
0,1%
64
Agosto
5,755
6,176
-421
421
7,3%
177,241
Septiembre
6,207
5,755
452
452
7,3%
204,304
Octubre
10
6,477
6,207
270
270
4,2%
72,900
Noviembre
11
6,360
6,477
-117
117
1,8%
13,689
Diciembre
12
6,263
6,360
-97
97
1,5%
9,409
-78
3,950
64,0%
1,983,422
MAD
PEMA
EMC
359
6%
180,311
Suma
74,683
Media
-7
19 http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm consultada
el 22/10/08
27
agosto 2009
Ntese que el promedio de la columna (4) sale muy bajo respecto a los valores que se
manejan esto ya que entre la suma de los errores los signos tienden a eliminar los valores
negativos a los positivos distorsionando la interpretacin del error, por lo que para evitar este
problema se debe computar los errores absolutos y se observa lo que comnmente se
conoce como la desviacin absoluta media MAD (5).
El MAPE de la columna (6) es una medida relativa, y es por esto que algunas veces se
prefiere el error promedio o MAD como medida de precisin.
Otra medida de exactitud es el ECM que se obtiene en la columna (7) una diferencia entre
este y el MAD o el MAPE, es que el primero castiga mucho ms a un pronstico por
desviaciones extremas que por desviaciones pequeas ya que la ECM eleva el error al
cuadrado de ah la necesidad de minimizar el error cuadrado medio es decir es mejor que se
tengan varias desviaciones pequeas a una desviacin grande.
En conclusin, cualquier tcnica de estimacin debe evaluarse en trminos de error. La
evaluacin del error normalmente implica un diagnstico grfico, a fin de detectar valores
atpicos o zonas de errores con patrones recurrentes y la elaboracin de alguna medida
resumen, preferentemente relativa. El anlisis de los errores tambin nos permitir evaluar la
capacidad del mtodo de ajuste para la captacin de puntos de cambio de tendencia.
3.6. ETAPAS
DE
LA
SOLUCIN
DE
PROBLEMAS
RELACIONADOS CON LOS PRONSTICOS
28
agosto 2009
estn basadas en estos pronsticos, necesitan ser razonablemente exactos. Los mtodos de
series de tiempo son los que se usan con ms frecuencia para los pronsticos a corto plazo,
pero en algunas situaciones, tambin son tiles los mtodos causales y los cuantitativos.
3.- Datos.- Examinar los datos, cuando se tienen pueden proporcionar una gran visin. Los
datos pueden venir de los registros de la empresa o fuentes comerciales o gubernamentales.
Si no existen datos, se deben recolectar o se puede usar un enfoque de pronsticos que no
los requiera. Si no se dispone de datos o recolectarlos es demasiado costoso, se elige un
enfoque cualitativo.
Cuando la tendencia y la estacionalidad estn presentes, los datos deben descomponerse
para ver los efectos de cada una. Los datos disparados deben eliminarse antes de
analizarlos.
4.- Seleccin del mtodo de pronstico.- Existen varios factores a considerar en la
seleccin de un mtodo de pronstico. Se debe contemplar el nivel de detalle. Se requiere
de un pronstico de detalles especficos?, Se precisa el pronstico de algn punto en el
futuro cercano (un pronstico a mediano plazo), o para un punto en el futuro distante (un
pronstico a largo plazo)? Y, hasta qu grado son apropiados los mtodos cualitativos (de
juicio) y cuantitativos (de manipulacin de datos)?.
El mtodo elegido deber producir un pronstico que sea preciso y comprensible para los
administradores, de modo que pueda ayudar a producir mejores decisiones. Adems, la
utilizacin del proceso de pronstico debe producir un beneficio que exceda al costo
asociado con su uso.20
5.- Desarrollo de un modelo.- Una vez identificados los procesos, stos determinan la
forma del modelo. Los pronsticos cualitativos no usan modelos sencillos de establecer. Los
modelos causales dependen de la situacin particular pero en general tienen la forma.
Y = f (Xt-k) + e
Donde:
Y, representa la variable dependiente, como la demanda,
X, la variable independiente ( o factor causal ) y
e, la componente del ruido del tiempo t.
La variable dependiente en el tiempo t es idealmente una funcin de la variable
independiente en el tiempo t k, k> 1.
El lapso del periodo k permite conocer el valor de la variable independiente antes de hacer el
pronstico de la variable dependiente; si no hay este lapso, deber pronosticarse la variable
independiente antes de obtener un pronstico para la variable dependiente.
La relacin funcional entre Y y X se representa por f y puede ser lineal, cuadrtica o alguna
otra relacin matemtica. Puede haber ms de un factor causal.
20 http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm consultada
el 04/09/08
29
agosto 2009
6.- Solucin Del Modelo.- El primer paso para resolver el modelo es elegir un mtodo. Si se
tiene un modelo causal, el mtodo ser regresin. Para modelos de series de tiempo, existen
varios mtodos disponibles.
La interpretacin de la solucin es la tarea ms
importante al operar un sistema de
pronsticos. Conforme se obtienen los nuevos
datos, se actualiza el pronstico. Adems, se
compara el pronstico anterior con lo que
realmente
ocurri
para
obtener
retroalimentacin sobre la calidad del
procedimiento de pronsticos. Si la calidad es
aceptable, se dice que el procedimiento est
bajo control.
Si el procedimiento esta fuera de control, es
necesario regresar a la etapa de diseo; se
requiere volver a estimar los parmetros del
modelo actual, o bien, cambiar el modelo. Si el
sistema de pronsticos est bajo control, se
hace un pronstico para un periodo futuro.21
RESUMEN: Se determin que un punto de
partida til y necesario es entender las
diferencias conceptuales entre los dos tipos
importantes de modelos el de series de tiempo
y los modelos explicativos al realizar una
estimacin de valores futuros (predicciones).
La clasificacin de los modelos de pronsticos
as como la identificacin de patrones
(horizontal, tendencia, ciclo, estacionalidad)
presentes en una serie de datos, ha sido
tambin contenida en este captulo, informacin importante para poder aplicar el mtodo
apropiado as como encontrar un modelo de prediccin aceptable.
Ilustracin 11 Metodologa para
encontrar un modelo que permita
predecir.
Los diferentes tipos de error sern de ayuda para identificar la bondad del mtodo de
prediccin seleccionado, por lo que se han introducido las medidas y tcnicas que se podrn
utilizar para determinar las capacidades y limitaciones de los mtodos cuantitativos de
prediccin.
La aplicacin de etapas en bsqueda de un modelo de prediccin sea cual fuere su
naturaleza fue expuesto paso a paso, cada una de estas son las que el analista debe
recorrer para encontrar un modelo predictivo satisfactorio.
An est presente la pregunta sobre qu mtodo de prediccin debo aplicar a los datos. De
este tema se encargan los siguientes captulos, empezando por los ms sencillos los
mtodos de suavizamiento y el mtodo de descomposicin que se presentan a continuacin.
21 http://home.ubalt.edu/ntsbarsh/stat-data/Forecasts.htm#rintroductionf consultada el
27/10/2008
30
agosto 2009
CAPITULO IV MODELOS DE
PREDICCIN CUANTITATIVOS:
MTODOS DE SUAVIZAMIENTO
Y DESCOMPOSICIN
En el captulo anterior se explic ampliamente la clasificacin general de los mtodos de
prediccin y los errores para su evaluacin, esta seccin abarcar el primer tipo de modelo
de prediccin cuantitativo, y quizs el ms comn, el modelo de series de tiempo, que son
modelos matemticos basados nicamente en datos histricos, bajo el supuesto de que son
relevantes para el futuro. En un modelo de series de tiempo son importantes dos factores: la
serie de datos que se va a pronosticar y el periodo de tiempo a utilizar. Un modelo de series
de tiempo supone siempre que algn patrn o combinacin de patrones es recurrente a
travs del tiempo. De esta manera, al identificar y extrapolar dicho patrn, se pueden
desarrollar pronsticos para periodos subsecuentes.
El anlisis de series de tiempo que se realiza est basado inicialmente en el estudio de
algunos mtodos de fcil comprensin como los mtodos de suavizamiento y el mtodo de
descomposicin, estos mtodos analizan algunos de los patrones estudiados en el captulo
anterior, y presentan alternativas para cada uno de los patrones presentes en la serie.
Como el objetivo es determinar el mejor modelo que ajuste a los datos y brinden unos
pronsticos confiables de la variable demanda, para la aplicacin de cada modelo se realiza
el clculo y la comparacin de la suma de cuadrados de los residuos obtenidos para cada
caso.
El esquema a continuacin muestra la clasificacin de los modelos de series de tiempo que
se analizarn este captulo.
4 .1 A n lis is E x p lo r a to r io d e la S e r ie 4 .3 M to d o s d e D e s c o m p o s ic i n .
M to d o s d e s u a v iz a m ie n to
M to d o s d e p ro m e d io
4 .2 M to d o s d e s u a v iz a m ie n to .
31
agosto 2009
Para iniciar con el estudio de la serie es necesario antes definir un software con el que se
pueda analizar los datos de demanda de pasajeros, para ello se han analizado varios
paquetes que actualmente muestran sus bondades en cuanto a predicciones se refiere. El
mercado presenta varias alternativas que fueron manejadas previamente, sin embargo el
anlisis de este trabajo se realiza como base en el paquete SPSS versin 15 apoyado con
algunos clculos de Excel y en algunos casos con el Minitab versin15.
El motivo de la seleccin de este software est fundamentado en dos razone, la primera es
utilizar recursos actuales que se encuentran inhabilitados en la empresa donde se aplicar el
estudio y la segunda es porque al desplegar anlisis predictivos en sistemas operacionales
de primera lnea tales como el SPSS que muestra ser un paquete amigable y ventajas
competitivas, se pueden cumplir los objetivos especficos de este trabajo.
Statistical Package for the Social Sciences (SPSS) es un programa estadstico informtico
muy usado en las ciencias sociales y las empresas de investigacin de mercado. Como
programa estadstico es muy popular su uso debido a la capacidad de trabajar con bases de
datos de gran tamao.22 Aunque los procesos que rodean al anlisis predictivo son
complicados, implantar una solucin SPSS para el anlisis predictivo no lo es.
En este sentido, los anlisis que se presentan a continuacin mostrarn los comandos
aplicados, las ventanas de instrucciones as como las salidas que la aplicacin de cada
software devuelve para el anlisis.
4.2 MODELO
agosto 2009
23 http://www.dandoenelblanco.com/2008/07/modelos-de-series-de-tiempo-para-pron
%C3%B3sticos-de-demanda.html consultada el 10 de febrero de 2009.
33
agosto 2009
34
agosto 2009
Yt
Yt+1
et
1
2
3
42
52
54
42
52
10
2
65
54
11
Estas tcnicas suponen que los periodos recientes son los mejores para pronosticar el futuro. El mtodo ms sencillo es el mtodo del ltimo
valor, a este pronstico se le llama mtodo ingenuo.
Pronstico = ltimo valor
4.2.2 MTODOS DE PROMEDIO
Si la serie contiene una aleatoriedad sustancial, un enfoque ingenuo producir predicciones que variarn considerablemente. Para eliminar dicha
variabilidad, se podra considerar el uso de algn tipo de promedio de los datos recientes observados. El mtodo de promedios mviles hace
eso al tomar un conjunto de datos observados, encontrar su promedio y luego utiliza tal promedio como un pronstico del siguiente perodo. El
trmino promedio mvil se usa porque conforme cada nueva observacin se encuentra disponible, se puede calcular un nuevo promedio y
utilizarlo como pronstico. La aplicacin de este mtodo se presenta a continuacin.
(1)
2007
Mes
ENERO
(2)
(3)
(4)
(5)
Perodo
Demanda
Observada
Promedio
mvil
trimestral
Promedio
mvil
pentamensual
6,341,394
(6,341,394+5,693,328+6,508,453)/3
35
agosto 2009
FEBRERO
5,693,328
MARZO
6,508,453
ABRIL
6,170,858
6,181,058
MAYO
6,561,537
6,124,213
JUNIO
6,168,216
6,413,616
6,255,114
JULIO
6,176,497
6,300,204
6,220,478
AGOSTO
5,754,596
6,302,083
6,317,112
SEPTIEMBRE
6,207,238
6,033,103
6,166,341
OCTUBRE
10
6,477,329
6,046,110
6,173,617
NOVIEMBRE
11
6,360,097
6,146,388
6,156,775
DICIEMBRE
12
6,348,221
6,195,151
380,513
160,337
Diferencias
La tabla 4, muestra cmo la tcnica de los promedios mviles se puede aplicar con un promedio de tres y de cinco meses. La aplicacin de este
mtodo de prediccin se muestra en la ilustracin 27.
En esta figura se observan fcilmente dos de las caractersticas de los promedios mviles, la primera es que antes de que cualquier pronstico
puede prepararse, se deben tener tantas observaciones histricas como se necesiten y la segunda se refiere a que entre ms grande sea el
nmero de observaciones incluidas en el promedio mvil, mayor ser el efecto de Suavizamiento en el pronstico.
Al observar en los pronsticos tanto trimestral como pentamensual vemos que la diferencia o rango es de 380,513 usuarios para el primer caso
(6,413,616-6,033.103) en cambio en el pronstico pentamensual obtenemos casi la mitad de esa diferencia que es de 160,337. As aumentar el
nmero de perodos incluidos en el promedio mvil tiene un marcado efecto en el total de Suavizamiento realizado. Entre ms grande el nmero,
mayor es el alcance del Suavizamiento, o ms cerca se est del promedio de todos los valores
36
agosto 2009
6,800,000
6,600,000
Datos reales
6,400,000
6,200,000
Prediccin con promedios mviles trimestral
6,000,000
5,800,000
Prediccin con promedios mviles pentamensual
OV
IE
M
BR
E
SE
PT
IE
M
BR
E
LI
O
JU
M
AY
O
O
M
AR
Z
EN
ER
O
5,600,000
Para determinar si el promedio mvil trimestral o pentamensual es ms apropiado para pronosticar la demanda, es til estimar el error en ambos
pronsticos. La tabla 5 muestra el error para cada prediccin y calcula la desviacin media absoluta (MAD) y el error cuadrado medio (RMS) con
propsitos de comparacin. Ambas formas de medicin de error indican que el promedio mvil de cinco meses proporciona un mejor pronstico
que el promedio mvil trimestral cuando se verifica con datos histricos al ser menores esos errores.
Para entender mejor la tcnica de los promedios mviles, se hace necesario considerar brevemente la representacin matemtica de este
mtodo. En trminos sencillos, la tcnica de prediccin con promedios mviles se puede representar como sigue:
37
Ft +1=S t=
agosto 2009
t
X t + X t 1 + + X t N +1 1
=
X
N
N i =t N +1 i
(a)
En donde
Ft +1 = Pronstico para el tiempo t+1
S t = valor suavizado en el tiempo t
X i = valor actual en el tiempo i
I = periodo de tiempo
N = nmero de valores incluidos en el promedio.
Tabla 4 Clculo del los errores obtenidos mediante el mtodo de promedios mviles
Demanda
Observada
6,341
5,693
6,508
Demanda
Pronosticada
error
error absoluto
error al cuadrado
Demanda
pronosticada
error
error absoluto
error al cuadrado
6,171
6,181
10
10
104,047
6,562
6,124
-437
437
191,252,281
6,168
6,414
245
245
60,221,160
6,255
87
87
7,551,262
6,176
6,300
124
124
15,303,339
6,220
44
44
1,934,364
5,755
6,302
547
547
299,742,380
6,317
563
563
316,424,475
6,207
6,033
-174
174
30,322,998
6,166
-41
41
1,672,581
10
6,477
6,046
-431
431
185,949,538
6,174
-304
304
92,241,100
11
6,360
6,146
-214
214
45,671,679
6,157
-203
203
41,339,754
12
6,348
6,195
suma
-330
2,183
828,567,423
145
1,241
461,163,537
media
-41
273
103,570,928
18
155
57,645,442
38
agosto 2009
De la ecuacin (a) se puede ver que en el mtodo de los promedios mviles se da una ponderacin (o importancia) igual a cada uno de los
ltimo N valores de la serie, pero no se asigna ponderacin alguna a los valores observados antes de ese tiempo.
Tambin se puede observar que para calcular el promedio mvil, se deben tener los valores de las ltimas N observaciones. Se puede
desarrollar una forma ms corta de la ecuacin (a) para calcular el promedio mvil. El pronstico de promedio mvil para el periodo t est dado
por
Ft =St =
X t 1 + X t2 + + X t N
N
(b)
Esto significa que una vez que se tiene el pronstico para el perodo t (es decir, F), se puede obtener el pronstico del periodo t+1 al sumar
X t /N y restar X t N /N .
El Valor de Ft+1 de la ecuacin (a) se puede encontrar de manera alternativa como
Ft +1=
X t X t N
+ Ft
N
N
(c)
Escrita de esta forma, cada nuevo pronstico basado en un promedio mvil es un ajuste del pronstico de promedio mvil precedente. Es,
asimismo, fcil ver por qu el efecto del Suavizamiento aumenta a medida que N se hace ms grande: se est haciendo un ajuste ms pequeo
entre cada pronstico.
4.2.3 MODELOS DE SUAVIZAMIENTO EXPONENCIAL NICOS.
Al menos dos limitaciones importantes de los promedios mviles han motivado a la mayora de los pronosticadores a aplicar en su lugar el
mtodo de Suavizamiento exponencial. Primero, para calcular un pronstico de promedio mvil es necesario almacenar al menos N valores
observados, lo que requiere espacio considerable si se necesita pronosticar un nmero grande de elementos. Segundo, el mtodo de promedios
mviles asigna una ponderacin igual a cada una de las ltimas N observaciones y ninguna ponderacin en absoluto a las observaciones
anteriores al perodo (t-N).
Se puede plantear un fuerte argumento en el siguiente sentido: puesto que las observaciones ms recientes contienen la informacin ms
actualizada acerca de lo que acontecer en el futuro, se le debe asignar relativamente una mayor ponderacin que a las observaciones ms
39
agosto 2009
antiguas. Lo deseable sera un esquema que asignara la ponderacin que asignara la ponderacin mayor a los valores observados ms
recientes, y ponderaciones decrecientes a los valores ms antiguos. El Suavizamiento exponencial satisface este requerimiento y elimina la
necesidad de almacenar los valores histricos de la variable.
En principio, el Suavizamiento exponencial funciona de manera anloga a los promedios mviles al suavizar las observaciones histricas para
eliminar lo estocstico. Sin embargo, el procedimiento matemtico para desempear dicho Suavizamiento es algo diferente del utilizado en los
promedios mviles. La tcnica del Suavizamiento exponencial se puede desarrollar empleando la ecuacin (c) para calcular el promedio mvil.
Supngase que slo se tiene disponible el valor observado ms reciente y el pronstico hecho para el mismo periodo. En tal situacin, la
ecuacin (c) podra modificarse de forma tal que en lugar del valor observado en el periodo (tN) se pudiese empelar un valor aproximado. Una
estimacin razonable sera el valor del pronstico del periodo anterior. As la ecuacin (c) se modificara para dar
Ft +1=
Xt Ft
+ Ft
N N
(d)
Ft +1=
1
1
X t + 1
F
N
N t
(e)
Lo que ahora se tiene es un pronstico que pondera las observaciones ms recientes con una ponderacin con valor de 1/N y al pronstico ms
reciente con una ponderacin con valor de (1-1/N). Si sustituimos 1/N por el smbolo alfa se tiene
Ft +1= X t + (1 ) F t
(f)
Esta ecuacin es la forma general usada para calcular un pronstico con el mtodo del Suavizamiento exponencial.
De esta ecuacin se puede observar que el Suavizamiento exponencial tambin se sobrepone a otra limitacin de los promedios mviles en el
sentido de que las ponderaciones decrecientes se asignan a los valores observados ms antiguos; es decir, puesto que es un nmero entre 0
y 1 (por lo que (1-) es tambin un nmero entre 0 y 1), las ponderaciones , (1-), (1-) 2, etc., tienen valores decrecientes exponencialmente.
De aqu el nombre de Suavizamiento exponencial.
Una manera alternativa de escribir la ecuacin (f) puede facilitar la comprensin del Suavizamiento exponencial. Al reordenar los trminos de la
ecuacin (f) se puede obtener.
(g)
agosto 2009
Ft +1=F t +(e t )
(h)
Por lo tanto, el efecto de una grande o pequea es anlogo al efecto de incluir un nmero pequeo o grande de observaciones al calcular un
promedio mvil.
Utilizando los datos de la demanda de pasajeros, la ilustracin 28 muestra como mediante el uso del paquete SPSS se pueden obtener los
resultados. El nico aspecto que debe recordarse es que para el primer periodo no est disponible ningn pronstico previo.
Analizar>Series temporales>Suavizamiento exponencial
Variables: Pasajeros_1
Modelo: Simple
Parmetros: General (Alfa)>Bsqueda de rejilla.
Aceptar>Aceptar
41
agosto 2009
Ilustracin 14 Clculo del modelo de prediccin con el mtodo simple con SPSS
Un valor grande de (0.9) proporciona un Suavizamiento pequeo al pronstico, mientras que un valor pequeo de
Suavizamiento considerable.
(0.1) proporciona un
Un valor pequeo de tiende a producir pronsticos que estn ms suavizados (o sea, tienen menos fluctuacin) que valores ms grandes de
. Sin, embargo, para encontrar el valor de que genere los mejores pronsticos para los datos del pasado, se requiere calcular el error
cuadrado medio o la desviacin absoluta media.
42
agosto 2009
En nuestro anlisis SPSS muestra los 10 valores del alfa calculados indicando la suma de los errores cuadrticos, sobre el que podemos
concluir que para =0,00 , el error es menor, como muestra la tabla 6.
Tabla 5 Suma de los errores cuadrticos de la aplicacin del Mtodo simple
Serie
Pasajeros_1
Alpha (Nivel)
.00000
.10000
.20000
5363721301989.94000
.30000
5660141235867.19000
.40000
5914763276965.56000
.50000
6122248837379.30000
.60000
6292367209369.67000
.70000
6444663320070.61000
.80000
6600432002495.73000
10
.90000
6777085518538.42000
Serie
Pasajeros_1
Alpha (Nivel)
Sumas de los errores cuadrticos
gl error
.00000
4856087254199.12000
1857
A continuacin, se muestran los parmetros con las sumas menores de errores cuadrticos. Estos parmetros se utilizan para pronosticar.
Para usar el Suavizamiento exponencial, solamente se necesita tener el valor observado ms reciente, el pronstico ms reciente y el valor de
. El empleo del Suavizamiento exponencial nico es fcil y econmico, por que los programas de computadora pueden encontrar
automticamente el mejor valor de . En este caso vemos que el mejor calculado fue 0 por lo que analizando la ecuacin para el clculo del
pronstico:
Ft +1=F t +(e t )
43
(i)
agosto 2009
Vemos que el trmino del error se anula, esto nos indica que siempre el valor del pronstico se convertir en una constante lo que se ratifica en
la Ilustracin 29. La lnea proyectada verde inmediata al perodo de validacin es el pronstico realizado con este mtodo.
Tanto la tcnica de Suavizamiento simple como los promedios mviles o el Suavizamiento exponencial pueden utilizarse efectiva y
econmicamente cuando el patrn histrico de los datos se puede considerar como horizontal. Sin embargo estas tcnicas pueden no ser
efectivas al manejar tendencias o patrones estacionales, como es el caso de la demanda bajo estudio, necesitndose desarrollar otras formas
de Suavizamiento para trabajar en tales situaciones, con el propsito de reducir considerablemente el error.
4.2.4 MODELOS DE SUAVIZAMIENTO EXPONENCIAL LINEAL (SUAVIZAMIENTO EXPONENCIAL DOBLE DE
HOLT)
El Suavizamiento exponencial nico es tericamente apropiado para cuando la serie presenta un patrn horizontal, es decir no tiene tendencia.
Si el Suavizamiento exponencial nico se usa con una serie de datos que contenga una tendencia consistente, los pronsticos irn a la zaga (se
retrasarn) de la tendencia. El mtodo de Suavizamiento lineal evita tal problema al reconocer explcitamente y tomar en consideracin la
presencia de una tendencia.
Cuando una serie de tiempo presenta alguna tendencia, ya sea creciente o decreciente, se puede utilizar el suavizamiento de Holt que permite
estimar por separado el valor suavizado de la serie y el cambio en la tendencia a travs del tiempo. La ilustracin 31 muestra cul es
procedimiento en SPSS para el clculo de este mtodo.
Analizar>Series temporales>Suavizamiento exponencial
Variables: Pasajeros_1
Modelo: Holt
Parmetros: General (Alfa)>Bsqueda de rejilla.
Tendencia (Gamma)>Bsqueda de rejilla
Aceptar>Aceptar
44
agosto 2009
Ilustracin 15 Clculo del modelo de prediccin con el Mtodo de suavizamiento de Holt con SPSS
Para utilizar el mtodo de Holt se requieren dos constantes de suavizamiento, que es la constante de suavizamiento para el nivel de la serie y
la constante de suavizamiento para la tendencia de la serie. Estas dos constantes deben estar entre cero y uno. Para obtener el mejor ajuste
se obtienen estimaciones con diferentes valores de alpha y beta y la combinacin adecuada es la que produzca una menor media absoluta de
los errores (MAE) o una menor media absoluta del porcentaje de error (MAPE) .24
Los valores de las estimaciones iniciales son:
S1= X1
agosto 2009
T1 = X2 - X1
Las proyecciones o pronsticos se obtienen con las siguientes ecuaciones:
t = ( S tSt 1 ) +(1) T t 1
T
(j)
S t = X t + ( 1 ) ( St 1 +T t1 )
(k)
Ft +m =S t +T t m
(l)
Donde:
MOD_4
Pasajeros Corregido
Modelo de Holt
Tendencia
Lineal
Estacionalidad
Ninguno
46
agosto 2009
Estado de suavizado inicial
Pasajeros_1
67657.91096
44.17808
Nivel
Tendencia
Serie
Pasajeros_1
Alpha (Nivel)
.10000
.20000
Gamma
(Tendencia)
.00000
.00000
.10000
.20000
4011466788585.11100
.30000
.00000
4167556892296.53200
.10000
.40000
4319389211935.85000
.40000
.00000
4350890080592.53700
.20000
.20000
4369386411192.39700
.50000
.00000
4499296398596.58600
.60000
.00000
4619126559500.59000
10
.10000
.60000
4621629497052.09000
Gamma
Alpha (Nivel)
(Tendencia)
Sumas de los errores cuadrticos
gl error
.10000
.00000
3746909207855.35100
1459
A continuacin, se muestran los parmetros con las sumas menores de errores cuadrticos. Estos parmetros se utilizan para pronosticar.
Serie
Pasajeros_1
La primera tabla resume los datos del modelo ejecutado en donde explica que la tendencia aplicada es la lineal y que no hay presencia de
estacionalidad.
47
agosto 2009
La tabla de sumas menores de los errores cuadrticos son resultado de las 10 iteraciones que realiza el paquete en bsqueda de la menor suma
de cuadrados de los errores.
Vemos de la tabla de parmetros del suavizado que an el error sigue siendo alto para los parmetros ptimos encontrados por el SPSS, en
donde debemos tomar en cuenta que el paquete renombra como parmetro de nivel a alpha y en el caso de la tendencia que utilizamos para el
desarrollo terico beta a gamma.
Con respecto a la ecuacin (k) la nica diferencia entre sta y la forma anterior con respecto al suavizamiento exponencial nico ecuacin (f), es
el trmino adicional T t 1 que se suma a S t1 para ajustar los valores suavizados del patrn tendencial en la serie de datos.
Se observa que el valor S se actualiza primero, y luego se actualiza la tendencia T y para obtener un pronstico se deben sumar el componente
tendencial al valor suavizado bsico para el nmero de periodos adelantados que se va a pronosticar, como se indica en la ecuacin (l). La
ilustracin 32 muestra el clculo para la prediccin en la serie de pasajeros transportados. Observe que la prediccin presenta un crecimiento
lineal con tendencia, sin embargo el comportamiento de los datos histricos nos hace concluir que el futuro no se esperara tenga presente este
patrn. Observe la lnea verde de la prediccin.
La diferencia con el mtodo anterior es que se tom en cuenta la tendencia multiplicada por el perodo lo que nos result una ecuacin lineal
con tendencia como pronstico, sin embargo la periodicidad an no es analizada y es por tal razn necesitamos buscar un mtodo que nos
permita mejorar el modelo de prediccin por ello a continuacin analizamos un mtodo en el que toma ya en cuenta este hecho.
Los residuales de un ajuste deben siempre distribuirse aleatoriamente, sin ninguna apreciable direccin. Si los residuales de algn modelo
mostrasen algn patrn, el modelo sera inadecuado. Los residuales de la ilustracin 33 no muestran una gran variabilidad lo que revalidan la
necesidad de ajustar el modelo.
48
agosto 2009
semejante al suavizamiento exponencial lineal, el cual suaviza lo aleatorio y ajusta lo tendencial. Sin embargo, el mtodo de Winters incluye un
parmetro adicional para manejar la estacionalidad. Hay tres ecuaciones de suavizamiento bsicas implicadas en el mtodo de Winters:
S t =
Xt
I t L
+ ( 1 ) ( St 1+ T t 1)
(m)
T t = (St St 1 )+ ( 1 ) T t 1
I t =
(n)
Xt
+ ( 1 ) I t L
St
(o)
En donde:
S= valor suavizado de la serie desestacionalizada.
T= Valor suavizado de la tendencia.
I=Valor suavizado del facto estacional.
L= Duracin de la estacionalidad (v. gr. nmero de meses o trimestres en un ao.)
La prediccin basada en el mtodo de Winters se calcula como
S
( t+ T t m ) I t L+m
F t+m =
(p)
49
agosto 2009
Ilustracin 16 Clculo del modelo de prediccin con el Mtodo de suavizamiento de Winter con SPSS
La ilustracin 34 muestra como SPSS realiza los clculos para obtener un modelo de prediccin mediante el mtodo de Winter.
Las constantes de suavizamiento inicialmente son seleccionadas arbitrariamente, con la condicin de que estn entre cero y uno.
Se deben probar varias combinaciones de , hasta encontrar la que genere predicciones suficientemente precisas. Este es uno de los
problemas que acompaan el mtodo de Winters ya que consiste en determinar estos valores basado en el enfoque de ensayo y error siempre
buscado minimizar el error cuadrado medio (MSE) o la desviacin media absoluta (MAD).
50
agosto 2009
Este proceso fcilmente lo realiza SPSS, se observa en el cuadro de dilogos de los parmetros, la activacin de la casilla mostrar los 10
mejores modelos de la bsqueda de rejilla, significa que SPSS muestra los modelos con las combinaciones que menores suma de cuadrado de
los errores generan. Estos resultados se pueden ver en la tabla 8.
Para iniciar el proceso de suavizamiento del nivel se puede asumir que: S1 = Y o tambin se puede emplear un promedio mvil centrado de
igual longitud al perodo estacional. Para el valor inicial de la tendencia se pueden utilizar los 2L primeros datos para hacer una regresin lineal;
la pendiente ( ) es el valor inicial de la tendencia en el perodo inicial, es decir, b1 =
y adems el coeficiente de interseccin puede ser el
valor inicial del nivel, S1 = .
Se deben calcular L valores iniciales para el factor estacional, es decir uno para cada uno de los perodos que conforman el ciclo estacional;
cada uno de estos factores se obtiene dividiendo el valor observado de la variable en cada perodo por el valor de la tendencia para el
correspondiente perodo. Usando los valores iniciales para el nivel, la tendencia y cada uno de los factores estacionales, se inicia el uso de las
ecuaciones para obtener las proyecciones o pronsticos. A pesar de que este clculo es un poco extenso SPSS lo realiza de manera rpida y
precisa as la tabla 8 muestra los resultados obtenidos.
Tabla 7 Descripcin de resultados del Modelo de suavizamiento de Winter en SPSS
Multiplicativo
ndices
estacionales
Pasajeros_1
112.35042
114.06417
1
2
3
77.49747
58.61673
51
agosto 2009
5
113.39978
111.67424
112.39719
Nivel
139940.15424
Tendencia
38.11920
Serie
Pasajeros_1
Alpha (Nivel)
.20000
.10000
Gamma
(Tendencia)
.00000
.00000
Delta
(Estacin)
.00000
.00000
.30000
.00000
.00000
902246594634.86400
.40000
.00000
.00000
915381180572.09400
.50000
.00000
.00000
934050977934.68200
.60000
.00000
.00000
958771236312.90200
.70000
.00000
.00000
990903134087.82000
.10000
.00000
.20000
993497993259.23800
.20000
.00000
.20000
999016245426.67000
10
.30000
.00000
.20000
1009551908171.35400
Gamma
Delta
Alpha (Nivel)
(Tendencia)
(Estacin)
Sumas de los errores cuadrticos
gl error
.20000
.00000
.00000
895306251962.63400
1453
A continuacin, se muestran los parmetros con las sumas menores de errores cuadrticos. Estos parmetros se utilizan para pronosticar.
Serie
Pasajeros_1
La tabla 8 muestra los resultados del Mtodo de Winters con SPSS, en donde se destaca un resumen del modelo indicando la existencia de
tendencia y tambin de estacionalidad 7. La tabla estado de suavizado inicial muestra los ndices de estacionalidad para los 7 das, en donde 1
52
agosto 2009
es para jueves pues recordamos que la serie inicia el 01/01/04 que es jueves. El ndice estacional ms bajo es el 4 que corresponde al da
domingo.
Con estos valores se puede calcular una serie sin estacionalidad con el simple hecho de dividir el valor de la serie original para su ndice de
estacionalidad.
La tabla anterior muestra, sumas menores de los errores cuadrticos, muestra los 10 mejores modelos obtenidos por iteracin del SPSS en el
que ubicamos el que menor suma cuadrada de los errores genere. Este resultado plasma la ltima tabla, parmetros del suavizado.
La ilustracin 35 muestra a la serie de pasajeros y la serie obtenida de la aplicacin del modelo de suavizamiento exponencial de Winters,
observamos que en el perodo de validacin existe altas diferencias con los datos reales , parece ser que an el modelo puede ser mejorado de
tal manera que permita asegurar que la prediccin obtenida vaya a reflejar menor incertidumbre del futuro, sin embargo de ello, ya al menos el
modelo toma en cuenta la periodicidad que se ha venido hablando hasta ahora.
Esto nos obliga a seguir en la bsqueda de un modelo que mejore las predicciones, por lo que a continuacin estudiaremos un modelo que toma
en cuenta por separados los patrones que se encuentran en la serie de pasajeros y nos brinda una estimacin del futuro, se deber por tanto de
igual manera encontrar mediante la suma de los errores cuadrticos si el modelo que obtengamos va mejorando.
La suma de los errores cuadrticos an es alto sin embargo mejor considerablemente con esta tcnica de prediccin el modelo y disminuy el
error. La ilustracin 36 muestra con claridad este hecho, el mtodo de Winter hasta ahora da mejores resultados.
4%
Promedio
33%
Exponencial nico
Holt
Winter
23%
21%
Ilustracin 17 Suma de los errores cuadrticos obtenidos con los modelos de suavizamiento exponencial.
53
4.3 MTODOS
agosto 2009
Los mtodos de suavizamiento no permiten identificar los componentes individuales del patrn bsico subyacente. Sin embargo, el patrn
global puede dividirse, o descomponerse, en subpatrones que identifiquen separadamente cada componente de la serie de tiempo.
Frecuentemente dicha descomposicin puede facilitar el proceso de prediccin y ayudar al pronosticador a entender el comportamiento de la
serie.
Los mtodos de descomposicin identifican tres componentes distintos del patrn bsico subyacente que caracterizan a las series econmicas y
empresariales. stos son los factores tendenciales, cclico y estacional. El factor tendencial, que representa el comportamiento de largo plazo de
los datos, puede aumentar, disminuir o permanecer sin cambio. La tendencia puede ser aproximada por una lnea recta, pero en ciertas
situaciones puede existir una curva exponencial o en forma de S, u otro patrn de largo plazo. El factor cclico representa las altas y bajas
causadas por las condiciones econmicas o especficas de la industria. El factor estacional se refiere a fluctuaciones peridicas de longitud
constante y profundidad proporcional, que son provocadas por circunstancias tales como la lluvia, el mes del ao, el espaciamiento de feriados y
polticas corporativas.
Resumen: Los mtodos de suavizamiento as como el de descomposicin mostraron la fcil aplicacin para encontrar un ajuste ms adecuado
a la serie original de pasajeros transportados.
El anlisis exploratorio de la serie, es punto de partida de la aplicacin de cualquier mtodo de pronstico mediante series de tiempo. Identificar
cada uno de los patrones es esencial para concluir que mtodo es el que mejor ajustara a los datos.
Los datos atpicos deben ser tratados en la fase exploratoria, debido a que estos anlisis estudian patrones pasados basndose en promedios y
un dato perdido puede afectar a la proyeccin al futuro.
El mtodo del promedio simple se aplica cuando existe un patrn horizontal, el mtodo de Holt cuando est presente el patrn tendencial y el
mtodo de Winters cuando tanto la tendencia como la estacionalidad estn presentes.
El mtodo de descomposicin permite detectar cada patrn presente en la serie de tiempo y se pueden obtener proyecciones analizando cada
descomposicin por separado.
El anlisis de la bondad del modelo que utiliza SPSS est basado en el estudio de la suma de los errores cuadrticos, que es una parte del MSD
o error medio cuadrado (EMC), estudiado en el captulo III, sin embargo, SPSS no utiliza la divisin para el nmero de datos.
54
agosto 2009
e2i
EMC= i =1
n
La comparacin de la suma de los errores cuadrticos de los mtodos aplicados en este captulo, se muestra en la ilustracin 43, en donde se
aprecia que el mtodo de Winters dio mejores ajustes para la prediccin.
Ingenuo
7%
31%
Promedio
Exponencial nico
Holt
Winter
22%
Descomposicin estacional
20%
Ilustracin 18 Comparacin de suma de los errores cuadrticos de los mtodos de suavizacin y descomposicin.
Estos mtodos fueron el inicio del anlisis de las series de tiempo, sin embargo, las tcnicas han ido mejorando, crendose as metodologas
ms avanzadas, el captulo siguiente se encarga de este estudio, donde se expondr la metodologa llamada de Box Jenkins mediante los
modelos ARIMA estacionales.
55
agosto 2009
56
agosto 2009
57
agosto 2009
58
agosto 2009
59
agosto 2009
60