Documentos de Académico
Documentos de Profesional
Documentos de Cultura
16
http://books.google.es/books?id=1J3ZlgSTZ9gC&pg=PA926&lpg=PA926&dq=patron+horizontal+en+series+de+ti
empo&source=web&ots=BCYQW9hCtZ&sig=BSn2nEUXyOhptb1jZ9V9JNbS7xg&hl=es&sa=X&oi=book_result&re
snum=4&ct=result#PPA924,M1, consultada el 24/10/2008
P
r
e
s
e
n
t
e
Ilustracin 10 Patrn de tendencia de los datos
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
27
F
1
F
2
F
3
F
4
F
t-2
F
t-1
F
t
Valores del
error
e
1
e
2
e
3
e
4
e
t-2
e
t-1
e
t
Los elementos de la notacin mencionada se pueden mostrar utilizando la informacin de la
Tabla 2: X
i
es el valor real de la serie de tiempo, F
i
o
) de 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
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)
17
Makridakis - Wheelwrigth, Mtodos de pronstico, Mxico, D.F., Limusa, 1998, pp67-69
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
28
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:
|
3.5.2. ERROR MEDIO CUADRADO (EMC)
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:
3.5.3. PORCENTAJE DE ERROR MEDIO ABSOLUTO (PEMA)
En ocasiones, resulta ms til calcular los errores de pronstico en trminos de porcentaje y
no de cantidades. El Porcentaje de Error Medio Absoluto (PEMA) se calcula encontrando el
error absoluto en cada periodo, dividiendo ste entre el valor real observado, para ese
periodo y despus promediando estos errores absolutos de porcentaje.
Este enfoque es til cuando el tamao o magnitud de la variable de pronstico es importante
en la evaluacin de la precisin del pronstico. El PEMA proporciona una indicacin de que
tan grandes son los errores de pronstico comparados con los valores reales de la serie.
Tambin se puede utilizar el PEMA para comparar la precisin de la misma u otra tcnica
sobre dos series completamente diferentes. La siguiente ecuacin muestra el clculo del
PEMA:
|
A veces resulta necesario determinar si un mtodo de pronstico est sesgado (pronstico
consistentemente alto o bajo). En estos casos, se emplea el Porcentaje Medio de Error (PME),
que se calcula encontrando el error en cada periodo, dividiendo esto entre el valor real de ese
periodo y promediando despus estos porcentajes de error.
18
18
Makridakis - Wheelwrigth, Mtodos de pronstico, Mxico, D.F., Limusa, 1998, pp63-74
Mahmoud, E., The Evaluation of forecasts, en S. Makridakis y S. Wheelwright, The Handbook of Forecasting,
2a. ed.,Wiley, Nueva York.
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
29
3.5.4. PORCENTAJE DE ERROR MEDIO
Si un enfoque de pronstico no est sesgado, la ecuacin del PME producir un porcentaje
cercano a cero. Si el resultado es un porcentaje negativo grande, el mtodo de pronstico
est sobrestimado de manera consistente. Si el resultado es un porcentaje positivo grande, el
mtodo de pronstico esta subestimado de forma consistente.
Una parte de la decisin para utilizar una tcnica de pronstico en particular es la
determinacin de si la tcnica producir errores de prediccin que se juzguen como
suficientemente pequeos. Es en este efecto realista esperar que una tcnica produzca errores
de pronstico relativamente bajos sobre una base consistente. Las cuatro mediciones de
precisin de un pronstico que acabamos de describir se utilizan de la siguiente manera:
La comparacin de la precisin de dos tcnicas diferentes.
La medicin de la utilidad o confiabilidad de una tcnica.
La bsqueda de una tcnica ptima.
19
Tabla 2 Pasajeros transportados en 2007 de un corredor vial de Quito
(1) (2) (3) (4) (5) (6) (7)
Pronstico Error Error
Absoluto
Erros
porcentual
absoluto
Error
cuadrtico
medio
Pasajeros
i Xi Fi Xi-Fi |Xi-Fi| |(Xi-
Fi)/Xi|*100
(Xi-Fi)
2
Enero 1 6,341 - - - -
Febrero 2 5,693 6,341 -648 648 11,4% 419,904
Marzo 3 6,508 5,693 815 815 12,5% 664,225
Abril 4 6,171 6,508 -337 337 5,5% 113,569
Mayo 5 6,562 6,171 391 391 6,0% 152,881
Junio 6 6,168 6,562 -394 394 6,4% 155,236
Julio 7 6,176 6,168 8 8 0,1% 64
Agosto 8 5,755 6,176 -421 421 7,3% 177,241
Septiembre 9 6,207 5,755 452 452 7,3% 204,304
Octubre 10 6,477 6,207 270 270 4,2% 72,900
Noviembre 11 6,360 6,477 -117 117 1,8% 13,689
Diciembre 12 6,263 6,360 -97 97 1,5% 9,409
19
http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm consultada el 22/10/08
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
30
Suma 74,683 -78 3,950 64,0% 1,983,422
MAD PEMA EMC
Media -7 359 6% 180,311
La tabla 3 presenta un conjunto de datos de demanda mensual del 2007 en millones de
pasajeros de un corredor de transporte masivo de la ciudad de Quito, que se utilizarn para
ejemplificar estas medidas de precisin. Como punto de partida, los pronsticos son muy
sencillos, los pasajeros del mes anterior se utilizan como prediccin del siguiente mes.
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
1.- Identificacin y comprensin del Problema.- Los pronsticos proporcionan informacin
para tomar mejores decisiones. El primer paso es identificar la decisin. Si la decisin no se
afecta por el pronstico, el pronstico es innecesario. La importancia de la decisin sugerir el
esfuerzo que debe dedicarse a producir un pronstico.
Una decisin nica requiere un solo pronstico, mientras que una solucin recurrente
necesita un pronstico cada vez que se toma la decisin. En cualquier caso la decisin
determina qu pronosticar, el nivel de detalle necesario y con frecuencia se har el
pronstico.
La base para entender los problemas de pronsticos es comprender el proceso; para hacer
esto, se examina las caractersticas del problema y se analizan los datos, si existen. Tambin se
establece una meta para el pronstico.
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
31
2.- Caractersticas Del Problema.- Las principales caractersticas de un problema de
pronsticos son el perodo de tiempo, el nivel de detalle, la exactitud necesaria y el nmero
de aspectos a pronosticar.
Las decisiones a largo plazo no requieren pronsticos exactos. As los pronsticos muy
precisos son innecesarios. Normalmente los pronsticos a largo plazo se hacen para una sola
vez. Es comn que se usen mtodos causales y cuantitativos para obtenerlos.
Las decisiones a mediano plazo normalmente requieren pronsticos para uno o dos artculos.
Con frecuencia se usan mtodos cuantitativos, incluyendo los causales y las series de tiempo,
para los pronsticos a mediano plazo.
La decisin a corto plazo indica cuntos productos se deben fabricar. En este caso se necesita
el nmero real de unidades de producto. Debido a que las decisiones de corto plazo 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 (X
t-k
) + e
20
http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm consultada el 04/09/08
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
32
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.
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
21
http://home.ubalt.edu/ntsbarsh/stat-data/Forecasts.htm#rintroductionf consultada el 27/10/2008
Ilustracin 11 Metodologa para encontrar un modelo
que permita predecir.
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
33
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.
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.
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.
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
34
4.1 Anlisis
Exploratorio de
la Serie
4.2Mtodos de
suavizamiento.
Mtodos de
promedio
Mtodos de
suavizamiento
4.3 Mtodos de
Descomposicin.
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
35
4.1 ANLISIS EXPLORATORIO DE LAS SERIES DE TIEMPO.
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 DE PREDICCIN CUANTITATIVO: MTODOS DE SUAVIZAMIENTO
El inters se ha centrado en principio en estudiar los mtodos de suavizamiento, pues bien, estos
mtodos se clasifican como a continuacin se muestra en la ilustracin 26. En cada uno de los
modelos se analizarn tanto la parte matemtica as como los errores que se obtienen para
cada caso.
Mtodos de Promedio: Modelos no formales, promedios mviles, incrementos porcentuales
y ajustes a la curva son los modelos de series de tiempo ms sencillos los cuales pueden ser
utilizados para generar pronsticos.
Estos modelos pueden ser implementados a travs de hojas de clculo rpidamente y no
requieren un conocimiento experto en estadstica por parte del pronosticador, usualmente
estos modelos son muy simples y para tener mayor exactitud en el pronstico las compaas
casi siempre deben acudir a modelos alternativos de series de tiempo.
Mtodos de suavizacin exponencial: suavizacin exponencial es el mtodo seleccionado
por la mayora de empresas. Estos modelos se desempean bien en trminos de exactitud,
son fciles de aplicar y pueden ser automatizados, permitiendo ser utilizados a gran escala.
22
http://es.wikipedia.org/wiki/SPSS, consultada el 18 de marzo de 2009
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
36
Los modelos de suavizacin exponencial capturan y pronostican el nivel de los datos con los
diferentes tipos de tendencias y patrones estacionales. Los modelos son adaptativos y
pronostican dando mayor importancia o ponderacin a los datos ms recientes sobre los
datos ms distantes en el pasado.
23
Los mtodos que se encargan de estos anlisis son los mtodos de suavizamiento simple
en cuyo caso el patrn es horizontal, el mtodo de Holt cuando existe presencia del
patrn de tendencia o el mtodo de Winters el que incluye los patrones de tendencia y
estacionalidad.
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.
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
37
Ilustracin 12 Modelos de prediccin mediante suavizamiento exponencial
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
38
4.2.1 MODELOS NO FORMALES:
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.
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.
Prediccin de la demanda de pasajeros un mes adelantado mediante promedio mviles.
Tabla 3 Clculo del promedio Mvil de la demanda de pasajeros trimestral y
pentamensual
(1) (2) (3) (4) (5)
2007
Mes
Perodo
Demanda
Observada
Promedio mvil
trimestral
Promedio mvil
pentamensual
ENERO 1 6,341,394
FEBRERO 2 5,693,328
MARZO 3 6,508,453
ABRIL 4 6,170,858 6,181,058
MAYO 5 6,561,537 6,124,213
JUNIO 6 6,168,216 6,413,616 6,255,114
JULIO 7 6,176,497 6,300,204 6,220,478
AGOSTO 8 5,754,596 6,302,083 6,317,112
SEPTIEMBRE 9 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
Diferencias 380,513 160,337
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.
t Y
t
Y
t+1
e
t
1 42
2 52 42 10
3 54 52 2
4 65 54 11
Pronstico = ltimo valor
(6,341,394+5,693,328+6,508,453)/3
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
39
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
Ilustracin 13 Grfica de los pronsticos obtenidos mediante promedios mviles
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
5,600,000
5,800,000
6,000,000
6,200,000
6,400,000
6,600,000
6,800,000
E
N
E
R
O
F
E
B
R
E
R
O
M
A
R
Z
O
A
B
R
I
L
M
A
Y
O
J
U
N
I
O
J
U
L
I
O
A
G
O
S
T
O
S
E
P
T
I
E
M
B
R
E
O
C
T
U
B
R
E
N
O
V
I
E
M
B
R
E
D
I
C
I
E
M
B
R
E
Datos reales
Prediccin con promedios mviles trimestral
Prediccin con promedios mviles pentamensual
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
40
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:
(a)
En donde
(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
y restar
.
El Valor de F
t+1
de la ecuacin (a) se puede encontrar de manera alternativa como
(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).
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
42
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 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
(d)
Esta ecuacin se puede escribir como
(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
(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.
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
43
(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
Ilustracin 14 Clculo del modelo de prediccin con el mtodo simple con SPSS
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
44
Un valor grande de (0.9) proporciona un Suavizamiento pequeo al pronstico, mientras
que un valor pequeo de (0.1) proporciona un Suavizamiento considerable.
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.
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 , el error es
menor, como muestra la tabla 6.
Tabla 5 Suma de los errores cuadrticos de la aplicacin del Mtodo simple
Serie
Rango del
modelo
Alpha
(Nivel)
Sumas de los errores
cuadrticos
Pasajeros_1 1
.00000
4856,087,254,199.12
000
2
.10000
5044909144667.690
00
3
.20000
5363721301989.940
00
4
.30000
5660141235867.190
00
5
.40000
5914763276965.560
00
6
.50000
6122248837379.300
00
7
.60000
6292367209369.670
00
8
.70000
6444663320070.610
00
9
.80000
6600432002495.730
00
10
.90000
6777085518538.420
00
Parmetros del suavizado
Serie
Alpha
(Nivel)
Sumas de los errores
cuadrticos gl error
Pasajeros_1 .00000 4856087254199.12000 1857
A continuacin, se muestran los parmetros con las sumas menores de errores cuadrticos.
Estos parmetros se utilizan para pronosticar.
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
45
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:
(i)
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
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
46
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:
S
1
= X
1
T
1
= X
2
- X
1
Las proyecciones o pronsticos se obtienen con las siguientes ecuaciones:
(j)
(k)
24
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030006/lecciones/capitulocinco/5_2_4.html
consultada el 20 de febrero de 2009.
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
47
(l)
Donde:
) est ponderada
por y la ltima tendencia suavizada,
que
se suma a
(m)
(n)
(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
(p)
Las instrucciones en SPSS son las siguientes:
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
50
Analizar>Series temporales>Suavizamiento exponencial
Variables: Pasajeros_1
Modelo: Winters
Parmetros: General (Alfa)>Bsqueda de rejilla.
Tendencia (Gamma)>Bsqueda de rejilla
Estacional (Delta)>Bsqueda de rejilla
Aceptar>Aceptar
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
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
51
error siempre buscado minimizar el error cuadrado medio (MSE) o la desviacin media
absoluta (MAD).
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
Descripcin del modelo
Nombre del modelo MOD_8
Serie 1 Pasajeros Corregido
Modelo
multiplicativo de
Winters
Tendencia Lineal
Estacionalidad
Multiplicativo
Longitud del periodo estacional
7
Estado de suavizado inicial
Pasajeros_1
ndices
estacionale
s
1 112.35042
2 114.06417
3 77.49747
4 58.61673
5 113.39978
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
52
6 111.67424
7 112.39719
Nivel 139940.154
24
Tendencia 38.11920
Sumas menores de los errores cuadrticos
Serie
Rango del
modelo
Alpha
(Nivel)
Gamma
(Tendencia)
Delta
(Estacin)
Sumas de los errores
cuadrticos
Pasajeros_1 1
.20000 .00000 .00000
895306251962.6340
0
2
.10000 .00000 .00000
896910799840.4160
0
3
.30000 .00000 .00000
902246594634.8640
0
4
.40000 .00000 .00000
915381180572.0940
0
5
.50000 .00000 .00000
934050977934.6820
0
6
.60000 .00000 .00000
958771236312.9020
0
7
.70000 .00000 .00000
990903134087.8200
0
8
.10000 .00000 .20000
993497993259.2380
0
9
.20000 .00000 .20000
999016245426.6700
0
10
.30000 .00000 .20000
1009551908171.354
00
Parmetros del suavizado
Serie
Alpha
(Nivel)
Gamma
(Tendencia)
Delta
(Estacin)
Sumas de los errores
cuadrticos gl error
Pasajeros_1 .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.
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
53
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 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.
Ilustracin 17 Suma de los errores cuadrticos obtenidos con los modelos de
suavizamiento exponencial.
34%
21%
23%
18%
4%
Sumas de los errores cuadrticos de cada
Mtodo de prediccin
Ingenuo
Promedio
Exponencial nico
Holt
Winter
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
54
4.3 MTODOS DE DESCOMPOSICIN PARA PRONSTICOS DE SERIES DE TIEMPO.
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.
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
55
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.
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.
31%
20%
22%
17%
4%
6%
Sumas de los errores cuadrticos de cada
Mtodo de prediccin
Ingenuo
Promedio
Exponencial nico
Holt
Winter
Descomposicin estacional
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
56
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
57
Mtodos de Pronsticos Vernica M./ P. Reyes agosto 2009
58