Está en la página 1de 16

MODELO DE PRONSTICO DE LA DEMANDA PARA LA UNIDAD DE

NEGOCIO LABORATORIO FARMACOOP


MODEL FORECAST OF DEMAND FOR BUSINESS UNIT LABORATORY
FARMACOOP
Javier A. Murillo Zapata1
Alexander Garrido2
1

Ingeniero Industrial,
Bogot D.C., Colombia
jamurilloz@hotmail.com
2
Docente Tiempo Completo. Universidad Militar Nueva Granada,
Bogot D.C., Colombia
Diogenes.garrido@unimilitar.edu.co
Resumen: Utilizando los datos histricos de la venta, este artculo presenta el modelamiento de algunas
tcnicas de pronsticos de series de tiempo cuantitativo, con el fin de seleccionar el mejor modelo de
prediccin de la demanda, el cual, proporcione informacin cercana a la realidad, que permita controlar el
nivel de inventarios y los costos totales en la cadena de valor de la empresa, mediante la racionalizacin
de las cantidades a comprar y producir, manteniendo un buen nivel de servicio al cliente y en ltimas
permita cumplir con los objetivos financieros de la empresa.
Los modelos de pronsticos que se tendrn en cuenta sern los modelos ARIMA y dos modelos
estructurales; mediante la comparacin de los errores del pronstico obtenidos para cada modelo, se
seleccionara el que menor error presente, con el fin de determinar el modelo ms adecuado de prediccin
de la demanda para el laboratorio Farmacoop.
Palabra Clave: Pronstico, demanda, laboratorio Farmacoop, modelos estadsticos.
Abstract: Using historical data from the sale, this article presents the modeling of some series forecasting
techniques quantitative time, in order to select the best model demand forecasting, which provide
information near the Actually, that will monitor the level of inventories and costs total value chain of the
company by streamlining amounts to buy and produce, maintain a good level of customer service and
ultimately enable it to fulfill the objectives financial company.
Forecasting models that take into account are the models ARIMA and two structural models, by
comparing the forecast errors obtained for each model, we will select the that this minor error, in order to
determine the model adequate prediction of the demand for laboratory Farmacoop.
Keywords: Forecast, demand, Farmacoop laboratory, models statistics.

1 Introduccin
Este estudio se desarrolla en el laboratorio Farmacoop, compaa farmacutica con ms de 30 aos en el mercado, su
crecimiento ha generado que en los ltimos aos se presenten problemas con los niveles de inventarios; ya sea por, excesos
o faltantes de los productos para la venta, esto, debido a la ausencia de un mtodo de pronstico cuantitativo que permita
obtener valores proyectados cercanos a las cantidades demandadas por los clientes. Para el ao 2009 el Error Porcentual
Promedio (EPM), total empresa fue del 46%.

Ecuacin EPM, Fuente Jhon, E. Hanke. Arthur, G. Reitsch. Pronstico en los Negocios, 5ta. Edicin,
Prentice Hall, Mxico, 1996. Pgina 121.

Dnde:
= valor de la serie de tiempo en el periodo t
= valor del pronstico para el periodo t
n = nmero de observaciones de la serie de tiempo
De modo, que al referirnos a un 46% de EPM estamos diciendo que si para un ao se pronostic producir 100 unidades de
algn producto, se utilizaron efectiva y oportunamente solo 54, a priori se puede apreciar el altsimo costo de oportunidad
que la compaa debe asumir por cuenta del alto error en el pronstico. El presente trabajo, busca seleccionar un mtodo de
pronstico de la demanda para el laboratorio Farmacoop, que permita obtener valores proyectados de mayor calidad, es
decir con menor error de pronstico, que sirva como una herramienta para controlar los costos en la cadena de valor,
obteniendo una mejor planeacin del nivel de inventario, sin afectar el nivel de servicio ofrecido.
2 Metodologa
Para el desarrollo de la metodologa se modelaran paralelamente algunas tcnicas de pronsticos de serie de tiempo
cuantitativos, ya que existe informacin disponible y cuantificada; con estas condiciones dadas, se representar el
comportamiento de los datos histricos para su posterior modelacin y generacin de los pronsticos.
2.1 Datos histricos
Se har el anlisis de la serie de tiempo con los datos histricos proporcionados por la empresa, correspondiente a siete aos,
comprendidos de Enero 2003 a Diciembre 2009, con el objeto de observar el comportamiento del producto Niboten en sus
ventas.
Tabla 1. Estadstica de ventas Niboten Jalea x 240 ml
MES/AO
2003 2004
2005
2006
2007
2008
ENERO
FEBRERO
MARZO
ABRIL
MAYO
JUNIO
JULIO
AGOSTO
SEPTIEMBRE
OCTUBRE
NOVIEMBRE
DICIEMBRE

9.328
9.006
9.884
8.296
8.624
7.654
9.165
8.063
8.271
8.096
7.697
8.104

8.007
6.918
8.137
6.443
7.289
7.567
8.599
8.384
7.836
7.318
7.226
7.825

9.127
7.939
8.681
7.348
10.006
10.275
10.958
10.776
11.722
11.284
9.707
11.329

11.358
11.556
12.705
11.743
12.170
8.858
5.566
7.768
10.536
11.752
10.721
11.923

13.014
12.341
13.376
12.214
13.033
12.771
12.661
11.539
10.985
12.563
11.629
11.298

12.728
11.347
12.473
12.234
11.458
12.051
12.099
13.677
10.878
12.053
10.471
11.316

2009
11.242
11.204
12.383
10.500
11.219
10.346
11.590
11.111
11.067
11.300
11.000
10.800

Los datos se dividirn en dos grupos, el inicial, de Enero 2003 a Septiembre 2009 Para el analisis de la serie de ventas, y
el segundo de Octubre 2009 a Diciembre 2009, se usaran como parmetro de comparacin a fin de conocer cul de los
mtodos de pronstico arroja el menor error y seleccionar el modelo ms adecuado.
2.2 Descomposicin de la serie de ventas
Se descompondr la serie de ventas con la finalidad de conocer el resultado del comportamiento de los datos, para esto se
graficar las ventas pasadas contra el tiempo y se explorar la serie con los estadsticos de medida de tendencia central y de
dispersin. Con la identificacin del comportamiento de los datos de la venta, se determinaran los ajustes que sean
necesarios realizarle a la serie, para posteriormente modelar los pronsticos propuestos.
2.3 Modelo de pronsticos propuestos
Los mtodos de proyeccin que se tendrn en cuenta en este trabajo son; la metodologa de modelos ARIMA y la
metodologa de modelos estructurales. Se seleccionar para la primera metodologa un modelo, y dos para la segunda, el
primero de filtro polinomial y el segundo de suavizado exponencial doble.

2.3.1 Modelos ARIMA


Se utilizaran los modelos ARIMA (Autorregresivos Integrados de Media Mvil) siguiendo la metodologa propuesta por
Box and Jenkins, la forma ms general es la que divide el proceso en cuatro pasos que se grafican a continuacin:
Figura 1. Diagrama de flujo mtodo de Box y Jenkins

Postulacin de modelos generales


Identificacin
Estimacin
Verificacin y diagnstico
Bien
Pronstico y Control
Fuente HANKE. JOHN E, REITSCH. ARTHUR G, Pronstico en los Negocios, 5ta. Edicin, Pg. 432
En un modelo ARIMA, la tendencia y la estacionalidad son eliminados mediante la diferenciacin previa al anlisis
detallado de la serie. La serie diferenciada resultante ser una serie estacionaria, luego se realiza la seleccin del orden de
las partes autorregresiva (AR) y el orden de la parte promedio mvil (MA) y finalmente se realizan los pronsticos de la
serie.
2.3.2 Modelos Estructurales
Para la modelacin de la serie de ventas del producto Niboten, se tendrn en cuenta los modelos estructurales de serie de
tiempo, stos se caracterizan por tener en cuenta la tendencia, la estacionalidad, el ciclo y el error ms otros componentes
relevantes.
2.3.2.1 Modelo de Ajuste Polinomial
Teniendo en cuenta como herramienta la hoja de clculo Excel, se pronosticara la serie con el modelo de Ajuste Polinomial.
Este consiste en encontrar una curva que contiene una serie de puntos que simulan la relacin entre dos o ms variables de
una ecuacin f(x) en funcin del tiempo, y luego, el patrn identificado se proyectara para pronosticar la demanda de la
venta.
2.3.2.2 Modelo Suavizado Exponencial Doble Brown
Su aplicacin se ajusta a la serie de ventas de Niboten, ya ste modelo se recomienda cuando la serie presenta tendencia
ascendente o descendente pero sin estacionalidad. Este consiste en realizar dos (2) suavizados exponenciales, a partir de los
cuales se obtendr el valor estimado o pronstico, mediante un clculo realizado con una expresin sencilla, el primero de
los suavizados se aplica a los valores observados en la serie de tiempo original y el segundo a la serie atenuada obtenida
mediante la primera suavizacin. Con la finalidad de obtener el pronstico se utilizara el programa SPSS.

3 Resultados y anlisis
Una serie de tiempo es un conjunto de datos numricos que se obtienen en perodos regulares a travs del tiempo. Para el
siguiente anlisis se tendr en cuenta la serie de ventas mensuales del producto Niboten Jalea x 240 ml.

3.1 Exploracin y anlisis de las ventas Niboten


En la Tabla 2, aparecen los valores de los estadsticos descriptivos para diferentes medidas de tendencia central y de
dispersin entre otros. La serie tiene un valor medio de 10,280, y desviacin estndar de 1,936; teniendo en cuenta que el
valor mnimo es de 5,500 y el mximo es de 13.600, el rango de variacin entre el valor mnimo- mximo es muy alto 8,000
unidades, El valor del coeficiente de asimetra de Fisher es igual a -0.40, lo que indica que tiene una distribucin asimtrica
negativa, determinando un comportamiento con cambios de tendencia importantes. El ndice de curtosis tiene un valor de 0,97, lo que indica que la distribucin de datos es de tipo platicurtica, es decir que presenta un reducido porcentaje de
observaciones alrededor de la media.

Tabla 2. Anlisis estadstico Ventas Niboten


ESTADISTICA DESCRIPTIVA VENTA NIBOTEN
AOS 2003- 2009
Media
Error tpico
Mediana
Moda
Desviacin estndar
Varianza de la muestra
Curtosis
Coeficiente de asimetra
Rango
Mnimo
Mximo
Suma
Cuenta
Nivel de confianza(95.0%)

10,279,95
211.19
10,918,00
N/A
1,935.57
3,746,417.97
-0.97
-0.40
8,111.00
5,566.00
13,677.00
863,516.00
84.00
420.04

Como segundo paso de la exploracin se realiza el anlisis de la regresin lineal simple, con el fin de determinar la relacin
funcional de las variables.

Tabla 3. Estadstico de la Regresin venta Niboten


ESTADISTICA de la REGRESION VENTA
NIBOTEN AOS 2003- 2009
Coeficiente de correlacin mltiple

0.68

Coeficiente de determinacin R^2

0.47

R ajustado

0.46

Error tpico

1,422.51

Observaciones

84.00

El parmetro de coeficiente de correlacin de Pearson tiene un valor de 0.68, con lo que se puede deducir que la serie de
venta tiene una correlacin moderada a travs del tiempo. La conclusin anterior es consistente con el valor del coeficiente
de determinacin (R2) que a la vista del resultado analtico permite concluir que el ajuste del modelo es muy regular, ya que
el valor de R2=0,47 es cercano a 0,5 (ver Tabla 3). El valor del R2 se interpreta como el porcentaje de la variabilidad de las
ventas que es explicado por el modelo de regresin ajustado.

Figura 1. Tendencia venta mensual Niboten

GRAFICA VENTA NIBOTEN AOS


2003 - 2009
16.000
14.000
12.000
10.000
8.000
6.000
4.000
2.000
0

sep-09

abr-09

nov-08

jun-08

ene-08

ago-07

mar-07

oct-06

dic-05

may-06

jul-05

feb-05

abr-04

sep-04

nov-03

jun-03

ene-03

y = 1,78x - 58.942
R = 0,47

Con el anlisis estadstico anterior y observando la Figura 1, podemos concluir que el modelo lineal no es adecuado para
describir la relacin que existe entre las variables de ventas y el tiempo, y que existe una influencia importante en la serie
por cambio de tendencias y alta variabilidad.
Tambin se encontr que para mediados de 2006, especficamente para Junio, julio y agosto se present una disminucin
significativa en la venta de ste producto, asociada a factores administrativos del laboratorio, lo que genera ruido al
momento de realizar proyecciones dada su naturaleza atpica, por lo que es necesario realizarles una imputacin a stos
valores con el fin de disminuir los errores en el resultado de los clculos de los valores proyectados de la serie de venta.
3.2 Imputacin de valores atpicos de la venta
Existen muchos mtodos de imputacin, desde los ms elementales que simplemente reemplazan los faltantes o valores
atpicos por la media, mediana o la moda, hasta los ms complejos que utilizan modelos de estimacin de tipo lineal
generalizado o anlisis de percentiles. Para ste estudio, se utiliza un mtodo que responde a la necesidad de imputar datos
ajustados al comportamiento de la serie de manera prctica y real.
Por lo anterior se toma el mtodo de tendencia de la vecindad cercana a los datos atpicos, de modo que la imputacin
responda al comportamiento de los datos de la propia serie temporal (figura 2).
Figura 2. Valores Atpicos y vecindad venta Niboten

Feb-07

Di c-06

Ene-07

Nov-06

Oc t-06

Sep-06

Ago-06

Jul-06

Jun-06

Ma y-06

Abr-06

Ma r-06

Ene-06

Di c-05

abr-09

sep-09

jun-08

nov-08

ene-08

ago-07

mar-07

oct-06

may-06

jul-05

dic-05

feb-05

abr-04

sep-04

jun-03

nov-03

16.000
14.000
12.000
10.000
8.000
6.000
4.000
2.000
0
ene-03

subserie intervenida

14000
13000
12000
11000
10000
9000
8000
7000
6000
5000
4000

Feb-06

GRAFICA VENTA NIBOTEN AOS


2003 - 2009

Series1

Pasos para realizar la imputacin:


1. Se descartan los valores a ser imputados (figura 3)
2. Se ajusta la tendencia de la serie en la vecindad ms cercana elegible (6 periodos antes y 6 despus de los datos
atpicos), se modela la funcin de regresin lineal f(x)= aX+b+e, esto corresponde a tomar la informacin de la
vecindad y estimar la ecuacin de la lnea que mejor se le ajusta.

3. Se calcula el error de la serie de la vecindad con respecto a la recta de regresin, y con el valor medio de los errores
observados en la vecindad se realiza el ajuste para los tres (3) periodos atpicos.
Figura 3. Subserie valores atpicos venta con su tendencia

Al efectuar la ecuacin de la regresin lineal (Figura 3) se obtienen los valores de la pendiente y del intercepto, el valor
27,61 corresponde a la pendiente y 11.541 al intercepto. Finalmente se combinan los efectos de los errores y la tendencia y
se compone el tramo de la serie para los tres valores imputados. Ntese como se presenta una mejora substancial en la
forma y tendencia de la serie (figura 4), comparada con la serie original (figura 5).

Figura 4. Serie imputada venta Niboten

Figura 5. Serie original venta

A continuacin se presenta en la tabla 4, los resultados de la imputacin para los tres (3) periodos atpicos de la venta:
Tabla 4. Resultado de la imputacin ventas Junio- Agosto 2006
MES/AO
dic-05
ene-06
feb-06
mar-06
abr-06
may-06
jun-06
jul-06
ago-06
sep-06
oct-06
nov-06
dic-06
ene-07
feb-07

SERIE
vecindad Resultado
ORIGINAL 6 rezagos
f(x)
11,329
11,358
11,556
12,705
11,743
12,170
8,858
5,566
7,768
10,536
11,752
10,721
11,923
13,014
12,341

11,329
11,358
11,556
12,705
11,743
12,170

10,536
11,752
10,721
11,923
13,014
12,341

11,569
11,596
11,624
11,651
11,679
11,707
11,734
11,762
11,789
11,817
11,845
11,872
11,900
11,928
11,955

Error
serie

Subserie
imputada

240
238
68
-1,054
-64
-463
288
620
402
1,281
93
1,151
-23
-1,086
-386

11,329
11,358
11,556
12,705
11,743
12,170
11,447
11,142
11,387
10,536
11,752
10,721
11,923
13,014
12,341

3.3 Modelacin de los pronsticos


Se modelaran los pronsticos de la metodologa ARIMA y dos mtodos estructurales; mediante la comparacin de
los errores del pronstico, se seleccionara el que menor error presente como mtodo de prediccin para el laboratorio
Farmacoop.
3.3.1 Modelos ARIMA
Siguiendo la metodologa propuesta por Box & Jenkins, se desglosara sta metodologa en los siguientes pasos:
1.
2.
3.
4.

Identificacin
Estimacin
Verificacin y Diagnostico
Pronsticos

3.3.1.1 Identificacin. Aqu se determinar la estacionariedad de la serie de venta, es decir, si el valor de la media y
la covarianza no vara a travs del tiempo; como se observ en la descripcin realizada en la seccin de anlisis
exploratoria hay evidencias de que la serie no presente un comportamiento estacionario, requerido para modelar la
tcnica de pronsticos ARIMA. Para confirmar o descartar esas evidencias de no estacionariedad, realizamos el
grafico de auto-correlacin para determinar el comportamiento de la serie de venta:
Figura 6. Funcin de auto correlacin venta Niboten

En el correlograma (figura 6) se observa que los valores de las correlaciones decrecen lentamente, lo que indica que
no hay estacionariedad. Para que lo haya, es necesario que las correlaciones decrezcan ms rpidamente hasta llegar
a cero (0). Para validar objetivamente esta observacin, se realiza la prueba de raz unitaria de Dickey-Fuller, la cual
establece la siguiente hiptesis:
Ho: la serie no es originada por un proceso de ruido blanco.
Ha: la serie es originada por un proceso de ruido blanco.
H0 se rechaza si el estimador de

es negativo y significativamente diferente de cero.

Una vez definida la prueba, se aplica en la serie imputada:

Tabla 5. Prueba de raz unitaria de Dickey-Fuller


Error Estadstico
Inferior Superior
Coeficientes
Probabilidad
tpico
T
95,0%
95,0%
coeficiente
X

0,81

0,06

12,58

0,0000

0,69

0,94

Despus de haber hecho el anlisis estadstico anterior (estadstico t=12.58), se puede concluir que la serie de la
venta de Niboten presenta una tendencia promedio ascendente o creciente (ya que el coeficiente de la regresin es de
0.81, por lo tanto se acepta la H0. y debe diferenciarse la serie para cumplir con el supuesto de estacionariedad.
3.3.1.1.1 Diferenciacin de la serie de ventas. El mtodo de diferenciacin sugerido por Box and Jenkins consiste
en restar a cada observacin su correspondiente anterior, para convertir la serie en estacionaria y determina el orden
de integrabilidad o nmero de veces que ser necesario diferenciar la serie para hacerla estacionaria.
Dt = Vt - Vt-1

Ecuacin de. Diferenciacin

Despus de realizar una diferenciacin de la serie de ventas, se corri de nuevo la prueba de raz unitaria de DickeyFuller para confirmar la estacionariedad de la serie, con los siguientes resultados:
Tabla 6. Prueba de raz unitaria de Dickey-Fuller
Error Estadstico
Inferior Superior
Coeficientes
Probabilidad
tpico
T
95,0%
95,0%
coeficiente
X

-0.58

0,09

-6.32

0,0000

-0,77

-0.40

Con el resultado negativo y significativamente diferente de cero del estadstico t (-6.32), se rechaza la hiptesis H0,
calificndose la serie diferenciada como estacionaria, entonces, el orden de integrabilidad de la serie es igual a uno
(d=1).
En el correlograma de la serie diferenciada (figura 10), visualmente se confirma la estacionariedad de la serie
diferenciada. Confirmndose as el resultado de la prueba de races unitarias obtenido anteriormente.
Figura 10. Serie de venta diferenciada (modelo ARIMA)

serie diferenciada
3,000
2,000
1,000
0
-1,000
-2,000
-3,000
Ma y-09

Se p-08

Ene-09

Ma y-08

Se p-07

Ene-08

Ma y-07

Se p-06

Ene-07

Ma y-06

Se p-05

Ene-06

Ma y-05

Se p-04

Ene-05

Ma y-04

Se p-03

Ene-04

Ene-03

Ma y-03

-4,000

Despus de confirmar la estacionariedad de la serie de ventas, se puede proceder sin ningn inconveniente con la
identificacin del orden (p,q) del modelo ARIMA, mediante la comparacin de las caractersticas de las funciones de
Autocorrelacin (fac) y Autocorrelacin parcial (facp).

3.3.1.1.2 Anlisis fac y facp. Los correlogramas de la venta para los primeros diecisis retardos presentan la
siguiente forma:
Figura 11. Correlograma Autocorrelacin y autocorrelacin parcial

Sabemos que los coeficientes significativos debern superar los lmites de confianza, que estn dados por la siguiente
frmula:

2 1 N = 0.218

Retardos
k
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

Tabla 6. Valor de coeficientes y lmites de confianza


Estadstico de BoxLmites
Ljung
de
Retardos
Gl
Sig.b
ACF Confianza Valor
k
-0.582
1
,000
1
0.218 27,792
0.306
35,558
2
,000
2
0.218
-0.176
3
,000
3
0.218 38,175
-0.051
4
,000
4
0.218 38,400
0.181
5
,000
5
0.218 41,219
-0.219
6
,000
6
0.218 45,407
0.26
-0.189
0.025
0.152
-0.297
0.368
-0.23
0.1
0.008
-0.16

0.218
0.218
0.218
0.218
0.218

51,398
54,633
54,692
56,839
65,162
0.218 78,115
0.218 83,266
0.218 84,256
0.218 84,263
0.218 86,857

ACFP
-0.582
-0.05
-0.028
-0.236
0.08
-0.064

7
8
9
10
11
12

,000
,000
,000
,000
,000
,000

7
8
9
10
11
12

0.084
0.044
-0.127
0.178
-0.144
0.087

13
14
15
16

,000
,000
,000
,000

13
14
15
16

0.179
-0.076
0.07
-0.064

Lmites
de
Confianza
0.218
0.218
0.218
0.218
0.218
0.218
0.218
0.218
0.218
0.218
0.218
0.218
0.218
0.218
0.218
0.218

Pues bien, comprobamos que en la fac son significativos los valores del primero, segundo y duodcimo retardo k los
cuales superan holgadamente la cifra del lmite de confianza; en cuanto a la facp slo el coeficiente del primer
retardo supera el lmite de confianza. Todo lo anterior apunta a un modelo ARIMA(1,1,0). La identificacin del
modelo se confirma con el resultado del modelador experto del SPSS, el cual arrojo el mismo resultado, modelo
ARIMA(1,1,0).
En la interpretacin del modelo, El valor uno (1) indica que se trata de un proceso autorregresivo de orden 1, esto es,
que cada valor de la fac est correlacionado significativamente con el valor inmediatamente anterior; el segundo
valor uno (1) representa el nivel de integracin- diferenciacin de la serie y nos indica que estamos analizando las
diferencias entre cada valor y el valor inmediatamente precedente; el ltimo valor cero (0) indica que no
consideramos ningn efecto considerable de medias mviles.
3.3.1.2 Estimacin del Modelo. Para el modelo ARIMA(1,1,0), el SPSS estadsticos de ajuste, arroj la siguiente
salida:

ID del
modelo

Tabla 7. SPSS estadsticos de ajuste modelo ARIMA(1,1,0),


Descripcin del modelo
Tipo de
modelo
Modelo_1 ARIMA(1,1,0)

Modelo

VAR00004Modelo_1

Estadsticos del modelo


Estadsticos de ajuste del modelo
R-cuadrado
estacionaria R-cuadrado
RMSE MAPE
MAE MaxAPE
,338

,804

838,333

6,684

672,393

18,889

MaxAE

BIC
normalizado

1,890,006

13,518

Donde, el coeficiente de autocorrelacin R2 es significativo y el ajuste es del 80.4%, mostrando que cada valor de la
fca est correlacionado significativamente con el valor inmediatamente anterior. Respecto al contraste conjunto de
Ljung-Box, tambin acepta la nula de correlaciones iguales a cero para distintos valores de k (observar tabla 6).
Vemos pues que los estadsticos anteriores favorecen al modelo ARMA(1,1,0), ya que en todos se acepta la nula de
que el residuo es un ruido blanco.
3.3.1.3 Verificacin y Diagnstico. Una vez identificado y estimado el modelo ARIMA la serie de ventas del
Niboten, es importante realizar una verificacin de los supuestos del modelo a fin de garantizar que los estimadores
no presentan sesgos estadsticos que invalidan la prediccin que se realizara posteriormente; para tal fin se hace el
anlisis de los residuos.
Figura 12. Histograma de residuos Modelo ARIMA
H isto gra m a
20
15
10

0, 9935

0, 93

0, 85

0, 59625

0, 2569

-0, 25

-0, 0236

-0, 526

F re c u e n c ia

25

10

En la figura 12 se muestra el histograma de los residuos para el modelo ARIMA, el examen visual muestra la
simetra y una forma general gaussiana, que cumple con la normalidad de los residuos.
En la figura adjunta, se presenta las grficas de las funciones de autocorrelacin y se puede contemplar que las
autocorrelaciones de los residuos no son significativas y las funciones no presentan coeficientes que superen los dos
(2) errores tpicos, lo que indica que no son diferentes de cero (0). El grfico de los residuos tambin apoya la
ausencia de autocorrelacin residual, puesto que la gran mayora de los residuos entran dentro de las bandas de
confianza, con excepcin del correspondiente al k =12. Por lo tanto, tambin muestra claramente que los residuos
son ruido blanco.
Figura 13. FAC y FACP residual Modelo ARIMA

3.3.1.4 Pronstico Modelo ARIMA. En la Tabla 8, se presentan los resultados del pronstico para el modelo
ARIMA (1,1,0); La fila 1 corresponde al encabezado de los periodos a pronosticar; La fila 2 presenta los valores del
pronstico; la fila 3 contiene los lmites superiores (LCS) y la fila 4 contienen los lmites inferiores (LCI) para cada
uno de los periodos.
Tabla 8. Pronsticos proceso ARIMA (1,1,0)
Modelo
81
82
83
valores11,38
Previsin
11,228 11,320
Modelo_1
7
13,05
LCS
13,040 13,528
6
LCI 9,719
9,415
9,112

84
11,267
13,667
8,867

3.3.2 Modelo Ajuste Polinomial. En ste modelo, se ajustar la curva del polinomio a la serie de la venta y se hallar
la funcin f(x) que la describa, y luego, el patrn identificado se utilizara para pronosticar la demanda de la venta.

11

3.3.2.1 Identificacin. Como observamos antes, la serie de ventas presenta una estructura de tendencia fluctuante de
tipo sinusoidal, por lo que se realizara un ajuste polinomio de orden cuatro. En la figura 14, se muestra el ajuste
polinmico realizado sobre la serie de ventas y la funcin f(x) que la describe.
Figura 14. Ajuste de tendencia Polinomial Serie de ventas

En la grfica se observa una coherencia importante respecto al comportamiento que presenta la serie, luego el orden
polinmico elegido es el conveniente para describirla; paso siguiente, se procede a calcular las diferencias entre cada
observacin de validacin y la parte polinmica de tendencia para obtener el valor de los errores.
3.3.2.2 Diagnstico. Una vez descompuesta la serie en su parte tendencial y de error, se puede apreciar con claridad
sus componentes, una parte determinstica o tendencial y una parte aleatoria (la parte de error). A continuacin la
figuras 15 y figura 16, muestran la parte tendencial de la serie y la parte aleatoria:
Figura 15. Tendencia de la serie

Figura 16. Serie de errores

Cuando se componen la serie en sus componentes de tendencia y de errores, se obtiene la serie original.
3.3.2.3 Pronstico. Los pronsticos se realizan con la extrapolacin de la serie en sus dos compontes, para los cuatro
(4) periodos de prediccin a travs de la ecuacin F(x) que representa la curva del polinomio representado en la
figura 14. Finalmente se realiza la composicin de las partes de tendencia y error para obtener la serie original con
los respectivos pronsticos:

12

Tabla 9. Pronstico modelo Ajuste Polinomial


Modelo
Ajuste
Polinomial

81

82

83

84

10,717

11,182

10,254

11,004

La tabla 9, muestra los valores resultantes para la proyeccin del modelo, es importante destacar que a diferencia del
modelo ARIMA los pronsticos tienen un comportamiento que flucta de manera similar a la serie.
3.3.3 Modelo Suavizado Exponencial Doble O Ajustada Brown. La serie de venta del Niboten se modelar con
el programa SPSS para pronosticar la serie con la tcnica de suavizado exponencial doble.
3.3.3.1 Pronstico. Este modelo es netamente tendencial, y se ve afectado por el comportamiento de las ltimas
observaciones de la serie, es decir es un modelo de memoria de corto plazo. A continuacin aparecen los valores del
pronstico para el modelo Suavizado Exponencial Doble- Brown:

Tabla 10. Pronstico modelo Suavizado exponencial doble- Brown


Pronostico
81

Modelo
modelo estructural de Previsin
suavizado exponencial de LCS
brown
LCI

82

83

84

10986
12733

10937
12842

10887
12970

10838
13116

9239

9032

8804

8559

3.4 Comparacin de los Pronsticos de los modelos construidos


En esta ltima seccin se establece la comparacin de los errores de pronsticos para los tres modelos ajustados, este
error, es el clculo del error cuadrtico medio, que se obtiene de las diferencias elevada al cuadrado entre cada una
de las observaciones de validacin Vs. el resultado del pronstico, despus calculamos el promedio de sus cuadrados.
En el siguiente cuadro esta el resumen de los resultados de los pronsticos, obtenidos para cada uno de los modelos
en estudio:

Tabla 11. Comparativo pronsticos con los tres (3) modelos

ORDEN DE
OBSERVACION
81
82
83
84

PRONOSTICOS CON LOS TRES MODELOS


AJUSTE
VALIDACION ARIMA(1,1,0)
BROWN
POLINOMIAL
11,067
11,387
10,717
10,986
11,300
11,228
11,182
10,937
11,000
11,319
10,254
10,887
10,800
11,267
11,004
10,838

Los errores de estimacin estn dados por las diferencias entre los valores de la columna Validacin enfrentados
con cada uno de los valores del pronstico de los modelos enunciados anteriormente, el resultado de los errores de
estimacin se observan a continuacin:

13

Tabla 12. Comparativo error del pronstico para los tres (3) modelos

ORDEN DE
OBSERVACION

ERRORES CON LOS TRES MODELOS


AJUSTE
VALIDACION ARIMA(1,1,0)
POLINOMIAL
BROWN

81

11,067

320

-350

-81

82

11,300

161

115

-130

83

11,000

252

-813

-180

84

10,800

200

-63

-229

Del cuadro anterior se puede destacar que el modelo ARIMA ofrece valores de pronostico por encima de los
observaciones de validacin, caso contrario al modelo de Suavizado Exponencial Doble o Brown, el cual subestima
levemente los valores presentados en los 4 periodos, mientras que el modelo de ajuste Polinomial aunque es ms
preciso en la observacin del segundo y cuarto periodo, presenta errores de gran magnitud para el primer y tercer
periodo, haciendo que se incremente el error cuadrtico medio.
Tabla 13. Comparacin error cuadrtico medio de los pronsticos
ERRORES CUADRATICO CON LOS TRES
MODELOS
ORDEN DE LA
AJUSTE
VALIDACION ARIMA(1,1,0)
BROWN
OBSERVACION
POLINOMIAL
81
11,067
102,213
122,425
6,538
82
11,300
25,925
13,273
17,001
83
11,000
63,683
660,816
32,372
84
10,800
39,912
4,007
52,651
Promedios

57,933

200,130

27,141

Ntese que el modelo de ajuste Polinomial presenta el mayor error cuadrado promedio, mientras que los modelos
ARIMA y de Suavizado Exponencial Doble presentan un menor error. Finalmente se concluye que la metodologa de
Suavizado Exponencial Doble presenta mayor precisin en los pronsticos por encima de la metodologa ARIMA.

4 Conclusiones y recomendaciones
Con el producto Niboten Jalea x 240 ml producido por el laboratorio Farmacoop, llevamos a la prctica la teora de
anlisis de series de Tiempo y modelamiento de tcnicas de pronsticos. Comparando modelos estructurales y
modelos ARIMA.
En el anlisis de la serie de tiempo se detecto la presencia de valores atpicos para el trimestre de Jun Ago de 2006,
siendo necesario realizar la imputacin de los mismos con el fin de garantizar que los datos de la venta tuvieran un
comportamiento ms cercano a la realidad, antes de proceder con el anlisis de modelamiento de las predicciones.
Se construyeron 3 modelos de pronsticos, el primero bajo la metodologa ARIMA, el segundo con la metodologa
Ajuste Polinomial y el tercero con Suavizado Exponencial Doble-Brown. El modelo Ajuste Polinomial presenta
el mayor error cuadrado promedio, mientras que los modelos ARIMA y de Suavizado Exponencial Doble presentan
un menor error. Finalmente se concluye que la metodologa de Suavizado Exponencial Doble presenta mayor
precisin en los pronsticos por encima de la metodologa ARIMA.

14

El modelo de Suavizado Exponencial Doble es la metodologa de pronstico de la demanda que se debe adoptar en el
laboratorio Farmacoop, para proyectar la demanda del mercado y poder planificar las cantidades a producir, a
comprar, los requerimientos de mano de obra, de los recursos financieros, etc., con el fin de alcanzar las metas de la
empresa.
Con el fin de garantizar el mayor grado de precisin de los pronsticos se recomienda realizar una evaluacin
peridica trimestral, del mtodo de ajuste, ya que como se puede observar en el trabajo, las condiciones
cambiantes de la serie de ventas puede dar paso a las metodologas de modelos ARIMA o Suavizado Exponencial
Doble.
Se recomienda que el horizonte del pronstico de la serie de ventas no sea superior a 6 meses, ya que, la variacin e
incertidumbre de pronsticos con horizontes ms largos podran generar decisiones de tipo tctico, que no podran
ser efectivas. Si se tiene en cuenta que el comportamiento de la serie en un semestre puede presentar cambios de
tendencia significativos, como los observados en el periodo de enero de 2007 a julio de 2007 donde la serie paso de
un comportamiento creciente a uno decreciente.

5 Bibliografa
1. Brockwell, Peter J. Davis, Ricardo A.: Introduction to Time Series and Forecasting, 2nd Ed, Springer, (2002).
2. Pindyck, Robert S. y Rubinfeld, Daniel L.: Econometra: modelos y pronsticos, Cuarta edicin, McGraw Hill,
Mxico, (2000).
3. Montenegro Garca, lvaro: Series de Tiempo, Sexta Edicin, Editorial Pontificia Universidad Javeriana,
Bogot, (2009).
4. Gujarati, Damodar N.: Econometra, Quinta Edicin, Ed. McGraw Hill, Cap. 21 y 22, (2010).
5. Greene, William H.: Anlisis Economtrico, Tercera Edicin, Ed. Prestice Hall, Iberia, (1999).
6. Wooldridge, Jeffrey M.: Introduccin a la Econometra: Un Enfoque Moderno, Cuarta Edicin, Ed. Thomson
Learnig, Cap. 10, 11 y 18,( 2009).
7. Guerrero, Vctor: Anlisis Estadstico de Series de Tiempo Econmicas, Segunda Edicin, Ed. Thomson, (2003).
8. Hanke, John E. Reitsh, Arthur G.: Pronsticos en los Negocios, Quinta Edicin, Editorial Prentice Hall
Hispanoamericana, Mxico, Pg 431, ( 1996).
9. Uriel, Ezequiel: Anlisis de Series Temporales: Modelos ARIMA, Tercera Edicin, Madrid, (1985).
10. Bonini. Hausman. Bierman: Anlisis cuantitativo para los negocios, Novena Edicin, McGraw Hill, Santa Fe de
Bogot, Colombia, Pg. 463.(2000).
11. Chase, Aquilano Jacobs: Administracin de la produccin y operaciones, Octava edicin, Ed. McGraw Hill,
Santa Fe de Bogot, Colombia, Pg. 503, (2000).
12. Hillier, Frederick S. Hillier, Mark S. Lieberman, Gerard J., Mtodos cuantitativos para administracin, Ed.
McGraw Hill, Mxico, Pg. 627, (2002).
13. Kazmier: Estadstica aplicada a la administracin y a la economa, Tercera edicin, Ed. McGraw Hill, Mxico,
(1998).
13. Levin: Estadstica para administradores, Segunda edicin, Ed. Prentice Hall Hispanoamericana, Mexico, (1998).
14. Webster: Estadstica aplicada a los negocios y la economa, Tercera edicin, McGraw Hill, Santa Fe de Bogot,
Colombia, (2000).
15. Ferran, Aranaz M.: SPSS para Windows: Programacin y anlisis estadstico, Ed. McGraw Hill, Madrid, Espaa,
Cap. 20 Series temporales y captulo 6 Pruebas estadsticas para una muestra, (1996).
16. Prez Lpez, Csar: Tcnicas estadsticas con SPSS, Primera edicin, Ed. Prentice Hall, Madrid, Espaa, (2001).
17. Diseo e implementacin de un sistema de pronstico de Ventas en whirlpool argentina, Agosto 12 de 2011,
http://www.ucema.edu.ar/publicaciones/download/documentos/209.pdf
18. Estudio del pronstico de la demanda de energa elctrica utilizando modelos de series de tiempo, Agosto13 de
2011, http://www.utp.edu.co/php/revistas/ScientiaEtTechnica/docsFTP/14423837-42.pdf
19. Analysis of a Forecasting-Production-Inventory System with Stationary Demand, Agosto 10 de 2011,
http://www.jstor.org/stable/822562

15

20. Prcticas de la asignatura econometria II.


Curso 2008/2009, Agosto 15 de 2011,
http://www.est.uc3m.es/esp/nueva_docencia/comp_col_get/lade/econometria_II/practicas/Practica_4_2009.pdf
21. Universidad
Autnoma
de
Madrir

Conceptos
ARIMA,
Agosto
20
de
011,
www.uam.es/personal_pdi/economicas/rmc/.../ARIMA(1)_Conceptos.doc

16

También podría gustarte