PRONSTICOS PARA LA

TOMA DE DECISIONES
Ing. Miguel ngel Sols Jimnez
Ing. Ana Laura Pia Martnez

Estoy interesado en el futuro, porque pasar en l

el resto de mi vida

C.F. Kettering, Semillas para el pensamiento.

Que es un pronstico?

Un pronstico es simplemente una
prediccin de lo que ocurrir.

Los mtodos de pronsticos pueden

clasificarse dependiendo de la informacin
que se tenga en Cualitativos y
Cuantitativos.
Mtodos cualitativos

Estos mtodos generalmente involucran el
juicio de expertos para el desarrollo de los
pronsticos, por ejemplo: El panel de
expertos, el mtodo Delphi, pregunta a la
fuerza de trabajo, entre otros.

Su principal ventaja radica en que puede

aplicarse cuando la informacin de la variable
a pronosticarse no es cuantificable o no son
aplicables datos histricos.
Mtodos cuantitativos

Este hace una extrapolacin del pasado o
se utiliza cuando se cuenta con suficientes
datos estadsticos o confiables para
especificar las relaciones existentes entre
variables fundamentales.

Dependiendo de la informacin con que
se cuente, los mtodos cuantitativos se
dividen en dos tipos: Series de Tiempo y
Mtodos Causales.
Que es una serie de tiempo?

Una coleccin de datos para alguna
variable o conjunto de variables durante
varios periodos.

Son datos reunidos sobre una
caracterstica dada durante un periodo
con intervalos regulares.

Es un conjunto de datos registrados
durante un periodo semanal, mensual,
trimestral o anual.
Componentes de una serie de
tiempo

Existen cuatro componentes de una serie
de tiempo: la tendencia, la variacin
cclica, la variacin estacional y la
variacin irregular.
Tendencia

Es el movimiento continuo en una variable
durante un periodo de tiempo extendido.

Tambin se puede entender como

desplazamientos o movimientos graduales
hacia valores ms elevados o ms
reducidos.
Variacin cclica

Es el acenso y descenso de una serie de tiempo en
periodos mayores a un ao. En este caso se aprecian
periodos de recuperacin, seguidos por los de prosperidad,
recesin y finalmente el ciclo acaba con la depresin.

80
Prosperidad Recesin
70

Recuperacin
60

50

40

30
Depresin
20

10

0
1983 1988 1993 1998
Variacin Estacional

Estos son patrones de cambio en una
serio de tiempo en un ao. Tales patrones
tienden a repetirse ao con ao en la
misma poca, por ejemplo, la venta de
artculos de playa, artculos para invierno,
entre otros. No obstante estos patrones
pueden aplicarse a situaciones de menor
tiempo, por ejemplo, la afluencia
vehicular en las horas pico.
Variacin irregular o Componente
irregular.

Este es el factor residual, es decir, todo lo

que sobra que toma en consideracin las
desviaciones de los valores reales de la
serie de tiempo en comparacin con los
esperados, dados los efectos de las
variaciones de la tendencia, cclica y
estacional. Estas no son predecibles y no
pueden identificarse.
Enfoques simples para el
Pronstico

Se tienen dos tcnicas que son
consideradas simples para efectuar un
pronstico:

Utilizacin del ltimo valor.

Utilizacin del promedio para el pronstico.
Utilizacin del ltimo valor.

Tambin conocido como modelo ingenuo o
pronstico emprico, este modelo toma el
ltimo valor ocurrido para pronosticar el
periodo siguiente. Este modelo no
considera ni la tendencia, ni los efectos
cclicos ni la estacionalidad.
Ft = xt 1

Sus principales ventajas son su
simplicidad y bajo costo.
Utilizacin del ltimo valor.

Su principal desventaja es cuando la
variacin irregular es grande, ya que
regularmente se tendran pronsticos muy
alejados de la realidad; por lo tanto este
mtodo solo sera til en situaciones con
patrones horizontales, de tendencia o
estacionalidad estables y variaciones al
azar pequeas.
Modelo del promedio para el
pronstico.

Este mtodo va al otro extremo. En lugar
de utilizar un tamao de muestra uno,
usa todos los datos en la serie de tiempo
y obtiene el promedio de las
observaciones, as el pronstico para el
siguiente periodo es:
t
xi
Ft +1 =
i =1 t
Modelo del promedio para el
pronstico.

Esta estimacin es excelente si el proceso es
muy estable, esto es, si las suposiciones
sobre el modelo que se usan son correctas.
No obstante, a menudo existe escepticismo
sobre la tendencia del modelo si se extiende
un tiempo largo.

Se recomienda utilizar cuando las condiciones

cambian de manera inevitable a travs del
tiempo. Debido a la renuencia natural a usar
datos antiguos, este procedimiento, en
general, se limita a procesos jvenes.
Ejemplo No. 1

A continuacin aparecen los precios de cierre aproximados
mensuales (en dolares por accin) para Toys of the Future.
De diciembre del 2009 a noviembre del 2010. Utilice el
mtodo del ltimo valor y el modelo del promedio para
pronosticar el precio para diciembre del 2010.

Diciembre 40 Junio 34
Enero 38 Julio 37
Febrero 39 Agosto 35
Marzo 41 Septiembre 37
Abril 36 Octubre 40
Mayo 41 Noviembre 41
Que es lo que hace que un
pronstico sea bueno?

Consistencia: Grado en que el pronstico
corresponde al mejor juicio que un pronosticador
pueda hacer de una situacin con base en su
conocimiento.

Calidad: Grado con el que el pronstico

corresponde con lo que realmente ocurri.

Valor: Grado con el que el pronstico ayuda a

un tomador de decisiones a concretar un
beneficio econmico u otro tipo de beneficio
Que es lo que hace que un
pronstico sea bueno?

La verificacin de pronsticos se suele centrar en
la calidad.

Exactitud: mide el grado de ajuste entre el

pronstico y laverdad (las observaciones).

Las medidas estadsticas que se generan a partir

de la comparacin objetiva de los pronsticos
con la verdad son una manera conveniente de
describir y resumir la precisin de un modelo.
Error de pronstico

Regularmente los pronsticos siempre tienen
errores, estos se clasifican en errores de
sesgo y errores aleatorios.

Los errores de sesgo son el resultado de
equivocaciones sistemticas, por lo cual se
observa que el pronstico siempre es
demasiado algo o demasiado bajo.

Los errores aleatorios, son el resultado de
factores imprevisibles que obligan al
pronstico a desviarse de la demanda real.
Error de pronstico
et = X t Ft

Donde:

et= error de pronstico para el periodo t

Xt=demanda real para el periodo t

Ft=pronstico para el periodo t

Medidas estadsticas de errores de
pronsticos.

Suma acumulativa del error (CFE)

Error de pronstico promedio

Cuadrado medio del error (MSE)

Desviacin estndar ()

Desviacin media absoluta (MAD)

Error porcentual medio absoluto (MAPE)

Suma acumulativa del error.

En esta medida, los errores positivos tienden
a compensarse con los negativos. Sin
embargo, esta medida resulta til para
evaluar el sesgo de un pronstico; por
ejemplo, si un pronstico resulta siempre
ms bajo que la demanda el valor de CFE
ser cada vez ms grande. Esto puede
deberse a la omisin de alguna componente
de tendencia.
CFE = et
Error de pronstico promedio

Si el valor del CFE se divide entre el total de
pronsticos realizados, se obtiene el valor del
error de pronstico promedio.

CFE
e=
n
Cuadrado Medio del Error, la
Desviacin Estndar y Desviacin
Media Absoluta

Estas tres estadsticas miden la dispersin

de los errores de pronsticos. Un valor
pequeo en estas medidas, indican que el
pronstico se est aproximando al valor
real. Un valor grande en estas medidas
anuncian la posibilidad de errores de
pronsticos considerables.
Cuadrado Medio del Error, la
Desviacin Estndar y Desviacin
Media Absoluta
2

MSE =
et
= (e e )
t
2

n n 1

MAD =
e t

n
Error Porcentual Medio Absoluto

Este tipo de medida relaciona el error de
pronstico con el nivel de la demanda, y es
til para colocar el rendimiento del pronstico
en su correcta perspectiva.

et *100

X
MAPE= t
n
Ejemplo No. 2

Los datos de la tabla siguiente muestra las ventas reales
de sillas tapizadas que realiz un fabricante de muebles,
as como los pronsticos realizados utilizando un mtodo
cualitativo. Determinar:
a) grfica de dispersin
b) CFE, error de pronstico promedio, MSE, , MAD y MAPE e interprete
los resultados

Mes (t) Xt Ft
Enero 200 225
Febrero 240 220
Marzo 300 285
Abril 270 290
Mayo 230 250
JUNIO 260 240
JULIO 210 250
AGOSTO 275 240
Ejemplo No. 2 (Continuacin)

CFE=-15, indica que el mtodo de pronstico sobre
estimo el valor de las ventas.

MAD=24.4, significa que el error de pronstico

promedio fue de 24.4 unidades en valor absoluto.

=27.4, indica que la distribucin de los errores de

pronstico dentro de la muestra tiene una desviacin
estndar de 27.4 unidades.

MAPE=10.2%, implica que en promedio, el error de

pronstico fue de mas o menos el 10% de las ventas
reales observadas.
Seal de rastreo.

Esta es una medicin que indica si un mtodo
de pronstico esta previendo con precisin
los cambios reales de la demanda. Mide el
nmero de las MAD representadas por la
suma acumulativa de errores de pronstico,
es decir CFE. Cuando CFE tiende a cero, se
utiliza un sistema de pronsticos correcto.

CFE
Seal de rastreo =
MAD
Seal de rastreo.

En cada periodo la CFE y la MAD se actualizan
para reflejar verdaderamente el valor actual y
comparar estos valores con ciertos lmites
establecidos de antemano que indican si el

mtodo de pronstico esta pronosticando
adecuadamente.

Si los errores estn de pronstico estn
distribuidos normalmente, con media de 0,
entonces existe una relacin simple entre s y la
MAD:

= MAD 1.25 MAD MAD = 0.7978 0.8
2
Ejemplo No. 3

Considerando las relaciones mostradas en la
diapositiva anterior entre la MAD y , utilcelas
para crear intervalos de confianza de distintos
valores y con estos determinar los porcentajes
del rea dentro de los lmites de control.
Porcentaje del
Expansin del rea dentro de
lmite de control Numero los lmites de
(MAD) equivalente de control
Enfoque de promedios para el
pronstico

Promedio mvil. Este mtodo tomas las
mejores caractersticas de los dos
mtodos anteriores obtenindose un
mtodo de mejores caractersticas. Este
utiliza como pronstico para el siguiente
periodo, el promedio de los n valores de
datos ms recientes de la serie de tiempo.

P. Mvil = (n valores de datos ms recientes)

n
Enfoque de promedios para el
pronstico

Promedio mvil ponderado. Este mtodo
implica seleccionar diferentes
ponderaciones para cada valor de datos
ms recientes. Regularmente, la
ponderacin mayor la recibirn los datos
ms recientes.
Enfoque de suavizacin para el
pronstico

Este procedimiento utiliza la frmula
Ft+1=Xt+(1-)Ft

Donde:
se llama constante de suavizacin. As el
pronstico es una suma ponderada de la
ltima observacin xt y el pronstico
anterior Ft para el periodo que acaba de
terminar.
Enfoque de suavizacin para el
pronstico

El valor de va de 0 a 1y se selecciona
haciendo las siguientes consideraciones:
a) Si la serie de tiempo contiene alta
variabilidad aleatoria, se preferir un valor de
pequea, esto se debe a que no se desea sobre
reaccionar y ajustar los pronsticos con
demasiada rapidez.
b) Si la serie de tiempo contiene poca
variabilidad aleatoria, valores menores de
permiten ajusten con rapidez dando un mejor
pronstico
Ejemplo No. 4

La siguiente tabla muestra los datos del nmero de galones
de gasolina vendidos por un distribuidor las ltimas doce
semanas. Suponga un patrn como el mostrado en la
siguiente figura (nivel constante) y determine el pronstico
esperado de ventas para el mes 13. utilizando cada una de
las tcnicas de pronsticos.
Datos de la serie de tiempo de las ventas de
gasolina
Semana Ventas(miles de galones)
1 17.00
2 21.00
3 19.00
4 23.00
5 18.00
6 16.00
Continua
Ejemplo No. 4 (Continuacin )
Datos de la serie de tiempo de las ventas de
gasolina
Semana Ventas(miles de galones)
6 16.00
7 20.00
8 18.00
9 22.00
10 20.00
11 15.00
12 22.00
Nota 1. Para el caso de promedios mviles utilice una n =3, n =4,
n =5
Nota 2. Para el caso de promedios mviles ponderados utilice una n
=3 y ponderaciones de 1/6, 2/6 y 3/6 para los ltimos tres valores.
Asigne el mayor valor de k para la ltima observacin
Nota 3. Para el caso de suavizacin exponencial utilice un =0.2,
=0.70
Ejemplo No. 5

A continuacin se da el precio de venta de una accin de
Pepsico, Inc., al cierre del ao.
Grafique los datos.
Utilice un modelos de suavizacin exponencial con =0.2 y
=0.7.
Calcule los puntos correspondientes a los aos 1993 Y 1998.
Estime las ventas netas para el ao 2003. Parece ser una
estimacin razonable segn los datos del pasado?
En promedio, cunto han aumentado (o disminuido)
anualmente el precio de las acciones, durante el periodo?
AO PRECIO AO PRECIO AO PRECIO
1990 12.9135 1994 18.3160 1998 40.6111
1991 16.8250 1995 27.7538 1999 35.0230
1992 20.6125 1996 29.0581 2000 49.5625
1993 20.3024 1997 36.0155
Inclusin de la Tendencia en el
Pronstico

Como ya se haba mencionado, la
tendencia, es un incremento o
decremento consistente a lo largo del
tiempo. Existen varios mtodos para
modelar la tendencia:
Tendencia modelada por una funcin lineal.

Mtodos de suavizacin exponencial ajustada a

la tendencia.
Tendencia modelada por una
funcin lineal

Este modelo no busca que el pronstico siga
cada movimiento arriba y debajo de la realidad,
ms bien, el componente de la tendencia debe
reflejar un desplazamiento gradual ya sea
creciente o decreciente. El modelo es el siguiente

Ft = b0 + b1t
(t )( Xt)
(tXt ) n b0 = x b1t
b1 =
t n
2 ( t ) 2
Mtodo de suavizacin exponencial
ajustada a la tendencia.

En este enfoque, las estimaciones para el
promedio y la tendencia son suavizadas, para lo
cual se requieren solamente dos constantes de
suavizacin. Se calcula el promedio y la
tendencia para cada periodo.

At = X t + (1 )( At 1 + Tt 1 )
Tt = ( At At 1 ) + (1 )Tt 1
Ft +1 = At + Tt
Mtodo de suavizacin exponencial
ajustada a la tendencia.
En donde
At=Promedio exponencialmente suavizado de la serie
de tiempo en el periodo t.

Tt=Promedio exponencialmente suavizado de la

tendencia en el periodo t.

=Parmetro de suavizacin para el promedio, con

valores entre 0 y 1

=Parmetro suavizado para la tendencia, con un valor

entre 0 y 1

Ft+1=Pronstico para el periodo t+1

Ejemplo No. 6

A continuacin se indican cantidades de dinero
gastadas en publicidad (en miles de millones de
dlares) de 1990 a 2000.
Determine la ecuacin de tendencia.
Estime los gastos publicitarios para el ao 2001.
En que porcentaje aumentaron los gastos anuales de
publicidad durante este periodo.

AO MONTO AO MONTO
1990 88.1 1996 132.6
1991 94.7 1997 141.9
1992 102.1 1998 150.9
1993 109.8 1999 157.9
1994 118.1 2000 162.6
1995 125.6
Modelo Multiplicativo (Tendencia,
Estacionalidad e irregularidad)

Este tipo de modelo permite aislar de

manera conveniente situaciones que
tengan componentes de tendencia,
estacionalidad e irregularidad. El modelo
general es el siguiente:

Ft +1 = Tt St It
Modelo Multiplicativo

En este modelo, la tendencia esta medida

en las mismas unidades de lo que se est
pronosticando. Sin embargo St y It se
miden en trminos relativos con valores
superiores a 1 representando efectos por
encima de la tendencia y valores
inferiores a 1 con efectos por debajo de la
tendencia.
Modelo Multiplicativo.
Procedimiento

Paso 1. Suavizar la influencia estacional e
irregular de cada periodo (trimestre,
cuatrimestre, mes, entre otros), esto se logra
calculando el promedio mvil centrado para
aislar los componentes estacionales e irregular.

Nota: si el resultado del promedio mvil centrado

coincide con un periodo al mismo nivel de un dato real,
no se hace ninguna otra operacin, de lo contrario, se
vuelve a calcular otro promedio mvil, pero ahora
tomando de 2 en 2 de los resultados de promedios
mviles obtenidos. Este segundo paso se efecta
regularmente en situaciones compuestas por ciclos pares
(cuatrimestre, bimestres, semestre, entre otros).
Modelo Multiplicativo.
Procedimiento

Paso 2. Dividir las observaciones de cada
serie de tiempo (Xt) entre el valor
correspondiente de promedio mvil
centrado para identificar el efecto
estacional e irregular dentro de la serie de
tiempo.
Nota: Si se observa, cada valor del mismo
periodo (por ejemplo el 2) es semejante entre
ellos, aunque aun hay una pequea variacin
que puede atribuirse a la componente irregular.
Modelo Multiplicativo.
Procedimiento

Paso 3. Promediar los valores para cada
periodo correspondiente para eliminar la
componente irregular. El resultado es el
ndice Estacional.

Nota: el promedio de los ndices estacionales

debe ser 1, en otras palabras los efectos
estacionales se deben de equilibrar a lo largo
del ao.
Modelo Multiplicativo.
Procedimiento

Paso 4. En caso de que el promedio de los
ndices estacionales no sea la unidad,
haga el siguiente procedimiento:
multiplique cada ndice estacional por el
nmero de estaciones y divida el
resultado entre la suma de los ndices
estacionales no ajustados.
Modelo Multiplicativo.
Procedimiento

Paso 5. Desestacionalizacin de la serie de
tiempo. Divida cada observacin de la
serie de tiempo por el ndice estacional
correspondiente.

Paso 6. Con la serie ya

desestacionalizada, identifique por medio
de algn mtodo, la tendencia del
modelo.
Modelo Multiplicativo.
Procedimiento

Paso 7. Utilice el modelo identificado en el
paso 6 para obtener el pronstico para
todos los periodos del ao a pronsticarse

Paso 8. Ajuste estacional. Con los

resultados del paso 7, multiplquelos por
los ndices estacionales para obtener los
pronsticos considerando el ajuste
estacional.
Ejemplo No. 7

Los datos que a continuacin se presentan,
muestran las ventas de televisores de plasma de
los ltimos 4 aos de la marca Sony en un pas.
Obtenga una grfica que indique el comportamiento de la serie.
Determine las ventas esperadas para el ao nmero 5.

VENTAS (MILES DE TELEVISORES)

AO TRIMESTE 1 TRIMESTE 2 TRIMESTE 3 TRIMESTE 4
1 4.8 4.1 6 6.5
2 5.8 5.2 6.8 7.4
3 6 5.6 7.5 7.8
4 6.3 5.9 8 8.4
Ejemplo No. 8

Los productos trimestrales de madera pino, en millones de
pies tabla, por la negociacin Northwest Lumbre, desde
1996, es:
Determina el patrn estacional tpico de los datos de
produccin, empleando el mtodo de razn a promedio
mvil.
Interprete el patrn.
Desestacionalice los datos y determine la ecuacin de
tendencia lineal.
Proyecte la produccin ajustada estacional a los cuatro
trimestres de 2001
TRIMESTRE
AO INVIERNO PRIMAVERA VERANO OTOO
1996 7.8 10.2 14.7 9.3
1997 6.9 11.6 17.5 9.3
1998 8.9 9.7 15.3 10.1
1999 10.7 12.4 16.8 10.7
2000 9.2 13.6 17.1 10.3