Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PRONOSTICOS
PRONOSTICOS
Administración
de operaciones
Métodos de Pronósticos
1
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
CAPITULO II INTRODUCCIÓN................................................................................................... 3
2.1 Pronósticos ........................................................................................................................ 3
2.2 Áreas de Toma de Decisiones ........................................................................................... 5
2.3 Base para los pronósticos .................................................................................................. 6
2.4 Aplicaciones de los Pronósticos de Demanda ................................................................... 8
2.5 Pronósticos para la Planeación .......................................................................................... 9
Enfoques para Pronósticos .................................................................................................... 11
2.6 Modelos Cualitativos ...................................................................................................... 11
2.7 Métodos Cuantitativos .................................................................................................... 12
CAPITULO III METODOLOGÍA DE LOS PRONÓSTICOS ......................................................... 14
3.1. BREVE RESEÑA HISTÓRICA ................................................................................ 15
3.2. CLASIFICACIÓN DE LOS ENFOQUES PARA PRONÓSTICOS ......................... 16
3.2.1. MÉTODOS DISCRECIONALES O CUALITATIVOS .................................... 17
3.2.2. MÉTODOS CUANTITATIVOS ........................................................................ 17
3.2.3. MÉTODOS TECNOLÓGICOS .......................................................................... 18
3.3. TIPOS DE MODELOS .............................................................................................. 19
3.4. TIPO DE PATRONES EN LOS DATOS .................................................................. 21
3.5. MEDICIÓN DEL ERROR EN EL PRONÓSTICO ................................................... 23
3.5.1. DESVIACIÓN ABSOLUTA DE LA MEDIDA (MAD) ................................... 24
3.5.2. ERROR MEDIO CUADRADO (EMC) ............................................................. 25
3.5.3. PORCENTAJE DE ERROR MEDIO ABSOLUTO (PEMA) ............................ 25
3.5.4. PORCENTAJE DE ERROR MEDIO ................................................................. 25
3.6. ETAPAS DE LA SOLUCIÓN DE PROBLEMAS RELACIONADOS CON LOS
PRONÓSTICOS ................................................................................................................... 27
CAPITULO IV MODELOS DE PREDICCIÓN CUANTITATIVOS: MÉTODOS DE
SUAVIZAMIENTO Y DESCOMPOSICIÓN ................................................................................. 30
4.1 ANÁLISIS EXPLORATORIO DE LAS SERIES DE TIEMPO. .............................. 31
4.2 MODELO DE PREDICCIÓN CUANTITATIVO: MÉTODOS DE
SUAVIZAMIENTO .............................................................................................................. 31
4.2.1 MODELOS NO FORMALES: ........................................................................... 34
4.2.2 MÉTODOS DE PROMEDIO ............................................................................. 34
4.2.3 MODELOS DE SUAVIZAMIENTO EXPONENCIAL ÚNICOS. ................... 37
4.2.4 MODELOS DE SUAVIZAMIENTO EXPONENCIAL LINEAL
(SUAVIZAMIENTO EXPONENCIAL DOBLE DE HOLT) .......................................... 40
4.2.5 MODELOS DE SUAVIZAMIENTO EXPONENCIAL DE WINTER ............. 44
4.3 MÉTODOS DE DESCOMPOSICIÓN PARA PRONÓSTICOS DE SERIES DE
TIEMPO. ............................................................................................................................... 48
2
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
CAPITULO II INTRODUCCIÓN
Un Inicio…
“Las predicciones son usualmente difíciles, especialmente, las que son acerca del
futuro.”
Yogi Barrera, Catcher
Yankees Nueva York
http://core.ecu.edu/econ/rothmanp/bci_forecasts.htm
2.1 Pronósticos
PUSH PULL
3
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
La Gran Pregunta…
http://www.psychicguild.com/forecasting/
Patrones de Demanda
4
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
http://www.monografias.com/trabajos61/gestion-compras-manejo-inventarios/gestion-
compras-manejo-inventarios2.shtml
Antecedentes
Una Definición…
http://wiki.biensimple.com/pages/viewpage.action?pageId=7407270
Los administradores buscan hacer estimaciones sobre el futuro con una gran
incertidumbre sobre ciertos factores.
5
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
Mercadotecnia
Manufactura
Colocación de fuerza
Planeación de la de trabajo
producción Promociones
Control de Inventarios Introducción de Nuevos
Planeación Agregada Productos
Finanzas Personal
http://www.monografias.com/trabajos53/tasa-libor/tasa-libor2.shtml
http://elauladenfrente.blogspot.com/2008_08_01_archive.html
6
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
No existe un tipo de pronóstico que sea considerado la única opción para encontrar la
respuesta correcta.
Primeras Conclusiones…
Aspectos a Considerar
Aspectos claves:
o El pronóstico deberá mostrar una tendencia.
o El tomador de decisiones deberá tener un criterio para el seguimiento de los
pronósticos.
o La empresa deberá tener la capacidad de responder a la variación del
pronóstico con respecto a la realidad.
Los pronósticos tienen un límite de aplicabilidad, son costosos y requieren una gran
cantidad de tiempo.
7
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
8
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
INSUMOS
ESTRATEGIA EMPRESARIAL
Los pronósticos a mediano y largo plazo tienen que ver con asuntos más
trascendentes (planeación, productos, plantas y procesos).
Los pronósticos a corto plazo utilizan metodologías diferentes a las metodologías de
los pronósticos a mediano y largo plazo.
o Promedios móviles
o Suavización exponencial
o Extrapolación con tendencia
Los pronósticos a corto plazo tienden a ser más exactos que los pronósticos a mayor
plazo (hay una menor variación de condiciones).
9
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
http://blogs.creamoselfuturo.com/industria-y-servicios/2007/04/24/creacion-de-empresas-
e-innovacion-a-traves-del-ciclo-de-vida/print/
10
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
Aspectos subjetivos
Intuición, emociones, experiencias
Sistema de Valores
Modelos Matemáticos
Datos Históricos
Método Delphi
o Proceso grupal iterativo
o Tres tipos de participantes
Los tomadores de decisión (5-10 expertos que harán el pronóstico
real).
Personal asesor (Preparan, distribuyen, recolectan y resumen
cuestionarios y encuestas).
11
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
Analogía Histórica
o Liga la estimación de las ventas futuras de un producto con el conocimiento de
las ventas de un producto similar.
o A la estimación de las ventas de un producto se aplica el conocimiento de las
ventas de un producto similar en las diferentes etapas de su ciclo de vida.
o Útil para el desarrollo de productos novedosos.
Estudio de Mercado
o La base para comprobar las hipótesis sobre los mercados reales y su
comportamiento son los cuestionarios por correo, las entrevistas telefónicas o
las entrevistas de campo.
o Los resultados del estudio de mercado se extrapolan de un sector de mercado
a la totalidad de éste.
o Preferidos para productos nuevos o para productos existentes que se quieren
desarrollar en otros segmentos.
Modelos de
Series de Tiempo Modelo Causal
Simplista
Promedios móviles
Suavización Exponencial
Proyección de Tendencia
12
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
http://www.scielo.org.co/scielo.php?pid=S0121-47722008000100007&script=sci_arttext
Serie de tiempo
http://www.uiah.fi/projects/metodi/290.htm
Modelo causal
13
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
Se presentan, el impacto de los errores de predicción y las limitaciones de los métodos para
pronosticar, así como las situaciones en las que se aplican cada uno de estos con énfasis en
el método cuantitativo, se identifican patrones, con base en las expectativas pasadas y el
descubrimiento de relaciones entre factores claves o variables.
3.5
3.4 Tipo de Medición
3.1 Breve reseña
patrones en del error en
histórica
los datos los
pronósticos
3.2
3.6 Etapas de la
Clasificación
solución de
de los 3.3 Tipos de
problemas
enfoques modelos
relacionados con
para
los pronósticos
pronósticos
14
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
Pasaron casi 30 años para que los métodos de Suavizamiento exponencial tuvieran amplia
aceptación y a partir de ellos se han desarrollado numerosas variedades y extensiones de
los mismos. Las más notables son los de Brown (1950), Holt (1952) y Winters (1960). Las
adaptaciones y modificaciones más recientes han hecho posible emplear los métodos de
Suavizamiento de manera aún más mecánica y automatizada.
1
http://www.dandoenelblanco.com/pronsticos_y_forecast_pro/ consultada el 30 de octubre de 2008
2
http://sunwc.cepade.es/~jrivera/org_temas/metodos/prospectiva/pronostic_method.htm consultada el 30
de octubre de 2008
15
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
Pasó un poco de tiempo después para que los métodos de Suavizamiento empezaran a
atraer la atención, los métodos de descomposición experimentaron una mayor difusión. El
más prominente de esto fue Shiskin (1957,1961), que fue el creador del paquete Census II y
que a pesar de una escasa fundamentación estadística, presentaban una atracción intuitiva
de significación para los profesionales del área.
Con el avance tecnológico y los precios accesibles de los sistemas de cómputo los métodos
de pronósticos se fueron perfeccionando, aparecieron técnicas como regresión múltiple y
modelos econométricos. A principios de 1980 los pronósticos basados en econometría
representaban ya un gran mercado para los profesionales.
Un enfoque que incorporaba muchos de los elementos de una teoría semejante se hizo
realidad con la aportación de Box y Jenkins (1976), cuya metodología consiste en un
procedimiento sistemático para el análisis de las series de tiempo que fue suficientemente
general para manejar todas las estructuras de datos en series de tiempo observados
empíricamente.
A mediados de la década de 1970 comenzaron a surgir las variedades del método del
promedio móvil autorregresivo, integral y de media móvil (ARIMA) desarrollado por Box
Jenkins y desde ahí se han estudiado modificaciones corrigiendo algunos problemas
asociados con la metodología tomando nombres tales como ARARMA, filtros de Kalman,
modelos de vectores autorregresivos, etc.
Los pronósticos a largo plazo son necesarios para establecer el curso general de la
organización para un largo periodo; de ahí que se conviertan en el enfoque particular de la
alta dirección.
Los pronósticos a corto plazo se utilizan para diseñar estrategias inmediatas y que usan los
administradores de rango medio y de primera línea para enfrentar las necesidades del futuro
inmediato. 4
3
Makridakis - Wheelwrigth, Métodos de pronóstico, México, D.F., Limusa, 1998, pag. 36
4
http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm consultada el 04/09/08
16
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
Los métodos cualitativos casi siempre se utilizan para pronósticos a mediano y largo plazo
que involucren situaciones como diseño del proceso o capacidad de las instalaciones. En el
caso de estas decisiones, los datos del pasado casi nunca están disponibles o, cuando así
es, pueden indicar un patrón poco estable.”5
Los métodos de monitoreo, que todavía no alcanzan un uso muy extendido, buscan
identificar cambios en los patrones y relaciones. Básicamente se utilizan para indicar cuándo
no es apropiada la extrapolación de patrones o relaciones pasadas. Algunas de las
aplicaciones de los métodos cuantitativos, se muestran en la Tabla 1, así como el campo de
aplicación donde fue desarrollada la metodología.
5
Makridakis S, “Arte y Ciencia de Pronosticar”, International Journal of Forecasting, 2, no.1, pp 15-39.
6
Makridakis - Wheelwrigth, Métodos de pronóstico, México, D.F., Limusa, 1998, pp28.
17
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
La tercera categoría – métodos tecnológicos - tienen que ver con los problemas de largo
plazo de naturaleza tecnológica, social, económica o política. Las cuatro subcategorías aquí
encontradas son extrapolativas (utilizan patrones y relaciones históricos como base de los
pronósticos), analógicas (emplean analogías históricas y de otro tipo para hacer
predicciones), expertas y normativas (hacen uso de objetivos, metas y resultados deseados
como base de los pronósticos, influyendo así los sucesos futuros). 7
7
Makridakis Wheelwrigth, Métodos de pronóstico, Limusa, 1998, pag 28
8
Hace poco la revista Life eligió a Loewy como uno de los 100 norteamericanos más influyentes del siglo XX. A Loewy se le conoce mejor por los
estandartes del diseño norteamericano como la botella de Coca-Cola, Air Force One, Lucky Strike, los autobuses de Greyhound, la locomotora
Pennsylvania S-1, los logotipos de Exxon y Shell, los interiores del Laboratorio Espacial y el Transbordador de la NASA, así como el Avanti, el único
automóvil que se ha exhibido en el museo del Louvre.
9
Raymond Loewy, Industrial Design, pag 74.
10
http://www2.uiah.fi/projekti/metodi/290.htm consultada el 25 de agosto de 2008.
18
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
Este trabajo está enfocado a los métodos de predicción cuantitativos con la necesidad de
obtener un modelo, que es una manera de experimentar con la realidad sin tener que invertir
realmente en una unidad operativa a escala completa.
Para la predicción se puede emplear una amplia gama de modelos, pero para el caso de los
métodos cuantitativos hay dos categoría aceptablemente bien definidas.
11
Makridakis - Wheelwrigth, Métodos de pronóstico, México, D.F., Limusa, 1998, pag 63
19
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
A consecuencia de ello, sus necesidades de datos son mucho mayores que las de un
modelo de series de tiempo. Adicionalmente, puesto que los modelos explicativos
generalmente relacionan varios factores, usualmente requieren de más tiempo para
desarrollarse y son más sensibles a los cambios de las relaciones subyacentes de lo que
sería un modelo de series de tiempo.
Donde f significa “es una función de”, “depende de” o “está influenciado por”. Conforme estos
factores cambien, la Demanda variará según lo especifique la forma seleccionada del
modelo.
Si el único propósito es pronosticar los valores futuros de la demanda sin prestar atención a
por qué se llevará a cabo un cierto nivel de la demanda, un enfoque de series temporales
sería el apropiado. Se sabe que la magnitud de la demanda no cambia drásticamente de un
mes a otro, o aun de un año a otro. Así, la demanda del mes próximo dependerá de la
demanda del mes anterior y posiblemente del de los meses pasados. Con base en esta
observación, la demanda podría expresarse:
Donde:
Y así sucesivamente. Este modelo es semejante al explicativo, con la excepción de que los
factores de miembro derecho son valores anteriores del miembro izquierdo. Esto hace al
trabajo de pronosticar más fácil una vez que se conoce la forma específica del modelo, ya
que a diferencia del modelo explicativo, este modelo no requiere de valores de insumos
especiales. Sin embargo, con ambos modelos es necesario que la relación entre los
miembros derecho e izquierdo de la ecuación sean descubiertos y medidos de tal manera
que se puedan extrapolar a fin de ser pronosticados.”12
12
Makridakis - Wheelwrigth, Métodos de pronóstico, México, D.F., Limusa, 1998, pp63-74
Hanke, J.E. y A.G. Reitsch, usiness Forecasting, Allyn and Bacon, Boston
20
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
Componente Descripción
Tendencia Es el componente de largo plazo que representa el crecimiento o
disminución en la serie sobre un periodo amplio.
13
Makridakis - Wheelwrigth, Métodos de pronóstico, México, 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.
21
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
14
http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm consultada el 22/10/08
15
Makridakis - Wheelwrigth, Métodos de pronóstico, México, 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.
22
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
Aunque generalmente X, o algún otro símbolo, identifica los valores observados reales
(históricos) de una variable, a menudo se utiliza un símbolo diferente para representar el
valor pronosticado de esa variable. En este trabajo los símbolos Ft+1 o 𝑌̂𝑡+1 se usarán para
denotar el valor de la predicción para el periodo de tiempo t+1. Como resumen de la relación
entre los valores observados y los valores pronosticados en una situación de series de
tiempo consúltese la siguiente tabla:
Valores 𝑌̂1 𝑌̂2 𝑌̂3 𝑌̂4 …… 𝑌̂𝑡−2 𝑌̂𝑡−1 𝑌̂𝑡 𝑌̂𝑡+1 𝑌̂𝑡+2 𝑌̂𝑡+3 …. 𝑌̂𝑡+𝑚
estimados
F1 F2 F3 F4 …… Ft-2 Ft-1 Ft
Valores del e1 e2 e3 e4 …… et-2 et-1 et
error
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
23
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
El supuesto básico que está detrás del uso de cualquier técnica de predicción es que el valor
real observado será determinado por algún patrón más algunas influencias aleatorias.
“El componente aleatorio mide la variabilidad de las series de tiempo después de que se
retiran los otros componentes o patrón. Contabiliza la variabilidad aleatoria en una serie de
tiempo ocasionada por factores imprevistos y no ocurrentes.
𝑒𝑖 = 𝑥𝑖 − 𝑌̂𝑖
El subíndice 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 observación para la cual
existe tanto un valor real como un valor pronosticado.”17
Un método para evaluar una técnica de pronóstico consiste en obtener la suma de los
errores absolutos. La Desviación Absoluta de la Media (MAD) mide la precisión de un
pronóstico mediante el promedio de la magnitud de los errores de pronóstico (valores
absolutos de cada error).
La MAD resulta de gran utilidad cuando el analista desea medir el error de pronóstico en las
mismas unidades de la serie original. La siguiente ecuación muestra como se calcula la
MAD:
17
Makridakis - Wheelwrigth, Métodos de pronóstico, México, D.F., Limusa, 1998, pp67-69
24
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
∑𝑛𝑖=1|𝑒𝑖 |
𝑀𝐴𝐷 =
𝑛
Otra técnica para evaluar una técnica de pronóstico es el Error Medio Cuadrado (EMC).
Cada error o residual se eleva al cuadrado; luego estos valores se suman y se divide entre el
número de observaciones. Este enfoque penaliza los errores mayores de pronósticos, ya que
eleva cada uno al cuadrado. Esto es importante pues en ocasiones pudiera ser preferible una
técnica que produzca errores moderados a otra que por lo regular tenga errores pequeños
pero que ocasionalmente arroje algunos en extremo grandes. La ecuación para el cálculo del
EMC, es la siguiente:
∑𝑛𝑖=1 𝑒𝑖2
𝐸𝑀𝐶 =
𝑛
“En ocasiones, resulta más útil calcular los errores de pronóstico en términos de porcentaje y
no de cantidades. El Porcentaje de Error Medio Absoluto (PEMA) se calcula encontrando el
error absoluto en cada periodo, dividiendo éste entre el valor real observado, para ese
periodo y después promediando estos errores absolutos de porcentaje.
También se puede utilizar el PEMA para comparar la precisión de la misma u otra técnica
sobre dos series completamente diferentes. La siguiente ecuación muestra el cálculo del
PEMA:
∑𝑛
𝑖=1|𝑃𝐸𝑖 |
𝑃𝐸𝑀𝐴 = 𝑛
18
Makridakis - Wheelwrigth, Métodos de pronóstico, México, 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.
25
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
∑𝑛𝑖=1 𝑃𝐸𝑖
𝑃𝑀𝐸 =
𝑛
Una parte de la decisión para utilizar una técnica de pronóstico en particular es la
determinación de si la técnica producirá errores de predicción que se juzguen como
suficientemente pequeños. Es en este efecto realista esperar que una técnica produzca
errores de pronóstico relativamente bajos sobre una base consistente. Las cuatro mediciones
de precisión de un pronóstico que acabamos de describir se utilizan de la siguiente manera:
19
http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm consultada el 22/10/08
26
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
Nótese 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 interpretación del error, por lo que para evitar este
problema se debe computar los errores absolutos y se observa lo que comúnmente se
conoce como la desviación 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 precisión.
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 más a un pronóstico por
desviaciones extremas que por desviaciones pequeñas ya que la ECM eleva el error al
cuadrado de ahí la necesidad de minimizar el error cuadrado medio es decir es mejor que se
tengan varias desviaciones pequeñas a una desviación grande.
Una decisión única requiere un solo pronóstico, mientras que una solución recurrente
necesita un pronóstico cada vez que se toma la decisión. En cualquier caso la decisión
determina qué pronosticar, el nivel de detalle necesario y con frecuencia se hará el
pronóstico.
La base para entender los problemas de pronósticos es comprender el proceso; para hacer
esto, se examina las características del problema y se analizan los datos, si existen. También
se establece una meta para el pronóstico.
Las decisiones a largo plazo no requieren pronósticos exactos. Así los pronósticos muy
precisos son innecesarios. Normalmente los pronósticos a largo plazo se hacen para una
sola vez. Es común que se usen métodos causales y cuantitativos para obtenerlos.
Las decisiones a mediano plazo normalmente requieren pronósticos para uno o dos
artículos. Con frecuencia se usan métodos cuantitativos, incluyendo los causales y las series
de tiempo, para los pronósticos a mediano plazo.
La decisión a corto plazo indica cuántos productos se deben fabricar. En este caso se
necesita el número real de unidades de producto. Debido a que las decisiones de corto plazo
27
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
están basadas en estos pronósticos, necesitan ser razonablemente exactos. Los métodos de
series de tiempo son los que se usan con más frecuencia para los pronósticos a corto plazo,
pero en algunas situaciones, también son útiles los métodos causales y los cuantitativos.
3.- Datos.- Examinar los datos, cuando se tienen pueden proporcionar una gran visión. 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 pronósticos que no
los requiera. Si no se dispone de datos o recolectarlos es demasiado costoso, se elige un
enfoque cualitativo.
El método elegido deberá producir un pronóstico que sea preciso y comprensible para los
administradores, de modo que pueda ayudar a producir mejores decisiones. Además, la
utilización del proceso de pronóstico debe producir un beneficio que exceda al costo
asociado con su uso.20
5.- Desarrollo de un modelo.- Una vez identificados los procesos, éstos determinan la
forma del modelo. Los pronósticos cualitativos no usan modelos sencillos de establecer. Los
modelos causales dependen de la situación particular pero en general tienen la forma.
Y = f (Xt-k) + e
Donde:
El lapso del periodo k permite conocer el valor de la variable independiente antes de hacer el
pronóstico de la variable dependiente; si no hay este lapso, deberá pronosticarse la variable
independiente antes de obtener un pronóstico para la variable dependiente.
La relación funcional entre Y y X se representa por f y puede ser lineal, cuadrática o alguna
otra relación matemática. Puede haber más de un factor causal.
20
http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm consultada el 04/09/08
28
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
6.- Solución Del Modelo.- El primer paso para resolver el modelo es elegir un método. Si se
tiene un modelo causal, el método será regresión. Para modelos de series de tiempo, existen
varios métodos disponibles.
Los diferentes tipos de error serán de ayuda para identificar la bondad del método de
predicción seleccionado, por lo que se han introducido las medidas y técnicas que se podrán
utilizar para determinar las capacidades y limitaciones de los métodos cuantitativos de
predicción.
Aún está presente la pregunta sobre qué método de predicción debo aplicar a los datos. De
este tema se encargan los siguientes capítulos, empezando por los más sencillos los
métodos de suavizamiento y el método de descomposición que se presentan a continuación.
21
http://home.ubalt.edu/ntsbarsh/stat-data/Forecasts.htm#rintroductionf consultada el 27/10/2008
29
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
CAPITULO IV MODELOS DE
PREDICCIÓN CUANTITATIVOS:
MÉTODOS DE SUAVIZAMIENTO Y
DESCOMPOSICIÓN
En el capítulo anterior se explicó ampliamente la clasificación general de los métodos de
predicción y los errores para su evaluación, esta sección abarcará el primer tipo de modelo
de predicción cuantitativo, y quizás el más común, el modelo de series de tiempo, que son
modelos matemáticos basados únicamente en datos históricos, 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 algún patrón o combinación de patrones es recurrente a
través del tiempo. De esta manera, al identificar y extrapolar dicho patrón, se pueden
desarrollar pronósticos para periodos subsecuentes.
Como el objetivo es determinar el mejor modelo que ajuste a los datos y brinden unos
pronósticos confiables de la variable demanda, para la aplicación de cada modelo se realiza
el cálculo y la comparación de la suma de cuadrados de los residuos obtenidos para cada
caso.
4.2Métodos de
suavizamiento.
4.1 Análisis
•Métodos de 4.3 Métodos de
Exploratorio de promedio Descomposición.
la Serie •Métodos de
suavizamiento
30
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
Para iniciar con el estudio de la serie es necesario antes definir un software con el que se
pueda analizar los datos de demanda de pasajeros, para ello se han analizado varios
paquetes que actualmente muestran sus bondades en cuanto a predicciones se refiere. El
mercado presenta varias alternativas que fueron manejadas previamente, sin embargo el
análisis de este trabajo se realiza como base en el paquete SPSS versión 15 apoyado con
algunos cálculos de Excel y en algunos casos con el Minitab versión15.
Statistical Package for the Social Sciences (SPSS) es un programa estadístico informático
muy usado en las ciencias sociales y las empresas de investigación de mercado. Como
programa estadístico es muy popular su uso debido a la capacidad de trabajar con bases de
datos de gran tamaño.22 Aunque los procesos que rodean al análisis predictivo son
complicados, implantar una solución SPSS para el análisis predictivo no lo es.
En este sentido, los análisis que se presentan a continuación mostrarán los comandos
aplicados, las ventanas de instrucciones así como las salidas que la aplicación de cada
software devuelve para el análisis.
Los modelos de suavización exponencial capturan y pronostican el nivel de los datos con los
diferentes tipos de tendencias y patrones estacionales. Los modelos son adaptativos y
22
http://es.wikipedia.org/wiki/SPSS, consultada el 18 de marzo de 2009
31
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
pronostican dando mayor importancia o ponderación a los datos más recientes sobre los
datos más distantes en el pasado. 23
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.
32
Métodos de Pronósticos Verónica M./ P. Reyes agosto 2009
33
4.2.1 MODELOS NO FORMALES:
t Yt Yt+1 et Estas técnicas suponen que los periodos recientes son los mejores
para pronosticar el futuro. El método más sencillo es el método del
1 42 último valor, a este pronóstico se le llama método ingenuo.
2 52 42 10
Pronóstico = último valor
3 54 52 2
4 65 54 11 4.2.2 MÉTODOS DE PROMEDIO
Si la serie contiene una aleatoriedad sustancial, un enfoque ingenuo producirá
predicciones que variarán considerablemente. Para eliminar dicha variabilidad, se podría
considerar el uso de algún tipo de promedio de los datos recientes observados. El método
de promedios móviles hace eso al tomar un conjunto de datos observados, encontrar su
promedio y luego utiliza tal promedio como un pronóstico del siguiente período. El término
promedio móvil se usa porque conforme cada nueva observación se encuentra disponible,
se puede calcular un nuevo promedio y utilizarlo como pronóstico. La aplicación de este
método se presenta a continuación.
ENERO 1 6,341,394
(6,341,394+5,693,328+6,508,453)/3
FEBRERO 2 5,693,328
MARZO 3 6,508,453
La tabla 4, muestra cómo la técnica de los promedios móviles se puede aplicar con un
promedio de tres y de cinco meses. La aplicación de este método de predicción se
muestra en la ilustración 27.
En esta figura se observan fácilmente dos de las características de los promedios móviles,
la primera es que antes de que cualquier pronóstico puede prepararse, se deben tener
tantas observaciones históricas como se necesiten y la segunda se refiere a que entre
más grande sea el número de observaciones incluidas en el promedio móvil, mayor será
el efecto de Suavizamiento en el pronóstico.
6,600,000
6,400,000
6,200,000
6,000,000
5,800,000
5,600,000
FEBRERO
ABRIL
MARZO
MAYO
JUNIO
AGOSTO
NOVIEMBRE
OCTUBRE
JULIO
DICIEMBRE
SEPTIEMBRE
ENERO
Datos reales
35
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
Para entender mejor la técnica de los promedios móviles, se hace necesario considerar
brevemente la representación matemática de este método. En términos sencillos, la
técnica de predicción con promedios móviles se puede representar como sigue:
𝑋𝑡 +𝑋𝑡−1 +⋯……+𝑋𝑡−𝑁+1 1
𝐹𝑡+1 = 𝑆𝑡 = = ∑𝑡𝑖=𝑡−𝑁+1 𝑋𝑖 (a)
𝑁 𝑁
En donde
𝐹𝑡+1 = Pronóstico para el tiempo t+1
𝑆𝑡 = valor suavizado en el tiempo t
𝑋𝑖 = valor actual en el tiempo i
I = periodo de tiempo
N = número de valores incluidos en el promedio.
Tabla 4 Cálculo del los errores obtenidos mediante el método de promedios móviles
36
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
De la ecuación (a) se puede ver que en el método de los promedios móviles se da una
ponderación (o importancia) igual a cada uno de los último N valores de la serie, pero no
se asigna ponderación alguna a los valores observados antes de ese tiempo.
También se puede observar que para calcular el promedio móvil, se deben tener los
valores de las últimas N observaciones. Se puede desarrollar una forma más corta de la
ecuación (a) para calcular el promedio móvil. El pronóstico de promedio móvil para el
periodo t está dado por
Esto significa que una vez que se tiene el pronóstico para el período t (es decir, F), se
puede obtener el pronóstico del periodo t+1 al sumar 𝑋𝑡 /𝑁 y restar 𝑋𝑡−𝑁 /𝑁.
𝑋𝑡 𝑋𝑡−𝑁
𝐹𝑡+1 = − + 𝐹𝑡 (c)
𝑁 𝑁
Escrita de esta forma, cada nuevo pronóstico basado en un promedio móvil es un ajuste
del pronóstico de promedio móvil precedente. Es, asimismo, fácil ver por qué el efecto del
Suavizamiento aumenta a medida que N se hace más grande: se está haciendo un ajuste
más pequeño entre cada pronóstico.
37
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
1 1
𝐹𝑡+1 = 𝑋 + (1 − ) 𝐹𝑡 (e)
𝑁 𝑡 𝑁
Lo que ahora se tiene es un pronóstico que pondera las observaciones más recientes con
una ponderación con valor de 1/N y al pronóstico más reciente con una ponderación con
valor de (1-1/N). Si sustituimos 1/N por el símbolo alfa se tiene
Esta ecuación es la forma general usada para calcular un pronóstico con el método del
Suavizamiento exponencial.
Una manera alternativa de escribir la ecuación (f) puede facilitar la comprensión del
Suavizamiento exponencial. Al reordenar los términos de la ecuación (f) se puede
obtener.
38
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
Ilustración 14 Cálculo del modelo de predicción con el método simple con SPSS
Un valor pequeño de α tiende a producir pronósticos que están más suavizados (o sea,
tienen menos fluctuación) que valores más grandes de α. Sin, embargo, para encontrar el
valor de α que genere los mejores pronósticos para los datos del pasado, se requiere
calcular el error cuadrado medio o la desviación absoluta media.
En nuestro análisis SPSS muestra los 10 valores del alfa calculados indicando la suma de
los errores cuadráticos, sobre el que podemos concluir que para 𝛼 = 0,00, el error es
menor, como muestra la tabla 6.
Tabla 5 Suma de los errores cuadráticos de la aplicación del Método simple
39
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
5 .40000 5914763276965.56000
6 .50000 6122248837379.30000
7 .60000 6292367209369.67000
8 .70000 6444663320070.61000
9 .80000 6600432002495.73000
10 .90000 6777085518538.42000
Vemos que el término del error se anula, esto nos indica que siempre el valor del
pronóstico se convertirá en una constante lo que se ratifica en la Ilustración 29. La línea
proyectada verde inmediata al período de validación es el pronóstico realizado con este
método.
Tanto la técnica de Suavizamiento simple como los promedios móviles o el Suavizamiento
exponencial pueden utilizarse efectiva y económicamente cuando el patrón histórico de
los datos se puede considerar como horizontal. Sin embargo estas técnicas pueden no
ser efectivas al manejar tendencias o patrones estacionales, como es el caso de la
demanda bajo estudio, necesitándose desarrollar otras formas de Suavizamiento para
trabajar en tales situaciones, con el propósito de reducir considerablemente el error.
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
40
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
Ilustración 15 Cálculo del modelo de predicción con el Método de suavizamiento de Holt con SPSS
S1= X1
24
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030006/lecciones/capitulocinco/5_2_4.html
consultada el 20 de febrero de 2009.
41
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
T1 = X2 - X1
Las proyecciones o pronósticos se obtienen con las siguientes ecuaciones:
𝐹𝑡+𝑚 = 𝑆𝑡 + 𝑇𝑡 𝑚 (l)
Donde:
Con la ecuación (j) podemos ver que la tendencia más reciente, (𝑆𝑡 − 𝑆𝑡−1 ) está
ponderada por β y la última tendencia suavizada, 𝑇𝑡−1 , está ponderada por (1-β). La suma
de estos valores ponderados es el nuevo valor de la tendencia suavizada. Para nuestro
caso β es Gamma como lo nombra SPSS y vemos que el mejor valor encontrado es “0” lo
que implica que sólo la última tendencia será la que utilicemos.
SPSS realiza los cálculos utilizando estas ecuaciones, la tabla 7 muestra la corrida de
este método en el que se obtuvo los siguientes resultados:
Pasajeros_1
Nivel 67657.91096
Tendencia 44.17808
Gamma
Serie Rango del modelo Alpha (Nivel) (Tendencia) Sumas de los errores cuadráticos
Pasajeros_1 1 .10000 .00000 3746909207855.35100
2 .20000 .00000 3956162450628.50300
3 .10000 .20000 4011466788585.11100
4 .30000 .00000 4167556892296.53200
42
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
Gamma
Serie Alpha (Nivel) (Tendencia) Sumas de los errores cuadráticos gl error
Pasajeros_1 .10000 .00000 3746909207855.35100 1459
A continuación, se muestran los parámetros con las sumas menores de errores cuadráticos. Estos parámetros
se utilizan para pronosticar.
La primera tabla resume los datos del modelo ejecutado en donde explica que la
tendencia aplicada es la lineal y que no hay presencia de estacionalidad.
La tabla de sumas menores de los errores cuadráticos son resultado de las 10 iteraciones
que realiza el paquete en búsqueda de la menor suma de cuadrados de los errores.
Vemos de la tabla de parámetros del suavizado que aún el error sigue siendo alto para los
parámetros óptimos encontrados por el SPSS, en donde debemos tomar en cuenta que el
paquete renombra como parámetro de nivel a alpha y en el caso de la tendencia que
utilizamos para el desarrollo teórico beta a gamma.
Con respecto a la ecuación (k) la única diferencia entre ésta y la forma anterior con
respecto al suavizamiento exponencial único ecuación (f), es el término adicional 𝑇𝑡−1 que
se suma a 𝑆𝑡−1 para ajustar los valores suavizados del patrón tendencial en la serie de
datos.
43
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
En donde:
44
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
Ilustración 16 Cálculo del modelo de predicción con el Método de suavizamiento de Winter con SPSS
La ilustración 34 muestra como SPSS realiza los cálculos para obtener un modelo de
predicción mediante el método de Winter.
Para iniciar el proceso de suavizamiento del nivel se puede asumir que: S1 = Y o también
se puede emplear un promedio móvil centrado de igual longitud al período estacional.
Para el valor inicial de la tendencia se pueden utilizar los 2L primeros datos para hacer
una regresión lineal; la pendiente ( ) es el valor inicial de la tendencia en el período
45
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
Se deben calcular L valores iniciales para el factor estacional, es decir uno para cada uno
de los períodos que conforman el ciclo estacional; cada uno de estos factores se obtiene
dividiendo el valor observado de la variable en cada período por el valor de la tendencia
para el correspondiente período. 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 pronósticos. A pesar de que este cálculo es un poco extenso SPSS lo
realiza de manera rápida y precisa así la tabla 8 muestra los resultados obtenidos.
Tabla 7 Descripción de resultados del Modelo de suavizamiento de Winter en SPSS
Pasajeros_1
Índices 1 112.35042
estacionales 2 114.06417
3 77.49747
4 58.61673
5 113.39978
6 111.67424
7 112.39719
Nivel 139940.15424
Tendencia 38.11920
46
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
Gamma Delta
Serie Alpha (Nivel) (Tendencia) (Estación) Sumas de los errores cuadráticos gl error
Pasajeros_1 .20000 .00000 .00000 895306251962.63400 1453
A continuación, se muestran los parámetros con las sumas menores de errores cuadráticos. Estos parámetros
se utilizan para pronosticar.
La tabla 8 muestra los resultados del Método de Winters con SPSS, en donde se destaca
un resumen del modelo indicando la existencia de tendencia y también de estacionalidad
7. La tabla estado de suavizado inicial muestra los índices de estacionalidad para los 7
días, en donde 1 es para jueves pues recordamos que la serie inicia el 01/01/04 que es
jueves. El índice estacional más bajo es el 4 que corresponde al día 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 índice de estacionalidad.
La tabla anterior muestra, sumas menores de los errores cuadráticos, muestra los 10
mejores modelos obtenidos por iteración del SPSS en el que ubicamos el que menor
suma cuadrada de los errores genere. Este resultado plasma la última tabla, parámetros
del suavizado.
Esto nos obliga a seguir en la búsqueda de un modelo que mejore las predicciones, por lo
que a continuación estudiaremos un modelo que toma en cuenta por separados los
patrones que se encuentran en la serie de pasajeros y nos brinda una estimación del
futuro, se deberá por tanto de igual manera encontrar mediante la suma de los errores
cuadráticos si el modelo que obtengamos va mejorando.
La suma de los errores cuadráticos aún es alto sin embargo mejoró considerablemente
con esta técnica de predicción el modelo y disminuyó el error. La ilustración 36 muestra
con claridad este hecho, el método de Winter hasta ahora da mejores resultados.
47
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
34% Promedio
Exponencial único
23%
Holt
Winter
21%
Ilustración 17 Suma de los errores cuadráticos obtenidos con los modelos de suavizamiento exponencial.
Los métodos de descomposición identifican tres componentes distintos del patrón básico
subyacente que caracterizan a las series económicas y empresariales. Éstos son los
factores tendenciales, cíclico 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 línea recta, pero en ciertas
situaciones puede existir una curva exponencial o en forma de S, u otro patrón de largo
plazo. El factor cíclico representa las altas y bajas causadas por las condiciones
económicas o específicas de la industria. El factor estacional se refiere a fluctuaciones
periódicas de longitud constante y profundidad proporcional, que son provocadas por
circunstancias tales como la lluvia, el mes del año, el espaciamiento de feriados y políticas
corporativas.
Los datos atípicos deben ser tratados en la fase exploratoria, debido a que estos análisis
estudian patrones pasados basándose en promedios y un dato perdido puede afectar a la
proyección al futuro.
48
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
El método del promedio simple se aplica cuando existe un patrón horizontal, el método de
Holt cuando está presente el patrón tendencial y el método de Winters cuando tanto la
tendencia como la estacionalidad están presentes.
El análisis de la bondad del modelo que utiliza SPSS está basado en el estudio de la
suma de los errores cuadráticos, que es una parte del MSD o error medio cuadrado
(EMC), estudiado en el capítulo III, sin embargo, SPSS no utiliza la división para el
número de datos.
∑𝑛𝑖=1 𝑒𝑖2
𝐸𝑀𝐶 =
𝑛
Ilustración 18 Comparación de suma de los errores cuadráticos de los métodos de suavización y descomposición.
Estos métodos fueron el inicio del análisis de las series de tiempo, sin embargo, las
técnicas han ido mejorando, creándose así metodologías más avanzadas, el capítulo
siguiente se encarga de este estudio, donde se expondrá la metodología llamada de Box
Jenkins mediante los modelos ARIMA estacionales.
49
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
50
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
51
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
52