Documentos de Académico
Documentos de Profesional
Documentos de Cultura
com
Pronósticos de Demanda
e Inventarios
Prospectiva &
Métodos Futurísticos
CD con ejemplos y desarrollos en computador
ISBN 978-958-44-0233-2
Radicación 2956 de la Cámara Colombiana del Libro
2020
PRONOSTICAR………………… ES www.rae.es.................
predecir algo futuro a partir de indicios.
A. Mora G.
Contenido
Contenido
Contenido ............................................................................................................................................................ 3
Ilustraciones ........................................................................................................................................................ 6
Ecuaciones .......................................................................................................................................................... 8
Ejercicios ............................................................................................................................................................. 8
0. Prólogo .............................................................................................................................................................. 9
0.1. Prefacio ........................................................................................................................................................ 11
0.1.1. Estructura, novedades y concepción del libro: ............................................................................................................... 11
0.1.1.1. Uno – Introducción ...................................................................................................................................................... 11
0.1.1.2. Dos - Métodos futurísticos ...........................................................................................................................................11
0.1.1.3. Tres - Pronósticos......................................................................................................................................................... 12
0.1.1.4. Cuatro – Inventarios ..................................................................................................................................................... 12
1. Introducción .................................................................................................................................................... 13
1.1. Antecedentes ................................................................................................................................................ 14
1.1.1. Principales rasgos de los mitos griegos ......................................................................................................................... 15
1.1.2. Características básicas de los mitos ............................................................................................................................... 16
1.2. Terminología sobre previsión y análogas .................................................................................................. 17
1.3. Decisiones y planeación estratégica a partir del estado futuro con métodos de previsión ..................... 17
1.3.1. Áreas organizacionales donde más se aplican las proyecciones y los métodos futurísticos ..........................................18
1.3.2. Gestión por procesos y decisiones basadas en el estado futuro ..................................................................................... 18
1.3.2.1. Planeación estratégica clásica y tecnológica ................................................................................................................ 21
1.3.2.2. Decisiones con base en el estado futuro ....................................................................................................................... 23
1.4. Tiempo ......................................................................................................................................................... 24
1.4.1. Nivel estratégico ............................................................................................................................................................. 26
1.5. Validez de las predicciones ......................................................................................................................... 27
1.5.1. Criterios de éxito ............................................................................................................................................................. 27 3
1.5.1.1. Pertinencia ....................................................................................................................................................................27
1.5.1.2. Coherencia intelectual .................................................................................................................................................. 27
1.5.1.3. Importancia ..................................................................................................................................................................27
1.5.1.4. Verosimilitud ............................................................................................................................................................... 27
1.5.1.5. Transparencia ............................................................................................................................................................... 27
1.5.1.6. Contenido científico ..................................................................................................................................................... 28
1.5.1.7. Continuidad ..................................................................................................................................................................28
1.5.1.8. Repetibilidad ................................................................................................................................................................ 28
1.5.1.9. Consenso ......................................................................................................................................................................28
1.5.1.10. Representatividad ....................................................................................................................................................... 28
1.5.1. Escalas de validez y verosimilitud de los métodos futurísticos ...................................................................................... 28
1.5.1.1. Subjetivo ......................................................................................................................................................................28
1.5.1.2. Cultural.........................................................................................................................................................................29
1.5.1.3. Universales o científicos de validez internacional .......................................................................................................29
1.6. Actualidad de aplicación ............................................................................................................................. 29
2. Métodos Futurísticos ....................................................................................................................................... 31
2.1. Aproximaciones de clasificación de los métodos futurísticos ................................................................... 33
2.2. Clasificación de los estudios del futuro ...................................................................................................... 35
2.2.1. Basadas en la predicción ................................................................................................................................................ 36
2.2.1.1. Sobrenatural .................................................................................................................................................................36
2.2.1.2. Hermenéutica ............................................................................................................................................................... 36
2.2.1.3. Técnica .........................................................................................................................................................................36
2.2.1.4. Emancipadora............................................................................................................................................................... 36
2.2.2. Enfoques prospectivos..................................................................................................................................................... 37
2.2.2.1. Determinista .................................................................................................................................................................37
2.2.2.2. Estructuralista o sistemático.........................................................................................................................................37
2.2.2.3. Descriptivo ...................................................................................................................................................................37
2.2.2.4. Prescriptivo ..................................................................................................................................................................37
A. Mora G.
Contenido
Ilustraciones
Ilustración 1 - Dios Apolo, que aprende el don de la profecía. Oráculo de Delfos. .......................................................................................... 14
Ilustración 2 - Figura alusiva a la mitología griega ....................................................................................................................................... 15
Ilustración 3 - Casandra, con dotes adivinatorios es violada por Ajax. ......................................................................................................... 15
Ilustración 4 - Tipos de actividad..................................................................................................................................................................... 19
Ilustración 5 - Estructura empresarial ........................................................................................................................................................... 20
Ilustración 6 - Metodología de mejora para macro-procesos, procesos y actividades ................................................................................. 20
Ilustración 7 - Opciones de mejora y sus relaciones con la tecnología y el cambio ........................................................................................ 21
Ilustración 8 - Elaboración moderna de estrategias decisionales y futurísticas ............................................................................................ 21
Ilustración 9 - Elaboración de las estrategias corporativa y tecnológica ..................................................................................................... 22
Ilustración 10 - Pasos de la planeación estratégica tecnológica ...................................................................................................................... 22
Ilustración 11 - Alcance del futuro mediante procesos de cambio en el tiempo y el espacio ............................................................................ 23
Ilustración 12 - Elementos y pasos en la planeación estratégica tecnológica a partir del estado futuro ....................................................... 24
Ilustración 13 - Elementos estructurales de una herramienta sistémica kantiana futurista ...........................................................................25
Ilustración 14 - Estructura previsiva Sistémica Kantiana futurista ................................................................................................................ 26
Ilustración 15 - Aspectos básicos que debe cumplir un método futurístico o su conjunto integral.................................................................. 29
Ilustración 16 - Escalas de categorías de validez de los métodos futurísticos ................................................................................................. 29
Ilustración 17 - Estructura de estudio futurístico de largo plazo (Proyectiva Transición Prospectiva) de un caso real ................................ 32
Ilustración 18 - Plan integral de futurología .................................................................................................................................................... 33
Ilustración 19 - Esquema de conjunto y sub-conjuntos de métodos futurísticos.............................................................................................. 39
Ilustración 20 - Método de análisis del espectro de frecuencias temporales ................................................................................................... 48
Ilustración 21 - Clasificación y caracterización de los métodos futurísticos ................................................................................................... 65
Ilustración 22 - Fundamentos de los métodos proyectivos, de transición o prospectivos ............................................................................... 66
Ilustración 23 - Ejemplo de un diseño factible con múltiples métodos futurísticos con sus tiempos de duración estimados ..........................67
Ilustración 24 - Comprobación de la gravedad desde la Torre de Pisa, por Galileo Galilei ............................................................................ 72
Ilustración 25 - Analogías entre método científico y metodología universal de pronósticos de demanda ......................................................74
Ilustración 26 - Teoría de cola caída .................................................................................................................................................................78
Ilustración 27 - Teoría de cola parada ..............................................................................................................................................................79
Ilustración 28 - Estimación de medias y desviaciones, en serie con nivel a la baja .........................................................................................79
Ilustración 29 - Datos para la estimación de medias y desviaciones, en serie nivel a la baja ........................................................................ 80
Ilustración 30 - Recomendación de cantidad de datos a pronosticar del software Forecast Expert, 10% de historia .................................... 81
Ilustración 31 - Cantidad de pronósticos prudentes a realizar en función de la unidad de tiempo ................................................................ 82
Ilustración 32 - Errores promedio en múltiples series probadas en períodos largos de tiempo descifrados por Fildes y otros .................... 83
6 Ilustración 33 - Aportes de Fildes y otros (1984) y del autor sobre manejo probabilístico de pronósticos .................................................... 84
Ilustración 34 - Situación con tres niveles - se descarta y se esperan más datos - .......................................................................................... 85
Ilustración 35 - Bondades de ajuste en varias series evaluadas en períodos de tiempo largos, en empresa de electrodomésticos ............... 86
Ilustración 36 - Series con cambios de nivel ..................................................................................................................................................... 88
Ilustración 37 - Series sin cambios de nivel ...................................................................................................................................................... 89
Ilustración 38 - Software de pronósticos Logware que revisa Nivel ............................................................................................................... 89
Ilustración 39 - Series sin estructura horizontal (sin aleatoriedad) ................................................................................................................ 90
Ilustración 40 - Serie rectilínea suavizada con Excel, coinciden los valores originales con la media móvil de suavización .......................... 91
Ilustración 41 - Serie rectilínea suavizada con software Statgraphics , donde coinciden los valores originales con la media móvil ............ 91
Ilustración 42 - Pasos para suavizar con Statgraphics bajo MSDOS .............................................................................................................. 92
Ilustración 43 - Serie con ruido suavizada con Excel, no coinciden los valores originales con la media móvil de suavización. ................... 94
Ilustración 44 - Serie con ruido suavizada con Statgraphics Windows, no coinciden los valores originales con media móvil ..................... 94
Ilustración 45 - Serie con ruido suavizada con WinQSB Moving Average de 6, no coinciden los valores originales con la media móvil .... 95
Ilustración 46 - Series con estructura tendencial creciente y decreciente ....................................................................................................... 96
Ilustración 47 - Serie para analizar su tendencia con Excel .............................................................................................................................97
Ilustración 48 - Serie evaluada en tendencia con Statgraphics Windows ....................................................................................................... 99
Ilustración 49 - Evaluación de tendencia con auto correlación - ACF ........................................................................................................... 100
Ilustración 50 - Serie Normal .......................................................................................................................................................................... 102
Ilustración 51 - Serie Normal con análisis estacional en Excel ....................................................................................................................... 102
Ilustración 52 - Forma de visualizar estacionalidad con Excel....................................................................................................................... 103
Ilustración 53 - Serie normal sin estacionalidad ............................................................................................................................................. 103
Ilustración 54 - Serie revisada con Excel para detectar su estacionalidad ....................................................................................................104
Ilustración 55 - Pasos para detectar estacionalidad con Statgraphics de Windows ...................................................................................... 104
Ilustración 56 - Serie con estructura estacional detectada con Statgraphics ................................................................................................. 107
Ilustración 57 - Serie que no posee estructura estacional, detectada con Statgraphics ................................................................................ 107
Ilustración 58 - Pasos en Statg MSDOS para estacionalidad .........................................................................................................................108
Ilustración 59 - Serie normal sin estructura cíclica revisada con Excel .........................................................................................................109
Ilustración 60 - Serie con estructura cíclica revisada con Excel ..................................................................................................................... 110
Ilustración 61 - Pasos complementarios para detectar estructuras cíclicas con Statgraphics bajo Windows en una serie .......................... 111
Ilustración 62 - Serie con estructura cíclica revisada con Statgraphics ......................................................................................................... 112
Ilustración 63 - Otra opción de análisis estructural cíclico con Statgraphics ................................................................................................ 113
Ilustración 64 - Análisis estructural cíclico a serie sin estructura cíclica ....................................................................................................... 114
Ilustración 65 - Instrucción para encontrar datos irregulares, con Statgraphics ......................................................................................... 114
Ilustración 66 - Tipos, criterios y usos de los diferentes Modelos de Pronósticos .......................................................................................... 121
Ilustración 67 - Fenómeno exógeno en un modelo clásico ............................................................................................................................... 125
Ilustración 68 - Ajuste de una línea recta en los ejes t o Y ............................................................................................................................... 126
Ilustración 69 - Ajustes por tendencia lineal con Excel de Office .................................................................................................................... 130
Ilustración 70 - Ajuste por tendencia lineal con FC de WinQSB ..................................................................................................................... 133
A. Mora G.
Contenido
Ilustración 71 - Ajustes tendenciales (lineales y no) por Statgraphics Windows ........................................................................................... 134
Ilustración 72 - Otros métodos no lineales con Statgraphics bajo Windows ................................................................................................. 138
Ilustración 73 - Ajustes lineales o no con Statgraphics bajo MS-DOS ............................................................................................................ 140
Ilustración 74 - Ajustes lineales o no con software Vanguard Decisión Pro .................................................................................................. 142
Ilustración 75 - Medias Móviles o Suavización Pura con Excel ...................................................................................................................... 143
Ilustración 76 - Medias Móviles o Suavización Pura con WinQSB ................................................................................................................. 144
Ilustración 77 - Modelo de suavización exponencial con WinQSB ................................................................................................................. 146
Ilustración 78 - Modelo de alisamiento exponencial con Statgraphics Windows ........................................................................................... 147
Ilustración 79 - Suavización exponencial con Excel ......................................................................................................................................... 147
Ilustración 80 - Alisado exponencial con Statgraphic MSDOS ...................................................................................................................... 148
Ilustración 81 - Ajuste por Alfa en Alisamiento exponencial .......................................................................................................................... 148
Ilustración 82 - Holt con Statgraphics MSDOS .............................................................................................................................................. 149
Ilustración 83 - Holt con WinQSB .................................................................................................................................................................... 151
Ilustración 84 - Holt - Winter con Statgraphics MSDOS.................................................................................................................................154
Ilustración 85 - Holt – Winter Aditivo y Multiplicativo con WinQSB ............................................................................................................. 155
Ilustración 86 - Holt’s Winter aditivo y multiplicativo con Statgraphics Windows ....................................................................................... 155
Ilustración 87 - Holt - Winter aditivo y multiplicativo con Vanguard Decision Pro ......................................................................................156
Ilustración 88 - Opciones de factores de modelación en Holt – Winter .......................................................................................................... 157
Ilustración 89 - Fenómeno exógeno en un modelo moderno .......................................................................................................................... 158
Ilustración 90 - Metodología AR.I.MA. Box – Jenkins ................................................................................................................................... 160
Ilustración 91 - Tratamiento de una serie con tendencia mediante la diferenciación (0,d,0) (0,D,0) .......................................................... 162
Ilustración 92 - Resultados de coeficientes de auto correlación en una serie sin tendencia .......................................................................... 168
Ilustración 93 - Caso con fuerte tendencia y coeficientes de autocorrelación decrecientes ........................................................................... 170
Ilustración 94 - Utilización de la función Logaritmo del Statgraphics Windows .......................................................................................... 175
Ilustración 95 - Tratamiento de diferenciación d y D, con Statgraphics bajo Windows ................................................................................ 176
Ilustración 96 - Utilización de d y D en ARIMA (0,d,0) (0,D,0) con Statgraphics MSDOS. ........................................................................... 177
Ilustración 97 - Función de auto correlación ................................................................................................................................................... 179
Ilustración 98 - Coeficiente de auto correlación .............................................................................................................................................. 179
Ilustración 99 - Ejemplo de auto correlación parcial con intervalos de confianza ........................................................................................ 180
Ilustración 100 - Diferentes correlagramas para identificar a p, q, P o Q ...................................................................................................... 182
Ilustración 101 - Acotaciones sobre invertibilidad, estacionariedad y correlogramas de auto correlación .................................................... 191
Ilustración 102 - Algunas ecuaciones típicas de AR.I.MA. sin constante ......................................................................................................... 218
Ilustración 103 - Utilización de Statgraphics Windows para el desarrollo de AR.I.MA. ................................................................................ 225
Ilustración 104 - Instrucciones de Statgraphics MSDOS para el desarrollo de AR.I.MA. ............................................................................... 227
Ilustración 105 - AR.I.MA. con Forecast Expert ............................................................................................................................................... 229
Ilustración 106 - Procesos generales de los modelos AR.I.MA., con metodología Box - Jenkins .................................................................... 230
Ilustración 107 - MUP - Metodología Universal de Pronósticos versus Método Científico ............................................................................. 231 7
Ilustración 108 - Costos de inventarios ............................................................................................................................................................. 257
Ilustración 109 - Sistema integral logístico de manejo de inventarios ............................................................................................................ 261
Ilustración 110 - Datos reales - Inventarios - Clasificación A B C .................................................................................................................... 264
Ilustración 111 - Clasificación ABC Inventarios ................................................................................................................................................ 265
Ilustración 112 - Retiro de referencias e Inventario a mantener - ABC ........................................................................................................... 267
Ilustración 113 - Tabla de distribución normal para probabilidades y Z ........................................................................................................ 269
Ilustración 114 - Cantidades óptimas a pedir en Push ..................................................................................................................................... 270
Ilustración 115 - Cantidades y frecuencias en Push con aprovisionamiento inmediato y demanda continua ................................................ 274
Ilustración 116 - Parámetros relevantes en reposición Pull ............................................................................................................................. 280
Ilustración 117 - Sistema Q con lead time cero .................................................................................................................................................. 281
Ilustración 118 - Sistema Q con lead time positivo ........................................................................................................................................... 281
Ilustración 119 - Sistema T o P en Pull............................................................................................................................................................. 282
Ilustración 120 - Sistema R-M (Mínimo - Máximo) en Pull.............................................................................................................................. 282
Ilustración 121 - Sistema T-R-M en Pull............................................................................................................................................................ 284
Ilustración 122 - Combinaciones posibles Q de demanda y Q de reposición.................................................................................................... 284
A. Mora G.
Contenido
Ecuaciones
Ejercicios
Ejercicio 1 - Prospectiva a criterios de compra en los próximos 7 años a nivel nacional ............................................................................... 50
Ejercicio 2 - Efecto temporal y cuantitativo de los datos en una serie estacional o cíclica .............................................................................76
Ejercicio 3 - Verificación de datos irregulares................................................................................................................................................ 114
Ejercicio 4 - Patrón .......................................................................................................................................................................................... 116
Ejercicio 5 - Características previas de la serie temporal analizada ............................................................................................................. 120
Ejercicio 6 - Aplicación AR.I.MA. .................................................................................................................................................................... 193
Ejercicio 7 - Ejemplo integral real.................................................................................................................................................................. 232
Ejercicio 8 - Estimación del nivel de servicio al cliente ................................................................................................................................. 258
Ejercicio 9 - Ejemplo de asignación de excesos para artículos Push ............................................................................................................. 269
Ejercicio 10 - Cantidad óptima para pedidos Pull únicos ................................................................................................................................273
Ejercicio 11 - Tiempo de espera (lead time) con ajuste cuando producción es mayor a demanda .................................................................. 275
Ejercicio 12 - Ejemplo de NPE con producción inferior a demanda ................................................................................................................ 275
Ejercicio 13 - Tratamiento de pedidos con demanda desconocida ...................................................................................................................276
Ejercicio 14 - Tratamiento de pedidos con demanda y tiempo de espera, desconocidos ................................................................................ 278
Ejercicio 15 - Cálculo de M, nivel máximo de inventarios en Pull ................................................................................................................... 283
A. Mora G.
0 - Prólogo
0. Prólogo
¿Qué pasará mañana? es una pregunta que viene preocupando a la humanidad, desde que la duda era si
¿mañana habría caza o no?, o quizás antes todavía, cuando la duda estaba en si ¿mañana seríamos
cazados o no?. Hay antropólogos que consideran que esta pregunta, es una de las bases del pensamiento
humano, en busca de cuya respuesta el hombre ha construido modelos (religiosos primero, racionales
después) que le ubicaban en un mundo más comprensible y especialmente, más predecible.
Dice una conocida canción “….qué será, será…” y, tras un notable esfuerzo intelectual, se contesta a sí
misma a continuación “…lo que sea, sonará…”. Si este libro plantea la pregunta de la primera estrofa,
desde luego no se conforma con la respuesta de la segunda.
Esta obra busca pertrechar al lector con herramientas para husmear en ese futuro que nos preocupa. Lo
hace desde el enfoque concreto de los modelos de series de tiempo, con todas las restricciones mentales
que debe tener el analista al abordar el futuro con este enfoque y que el libro discute detalladamente. La
revisión de los diferentes métodos, desde los clásicos hasta las metodologías más actuales, permite al
lector, obtener un amplio panorama de las herramientas de que dispone para analizar series de datos
recogidas en el tiempo, entender su estructura, modelarlas de la manera más adecuada y emplear estos
modelos para obtener unas previsiones confiables sobre su comportamiento.
La abundancia de ejemplos, el uso de series reales como las que un analista deberá tratar, el detalle de
los análisis realizados asegura que el lector obtenga una visión completa del problema de la previsión
con series de tiempo. Quedará así en disposición de trabajar en este campo, aportar su conocimiento a
las empresas e instituciones en que desarrolle su labor y contribuir al mejor desempeño de estas y de la
sociedad. Haciendo buen uso de las técnicas aquí recogidas, el analista puede prever (es decir ver con
anticipación) y predecir (o sea, decir con antelación) lo que va a ocurrir, siquiera en un futuro cercano y 9
(al asumir el carácter aleatorio del entorno) sin caer en la soberbia de la profecía “infalible”.
El autor, el profesor y amigo Ph.D. Luis Alberto Mora, investigador, docente y experto consultor en el
campo de las Ingenierías y de la Administración Logística en empresas, presenta una gama amplia y
suficiente de técnicas para detectar el futuro en el presente, como también es importante recordar los
innumerables casos reales empresariales sobre pronósticos y prospectos que él ha desarrollado, con muy
buen grado de éxito.
Ánimo pues con la lectura. Estas técnicas son la llave del futuro y eso bien merece el esfuerzo de
estudiarlas.
Firmado,
A. Mora G.
0 - Prólogo
10
A. Mora G.
0 - Prólogo
0.1. Prefacio
La mayoría de empresas, tienen un alto grado de interés en los temas de pronósticos y prospectiva,
reconocen su gran utilidad para la planeación de todas sus actividades futuras de corto, mediano y largo
plazo, en cuanto a sus: cálculos para la planeación de la demanda, procedimientos logísticos,
operaciones industriales, procesos de producción, manejo de inventarios, flujos financieros, valor de
acciones en el mercado bursátil, detección de amenazas y oportunidades futuras, inversiones en equipos
e infraestructura, obras y desarrollos de ingeniería, sistemas de organización y formación de su talento
humano y de sus factores productivos, y demás acciones empresariales.
La realidad, es que a la hora de concretar los pronósticos de cualquier variable de la empresa, a veces se
les dificulta por un sinfín de razones, entre ellas: procesos de cálculo muy simples, creencia de que con
un software se soluciona el tema, falta de tiempo de sus ejecutivos y analistas para el desarrollo riguroso
y formal de los cálculos que implican las previsiones, desconfianza en los resultados por no conocer las
ventajas y las limitaciones de los pronósticos, falta de interés en profundizar en estos métodos, la
conformación con la obtención de pronósticos con medias móviles (aun cuando con sus resultados no
logran acertar correctamente, frente a la realidad) o con otros métodos blandos de estimación,
considerar el tema como muy teórico y poco aplicable, no saber de la gran cantidad de empresas que
utilizan estas técnicas de previsión por medio de las cuales se les facilita el manejo futuro de sus factores
productivos y financieros, no aplicar un método formal de estimación y cálculo (como lo exigen estas
técnicas) y en ocasiones, simplemente por no saber de la existencia de estas metodologías.
El libro trata de atenuar y subsanar la mayoría de estas barreras, mediante la presentación de una
metodología estandarizada de orden internacional, con un conjunto simple de pasos, que poseen una
seria fundamentación científica, con el apoyo de diferentes softwares de manejo muy escueto, pero ante
todo se presenta y se usa un método de fácil aplicación para la mayoría de las personas (ejecutivos, 11
analistas, gerentes, planeadores, directores de área, etc.; que no necesariamente deben saber mucho de
estadística o matemáticas) con resultados muy atractivos en cuanto a acertar adecuadamente el futuro
con los pronósticos que se estiman.
La idea es facilitar el uso masivo de estas técnicas de predicción, mediante el desarrollo de un método
formal con ejemplos sencillos de entender y de llevar a la práctica, en el mundo empresarial y de los
negocios, donde se requieran aplicar.
En esta sección se dan todos los fundamentos básicos para entender el tema, conocer sus ventajas y
limitaciones, manejar todos los conceptos requeridos para su aplicación, identificar su origen y detallar
su evolución en el tiempo, saber sus criterios de calificación de resultados y entender los diferentes
niveles de las predicciones.
0.1.1.2. Dos - Métodos futurísticos
En este capítulo se aportan todas las definiciones relevantes a cada una de las tres formas que presentan:
proyectiva, turbulencia y prospectiva; en cada una de ellas se dan los conceptos, sus criterios de
aplicación (que es donde radica el éxito de los mismos, en saber las circunstancias en que se deben y se
pueden aplicar), sus ventajas, sus procedimientos, sus limitaciones, sus resultados y sobretodo sus
bondades de uso en función de las características del entorno donde se desenvuelven las variables sobre
A. Mora G.
0 - Prólogo
las que se quiere conocer el futuro. Se muestran ejemplos de prospectiva y de algunos otros métodos
relevantes.
0.1.1.3. Tres - Pronósticos
La tercera parte aporta el método universal propuesto para el desarrollo riguroso, simple y exacto de
pronósticos, se dan en ella, todos y cada uno de los pasos y criterios que permiten su fácil aplicación, se
entregan ejemplos de todos los tópicos y se muestra el uso de los principales softwares que el autor
recomienda.
Se dejan sentadas las bases y las etapas requeridas para llevar a cabo con éxito la previsión (o pronóstico)
de cualquier tipo de demanda o variable que se desee proyectar en el corto plazo. Todos los ejemplos,
las ilustraciones y los ejercicios del libro se encuentran ampliamente fundamentados en su versión
original en programas Office (Word, Excel o Power Point) de Microsoft en el CD (adjunto), donde se
pueden llegar a conocer los algoritmos que permiten su cálculo; al igual que pueden ser empleados por
el lector para sus estimaciones de pronósticos; al igual el CD aporta lecturas de fundamentación y
profundidad en el conocimiento, de algunos de los temas tratados.
En general se dan todas las herramientas y criterios necesarios para realizar pronósticos. Se demuestra
a toda costa que el manejo de pronósticos no se logra con la simple adquisición de software, sino con
criterios y pasos científicos, rigurosos en su aplicación, pero simples en su realización. Se entrega el CD
un programa en Excel que permite un sencillo y rápido cálculo de los modelos clásicos, para los
modernos o AR.I.MA. (bajo la metodología Box – Jenkins) se recomiendan softwares pertinentes (al
igual que se enuncian varios softwares recomendables de modelos clásicos).
0.1.1.4. Cuatro – Inventarios
El tema de inventarios es una de las aplicaciones que más utilizan pronósticos durante los procesos de
planeación y manejo óptimo de la demanda, con productos tipo Push o Pull, en esta parte se entregan
12
los conceptos fundamentales requeridos para administrar adecuadamente los inventarios de insumos,
materias primas, repuestos, productos en proceso o bienes terminados.
Se aportan ejemplos y ejercicios (a los cuales se puede acceder en su versión original de Office Microsoft
en el CD. adjunto), que le permiten al usuario de este libro, introducirse perfectamente en la gestión y
operación de inventarios, siempre con énfasis en el uso de los pronósticos en los mismos, como la mejor
puerta de entrada en los cálculos de las cantidades a pedir y mantener en inventarios, indiferente del
tipo de demanda que se tenga, pues en general todas son propensas de pronosticar, bajo la metodología
desarrollada en el tercer capítulo.
En general se presenta un tratamiento fácil, agradable, práctico y fundamentado de una forma muy
seria, de la metodología indicada y de los criterios técnicos básicos para la sencilla realización de
pronósticos bajo series temporales, utilizable por la mayoría de personas vinculadas a empresas o
negocios, de cualquier tipo de economía.
A. Mora G.
1 - Introducción
1. Introducción
Los directores, gerentes, directivos y responsables de procesos industriales en las empresas centran gran
parte de sus preocupaciones en conocer el estado futuro de sus ventas, de su demanda, de sus insumos,
etc., y de todo aquello que signifique riesgo u oportunidad de mejoramiento en el manejo de sus finanzas.
Es por esto por lo que hacen ingentes esfuerzos para de alguna manera conocer dicho futuro, para lo
cual invierten importantes cantidades en tiempo y dinero, con el fin de conocer cualquier tipo de signos
del futuro que les permitan conocer el porvenir de sus organizaciones.
Las decisiones empresariales se toman de una forma más acertada cuando se tiene un amplio
conocimiento del estado futuro de sus compañías en los temas en los cuales se realizan las acciones
gerenciales; es por esto que se requiere un tratamiento serio, pragmático y fácil de implementar por
parte de los ejecutivos y directores de las áreas logísticas, de ingeniería, financieras y demás relevantes
en la compañía, de tal forma que la realización de estudios futurísticos sea una práctica al alcance de los
industriales y/o comerciantes de bienes y servicios.
Las personas y las organizaciones toman decisiones importantes en forma rutinaria y permanente,
muchas de estas solo manifiestan sus consecuencias en el mediano y largo plazo; con lo cual la
información futura en el estado presente a la hora de tomar las decisiones adquiere un valor muy
significativo.
Para decidir entre distintas alternativas, es necesario tener información veraz, y mucha de esta concierne
al futuro. En el siglo XVI Nicolás Maquiavelo1 menciona de que para poder predecir el porvenir, es
necesario analizar lo que sucede en el pasado (Carrión,1999,1) (MAQUIAVELO@2,2006), situación esta,
que es ratificada posteriormente por George Sabile (Marqués de Halifax) quien enuncia en su época que
la mejor cualidad de un profeta es su buena memoria sobre el pasado (Carrión,1999,1) (SABILE- 13
HALIFAX@,2006)3 .
Este libro se dedica en forma central a mostrar los principales conceptos, la secuencia metodológica, el
uso de softwares pertinentes de pronósticos basados en series temporales y sus aplicaciones, con el fin
de que se puedan llevar con facilidad a la práctica por parte de empresarios, analistas, planeadores y
estudiosos del tema.
El futuro no siempre es una prolongación del pasado (Godet,1999,2), se puede afirmar que una parte de
lo que le sucede a las personas o empresas en el futuro puede ser una consecuencia del pasado, pero otra
parte significativa se debe a eventos nuevos propios del entorno, de las variables y de los seres humanos
en donde se desenvuelve ese paso entre el presente y el futuro. Los resultados que una empresa o persona
desean en el futuro se explican de alguna forma en las acciones del presente, pero esto no es reversible,
no todo lo que sucede en el futuro se explica totalmente en el pasado, sino por la imagen que se tiene del
porvenir en el presente.
Desde su origen, el ser humano se preocupa por conocer el futuro, es para él un principio de
supervivencia, para ello realiza desde su inicio en la tierra diversos ritos y mitos, construye leyendas,
desarrolla metodologías, hace plegarias, realiza prácticas religiosas o de adoración a objetos terrícolas o
celestes, adopta costumbres e infinidad de actos que le permitan conocer signos vitales de su futuro. Es
una propiedad humana, la detección anticipada del futuro, forma parte de la idiosincrasia del hombre
1
Nicolás Maquiavelo (Nace en 1469 y muere en 1527) escribe muchas obras, entre las más destacadas realiza entre julio y diciembre de 1513 (aunque se
la publican póstumamente en 1932) El Príncipe, que es considerada como la obra fundadora de las Ciencias Políticas en el mundo (MAQUIAVELO@,2006).
2
@ denota referencia bibliográfica o información que se obtiene de internet.
3
Citado por el autor Andrés Carrión en su obra (1999).
A. Mora G.
1 - Introducción
como medio de supervivencia ante ataques de otros seres vivos en su origen o como forma de atenuar
amenazas u oportunidades en el mundo actual de los negocios. Para esto, el hombre practica diferentes
sistemas, metodologías, cálculos y métodos que le permiten visualizar el futuro en el estado presente, en
ocasiones estos procedimientos se acercan al esoterismo, a la fantasía, a veces se raya con la locura o con
algunas prácticas enunciadas en el libro CUIO en el subgrupo 515 de artes y oficios, que versan sobre
Astrólogos, Adivinadores y Afines; especialmente en las ocupaciones 5151 de astrólogos y 5152 de
adivinadores, quirománticos y afines; estos oficios descritos en el documento de la OIT4 (CUIO-88-
OIT,1991,187-188) tienen en común que no siguen una metodología formal de aceptación universal, a
diferencia con los métodos que se desarrollan en el presente trabajo, que se siguen y guían por el método
científico, hecho en el cual se fundamentan.
1.1. Antecedentes
Los antiguos griegos consagran en su mitología, la adoración al dios Apolo, hijo de Júpiter y de Latona
(De La Escosura,1842,45). Dice la mitología que Apolo es el más bello, entendido y popular de los dioses.
Cuando Apolo aún se encuentra en su cuna, aparece Vulcano y le obsequia sus famosas flechas con las
que luego da muerte a la serpiente Piton5, monstruo6 engendrado de los vapores de la tierra después del
diluvio y perseguidor de Latona, Pitón se dispone a devorar Apolo y a su hermana Diana, con esta hazaña
Júpiter lo reconoce como hijo y lo lleva al Olimpo, donde le da cabida entre los dioses mayores y pone
bajo su cargo el imperio de la luz o del sol y así adquiere el nombre de Febo, que significa claro o
luminoso (71) que visualiza el futuro.
4
OIT- Organización Internacional del Trabajo, con sede en Ginebra en Suiza.
5
El autor De La Escosura escribe sin tilde en la o, en la Real Academia se denota con tilde.
6
Apolo funda los juegos píticos en memoria a la muerte de la serpiente Pitón (Diccionario Larousse,1950,1400)
7
Este nombre se le da a uno de los métodos más usados y difundidos de los métodos futurísticos.
A. Mora G.
1 - Introducción
Los mitos divinos son normalmente narraciones referidos a los dioses, como el origen del mundo, la
castración de Urano o la Titanomaquia, estos eventos cuentan hechos imaginarios y territorios ideales
como el Tártaro, que además pueden ser mezclados con sitios reales como el Monte Olimpo.
A diferencia de los mitos y leyendas históricas que son asociados a reinos como la tierra, héroes (o
heroínas) en particular (los héroes pueden ser guerreros, reyes, fundadores, descubridores, aventureros,
temerarios, ladrones, piratas, etc.).
La fundamentación de los mitos se basa en la existencia (real o ideal) divina y se relaciona con los mitos
históricos a través de tres canales: intervención divina en los hechos humanos, diferentes actuaciones
propias de los dioses (o de sus objetos) y mediante la genealogía al establecer descendencia de los dioses.
Los mitos se pueden llegar a conformar a partir de relatos que se preserven y enriquezcan a través de la
tradición cultural.
Cuando la narración no alcanza a ser consolidada adquiere el nombre de leyenda o cuento popular con
un menor valor mítico. El análisis del cuerpo mítico es la metodología para clasificar los relatos en mitos,
leyendas o cuentos populares.
A. Mora G.
1 - Introducción
Lo divino se considera sagrado y lo opuesto a esto, es lo que se describe como profano, una característica
propia de la divinidad es el control mismo de la existencia. Indudablemente que los límites de las
profecías y de algunos métodos futurísticos (no basados en el método científico) rayan en lo divino, con
la condición única de ser entendidos y comprendidos por los humanos solo a través de la fe o la creencia
ciega e incondicional (Graves y otro, 2001).
Lo sobrenatural puede explicarse como un nivel más bajo de lo divino y más alto de lo humano, la
relación entre lo visible (la existencia física) y lo espiritual o invisible (lo divino) que es aceptada por una
percepción emocional, pone de manifiesto que siempre lo sobrenatural solo se puede asociar a actos
divinos, lo que los hace inferiores a la misma divinidad en sí. Las cualidades sobrenaturales que pueden
poseer algunos humanos especiales (desafiadores cósmicos, héroes, heroínas, aventureros, gladiadores,
etc.) se deben entender siempre como supeditadas a los dioses o a entidades divinas.
1.1.2. Características básicas de los mitos
Los mitos pueden ser catalogados de veraces, universales y sagrados (dos de estas cualidades son
propiedad del método científico, el cual es netamente humano; en cuanto a veracidad y universalidad)
que son entregados por los dioses a los humanos normales o sobrenaturales. No pueden confundirse los
métodos futurísticos con los mitos divinos, los métodos de previsión solo se atañen a los seres humanos
y no tienen ninguna relación con lo divino.
Para las personas incrédulas con los mitos, lo único que queda de estos es un simple relato o un sinfín
de historias. Lo sagrado de los mitos, no es aceptado por la visión profana; lo universal sin embargo no
puede ser aceptado por estas personas, las cuales se ensimisman en el detalle, perdiendo de vista el
concepto global de lo universal, además de que los mitos en general no detallan lo suficiente, como para
convencer al profano o incrédulo; por último lo veraz, dado que algunos de los hechos míticos divinos o
históricos se basan en lo invisible y solo son creíbles a través de la fe, no pueden ser verificados y menos
16 reproducirse bajo circunstancias similares. Con esto se concluye que un mito no puede ser analizado y
aceptado a la luz de la razón humana (método científico) sino solo con la fe o aceptación mental
incondicional. Los mitos no son verificables (Parada@,2006).
Los mitos no se ocupan del creer o no creer, dado que solo se aceptan a través de la fe y debido a que
esta se encuentra en el campo de la religión, la magia o la superstición. La incredulidad forma parte de
la visión profana o humana, por lo cual a los mitos no se les puede analizar con el método científico; se
puede afirmar entonces que los métodos de previsión, prospectiva o futurísticos que se pueden
reproducir, son aquellos que se basan en la visión profana del método científico.
Los mitos no pueden ser analizados, sistematizados o comprendidos, solo se aceptan o no; dado que los
mitos simplemente se comprenden incondicionalmente o se viven en sí mismos. A mediados del siglo
VI AC se cree que los mitos contienen mensajes ocultos o alegorías divinas que deben ser interpretadas
por los humanos, en épocas más recientes los mitos se entienden como explicaciones rituales o
simplemente como metáforas nacidas de las instancias inconscientes de la mente humana (caso que
explica Sigmund Freud (1856-1939)), en el siglo pasado se trata de explicar el mito a través de
metodologías derivadas del método científico (Parada@,2006), donde se encuentra el más válido de los
orígenes de los métodos futurísticos. El Mito propiamente dicho (Mythos) comprende la cosmogonía,
teogonía y los fenómenos naturales (Graves y otro,2001). Todos los mitos llamados etiológicos (que
establecen las causas y orígenes de las cosas) pertenecen a esta categoría (Parada@,2006).
Es posible decir que los griegos con sus mitos, sus dotes celestiales de la profecía y demás elementos
divinos y profanos generan la semilla para lo que se analiza en este libro como métodos de predicción
bajo el método científico, o lo que se denomina métodos futurísticos.
A. Mora G.
1 - Introducción
Existen diversas formas y palabras que expresan la obtención de información futura sobre algún hecho
o variable, en tiempo presente, entre las más usadas sobresalen:
Previsión, que se define como la acción y efecto de prever o como la acción de disponer lo
conveniente para atender a contingencias o necesidades previsibles, su verbo prever se
describe como conocer o conjeturar por algunas señales o indicios lo que ha de suceder.
Pronósticos, es la acción y el efecto de pronosticar, como también se entiende una señal por
donde se conjetura o adivina algo futuro, al igual pronosticar se explica como conocer el futuro
en la actualidad a partir de algunos indicios (RAE@,2007).
En muchos campos de la ciencia es posible hacer previsiones con mucha exactitud, como por ejemplo
en la astronomía, la física y la química. En las ciencias sociales es más difícil (De Miguel, 1990,212). Las
razones para esto es que los fenómenos están sujetos a cambios frecuentes en las tendencias y variables
claves, al igual debido a que existe la posibilidad de que las personas intervengan para que se produzcan
unos determinados hechos.
17
La previsión o pronóstico suele clasificarse en prospectiva9, métodos de transición (turbulencia) y
proyectiva10, en función de la estabilidad del entorno en que se mueve el fenómeno a estudiar. La
futurología emplea en la proyectiva de datos históricos para llevar a cabo sus previsiones. La prospectiva
utiliza métodos más creativos o intuitivos. El analizar una serie temporal de demanda de un bien o
servicio, por ejemplo, al analizar su tendencia es un método proyectivo (212-213).
Michel Godet atribuye, por primera vez, el uso de la palabra prospectiva (del verbo latino propicere que
significa mirar a lo lejos o desde lejos, discernir algo delante de uno), desde el siglo XVI cuando se utiliza
como sustantivo por Paul Valéry y es nuevamente usada por Gaston Berger en un artículo de la Revista
de los dos mundos, publicada en 1957 (Berger,1992) (1948).
1.3. Decisiones y planeación estratégica a partir del estado futuro con
métodos de previsión
La razón de ser de los métodos futurísticos se basa en el intervalo de tiempo que existe entre el estado
de conciencia de un evento inminente y la ocurrencia del mismo (Makridakis y otro,1998,2). Este
intervalo es la razón de ser para la planeación, la transición (turbulencia) y/o la proyectiva, al depender
de qué tan corto (proyectiva) sea (el tiempo) que no permite la planeación, sino la ejecución, a diferencia
de cuando el intervalo es largo donde hay lugar a la planeación (prospectiva); en síntesis los métodos
futurísticos de medio y largo plazo son la base de la planeación o direccionamiento estratégico.
8
Una serie temporal es un conjunto de valores de una variable económica o de algún negocio, medida en intervalos sucesivos de tiempo (usualmente
equidistantes) (Turban y otros, 2004).
9
En inglés prospectiva se describe como foresight.
10
Forecast es la traducción al inglés de proyectiva.
A. Mora G.
1 - Introducción
Conducir una organización, implica tomar decisiones (Landeta, 1999, 14). La experiencia, la intuición,
la educación formal o informal son los instrumentos que desde siempre ayudan a los responsables de
las empresas, a tomar decisiones pertinentes, que tienen incidencia en su futuro.
En la medida que las organizaciones se hacen más grandes y tienen que operar en entornos más
complejos y dinámicos, su gestión se torna más racional y científica (Makridakis y otro, 1998,5).
Las proyecciones de una o varias áreas de una organización influyen de manera significativa en el global
de la empresa, por la relación entre sí de las diferentes dependencias.
1.3.1. Áreas organizacionales donde más se aplican las proyecciones y los
métodos futurísticos
Algunas de las áreas donde usualmente se desarrollan proyecciones de una manera relevante, son:
Programación: el uso eficiente de los recursos requiere de una planeación de corto y mediano
plazo de la producción, el transporte, el flujo de caja, el personal requerido, los inventarios,
los repuestos, los insumos y otros. La proyección del nivel de demanda de un producto,
materia prima, mano de obra y financiación son esenciales para una buena programación;
constituyen las aplicaciones más frecuentes de proyecciones en las empresas y su buen manejo
de capacidad de acierto, genera un gran impacto en los resultados económicos de las
organizaciones.
Recursos y/o factores productivos especiales de corto y mediano plazo: el tiempo requerido
18 para la compra e importación de materias primas, la vinculación de recursos humanos, la
adquisición de maquinaria y equipos, etc., puede variar en tiempos de mediano y corto plazo.
En estos tópicos las previsiones se vuelven esenciales para el fácil desenvolvimiento de la
empresa en el tiempo y son fundamentales para determinar y auscultar los factores
productivos del futuro.
Recursos operativos de largo plazo: todas las empresas deben cuantificar los recursos
requeridos en el tiempo. Tales decisiones dependen de: oportunidades de mercado, situación
del entorno, factores del medio ambiente, desarrollos internos de los recursos financieros y
tecnológicos, nivel de perfeccionamiento del recurso humano, ambiente económico mundial,
estado de guerras y situaciones geopolíticas, etc. Para ello se utilizan las herramientas
futurísticas de mediano y largo plazo, como son los métodos de transición y las metodologías
de prospectiva; las cuales a su vez se basan en la proyectiva. Este proceso requiere también de
personas que manejen el tema y sobre todo que sepan seleccionar la herramienta precisa
acorde a las características de la situación en sí.
Se puede afirmar que las herramientas de futurología son fundamentales en el mundo moderno, dadas
las circunstancias cambiantes en términos de segundos en el ámbito internacional de los negocios y del
entorno global, aparte de que nunca, el ser humano dispone de tantas herramientas informáticas y de
softwares, para realizar los procedimientos de cálculo, permitiendo centrar todo el esfuerzo en el análisis
de resultados y en la aplicación de las estrategias derivadas de los mismos.
1.3.2. Gestión por procesos y decisiones basadas en el estado futuro
Un proceso de negocio o empresarial es la forma precisa de organizar logísticamente un conjunto de
actividades, no limitadas por barreras organizacionales ni departamentales en la compañía, con un
principio y un final bien definidos, coordinadas y orientadas a la consecución de un producto o servicio
mediante la agregación de valor para servir a un cliente intermedio o final (interno o externo a la
A. Mora G.
1 - Introducción
empresa). Se trata entonces de utilizar los factores productivos de la forma más efectiva y eficiente
posible, dando prioridad a los procesos más críticos y a sus actividades claves, con el fin de que las
decisiones que se tomen sobre ellas generen el mayor impacto positivo posible en los índices e
indicadores de la relación costo/beneficio.
La actividad es el elemento más sencillo y esencial en un proceso, pueden ser generadas hacia personas
u objetos, las mejoras continuas en los procesos se alcanzan cuando se optimizan las actividades claves
que los conforman.
Con el fin de perfeccionar las actividades se requieren aplicar sobre ellas acciones de mejora, rediseño,
reingeniería o innovación de procesos. Esto permite obtener mejores rendimientos e indicadores del
proceso y por ende del macroproceso.
Las decisiones que toman sobre las actividades claves en los procesos críticos del macroproceso
empresarial, requieren conocer el futuro en el estado presente, con el fin de determinar las bondades
que presenta el cambio y las implicaciones que generan en todos los ámbitos de la organización.
19
Las organizaciones que se estructuran por procesos son más dinámicas y atinadas que las entidades
funcionales, las estructuras procesales presentan ventajas entre las cuales resaltan: su agilidad en los
procesos decisionales, su capacidad de acierto, su dinamismo y capacidad de atravesar las barreras
departamentales de las empresas funcionales, la simplicidad en sus acciones al no repetir actividades
como sucede en las funcionales, etc.
A. Mora G.
1 - Introducción
Los métodos de mejora de procesos básicamente siguen una cadena de etapas, entre las cuales, denotan:
análisis y documentación de las actividades y los procesos, identificación de la criticidad de los procesos
más impactantes mediante la valoración y jerarquización de los mismos, la acción propia de
optimización del proceso, implementación de los cambios, monitoreo de resultados y ejecución de
acciones de ajuste (Arjona, 1999,10-21).
Ilustración 6 - Metodología de mejora para macro-procesos, procesos y actividades
20
11
El método de Signos Vitales inicia desde la base operativa y asciende a los niveles más altos de la organización trabajando bajo el método de planeación
estratégica, mientras que el de Tableros de Control trabaja los niveles superiores de la organización bajo un enfoque de dirección estratégica. En los
procesos de direccionamiento estratégico sólo participan Funcionarios de la Alta Dirección de la empresa (Steiner, 1985,67) y en los de planeación
estratégica interviene toda la organización con sus nexos externos.
A. Mora G.
1 - Introducción
Las decisiones que se toman en las empresas sobre las actividades y los procesos, tienen varias opciones
al depender del impacto que se quiere generar con el cambio y la mejora en sí, el uso de la tecnología y
el efecto estratégico que se quiere.
Ilustración 7 - Opciones de mejora y sus relaciones con la tecnología y el cambio
Tiempo
Tiempo
Innovació
Innovación de procesos y Productos o servicios
Procesos gerenciales Nueva cadena de valor Desarrollos nuevos Aplicación del cambio Motivar el animo Technlogy Push
macro-
macro-procesos
Diseñar nuevos en los clientes introducidos al mercado
Reingenierí
Reingeniería de procesos desde las fá
fábricas
procesos, actividades Tecnología nueva Tecnología es el faro
y macro-procesos o rediseñada del cambio procesal
Procesos de gestión, Optimación de la Productos o servicios
Rediseñ
Rediseño de procesos Satisfacción de
administrativos cadena de agregación Demand Pull
y operacionales de valor los clientes o solicitados
Remplazo tecnológico
Mejora de actividades y demandantes por la demanda
Mejora producto del cambio
procesos
Nivel de Nivel de
desarrollo
desarrollo
Los éxitos logrados en el pasado no son prenda de garantía para las victorias del futuro, lo que implica
que la metodología de mejora por proceso (en cualquiera de las fases que se presentan en la anterior
ilustración), es algo de constante atención y desarrollo en las empresas, con el fin de obtener mejores
agregaciones de valor, a partir de decisiones acertadas basadas en estudios de futurología.
La gestión por procesos es solo la base de partida, la situación empresarial en un mundo globalizado
propende el paso y la utilización de enfoques múltiples como la tecnología y la estrategia como elementos
básicos para poder competir a nivel mundial (Hronec,1995,16-20). Por lo tanto, los proyectos o las
mejoras que se basan en mejoras de procesos están asociados a la necesidad de competir, que es la
esencia del planteamiento estratégico.
1.3.2.1. Planeación estratégica clásica y tecnológica
21
La planeación estratégica clásica integra los conceptos de visión, misión, valores, metas, etc.
empresariales a partir de las consideraciones comerciales, su aplicación se ve limitada por el devenir
tecnológico del mundo, donde lo que impera de manera relevante en los mercados en un pequeño
instante de tiempo es la tecnología, es esta última la que marca el desarrollo y el éxito comercial de las
organizaciones.
Con base en esta premisa es necesario considerar a la hora de elaborar estrategias, tanto las
consideraciones comerciales de la planeación estratégica clásica, como la tecnología de la planeación
moderna.
Consideraciones comerciales
Consideraciones tecnológicas
Las tecnologías influyen de tal manera en las organizaciones que es necesario involucrarlas para poder
realizar una planeación estratégica clásica tecnológica adecuada a las necesidades futuras (Escorsa y
otro,1991,91) (Escorsa,2005) (Mora,1995,43-47).
A. Mora G.
1 - Introducción
La prospectiva como insumo básico para la planeación estratégica apoya el logro de:
Construir entornos (escenarios) o imágenes que consideren la visión del futuro, una
percepción dinámica de la realidad y la configuración de alternativas viables.
Aportar una guía conceptual conductora del estudio de aquellos aspectos relevantes de la
realidad, que permita enfrentar con eficacia y eficiencia la complejidad del contexto actual
(Miklos y otra,1997,63).
Las etapas de protección y vigilancia son netamente fases estratégicas de orden futurista, donde los
procesos que se llevan a cabo pretenden determinar los desarrollos tecnológicos y comerciales que
aparecen en el porvenir, con el fin de preparar estratégicamente a la empresa desde el presente.
Se puede concluir, de este numeral que las herramientas de predicción son netamente metodologías de
planeación estratégica clásica y moderna de orden tecnológico.
1.3.2.2. Decisiones con base en el estado futuro
Las organizaciones en su desarrollo estratégico, en sus procesos de planeación y de programación de sus
recursos procuran utilizar herramientas futurísticas de gestión y operación que les permitan conocer de
alguna manera, con cierta confianza y verosimilitud el porvenir que se les aproxima.
23
Ilustración 11 - Alcance del futuro mediante procesos de cambio en el tiempo y el espacio
Transición Estado
Estado actual
futuro
Las empresas que orientan sus acciones mediante una adecuada toma de decisiones, a partir de la
detección anticipada de su estado futuro, deben conectar todas las áreas de su organización y de su
planeación, como se esboza en la ilustración anterior, donde existe una alta conectividad entre todos sus
elementos estratégicos por procesos (Hronec,1999,143-149).
A. Mora G.
1 - Introducción
Las organizaciones en cuanto sus acciones de desarrollo, se pueden clasificar en varias categorías:
Basadas en el pasado, todo su quehacer se centra en tratar de resolver los problemas del
pasado, no les alcanza el tiempo para tender situaciones actuales y menos de planear su
porvenir. Su futuro está condenado por el pasado.
Viven el presente, su principal actividad es atender las situaciones del presente y algo del
pasado, sin poder actuar tempranamente sobre su futuro, a veces sobreviven en un mundo de
zozobras y altibajos económicos y financieros. Su situación futura depende básicamente del
presente y en ese mundo actúan. El futuro los puede tomar con sorpresas.
Basadas en el estado futuro, estas tienen alta probabilidad de sobrevivir y de alcanzar el éxito,
ya que el tiempo que existe entre el presente o estado actual y el futuro, les permite enmendar
cualquier error o reorientar sus estrategias y desarrollos. Viven con tranquilidad su presente
como parte de un pasado ya planeado, su futuro está por venir y pueden accionar sobre él
cualquier estrategia o cambio.
Ilustración 12 - Elementos y pasos en la planeación estratégica tecnológica a partir del estado futuro
Infraestructura
Organizacional
Modelos de
procesos Infraestructura
Tecnológica
Infraestructura Metodologías
de operación analíticas
y gestión
Confirmación Estrategias de la empresa
Tecnologías
de la actual y futura
24
estrategia de la empresa de gestión
Entorno actual y
futuro del negocio
Herramientas
futuristas
Estado actual
Mandamiento Transición al Cronograma ESTADO
Estratégico futuro de cambios FUTURO
Proceso de gestión
hacia el estado futuro
mediante el cambio
Medidas del Metodologías
rendimiento analíticas
estratégico
Medición de futurístico
resultados Tecnologías
Metodología de Cuantificación
estratégicos de gestión
agregación de todas las variables
futurista en el estado futuro
de valor adicional Herramientas
futuristas
Toma de decisiones
Monitoreo, vigilancia tecnológica
que generan cambios
y retroalimentación a partir del estado futuro
a partir del estado futuro
1.4. Tiempo
El ambiente donde se toman las decisiones a partir del estado futuro se mueve en dos ambientes:
situaciones y eventos, en el tiempo. No todas las civilizaciones en la tierra tienen la investigación
experimental como eje de su desarrollo social y tecnológico, se basan más que todo en creencias, lo que
coloca una barrera para acceder a la investigación empírica y al método científico; el concepto del tiempo
y del espacio es más que todo manejado por las civilizaciones indoeuropeas (Uexcüll,1920)
(Whorf,2003) (1952) (Bertalanffy,1994,233-238); esto es bueno recordarlo, pues no todas las culturales
logran su inserción en la futurología. Poblaciones como la Hopy (indígenas americanos) o los Nootka
(pobladores primitivos de la isla de Vancouver) no manejan el concepto del tiempo, a diferencia de las
culturas indoeuropeas que hacen demasiado énfasis en el tiempo en su vida cotidiana, siendo esta la
condición más importante de la existencia de los métodos futurísticos a partir de la concepción mental
del tiempo (234).
A. Mora G.
1 - Introducción
Los adivinos, los profetas, los oráculos entienden en su época el futuro (IPT@,2006) como una realidad
única, todos ellos consideran que existe un destino que decide y marca los hechos de la vida, el cual es
inviolable, ciego e inmodificable (Mojica,1991,1).
Los eventos del pasado se recuerdan por las personas de una forma muy particular, es decir en forma
muy concreta y en estado singular, es decir como un solo hecho muy preciso. Es notorio observar como
varias distintas personas que viven un hecho pasado en forma conjunta, al transcurrir el tiempo, todos
lo recuerdan de una forma diferente, cada una de ellas hace énfasis en detalles disímiles al de los otros
seres humanos.
Dado que el hombre entiende su presente a través de la razón, se puede asumir que este ocurre unas
milésimas de segundo antes de que la persona lo perciba, lo que permite asumirlo como un hecho pasado
muy recién. Esto aprueba aducir que el presente es pasado, y que de hecho es singular. A diferencia del
futuro que aún no existe en el cerebro humano y que tiene un sinfín de posibilidades de construcción.
El pasado y el presente son singulares, el futuro es plural.
Las situaciones futuras solo se dan en un contexto kantiano12 de espacio y tiempo, son sistemas que
interactúan con sus tres actores de diferentes formas, logrando para ellos múltiples combinaciones, que
generan diferentes y múltiples eventos y escenarios futuros.
De hecho los métodos futurísticos se clasifican en sus coordenadas de tiempo y espacio, es notorio como
la proyectiva es de corto plazo en el mismo espacio y la prospectiva es de largo plazo en el tiempo con
posibles nuevos espacios.
12
De Immanuel Kant, (1724-1804) Filósofo alemán, elabora una Teoría del conocimiento en su libro Crítica de la razón pura (1781-1787), que se basa
primero en la intuición sensible, después en la razón, capaz de elaborar síntesis de cualquier cosa o de situaciones diferentes, pero que no puede operar sin
unos principios lógicos (a priori) que permitan la síntesis: son las categorías, al tiempo formales y trascendentes, los conceptos metafísicos resultan
paradójicos, pero desempeñan un papel de unificadores del pensamiento. Su libro la Crítica de la razón práctica (1788), parte de la existencia de actos que
no son fruto de la razón, en los que se introduce un nuevo aspecto, el ético: hacer algo porque hay que hacerlo; esta condición previa lo es por sí misma,
tiene un carácter formal y es categórica; el lo llama imperativo categórico. (Grijalbo Mondadori,1998,992).
A. Mora G.
1 - Introducción
Nivel IV
Carácter
mental
En general desde la concepción sistémica, se
demuestra que existen métodos particulares de
Estrategia
Largo Plazo
previsión que cumplen una determinada función
Nivel III Tácticas
Carácter
real
en los procesos futurísticos, en el nivel más bajo
Plan Estraté
Estratégico existen instrumentos simples que permiten
Futurista alcanzar los niveles superiores, en el segundo
Mediano Plazo
Carácter
nivel aparecen las tres formas básicas de los
Nivel II
Operaciones futurísticas:
mental
métodos de previsión (estos se plantean
Proyectiva, Transición y Prospectiva básicamente a partir de los parámetros de
Corto Plazo espacio, tiempo, entorno, característica del
Nivel I Carácter
insumo de entrada, etc.), luego en el nivel tres es
Instrumentos, elementos y real
Los éxitos o los fracasos nacen de la adecuada selección de los instrumentos (nivel uno), de la
combinación de opciones proyectivas o prospectivas (nivel dos), de la secuencia lógica que se aplique en
la táctica del nivel tres, y de la inserción de las estrategias en la empresa en el nivel cuatro. Los grandes
fracasos proyectivos, de turbulencia o transición y los prospectivos, se centran en la inadecuada
selección de los instrumentos de futurología; por eso este se considera el acto vital del proceso.
1.4.1. Nivel estratégico
En la última fase del proceso es donde se valida el éxito de los métodos utilizados para proyectar o
prospectar, normalmente la aplicación puede constar de unas metodologías sencillas o de un proceso
complejo de múltiples herramientas, combinadas de tal manera que se puedan lograr resultados de
mediano o largo plazo. Para situaciones muy sencillas a predecir se recomiendan métodos complejos y
para eventos muy complicados se usan metodologías simples (Godet,1999).
La complejidad del conjunto utilizado se define con base en parámetros como: características de los
hechos que se desean conocer del futuro en el estado presente, de los actores que intervienen, de la
prontitud con que se requieren los resultados, del presupuesto económico de que se dispone, de la
capacidad y disponibilidad de los funcionarios de la empresa para participar en el proceso, de la
información que se posea, de la posibilidad de contar con expertos en las diferentes temáticas que
involucre el estudio futurista y de otros detalles relevantes, propios de cada caso.
Es en este punto donde se deben dedicar los mayores esfuerzos a la hora de seleccionar los métodos,
para poder impactar de manera significativa la organización, en cuanto a cambios y mejoras de proceso.
La parte estratégica es la que requiere mayor sutileza y atino en la aplicación e interpretación de
resultados, es la sección de mayor dedicación de parte de los expertos en los modelos futurísticos,
requiere de actuaciones finas y delicadas para influir de una forma gradual y suficiente a la organización
que se estudia, en la implementación de estrategias es donde está el secreto exitoso de la futurología.
A. Mora G.
1 - Introducción
Se vuelve a enfatizar, que los métodos prospectivos futurísticos en su mayoría se elaboran para trabajar
bajo procesos de planeación estratégica tecnológica, con alta participación de trabajadores y empleados
A. Mora G.
1 - Introducción
o actores de la organización evaluada; más no para procesos de direccionamiento estratégico con baja
intervención humana (Godet,1999,18).
1.5.1.6. Contenido científico
Es el más interesante de los criterios, pues en el descansa la posibilidad de logros acertados en el proceso.
1.5.1.7. Continuidad
Los procesos futurísticos deben ser continuos y se deben repetir cada cierto tiempo, en la medida que se
apliquen más veces en períodos de tiempo largos, mayores son los beneficios y los éxitos logrados. Godet
recomienda procesos de planeación a quince años vista con aplicación periódica cada tres años. Se
refiere también a que los métodos se apliquen de una forma secuencial y coherente, de tal manera que
no se generen vacíos o abruptos en el tiempo o en el espacio, que los productos del método inicial puedan
ser los insumos de la siguiente metodología y así sucesivamente.
1.5.1.8. Repetibilidad
Es el punto que mayor garantía otorga en cuanto a los beneficios esperados de los métodos futurísticos,
es el hecho de que los modelos y los métodos utilizados sean repetibles, reproducibles o replicables en
el tiempo a los mismos actores: personas, entorno y artefactos.
1.5.1.9. Consenso
Este criterio afecta notablemente los resultados de los procesos futurísticos, está demostrado que
cuando los resultados y sus posibles consecuencias se comparten, de manera analítica con todos los
actores del proceso, se logran unos niveles de participación y motivación muy altos en la aplicación
futurista, aparte de que los resultados son mucho más atinados que cuando no se hace el análisis
consensual con todos los involucrados.
1.5.1.10. Representatividad
28
Se refiere también a que el número de participantes sea estadísticamente representativo y suficiente
para concluir como valederos los resultados obtenidos, aparte de que debe existir representación de
todos los niveles jerárquicos y divisionales de la empresa o de las organizaciones proveedoras o clientes
en la cadena de valor de la empresa evaluada.
1.5.1. Escalas de validez y verosimilitud de los métodos futurísticos
Los modelos de previsión dependen de las personas, de los artefactos que se usen y del entorno donde
se emiten, para que adquieran cierta validez técnica y científica; como tal pueden ser desarrollados, bajo
diferentes orientaciones:
1.5.1.1. Subjetivo
Los que califican en este nivel son desarrollados por expertos o conocedores del tema en particular, su
validez es meramente regional en el entorno local donde el especialista se mueve. Sus resultados tienen
alta aleatoriedad y pueden ser buenos o deficientes.
Al no basarse en el método científico su reproducibilidad es muy baja o nula, es decir básicamente son
de orden intuitivo y no siempre aciertan, tienen alguna validez dependiendo de la persona que los emita
y de su importancia en el contexto donde se desenvuelve. Habitualmente las empresas prefieren no
usarlos y se orientan más por los de corte científico. Su tiempo de validez es muy pasajero.
A. Mora G.
1 - Introducción
Ilustración 15 - Aspectos básicos que debe cumplir un método futurístico o su conjunto integral
Los autores Whorf, Uexcüll y Bertalanffy resumen las categorías de conceptos humanos en las tres
categorías descritas: subjetivas, culturales y científicas de validez universal (Uexcüll,1920)
(Whorf,2003) (1952) (Bertalanffy,1994,233-238).
Nivel 3 Universales de
método científico
Nivel 2
Culturales
Nivel 1 Subjetivos
13
Replicación, es una condición requerida para el método científico.
A. Mora G.
1 - Introducción
áreas funcionales, incluidas la logística, la comercialización, la producción y las finanzas. Los niveles de
demanda y su distribución temporal tienen efectos importantes sobre los volúmenes de capacidad, las
necesidades financieras y sobre la estructura general de la compañía (Ballou, 1991, 89) (2004).
Los pronósticos en los negocios llegan a ser muy populares después de la Primera Guerra Mundial. Se
desarrollan una infinidad de agencias privadas para proporcionar a los clientes información acerca de
las condiciones económicas corrientes y los pronósticos sobre la economía y el desarrollo de los negocios.
Las grandes corporaciones establecen sus propios departamentos para hacer sus pronósticos. Las
contribuciones de W. M. Persons (1921) al análisis de series temporales económicas y el aumento de la
disponibilidad de datos, lleva a los hombres de negocios a creer que es posible, pronosticar el futuro de
los ciclos de negocios con certeza. Esta creencia se ve alimentada por la prosperidad de la segunda
década del siglo pasado en los mercados bursátiles de los Estados Unidos y de otros países desarrollados
de aquel entonces (Jaramillo y otro,2000).
Sin embargo, en esta década de estabilidad las mejores firmas pronosticadoras solo son capaces de
predecir con un moderado grado de precisión. En 1929 llega la caída del mercado de valores de Nueva
York y se da inicio a la gran depresión de los años treinta del siglo anterior. Los pronosticadores no están
preparados para prever el declive en la actividad de los negocios y la caída de los precios de las acciones.
Esto conlleva a una incredulidad de la capacidad para pronosticar con certeza las fluctuaciones en los
negocios (Gordon,1952,507-508). El final de la segunda guerra mundial marca el hito histórico del
desarrollo y consolidación de los estudios del futuro14. Al acabar la guerra se tiene una Europa
completamente destruida que hay que reconstruir, mediante el uso principal de ayuda norteamericana.
La reconstrucción requiere un ejercicio prospectivo considerable como paso previo a la planeación.
El fin de la segunda guerra lleva de inmediato a otra guerra, la llamada guerra fría la cual se origina por
el enfrentamiento de dos ideologías; el capitalismo occidental y el comunismo soviético, que se reparten
30 el mundo por áreas de influencia. La tensión que ocasiona esta guerra, hace que los analistas de los
Estados Unidos de política exterior intenten adivinar, cuáles pueden ser los posibles movimientos del
enemigo.
Esto les lleva al planteamiento de futuros hipotéticos que faciliten la previsión. El primer estudio
prospectivo de que se tiene constancia es Technological Policy, realizado por Williams Ogburn en 1937
por encargo del Departamento del Interior de los Estados Unidos (Ogburn,1976), con el fin de vaticinar
los avances tecnológicos del porvenir (Bas, 1999, 21).
Los grandes desarrollos de software de métodos futurísticos y su divulgación mundial a bajos costos, es
solo cosa de los últimos años, anteriormente se requiere de un gran esfuerzo para el cálculo y
manipulación de datos, hoy en día la alta disponibilidad softwares y hardware en este campo hace que
los previsores y los futuristas dediquen más tempo al análisis de los resultados, a su interpretación y a
su aplicación en los procesos de cambio para la mejora organizacional, a partir del conocimiento en
presente del estado futuro.
Esto es una ventaja sin precedentes en la historia de los pronósticos, dado que se invierte más tiempo
en lo verdaderamente útil del proceso, que es el análisis estratégico y su aplicación organizacional. La
gran disponibilidad de softwares hace que los precios de desarrollos de pronósticos reales a empresas
sean mucho más económicos hoy en día, que hace algunos años atrás.
14
El autor Enric Bas utiliza este término para denotar estudios proyectivos o prospectivos, en todo caso del provenir (Bas, 1999).
A. Mora G.
2 - Métodos Futurísticos
2. Métodos Futurísticos
En general es posible presentar las diversas formas de evaluar el futuro de varias maneras, los diferentes
estudios toman connotaciones disímiles según: el producto que generen, los actores que participen, el
entorno donde se desenvuelvan, la metodología en sí, la materia prima con que trabajen, las
características cualitativas o cuantitativas del desarrollo que use para obtener los resultados y según
otros parámetros.
Los autores muestran diversos métodos de clasificación, jerarquización y presentación, en este capítulo
se deja constancia de algunas de las más relevantes clasificaciones que existen y se esboza una forma
propia del autor de manejar, ordenar y entender los métodos futurísticos abordándolos desde la óptica
de su fácil aplicación por parte de los empresarios o directivos que los usen.
La parte más sutil de un proceso futurístico sencillo o complejo, es la selección de las herramientas
adecuadas a sus requerimientos, expectativas y necesidades, con base en las en las características,
limitaciones y ventajas de aplicación de cada uno de los métodos.
Otro punto vital al momento de diseñar un estudio del porvenir en un sistema empresarial es seleccionar
un conjunto coherente de métodos particulares, mediante el establecimiento lógico y afín, de una
secuencia posible de metodologías que puedan ser factibles, acorde a las características de cada método,
indudablemente, no todos los procedimientos son compatibles y no siempre los resultados de un
procedimiento puede ser el insumo del siguiente.
En esta fase es donde se pierde fácilmente el cientificismo15 del proceso integral, se debe tener mucha
31
claridad en los métodos seleccionados y en el orden de aplicación en el tiempo, para alcanzar el
parámetro de coherencia y verosimilitud como factores claves de éxito estratégico (Nivel IV kantiano)
en la futurología.
En entornos con usos y costumbres de orden cultural muy propios de la organización y de la región, que
implica una muy buena selección de los métodos, de las personas, de los artefactos y de las variables del
escenario, para obtener resultados adecuados a las circunstancias, como de hecho se alcanzan en este
estudio (CORELCA SA ESP,2003).
15
Teoría según la cual los únicos conocimientos válidos son los que se adquieren mediante las ciencias (RAE@,2007).
A. Mora G.
2 - Métodos Futurísticos
Ilustración 17 - Estructura de estudio futurístico de largo plazo (Proyectiva Transición Prospectiva) de un caso real
32
A. Mora G.
2 - Métodos Futurísticos
La proyectiva se usa para métodos univariados, donde el fenómeno en cuestión maneja un sólo criterio
que se extrapola en tiempo real a partir del presente, este método parte de la base de que el entorno
actual se mantiene constante con ligeras variaciones, no muy significativas.
Los métodos de turbulencia o de transición son utilizados en la frontera de los anteriores, más que todo
trabajan con apoyo de métodos de orden estadístico, con herramientas como: correlaciones, varianza,
covarianza, coeficiente αlfa de Cronbach, redes neuronales, componentes principales (Hair y
otros,2005) (Pearson,1921), métodos eigen vector y eigen-value (Santesmases,2001).
Etapa 1 – Fase 2: Revisión de bases de datos históricas variables propias y exógenas, técnicas y de gestión
Etapa 2 – Fase 2: Interacción de Expertos para definir variables a proyectar año base 02
Etapa 3 – Fase 2: Proyección de orden tres prospectiva de las variables seleccionadas mediante la
metodología series temporales previsiones tanto con métodos clásicos como modernos
Etapa 5 – Fase 2: Análisis integral de resultados de las previsiones temporales al año base, mediante foro
integral
Fase 3 Creación de los entornos, estado de la organización y de los recursos productivos al año base 02
Etapa 1 – Fase 3: Selección con todo el grupo de expertos de la categorización de los entornos bajo un
método científico propio o establecido Selección de expertos externos líderes de constitución de
entornos
Etapa 2 – Fase 3: Trabajo de creación y desarrollo de cada entorno año base 02, con subgrupos
liderados por el especialista (interno o experto): Límites del sistema
Etapa 3 – Fase 3: Foro integral informativo y de discusión de los entornos con todos los Funcionarios
internos, externos y especialistas
Fase 4 Especificación de las variables base de los MIC MAC’s para la constitución de los escenarios (entornos,
estado de la organización y de los recursos productivos) prospectados Año a prospectar desde el 03 hasta el 22
A.(dependiendo
Mora G. de lo que se desee)
Etapa 1 – Fase 4: Selección con todo el grupo de expertos, del método de categorización de los entornos
bajo un método científico propio o establecido
entornos
Etapa 2 – Fase 3: Trabajo de creación y desarrollo de cada entorno año base 02, con subgrupos
liderados por el especialista (interno o experto): Límites del sistema
2 - Métodos Futurísticos
Etapa 3 – Fase 3: Foro integral informativo y de discusión de los entornos con todos los Funcionarios
internos, externos y especialistas
Fase 4 Especificación de las variables base de los MIC MAC’s para la constitución de los escenarios (entornos,
estado de la organización y de los recursos productivos) prospectados Año a prospectar desde el 03 hasta el 22
(dependiendo de lo que se desee)
Etapa 1 – Fase 4: Selección con todo el grupo de expertos, del método de categorización de los entornos
bajo un método científico propio o establecido
Etapa 2 – Fase 4: Determinación de las variables de cada trimestre, en cada año que conforman los
diferentes entornos para el año a prospectar 05 (o más si se desea), mediante el método Delfos con
cuartiles de cuatro etapas
Etapa 3 – Fase 4: Creación de los sub-sistemas técnicos y gestión tanto internos como externos, para cada
trimestre de cada año a prospectar
Etapa 4 – Fase 4: Creación de los entornos (escenarios) positivo, libre de sorpresas, negativo y de cada
trimestre y año a prospectar
Etapa 5 – Fase 4: Desarrollo de cada uno de los 48 MIC MAC’s de cada año a prospectar Potenciación
matricial a la infinito Construcción Mapas Arquitectónicos Selección y jerarquización de variables en
cada entorno
Etapa 6 – Fase 4: Análisis: Lefebvre, Ténière-Buchot, Djambi, Forrester, Juego de Actores, clásico y
moderno, de impacto cruzado prospectivo de cada uno de los MIC MAC’s obtenidos en cada período para
cada escenario (entorno, organización y recursos)
Fase 5 Estrategia retrospectiva de Actores (de toda la cadena productiva) Prospectiva de la Organización y sus
Recursos Humanos
Etapa 2 – Fase 5: Selección de Actores mediante la determinación del tamaño óptimo estadístico y de la
34 representatividad de los mismos
Etapa 5 – Fase 5: Localización de las metas, los objetivos, necesidades y deseos, las motivaciones, etc de
los Actores
Etapa 6 – Fase 5: Determinación de los Recursos de los Actores y sus medios de acción
Etapa 10 – Fase5: Ubicación de los Actores sobre los campos de interacción y sobre los Objetivos
Etapa 11 – Fase 5: Jerarquización, calificación, histograma frecuencial y TLC para los objetivos
definidos
Etapa 15 – Fase 5: Entornos y escenarios más probables, sus limitaciones, ventajas, y clasificación de sus
cinco elementos
Fase 6 Análisis interactivo (organización, entornos y recursos) de los escenarios Constitución de los diferentes
entornos (escenarios)
Etapa 1 – Fase 6: Elaboración de un análisis integral de impacto cruzado prospectivo entre todos los
escenarios de cada año
A. Mora G.
Etapa 2 – Fase 6: Análisis morfológico mediante el estudio de las interacciones y condiciones (esta etapa
no es indispensable) Permite encontrar múltiples proyecciones y combinaciones posibles de entornos yo
escenarios
valoraciones de actores frente a objetivo; para identificar las tácticas posibles a realizar
Fase 6 Análisis interactivo (organización, entornos y recursos) de los escenarios Constitución de los diferentes
entornos (escenarios)
Etapa 1 – Fase 6: Elaboración de un análisis integral de impacto cruzado prospectivo entre todos los
escenarios de cada año
Etapa 2 – Fase 6: Análisis morfológico mediante el estudio de las interacciones y condiciones (esta etapa
no es indispensable) Permite encontrar múltiples proyecciones y combinaciones posibles de entornos yo
escenarios
Etapa 3 – Fase 6: Método Delphi con cuartiles mediante el Grupo de Expertos (internos y externos)
Etapa 4 – Fase 6: Desarrollo del Ábaco de Régnier®, con el Grupo de Expertos Es un buen método de
consulta de opiniones de expertos, se basa en la teoría de los semáforos (colores:verde, rojo y ámbar)
Visualiza múltiples resultados en simultáneo Verbo
Etapa 5 – Fase 6: Análisis de impacto cruzado integral con todos los expertos
Etapa 6 – Fase 6: Aumento de las probabilidades de certeza Aplicación del Modelo SMIC y Prob-
Expert® Umbral 30 Múltiple Probabilidades de ocurrencia Expertos
Etapa 7 – Fase 6: Foro de Análisis global de resultados sobre los entornos (escenarios)
Etapa 3 – Fase 7: Declaración de no relaciones entre variables de los diferentes entornos (escenarios)
Etapa 4 – Fase 7: Cálculo de series temporales (desde el año base 02 hasta cada año a prospectar),
mediante métodos modernos y clásicos en cada una de las variables para cada uno de los entornos
(escenarios)
35
Etapa 5 – Fase 7: Estimación matemática de las variables sin historia numérica (sin datos) en los entornos
(escenarios)
Etapa 6 – Fase 7: Análisis y causalidad de los resultados en los entornos, organización y recursos
Etapa 7 – Fase 7: Influencia de los valores proyectados de cada una de las variables en cada entorno
(escenario), en la organización y en los recursos
Etapa 8 – Fase 7: Análisis, recomendaciones y conclusiones de las previsiones en cada año prospectado
Etapa 1 – Fase 8: Medición de cada uno de los elementos de los entornos (escenarios) más probables:
transparencia, coherencia, verosimilitud, contenido científico, continuidad, importancia y pertinencia
Fase 9 Gestión estratégica a partir de los escenarios (organización, entornos y recursos) futuros Planeación
estratégica
Etapa 1 – Fase 10: Revisión y discusión general de resultados con Grupo responsable de la Empresa
prospectada, transicionada y proyectada
La ventaja del método es que es aplicable en el mediano o en el largo plazo, con base en las necesidades
de la empresa o del sector que desee aplicarlo; es adaptable a cualquier tamaño de organización.
2.2. Clasificación de los estudios del futuro
Los diferentes métodos y técnicas son susceptibles de clasificar mediante distintas formas y criterios,
cada uno tiene un aporte significativo dependiendo del entorno, de los artefactos y de las personas que
A. Mora G.
2 - Métodos Futurísticos
usan; se presentan algunas maneras de organizarlos, sin ser ninguna de ellas más valedera que otra,
simplemente son diferentes enfoques que se dan a las herramientas futuristas.
Decouflé hace una clasificación sobre el futuro, de acuerdo con tres acepciones distintas: el destino, el
porvenir y el devenir. Como destino, el futuro es objeto del descubrimiento16, como porvenir es objeto
de la descripción imaginaria17 y como devenir es objeto de la acción18 (1980).
La evolución de los estudios del futuro muestra importantes esfuerzos realizados por las personas para
explorar el porvenir, en los que la reflexión sobre el futuro no depende de la percepción de un solo
hombre extraordinario, sino que se convierte en la acción coordinada de varios expertos o de grupos
involucrados en el problema que desean analizar (Miklos y otra,1998,32).
2.2.1. Basadas en la predicción
El autor Enric Bas, define la predicción, como el anuncio, por revelación, ciencia o conjetura de algo que
ha de suceder, y organiza los métodos futurísticos en cuatro grupos (1999, 29):
2.2.1.1. Sobrenatural
Estas metodologías se basan en la predicción por revelación divina o de entes superiores al humano, no
se apoya en el método científico sino en la interpretación personal del iluminado. Dentro de este grupo
se encentran: la visión, la profecía y la clarividencia (30).
2.2.1.2. Hermenéutica19
La componen aquellos estudios del futuro que se caracterizan por tener un interés hermenéutico por el
conocimiento, tienen como objetivo mejorar la comunicación y la puesta en común entre las personas,
con el ánimo de favorecer actividades conjuntas y promover acciones colectivas, mediante la creación
de un conocimiento subjetivo de la realidad social, se basan más que todo en las categorías subjetiva y
36 cultural (descritas en la ilustración Escalas de categorías de validez de los métodos futurísticos, del
capítulo anterior); no alcanzan la validez universal o científica. Se clasifican dentro de este grupo: la
ficción, el utopismo y el futurismo. La hermenéutica de alguna manera persigue la teorización de los
hechos reales (30-31).
2.2.1.3. Técnica
La exploración técnica del futuro persigue el conocimiento objetivo, pretende proveer las predicciones
que orienten la toma de decisiones en el largo plazo, incluye todas aquellas investigaciones dirigidas a
desarrollar métodos y técnicas que aumenten la calidad de las predicciones. No busca la teorización de
las cosas, sino la comprobación empírica, se puede catalogar como un tipo de investigación de orden
descriptivo, más no concluyente, funciona con criterios cientifistas, más sin embargo no alcanza
formalmente el nivel de método científico, se puede decir que lo contribuye.
Algunas ciencias como la econometría, la demografía, la meteorología, etc., la usan para realizar
predicciones, basadas únicamente en modelos matemáticos que excluyen radicalmente variables
cualitativas (31). Es una gran aproximación al método científico.
2.2.1.4. Emancipadora
La investigación emancipadora pretende determinar los futuros posibles y conocer su grado de
probabilidad de ocurrencia, para orientar la acción para conseguirlo o evitarlo según el caso, no se trata
de plantear un futuro deseable, ni de predecir con exactitud cuál será el futuro. Propende un método
16
En esta categoría están la adivinación de la suerte y la profecía, referida al destino de una ciudad o cultura determinada.
17
Es decir, el conjunto de estados posibles de la naturaleza en un plazo más o menos lejano. En el se encuentran la utopía y la ciencia ficción.
18
Aquí se trata de la futurología y la prospectiva.
19
Ciencia que define los principios y métodos de la crítica y la interpretación de los textos antiguos (Larousse,2000). Técnica o método de interpretación
de textos: la hermenéutica se remonta a la exégesis bíblica y a la explicación de mitos y oráculos de la antigua Grecia (Diccionarios@,2006).
A. Mora G.
2 - Métodos Futurísticos
A. Mora G.
2 - Métodos Futurísticos
prospectiva centrada en la planificación estratégica tecnológica (y clásica) y las posturas más críticas y
radicales (Masini, 1993,101).
2.2.3. Criterios básicos de los métodos futurísticos
Las metodologías se pueden agrupar desde la óptica de algunos parámetros que los caracterizan por su
aplicabilidad y por la fundamentación de los procesos internos que utilizan, para crear los futuribles. Un
modelo futurístico de planeación estratégica tecnológica debe contener cuatro elementos básicos: lo
cualitativo, lo cuantitativo, lo temporal y lo probabilístico (Jones y otro,1978 (citado por el autor Enrique
De Miguel (1990,227-228))).
La palabra escenarios que aparece en el contexto prospecto se usa inicialmente en una estructura
especulativa alusiva al año 2000 donde se presentan diferentes opciones de entornos para ese resto de
siglo, que se les denomina escenarios (Kanh, 1969)20.
La palabra escenarios se asocia al método de planeación pos escenarios, de donde se atribuye como
significado a un entorno definido, con unas variables dadas y valoradas, en una condición
determinística. En este libro se usa en su reemplazo amplio y connotado, la palabra entorno que es un
escenario con variables, pero sin asignación de valor a ellas.
La siguiente ilustración muestra un diseño típico de métodos futurísticos, orientado por las ideas
iniciales de Jones y Twiss (1978), pero mejorado acorde a la realidad y el conocimiento actuales, se puede
afirmar que es la representación base del diseño propuesto en la ilustración denominada Plan integral
de futurología, de este mismo capítulo. Una de las grandes ventajas de los métodos futurísticos, es que
38 presentan una gama amplia de precios y tiempos de aplicación, los hay muy económicos y valederos,
como extensos y costosos, en función de las características de lo que se quiere.
Es probable que algunos de los métodos no contienen sino el elemento cualitativo, como es el caso de la
planeación por escenarios, esto simplemente los convierte en unas herramientas que solas no cumplen
con el método científico y que deben ser acompañadas de otros métodos que cumplan con lo
cuantitativo, lo probabilístico y lo temporal, además de requerir del proceso científico, para que sus
resultados sean verosímiles y valederos, en el espacio y tiempo donde se usan.
2.2.3.1. Cualitativo
El punto de partida de cualquier estudio de previsión es el elemento cualitativo o escenario no
cuantificado, en donde se consideran las ideas y las opiniones de personas expertas en el tema a tratar.
Se utilizan metodologías de análisis que buscan estimular el pensamiento creativo de los participantes
y sacarlos de sus esquemas mentales (De Miguel,1990,229).
La recomendación con estas técnicas cualitativas es que usen acompañadas de otros métodos que tengan
validez científica. Cabe resaltar que solos son muy útiles para iniciar y promover la motivación de las
personas, en los desarrollos futurísticos, se les usa como herramientas iniciales de cualquier diseño
proyectivo-transición-prospectivo, que se base en el conjunto científico de los métodos a usar.
20
Citado por el autor Enrique De Miguel en su libro (1990,227).
A. Mora G.
2 - Métodos Futurísticos
Previsió
Previsión global de corto plazo aplicada
a todo el conjunto: personas, entornos y
artefactos.
Contiene elementos:
•cualitativos y/o
•cuantitativos y/o
•temporales y/o
•probabilí
probabilísticos
Previsió
Previsión global de corto plazo Previsió
Previsión global de corto plazo Previsió
Previsión global de corto plazo
aplicada a al sub-
sub-conjunto 1 con aplicada a al sub-
sub-conjunto 2 con aplicada a al sub-
sub-conjunto n con
sus personas, entornos y artefactos. sus personas, entornos y artefactos. sus personas, entornos y artefactos.
Contiene elementos: Contiene elementos: Contiene elementos:
•cualitativos y/o •cualitativos y/o 3 4 …. …. •cualitativos y/o
•cuantitativos y/o •cuantitativos y/o •cuantitativos y/o
•temporales y/o •temporales y/o •temporales y/o
•probabilí
probabilísticos •probabilí
probabilísticos •probabilí
probabilísticos
Contiene elementos:
cualitativos y/o
cuantitativos y/o
temporales y/o
39
probabilí
probabilísticos
Previsió
Previsión global de corto plazo Previsió
Previsión global de corto plazo Previsió
Previsión global de corto plazo
aplicada a al sub-
sub-conjunto 1 con aplicada a al sub-
sub-conjunto 2 con aplicada a al sub-
sub-conjunto n con
sus personas, entornos y artefactos. sus personas, entornos y artefactos. sus personas, entornos y artefactos.
Contiene elementos: Contiene elementos: Contiene elementos:
•cualitativos y/o •cualitativos y/o 3 4 …. …. •cualitativos y/o
•cuantitativos y/o •cuantitativos y/o •cuantitativos y/o
•temporales y/o •temporales y/o •temporales y/o
•probabilí
probabilísticos •probabilí
probabilísticos •probabilí
probabilísticos
A. Mora G.
2 - Métodos Futurísticos
Este método no debe utilizarse para soluciones claras o que se puedan encontrar en la experiencia. En
el, es de vital importancia la calidad y la experiencia de las personas que participan, su enriquecimiento
depende de esto (De Miguel,1990,229-230).
2.2.3.1.2. Analogías
El interés de este método de previsión está en investigar si dos cosas presentan características similares.
O’Connor distingue dos etapas para obtener una analogía: la casual (o superficial) que se da cuando
parece haber cierta semejanza entre dos o más artefactos, recursos o situaciones y la formal, que surge
después de un análisis completo de las características básicas. Entre las más citadas por Jones y Twiss
están: las biológicas, históricas y geográficas (234). En la actualidad se les utiliza para construir entornos
de productos o servicios nuevos, similares a otros.
2.2.3.1.3. El modelo o mapa contextual
El mapa contextual se usa para hacer la previsión de la evolución de una tecnología. Se fundamenta en
la representación gráfica de dicha evolución a lo largo del tiempo y de las tecnologías que influyen en su
avance. La principal aplicación es la de servir de punto de partida, para llevar a cabo estudios de series
40 de tiempo, donde las primeras etapas del desarrollo tecnológico se registran, se cuantifican y se colocan
sobre una escala temporal para ser luego, extrapoladas (230-234).
2.2.3.1.4. El análisis morfológico
El método consiste en obtener un modelo de dos dimensiones llamado matriz morfológica, en la primera
columna aparecen las etapas, variables o atributos fundamentales de la tecnología analizada, las
columnas siguientes numeradas contienen los diferentes métodos alternativos para completar las
diversas etapas. Es la más sistémica de las metodologías (235-236).
21
Citado por el autor Enrique De Miguel en su libro (1990,229).
22
El año base, es donde se quiebra la frontera entre el futuro con base en el pasado y el futuro construido a partir de lo nuevo.
A. Mora G.
2 - Métodos Futurísticos
asociados a los fenómenos evaluados, se construyen los entornos que dan la base para la elaboración de
los entornos de mediano y largo plazo del año base, entre ellos resaltan los entornos de orden:
económico, político, financiero, tecnológico, de mercadeo, social, político, ecológico, recursos humanos,
etc.
Es una práctica de mucho uso, en el campo de la planeación estratégica tecnológica, en la cual sus
funciones primordiales son vigilar y proteger, donde se enmarcan la mayoría de los métodos futurísticos
(246-249).
2.2.3.1.7. Planeación por Escenarios – Método modificado cuantitativo
Son entornos que se valoran a futuro y que se dan dentro de unas condiciones referenciadas por hechos
y opiniones de expertos, para que esta metodología califique verdaderamente como de método científico,
debe desarrollarse con una metodología científica y no basada en simples conjeturas humanas
conjugadas de tal manera, que sea a capricho de los realizadores o de los participantes, como es el caso
de la metodología de planeación por escenarios propiamente dicha, que se queda solo en lo cualitativo,
sin llegar a pronosticar o prospectar entornos móviles, sino más bien rígidos, a los que se les asignan
unos nombres y en dichas situaciones encajan de manera forzada todo lo que pueda suceder, esta
metodología de planeación por escenarios es muy cuestionada, en su validez científica y metodológica;
realmente lo que se hace con ella es que se acompaña de otros métodos proyectivos y prospectivos (como
SMIC y el Prob-Expert®, que valoran las probabilidades de ocurrencia de los entornos (Godet,1999,153))
de mayor envergadura científica y se dejan las variables móviles dentro de ciertos entornos (uno de
referencia, uno natural, uno negativo, uno positivo, etc. por cada año o período lectivo que se prospecta)
ampliamente flexibles y evaluados con cuartiles (o trimestres) de año.
La metodología no puede ser considerada como de entornos o escenarios verosímiles, solo por el hecho
de asignarles un nombre, a tal efecto Godet enuncia, que no es prospectiva bautizar como escenarios a
las diferentes opciones de un mismo modelo o entorno rígido en su creación (Godet,1999,47). Entendida 41
en el sentido, de que el entorno es un escenario variable, se acepta la metodología como válida en el
ámbito cualitativo, pero utilizar el concepto de planeación por escenarios como una futurología, para
basar las decisiones importantes de una empresa en el simple método cualitativo de escenarios puede
ser atrevido y temerario, esta utilización no califica como método científico dadas sus características de
relato de verbos y la no aplicación numérica en su contexto y en su desarrollo alrededor de posibles
hechos futuros (Mora,2001a) (2001b) (Godet,1999,39-45), se debe manejar solo como una herramienta
simple de nivel subjetivo, que es muy útil para iniciar procesos serios de planeación estratégica
tecnológica con base en el estado futuro; como el caso del estudio cualitativo Shell-Elf Aquitania descrito
en Godet (1999,65).
2.2.3.1.8. Técnicas de consenso
La metodología es bastante usada cuando se desea unificar (bajo sistemas proactivos) las ideas
obtenidas de otro método, por ejemplo es bastante usual consensuar resultados de pronósticos bajo
series temporales mediante este método, donde adquieren mucha importancia las opiniones, las
experiencias y las posiciones subjetivas de los expertos en el tema, a la hora de unificar resultados
obtenidos por pronósticos.
El método de consenso exige la participación abierta y sin críticas de los demás participantes,
simplemente mediante la mejora de las ideas hasta lograr la unión total o casi global. Otros ejemplos
similares son el método Delphi con Cuartiles (trimestres anuales) y el del Vaticano.
2.2.3.1.9. Técnicas de grupo nominal
Es un método similar al Delphi, pero se estructura para que se capten y se agreguen opiniones de los
participantes, pero reunidos físicamente (a diferencia del Delphi). Se diseña por Delbecq y Van de Ven
en 1968 y los usan a partir de diversos estudios de psicosociología en grupos de decisión, aplicados a
problemas de ingeniería industrial en la Nasa en la Florida (Estados Unidos) (Delbecq y otro,1971,106)
(Delbecq y otros,1986) (Landeta,1999,186).
A. Mora G.
2 - Métodos Futurísticos
2.2.3.1.10. Mini-Delphi
Es una versión simplificada del método original, en la cual los distintos participantes escriben sus ideas
en presencia de los demás, luego se discuten públicamente sin asociarlas a los participantes que las
desarrollan (esta es la diferencia con Delphi y con Grupo nominal), posteriormente se analizan y se
mejoran, en seguida se toma la mediana de las ideas como el resultado global.
Existen otros métodos más avanzados, tanto en lo cualitativo como en lo cuantitativo, tales como: el
EFTE (estimation-feedback-talk-estimation) de los autores Keith R. Nelms y Alan L. Porter en 1985, el
GDSS (Group Decisión Support System) desarrollado por Leonard M. Jessup y Sal Kubalis en 1990 y
otros más que utilizan el método Mini-Delphi como fundamentación (194-195).
2.2.3.1.11. EDSIM (Educational Simulation)
Consiste en un método Delphi avanzado que utiliza técnicas cuantitativas, probabilísticas y temporales
de impactos cruzados (que se enuncian más adelante) para obtener una mejor explicación de la
interrelación de las ideas suscritas, se desarrolla por Timothy W. Weaver en 1971 en Nueva York en la
Universidad de Syracuse (196).
Existen otros métodos, de orden cualitativo que son muy útiles cada uno de ellos, a partir de las
42 características que presentan y su necesidad de aplicación.
2.2.3.1.12. COMPASS
Es una herramienta de orden cualitativo que es de mucho uso, a la hora de establecer planes, políticas o
programas empresariales, que requiere del concurso de expertos, se lleva a cabo en dos etapas, en la
primera de ellas se realiza un taller reflexivo que permite encontrar las principales ideas sobre el futuro
que se desea y en la segunda se evalúan las conclusiones obtenidas para poder implementarlas. Es un
método heurístico, de investigación exploratoria, de orden empírico desarrollado inicialmente por
Barclay Hudson en 1979 (Miklos y otra,1998,165).
2.2.3.1.13.
Ábaco de Régnier®
De por sí es un método cualitativo y en cierta forma temporal, muy animado y agradable de realizar, su
técnica es principalmente de debate con grandes ayudas visuales que se basa en diferentes técnicas de
colores, permite que los expertos se involucren de una manera más profunda en la realidad del debate
sobre el tema, del cual se trata de averiguar el futuro (Godet, 1999,147-149) (358)
2.2.3.1.14. Conferencia de encuentro y búsqueda de futuribles
Es una técnica de orden cualitativo y temporal, mediante el análisis grupal de expertos homogéneos,
bastante conocedores del tema que se desea prospectar entre diez y quince años vista, en él se revisan y
se auscultan las tendencias del pasado, que se cree que tengan alguna influencia en el tiempo futuro, al
igual tratan de elucubrar sobre las situaciones nuevas que pueden aparecer en ese lapso futuro. Es muy
adecuado para procesos de planeación de estrategias, programas y políticas de corto, mediano y largo
plazo, su restricción es que los participantes deben ser muy homogéneos y verdaderamente expertos en
la temática (166).
Existen algunos métodos de orden cualitativo de menor alcance y dimensión, como: Análisis de fuerzas,
Ariole, Evaluación tecnológica, Insumo - Producto, Proyección (en su fase cualitativa) (Miklos y
otra,1998,111-141), Teoría de catástrofes, Incasting, Backcasting, Visioning, Futures Work Shop
A. Mora G.
2 - Métodos Futurísticos
La previsión puede conceptuarse a partir de los atributos (artefactos o variables del entorno) que
caracterizan una situación y de los factores claves de rendimiento, que deben alcanzar en el tiempo, es
decir, el atributo se cuantifica y se mide con una unidad bien definida para ese fin. Por ejemplo, dentro
de los económicos se encuentra el Producto Interno Bruto (PIB) y su unidad de medida es la variación
porcentual de un periodo respecto a otro, en producción se habla de las cantidades demandadas o
requeridas para satisfacer las necesidades del público. Lo importante en estos casos es identificar los
sistemas de medición, los parámetros adecuados a cada variable y sus factores claves de rendimiento,
en la evaluación futurista, que son de interés para el pronosticador (De Miguel,1990,258).
Este punto del tiempo es de vital importancia, a la hora de diseñar la secuencia lógica de los métodos,
por ejemplo es factible trasladarse en el corto plazo con métodos como las series proyectivas temporales,
para luego desplazarse a dos años vista a lo que se puede denominar año base a partir de métodos Delphi
o Vaticano (u otros cualitativos), para establecer los entornos en varios temas (tecnológico, económico,
social, etc.) y posteriormente dispararse a cinco o diez años vista, con métodos netamente prospectivos
como el análisis estructural de impacto cruzado, y en cada año prospectado realizar distintos análisis.
En fin, el propósito en general es tratar de consolidar un proceso científico, conjugado por diversos
métodos que presenten coherencia intelectual en su secuencia de aplicación, que generen cambios
suaves en el tiempo, sin generar vacíos abruptos que invaliden el proceso de alguna manera en cuanto a
continuidad, contenido científico, verosimilitud, importancia, transparencia, repetibilidad, pertinencia,
representatividad o consenso.
El futuro como categoría mental, sólo existe imaginariamente en el tiempo presente. Es un ámbito
abierto al devenir y la creatividad humana. Para el hombre como ser actuante, el futuro es el campo de
la libertad y la voluntad; como ser pensante, el futuro es siempre el campo de la incertidumbre; y como
ser sensible, el futuro se enmarca en los deseos y aprehensiones (Miklos y otra,1998,39).
A. Mora G.
2 - Métodos Futurísticos
Las relaciones que se dan entre las diferentes interacciones de los tres elementos 24 de un sistema
empresarial se realizan en términos de tiempo; es decir de unas actividades pasadas (únicas y exactas)
que se analizan en un tiempo presente y que pretende imaginar las posibles relaciones y condiciones de
estado futuras (2003). El objetivo de los métodos futurísticos es conocer (a partir de unas características
dadas en el presente y analizadas científicamente) las situaciones posteriores en el porvenir y en
condiciones iguales o diferentes de espacio; de uno de sus elementos, de dos de ellos o de los tres
interrelacionados entre sí (Mora, 2001b,3).
El tiempo es algo continuo que va del pasado al futuro, en donde los únicos datos que tiene el analista
(o diseñador de futuros), relacionan el pasado con el presente, y en muchas ocasiones, los datos pasados
carecen de validez para realizar los pronósticos. Sin embargo, si existe una tendencia regular en los
datos históricos, también existe la probabilidad de que se mantenga la tendencia. Según Bright la
extrapolación del pasado solo sirve de guía satisfactoria para el futuro si no se producen nuevos hechos
de importancia, y si los estímulos o variables que influyen en un desarrollo anterior, se mantienen sin
cambios notables (De Miguel,1990,262).
2.2.3.4. Probabilidad
Esta cuarta característica de la clasificación del autor Enrique De Miguel, se refiere a varios aspectos:
contempla tanto los métodos que asumen la asignación humana de probabilidades a eventos de una
forma técnica o subjetiva con base en la experiencia y el conocimiento de los hechos por parte de los
expertos que participan en el estudio, como aquellos métodos que realizan cálculos estadísticos
(matemáticos o estocásticos), para asignar probabilidades de ocurrencia directas o conjugadas a los
44 posibles eventos de un análisis futurístico.
Existen muchos métodos, herramientas y metodologías futurísticas que tienen alguna o varias de las
características que permiten clasificar los métodos, según De Miguel: cualitativos, cuantitativos,
probabilísticos o temporales; cada uno como ya se menciona anteriormente, presenta ventajas y
limitaciones, su uso está condicionado a su esencia y al tipo de producto que genera en su desarrollo;
normalmente el carácter científico lo adquieren al trabajar en forma combinada o secuencial con varios
de ellos, a continuación se esbozan superficialmente ciertas características, de algunos de ellos sin
pretender profundizar25, simplemente se manejan en este texto a nivel informativo con referencias
bibliográficas para que cualquier persona que desee usarlos, pueda profundizar y encontrar la literatura
con la bibliografía pertinente.
2.2.3.4.1. Curvas de aprendizaje
Este método es de base cualitativa, con fuertes componentes cuantitativos y temporales, refleja el nivel
de aprendizaje de las personas u objetos ante determinada función o situación. Se basa en la recolección
de datos históricos, que permite su extrapolación en un estado presente para conocer su
comportamiento futuro (De Miguel,1990,261).
2.2.3.4.2. Curvas de sustitución
La metodología es netamente cuantitativa y temporal, se aplica en situaciones donde una tecnología,
servicio, producto, proceso u organización es sustituido paulatinamente por otro, pretende encontrar la
23
En las cuales se hacen los desarrollos empíricos y científicos de los métodos proyectivos, de turbulencia y prospectivos.
24
Personas, entorno y recursos (artefactos) del enfoque sistémico kantiano.
25
El objetivo de este libro se centra en los métodos proyectivos de carácter cuantitativo, probabilístico y temporal, como son los pronósticos numéricos
univariados obtenidos a partir de la metodología de series temporales.
A. Mora G.
2 - Métodos Futurísticos
relación matemática que modele dicha sustitución en el tiempo (Fisher y otro,1971). El método es útil
cuando se trata de productos o materiales nuevos (268).
2.2.3.4.3. Analogías cuantificadas
El método se fundamenta en la herramienta futurística analogías de orden cualitativo, solo que se
añaden componentes cuantitativos y temporales; el proceso identifica un fenómeno en el tiempo que se
denomina el precursor y uno rezagado más actual, se encuentran los parámetros y las relaciones
matemáticas que gobiernan la relación causal, se toman los datos históricos de valores del elemento
precursor y se pronostica con series temporales el elemento rezagado (se recomiendan períodos de ocho
años) (Koshi,1974). El método tiene mayores beneficios en los asuntos tecnológicos y empresariales,
presenta algunas restricciones en lo social26 (265-267) (Jones y otro,1978).
2.2.3.4.4. Modelos dinámicos o Dinámica de sistemas
La metodología básicamente es de orden cuantitativo, temporal y cualitativo27. Encuentra las
correlaciones matemáticas y estadísticas entre variables en términos del tiempo, establece los modelos
matemáticos requeridos para ajustar el comportamiento histórico de los diferentes fenómenos
evaluados, una vez los emula, los extrapola al futuro. Se puede afirmar que es un método proyectivo de
corto plazo. Si se combina con herramientas de orden causal28 y estadístico, puede generar resultados
muy satisfactorios y coherentes en el tiempo.
Este método persigue objetivos muy similares e idénticos que los pronósticos que se obtienen por series,
que es uno de los objetivos relevantes de este libro. La econometría o estadística matemática es un
método futurístico que califica en este grupo de modelos dinámicos (Miklos y otra,1998,173).
Los juegos de simulación caen en esta fase de los métodos cualitativos, cuantitativos, temporales y
probabilísticos (173- 175).
2.2.3.4.5. Técnicas compuestas
Los métodos futurísticos en general son complementarios, se requieren unos de otros para alcanzar los
diez criterios mínimos de éxito y consolidar el proceso integral de futurología, como de carácter
científico. Dadas unas circunstancias de personas, recursos (artefactos) y entornos (escenarios) existen
unos más adecuados que otros, con base en las características propias del fenómeno o situación que se
desee prospectar en sí y de lo que se pretenda obtener, a partir de la información que se tiene (276-277).
En algunas ocasiones la combinación de varios modelos es el mejor camino para obtener excelentes
resultados.
Por lo general estas combinaciones, requieren de la utilización de diversos métodos y que entre todos
reúnan las características (cualitativas, cuantitativas, probabilísticas y temporales) del autor De Miguel
y científicas requeridas para su adecuada validez y aplicación.
26
En especial cuando se pronostican con series temporales, más sin embargo no descalifica el método que aún se encuentra en evolución.
27
Es muy generalizado el uso de técnicas cualitativas para engendrar los fundamentos de los fenómenos evaluados antes de los métodos y análisis
cuantitativos, temporales y probabilísticos.
28
Como análisis de correlaciones, coeficiente Alfa de Cronbach, varianzas, co-varianzas, regresión múltiple, componentes principales (Hair y otros,2005)
(Pearson,1921), relaciones polinomiales, funciones matemáticas de varios grados, redes neuronales de correlación, técnicas de simulación, I think, etc.
A. Mora G.
2 - Métodos Futurísticos
Se establecen eventos y decisiones que se construyen sobre la figura de un árbol, en el se dibujan nodos
de dos tipos, cuando son orden decisional sobre los cuales el ser humano puede optar por cada una de
las posibles opciones y estados aleatorios naturales cuando la opción a suceder no depende de las
personas, se construyen así las distintas ramas del árbol con su correspondientes nodos, hasta llegar a
la derecha a eventos terminales, cada opción natural o humana se valora en términos económicos y
probabilísticos; el proceso consiste en decidir sobre la ruta que mayor beneficio esperado ofrezca, de
46 acuerdo a sus opciones probabilísticas (Vinader31,1978) (Bas,1999,131-134).
Se puede pensar que es equivalente al enfoque decisional de Bayes. El árbol a la vez que permite
determinar los futuribles sirve para controlar la evolución de los hechos, con el fin de optar por el camino
correcto, cada vez que surja un evento natural o decisión humana (Bas, 1999,131-134). Similar o con
variaciones mínimas se le denomina también como Árbol de relevancia (Miklos y otra,1998,164). Uno
de los estudios más conocidos donde se aplica el Árbol de relevancias es en el proyecto PATTERN 32
(Planning Assistance Through Technical Evaluation of Relevance Numbers) que lo utiliza la empresa
Honeywell Corporation en 1971, con el fin de prospectar los aspectos militares, espaciales y médicos más
relevantes para planear su futuro y alcanzar sus metas en el porvenir (Cetron,1991) (Miklos y
otra,1998,164)
2.2.3.4.9. Series temporales
La metodología de series temporales califica como un método cuantitativo y temporal33 (casi siempre
proveniente de un estudio cualitativo previo) de procedencia cualitativo, básicamente se trata de emular
el comportamiento futuro a partir del análisis de los datos del pasado y del presente; se le considera
como uno de los métodos más completos, acertados y útiles para conocer el futuro de corto plazo; el por
29
Es importante recordar que en la proyectiva por series temporales y en otros métodos de extrapolación, el único elemento de una serie que influye en el
futuro, no solo es la tendencia natural, sino que están además influencias pasadas como los cambios de nivel, el ruido o aleatoriedad, la estacionalidad y la
presencia de estructura cíclicas, como se describe en el capítulo de proyectiva de este libro.
30
Cita el autor Enrique De Miguel a T.J. Gordon y a J. Stover como fundadores de esta técnica en su publicación Using perceptionts and data about the
future to improve the simulation of complex systems.
31
Citado por Enric Bas en su obra de 1999 en las páginas 131, 132 y 133.
32
Aplicado en el estudio desarrollado por R. Alderson y W. Sproul, denominado Requirement Analysis, need forecasting and technology Planning, citado
en el libro de Marvin J. Cetron (1971) alusivo al tema (Citado por Miklos y otra (1998,134)).
33
En ocasiones se les atribuye características probabilísticas.
A. Mora G.
2 - Métodos Futurísticos
sí solo cumple con el método científico cuando sigue una metodología integral estandarizada
mundialmente (Carrión,1999,2-18).
Usa diferentes modelos de previsión dentro de su análisis metodológico y sistémico, entre ellos se
destacan los modelos AR.I.MA.34 (AR Auto Regressive (Auto Regresivo)- I Integrated or Integratived
(Integración o Diferenciación) - MA Moving Average (Medias Móviles y en ocasiones denominado
Promedios Móviles)) con su metodología Box-Jenkins y algunos casos particulares de estos como son
los denominados modelos clásicos (de ajuste por tendencia o regresión, de suavización exponencial (y
pura) y los de descomposición). Tanto los modelos clásicos como los modernos tienen la capacidad de
extrapolar el pasado hacia el futuro, pero además de esto los modelos AR.I.MA tienen la gran virtud de
encontrar situaciones numéricas futuras que no tengan antecedentes ni relación con el pasado 35, de allí
la gran importancia de manejar adecuadamente estos modelos en los procesos de series temporales. El
pronóstico con series temporales es el epicentro de este libro y como tal es la base estructural de este
desarrollo. Es importante recordar que es una técnica de corto plazo y funciona muy bien cuando el
entorno es relativamente estable, aun cuando los valores de la variable oscilen mucho (Mora, 2006).
Las series temporales tienen gran aceptación y divulgación empresarial. Son mundialmente aceptados
y su aplicación está circunscrita a muchos campos tecnológicos, empresariales y sociales, tales como:
inventarios, demanda, producción, ventas, mercadeo, finanzas, economía, mantenimiento, ciencias
sociales, demografía e infinitas áreas del conocimiento mundial. Presentan grandes avances en los
últimos años tanto en su contexto, usos, aplicaciones y sotfwares de apoyo para su realización
(Abraham,2005) (Hanke y otro, 1996) (De Miguel,1990,262-264) (Makridakis y otro,1998)
(Mora,2001a) (2000) (1998) (Carrión,1999,3-29).
Una metodología derivada de las series temporales son los pronósticos tecnológicos que es usada 47
inicialmente por Lenz en 1960, que sirve para planeación estratégica tecnológica y clásica, como para el
análisis de alternativas futuras y el perfil de su impacto individual y cruzado (Miklos y otra,1998,175).
El espectro es una herramienta fundamental para detectar estacionalidad en una serie y determinar su
período. Como es de esperar, el espectro está íntimamente relacionado con la función de auto
correlación.
34
Conocidos como modelos modernos.
35
Que se obtienen por el cálculo del error de las estimaciones correlacionadas de los datos del pasado, revisadas entre sí, y que en ocasiones generan otros
valores no relacionados con los del pasado, originales.
A. Mora G.
2 - Métodos Futurísticos
En la siguiente figura se muestra una imagen típica del espectro de frecuencias de una serie, en el que
se representa en el eje de las Y la amplitud y en el de las X la frecuencia, mediante la obtención directa
del espectro a partir de los datos (esquina superior izquierda), se realiza una refinación con
procedimientos de alisado y que permite en este caso detectar la presencia de un factor de periodicidad
para la frecuencia en torno del valor 1.
48
Puesto que Periodo = 1/ Frecuencia, que permite obtener la frecuencia, o frecuencias (picos en el
espectro), a partir de ésta se calcula de forma sencilla el periodo de las oscilaciones en la serie de datos.
2.2.3.4.11. Técnica Delfos con cuartiles
Es de grado cualitativo, temporal, cuantitativo y probabilístico; se basa en expertos del tema a evaluar
en estado futuro. El proceso que sigue es similar al método Delphi solo que asigna probabilidades de
ocurrencia a los diferentes eventos y a sus derivados por cruce entre ellos, en diferentes estados del
tiempo (en el caso de cuartiles o trimestres de año) (De Miguel, 1990,280-288).
A. Mora G.
2 - Métodos Futurísticos
Selección y definición de los expertos (entre el grupo se debe contar con expertos en la
temática estudiada, expertos en el método y técnicos) con sus reglas de juego (lo ideal es
superior a 10 e inferior a 50 personas36, si la entidad donde se realiza es privada se toman
pocos y si es pública el número de expertos debe ser el máximo posible).
Descripción de las variables influyentes en el futuro del tema evaluado, por parte de los
expertos.
Estrategias y acciones que desarrollar a partir de los resultados generales del estado futuro.
En general es un método de alto contenido científico, fácil de realizar y de buenos resultados, sus puntos
vitales son: la selección de los expertos, la asignación de probabilidades y el seguimiento de una
metodología seria y rigurosa en el proceso. La gran virtud de la técnica Delfos con cuartiles es que crea
entornos (escenarios) acompañados de fechas de ocurrencia por venir con alta probabilidad de
ocurrencia (Mora, 2000b) (200oc).
2.2.3.4.12. Método del Vaticano 49
Es una herramienta netamente cualitativa, que emula el método Delphi y le agrega unas etapas
adicionales, que garantizan que se llegue a un consenso total de los participantes sobre el tema que se
desea evaluar en su estado futuro
2.2.3.4.13. Análisis estructural de impactos cruzados
El método de impactos cruzados es quizás uno de los métodos más completos para el análisis futurístico
de diferentes entornos posible en el mediano y largo plazo, se considera de orden cualitativo,
cuantitativo, temporal y probabilístico. Su insumo son las ideas de los expertos, quienes deben ser
seleccionados de una forma muy cuidadosa, pues en ello y en ellos radica el éxito.
Se desarrolla en varias etapas, se inicia en un ejercicio profundo de orden cualitativo que pretende
detectar las variables que influyen de alguna manera en el presente o en el futuro sobre un tema, variable
o entorno futuro (normalmente es una técnica Delphi para comenzar), una vez se consiguen las variables
por algún método cualitativo serio, se relanzan las hipótesis y se procede a su decantación con algunas
técnicas estadísticas y/o cuantitativas, posteriormente se procede a evaluar mediante otra etapa y/o
instrumento las influencias de unas variables sobre otras a partir de la opinión de los expertos (estos se
recomiendan en cifra superior a diez e inferior a cincuenta (similar al Delfos con cuartiles) (De
Miguel,1990,302), la cifra ideal es trece personas (cuando se trata de sector privado, 35 para mixto y 50
para entidades públicas).
La siguiente fase es la construcción de una matriz donde se recogen las ideas cuantificadas y con
asignaciones probabilísticas dadas por cada uno de los expertos de cada variable sobre las demás, esta
matriz se unifica con ceros y unos a partir de las medias obtenidas (matriz que se conoce como base
cero) de las incidencias de unas variables sobre otras, una vez establecida la matriz se procede a elevarla
a la máxima potencia posible con el fin de obtener unos valores suavizados constantes en las
36
Se puede afirmar que el número ideal para cualquier caso es 31 Personas o más (Teorema del Límite Central)
A. Mora G.
2 - Métodos Futurísticos
evaluaciones de motricidad (movilidad o capacidad de una variable de incidir a futuro sobre otra) y
dependencia (incidencia que puede recibir una variable de otra con alto grado de motricidad, puede
decirse también del grado de sensibilidad de una variable al ser impactada por otra), valores que se
obtienen de la matriz que potencia; entre más elevado sea el valor de la potencia, mayor es la
probabilidad de la estabilidad de sus valores de dependencia y motricidad.
Con estos valores horizontales de motricidad y verticales de dependencia, se procede a construir los
mapas arquitectónicos contextuales de impacto directo (matriz de orden uno, que refleja la realidad
actual) y el de impacto indirecto (matriz elevada a la máxima potencia) que es el que representa los
valores de motricidad y dependencia que adquieren las variables a futuro.
El mapa de orden indirecto que se obtiene mediante procesos cuantitativos, estadísticos, probabilísticos
y temporales, constituye cuatro cuadrantes que representan los tipos de variables que se tienen: motrices
(alta motricidad y baja dependencia), reflejo o tipo espejo o de refuerzo (alta motricidad con alta
dependencia), dependientes (alta dependencia con baja motricidad, conocidas también como variables
del futuro, de largo plazo) y por último las variables autónomas o independientes (baja motricidad y
baja dependencia) que son las que no inciden, ni en el presente ni en el futuro sobre el sistema
(Mora,2000b)(2000c).
Estos cuadrantes también esquematizan las acciones en términos del tiempo, definen las estrategias que
se deben llevar a cabo en cada fecha encontrada, establecen la secuencia lógica de metas y actividades a
desarrollar de una forma coherente, permiten evaluar los resultados que se obtienen en cada tiempo
definido para ello, etc.; son innumerables los beneficios de la planeación estratégica tecnológica a partir
del estado futuro que se obtienen por este método MIC MAC, por eso se les considera a los métodos de
impacto cruzado como uno de los métodos de mayor nivel científico, cuando se aplican debidamente se
da por descontado que cumplen todos los criterios de éxito ya descritos (De Miguel,291-303)
50 (Landeta,1999,198-219) (Bas,1999,126-131) (Godet,1999,149-186) (Miklos y otra,1998,125-127).
La metodología de análisis estructural prospectivo de impactos cruzados MIC MAC, adquiere su gran
divulgación entre 1972 y 1974, su sigla MIC MAC se explica como - Matrice d´Impacts Croisés -
Multiplication Appliqueé a un Classement - Matriz de Impacto Cruzado con Multiplicación Aplicada a
una Clasificación de variables en un sistema cerrado (Godet,1999,352) (Duperrin y otro,1973).
Se seleccionan treinta y un expertos (o más), para este caso 40, en el tema comercial con suficiente
experiencia y conocimiento, tanto en el comportamiento del consumidor como en técnicas cualitativas,
con la base de un ejercicio Delphi se les solicita a los participantes que planteen las posibles variables
influyentes en los criterios de compra del consumidor nacional en el territorio del país a los próximos
cinco años vista.
A. Mora G.
2 - Métodos Futurísticos
No.
Planeación Estratégica
ANÁLISIS ESTRUTURAL PROSPECTIVO – M. Godet
- MIC MAC
Matrice d‘Impacts Croisés - Multiplication Appliqueé a un Classement
Matriz de Impacto Cruzado, de Análisis Estructural y de Relaciones e
Influencias ( M. Godet y J.C. Duperrin - Francia - 1974 CEA R 4541 )
Instrumento 1
Le agradecemos a Usted nos diligencie el siguiente instrumento teniendo en
cuenta su gran experiencia y su alto conocimiento en mercadeo,
comercialización y logística.
1 ______________________________________________
2 ______________________________________________
51
3 ______________________________________________
4 ______________________________________________
5 ______________________________________________
6 ______________________________________________
7 ______________________________________________
8 ______________________________________________
9 ______________________________________________
10 _________________________________________
Otros
1) ___________________________________________
2) ___________________________________________
3) ___________________________________________
4) ___________________________________________
5) ___________________________________________
Una vez se obtienen las diferentes variables de todos los 40 expertos, se filtran con el grupo mediante la
identificación de las similares y de las que denoten lo mismo para simplificarlas; luego se tamizan
mediante un histograma frecuencial, para constituir las primeras 16 variables como hipótesis de factores
claves influyentes.
A. Mora G.
2 - Métodos Futurísticos
Las variables seleccionadas como hipótesis, que influyen en las características del consumidor a siete
años vista, se toman por valores iguales o superiores a la media. A su vez se clasifican en variables
internas y exógenas, y en cada subgrupo como técnicas y de gestión. Las variables se discuten con el
grupo de expertos para validarlas y comprobar que todo el mundo entienda de ellas el mismo significado.
Se procede a entrenar al grupo específico seleccionado para la etapa de impactos cruzados, en la forma
de diligenciar el instrumento, las escalas de probabilidades y los valores que para ello se definen.
A. Mora G.
2 - Métodos Futurísticos
53
Al promediar todas las respuestas de impactos de las trece personas seleccionadas, se tiene la siguiente
matriz inicial de resultados de impactos.
Promedios
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
1 0.00 3.75 3.50 3.75 2.50 2.88 4.25 3.88 2.63 4.25 4.38 2.38 4.50 3.38 3.63 4.8
D
2 4.75 0.00 4.63 4.38 4.63 4.25 3.50 3.50 4.50 4.25 4.50 3.13 4.38 4.50 3.63 4.75 e
3 2.38 3.63 0.00 3.13 4.13 2.75 2.88 1.50 3.63 2.00 3.00 1.63 4.00 2.63 4.13 3.25 p
e
4 4.50 4.13 3.63 0.00 3.50 2.88 2.88 1.88 3.38 4.38 4.25 2.38 4.50 3.63 4.13 2.88
n
5 2.25 2.88 3.25 3.50 0.00 4.75 3.63 1.88 3.88 2.38 3.38 1.25 4.75 4.25 4.50 3.00 d
6 4.00 4.63 4.00 2.38 5.00 0.00 3.75 1.75 4.25 2.50 4.00 1.13 4.63 3.63 3.75 3.88 e
n
7 3.38 3.63 2.13 3.25 2.88 2.88 0.00 2.13 2.13 3.50 4.25 2.13 4.63 3.25 1.75 1.88
c
8 3.25 3.25 1.50 2.13 1.13 1.63 3.50 0.00 1.13 3.50 3.00 4.88 3.63 1.75 0.88 1.88 i
9 2.75 3.88 4.25 3.25 3.75 3.75 2.38 2.38 0.00 3.00 2.75 1.13 3.63 3.63 4.13 0.13 a
10 3.63 4.75 1.88 4.75 2.00 2.75 3.25 3.63 1.88 0.00 4.13 2.25 4.63 3.13 2.88 3.13
11 4.00 3.75 2.88 4.13 2.88 2.00 3.13 2.38 2.63 3.50 0.00 1.25 3.75 4.38 2.38 2.13
12 2.00 2.75 1.25 2.50 2.00 2.00 1.25 5.00 1.38 3.25 1.50 0.00 2.75 1.25 1.25 1.25
13 4.25 4.38 3.38 4.00 3.38 3.63 3.88 2.88 3.25 4.63 4.63 1.75 0.00 3.88 4.75 3.25
14 4.25 4.25 3.50 4.75 3.38 3.50 3.25 2.63 3.00 3.25 4.63 2.25 4.13 0.00 3.75 2.25
15 2.25 3.63 3.13 4.00 4.38 3.50 2.63 1.88 3.63 2.88 3.25 1.75 4.13 3.25 0.00 2.25
16 3.88 4.38 2.25 3.00 3.13 3.13 2.88 2.13 2.88 3.50 3.50 2.38 4.13 3.00 2.38 0.00
Media 2.99
Motricidad
Con el fin de valorar los impactos probabilísticos asignados, se valora como 1 (fuerte) las casillas con
valores iguales o superiores a la media de 2.99 y con 0 las inferiores a la media, con lo cual se obtiene la
matriz de relación directa M1.
A. Mora G.
2 - Métodos Futurísticos
Matriz Directa
Variable 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 ∑
1 0 1 1 1 0 0 1 1 0 1 1 0 1 1 1 1 11
2 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15
3 0 1 0 1 1 0 0 0 1 0 1 0 1 0 1 1 8
M
4 1 1 1 0 1 0 0 0 1 1 1 0 1 1 1 0 10 o
5 0 0 1 1 0 1 1 0 1 0 1 0 1 1 1 1 10 t
6 1 1 1 0 1 0 1 0 1 0 1 0 1 1 1 1 11
r
7 1 1 0 1 0 0 0 0 0 1 1 0 1 1 0 0 7
i
8 1 1 0 0 0 0 1 0 0 1 1 1 1 0 0 0 7
9 0 1 1 1 1 1 0 0 0 1 0 0 1 1 1 0 9
c
10 1 1 0 1 0 0 1 1 0 0 1 0 1 1 0 1 9 i
11 1 1 0 1 0 0 1 0 0 1 0 0 1 1 0 0 7 d
12 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 2
a
13 1 1 1 1 1 1 1 0 1 1 1 0 0 1 1 1 13
14 1 1 1 1 1 1 1 0 1 1 1 0 1 0 1 0 12
d
15 0 1 1 1 1 1 0 0 1 0 1 0 1 1 0 0 9
16 1 1 0 1 1 1 0 0 0 1 1 0 1 1 0 0 9
∑ 10 13 9 12 9 7 9 4 8 11 13 2 14 12 9 7 149
Para estimar los valores de motricidad y dependencia de cada variable se obtiene la suma horizontal de
los impactos de motricidad y se divide en el global de 149 y entre 16 variables, al igual para dependencia
se suma verticalmente los valores de dependencia y se dividen en cada caso sobre el total de 149 y entre
16 (número particular de variables), lo que da en términos de porcentaje que facilita su graficación.
Valores en % de
DIRECTOS DE ORDEN 1
54 Variable Motricidad Dependencia
1 0.4614% 0.4195%
2 0.6292% 0.5453%
3 0.3356% 0.3775%
4 0.4195% 0.5034%
5 0.4195% 0.3775%
6 0.4614% 0.2936%
7 0.2936% 0.3775%
8 0.2936% 0.1678%
9 0.3775% 0.3356%
10 0.3775% 0.4614%
11 0.2936% 0.5453%
12 0.0839% 0.0839%
13 0.5453% 0.5872%
14 0.5034% 0.5034%
15 0.3775% 0.3775%
16 0.3775% 0.2936%
Para obtener los valores de motricidad de orden indirecto de impacto cruzado se eleva la matriz a la
potencia 3.3699E+66 que se representa numéricamente de la siguiente forma M3.36E+66, que se puede
leer como M a la potencia 3.37 undeca37-millones.
37
Término usado por el autor, en desconocimiento de otro.
A. Mora G.
2 - Métodos Futurísticos
La ventaja de multiplicar a potencias altas es que se garantiza la estabilidad en el tiempo de los valores
de motricidad y dependencia de cada una de las variables.
Serie1
Análisis Estabilidad Motricidad Serie2
0.80000%
Serie3
0.70000% Serie4
Serie5
Valores de c/u de las 16
0.60000%
Serie6
0.50000% Serie7
variables
Serie8
0.40000% Serie9
Serie10
0.30000%
Serie11
0.20000% Serie12
Serie13
0.10000% Potencia
Serie14
Serie15
0.00000%
Serie16
1.00E+00 9.00E+00 1.70E+01 2.50E+01 3.30E+01 4.10E+01 4.90E+01 5.70E+01 6.50E+01 7.30E+01 8.10E+01
-0.10000% Serie17
0.0075
Análisis Estabilidad Dependencia
0.0065
Serie1
55
Valores de c/u de las 16 variables
0.0055 Serie2
Serie3
Serie4
0.0045 Serie5
Serie6
Serie7
0.0035
Serie8
Serie9
0.0025 Serie10
Serie11
Serie12
0.0015
Potencia Serie13
Serie14
0.0005 Serie15
Serie16
Serie17
1.00E+00
-0.0005 1.00E+01 1.90E+01 2.80E+01 3.70E+01 4.60E+01 5.50E+01 6.40E+01 7.30E+01 8.20E+01
-0.0015
Cabe resaltar que la estabilidad de que se habla anteriormente, es alcanzada en forma posterior a que
el sistema se impacta; existen otros comentarios sobre estabilidad, pero esta se refiere a que el sistema
no es susceptible de ser prospectado o que sencillamente no se deja influenciar en términos futuros, por
lo cual sus variables no sufren ninguna transformación ni en el tiempo, ni en el espacio evaluados, en
términos de se mantienen constantes sus dos dimensiones de dependencia y motricidad, lo que
garantiza la vigencia en el largo plazo.
A. Mora G.
2 - Métodos Futurísticos
Existen casos específicos notorios en los diferentes cuadrantes, en determinadas situaciones, como las
que diagraman a continuación.
Motricidad
Sistema estable donde no se puede
influenciar, sus variables no se afectan con el tiempo
Refuerzo
Inestables
Motrices
Tipo espejo
Reflejo
Autó
Autónomas
Dependientes
Independientes
Dependencia
56 Ubicación de la Variable
Autó
Autónomas o
Dependientes
Independientes Dependencia
Ubicación de la Variable
Los valores indirectos de motricidad y dependencia de las variables se leen de forma similar que los
directos de su matriz correspondiente, al tener en cuenta que la suma horizontal es motricidad y la
adición vertical es el valor correspondiente a dependencia de cada variable.
38
Motrices, inestables de refuerzo, dependientes e independientes.
A. Mora G.
2 - Métodos Futurísticos
Valores en % de
Motricidad Motricidad Dependencia Dependencia
Variable Directa Indirecta Directa Indirecta
1 0.4614% 0.4800% 0.4195% 0.4535%
2 0.6292% 0.6114% 0.5453% 0.5668%
3 0.3356% 0.3734% 0.3775% 0.4297%
4 0.4195% 0.4633% 0.5034% 0.5609%
57
5 0.4195% 0.4433% 0.3775% 0.4182%
6 0.4614% 0.5004% 0.2936% 0.3282%
7 0.2936% 0.3419% 0.3775% 0.4109%
8 0.2936% 0.2827% 0.1678% 0.1556%
9 0.3775% 0.4341% 0.3356% 0.3886%
10 0.3775% 0.4072% 0.4614% 0.4655%
11 0.2936% 0.3419% 0.5453% 0.5695%
12 0.0839% 0.0689% 0.0839% 0.0722%
13 0.5453% 0.5794% 0.5872% 0.6048%
14 0.5034% 0.5398% 0.5034% 0.5517%
15 0.3775% 0.4282% 0.3775% 0.4297%
16 0.3775% 0.4362% 0.2936% 0.3263%
Con estas cifras ya se puede proceder a construir los mapas arquitectónicos de relaciones directas e
indirectas, cada uno con sus cuatro cuadrantes de variables: motrices, refuerzo, dependientes y
autónomas.
Se debe tener en cuenta que el ser humano es incapaz de imaginar y mucho menos visualizar lo que
sucede en el mapa arquitectónico indirecto, dada la complejidad de la multiplicación matricial, esta es
una de las grandes virtudes del método de impactos cruzados, lo otro que hay que manifestar, es que es
muy común que los expertos se sorprendan con los resultados obtenidos en el mapa indirecto, sobre
todo con las variables autónomas donde les cuesta trabajo aceptar que no inciden, esto se debe entender
en el contexto, de que el futuro no siempre es lógico y justamente los entornos no tienen que ser una
tendencia natural de lo actual.
A. Mora G.
2 - Métodos Futurísticos
Asp
De Refuerzo rele
MOTRICIDAD
13
0.500%
Motrices 06
14
05 01
04
0.400%
15
16 09 10
0.300% 03
07 11
08
0.200% Independientes
12
0.100%
Independiente Dependientes
DEPENDENCIA
0.000%
0.000% 0.060% 0.120% 0.180% 0.240% 0.300% 0.360% 0.420% 0.480% 0.540% 0.600%
0.0060
02 13
Motrices 06 01 14
0.0050 05
16 04
03
0.0040
09 10
15
0.0030 08 07 11
0.0020
Autónomas o Dependientes
12
0.0010 Independientes
.
DEPENDENCIA
0.0000
0.00% 0.10% 0.20% 0.30% 0.40% 0.50% 0.60%
Los cambios más relevantes que se dan en la ubicación de variables son: la 3 Rapidez comunicacional
pasa de refuerzo a independiente y la 15 Rapidez Distribución que se traslada de independiente a
dependiente; lo que se interpreta como un sistema de mediana movilidad.
A. Mora G.
2 - Métodos Futurísticos
La acción temporal del análisis estructural39 de impacto cruzado, se interpreta al leer los cuadrantes de
variables motrices (lectura inicial), luego las de refuerzo y por último las dependientes en el intervalo de
tiempo estipulado, en este caso cinco años.
Acción a
Variable Tipo Descripción Actuar en el año en el
tomar
6 Motriz Internet Uno cuatrimestre uno
Influenciar
16 Motriz Información Técnica Uno cuatrimestre dos
fuertemente
5 Motriz E-business Uno cuatrimestre tres
1 Reflejo Innovación Dos cuatrimestre uno
3 Reflejo Rapidez comunicacional Dos cuatrimestre dos Evaluar su
2 Reflejo Tecnología Dos cuatrimestre tres dependencia y
su impacto
14 Reflejo Practicidad Tres semestre uno sobre las
13 Reflejo Globalización y competencia internacional Tres semestre dos demás
8 Independiente Medio Ambiente - Conservar naturaleza NUNCA en los próximos cinco años
Tiempo inicial 2
1
Variables
Variables dependientes
independientes 3
al
fin
po
em
Ti
Se toman las variables en el sentido de las etapas y de las flechas en cada cuadrante, luego se distribuyen
en el intervalo de tiempo prospectado, de tal forma que a cada variable le corresponde un período de
tiempo específico y unas acciones que debe cumplir.
39
No debe confundirse la denominación análisis estructural de métodos futurísticos con la de competitividad, no son similares.
A. Mora G.
2 - Métodos Futurísticos
La interpretación y lectura del mapa arquitectónico estratégico tecnológico indirecto de estado futuro,
se realiza con diferentes métodos futurísticos que se enuncian a continuación.
2.2.3.4.14. Tablero de influencias de J. F. Lefebvre
La metodología consiste en buscar variables que tengan elementos comunes y que posean características
similares en cuanto a motricidad, dependencia u otro criterio que el diseñador de la futurología logre
detectar en el mapa de relaciones indirectas. Este análisis avanzado del MIC MAC permite definir la
jerarquía y secuencia lógica de las acciones que se deben tomar (Godet, 1999,102-105), el autor le agrega
parámetros de tiempo y las analiza por grupos para demostrar su coherencia intelectual y pertinencia40
(Mora,2000d). Se sitúa en las categorías de cualitativo, cuantitativo, probabilístico, temporal y en
especial es de orden estratégico.
60
40
El autor Enrique De Miguel hace énfasis en el análisis de cuadrantes con variables similares en motricidad y dependencia (1999,295-304).
A. Mora G.
2 - Métodos Futurísticos
Variable 5 E-business: las páginas deben tener todas las facilidades de compra y de rápidas y
seguras transacciones para los clientes. Actuar en el año 1 en el cuatrimestre 3.
De Refuerzo (Espejo o Reflejo o Inestables), en general son las variables por donde se transmiten las
acciones de motricidad al sistema, se deben manejar con cautela y precaución pues al ser muy
dependientes y a la vez muy motrices pueden generar impactos no planeados sobre otras variables que
no se desean tocar.
Variable 1 Innovación: los mercados actuales se mueven principalmente en este sentido, por
lo cual se debe administrar con la suficiente atención para que los productos cumplan un
adecuado ciclo de vida comercial y tecnológica, sin caer en la obsolescencia. Actuar en el año
1 en el cuatrimestre 4.
Variable 3 Rapidez comunicacional: todos los negocios e-business e internet requieren mucha
celeridad en la información a la hora de ofertar y cerrar la venta. Actuar en el año 2 en el 61
cuatrimestre 1.
Variable 2 Tecnología: los productos y servicios que se ofrecen deben involucrar tecnologías
avanzadas para ofrecer valor agregado competitivo a sus clientes. Actuar en el año 2 en el
cuatrimestre 2.
Variable 14 Practicidad: dado que las ventas no son personalizadas, los bienes y servicios
deben ser fáciles de usar. Actuar en el año 2 en el cuatrimestre 3.
Dependientes: son aquellas denominadas de salida, básicamente sirven para medir o calibrar si las
estrategias y acciones tomadas con las motrices y con las dependientes, son efectivas. Se deben medir
constantemente.
Variable 10 Calidad: las buenas acciones de las motrices y dependientes se deben ver
reflejadas en ellas, como indicadores de buenos productos y excelentes servicios al cliente.
Actuar en el año 5 en el semestre 1.
Variable 11 Funcionalidad: sirve para verificar si la promesa dada a los clientes sobre el
servicio esperado de sus productos satisface plenamente sus expectativas. Actuar en el año 5
en el semestre 2.
41
Caso de computadores DELL, que invierte grandes esfuerzos en este y esto le sirve para posicionarse como una de las mejores y más grandes empresas
en este ramo.
A. Mora G.
2 - Métodos Futurísticos
Autónomas o independientes: se les denomina a aquellas que, en esta situación dada de personas,
artefactos, entorno y expertos, no afectan en los próximos años los aspectos de consumo y compra de
los clientes, no se les debe prestar atención, pues cualquier esfuerzo que se haga con ellas es en vano. En
general no afectan al sistema, no son influenciadas por otras, al no tener ni motricidad, ni dependencia.
En este caso del ejemplo 1 son: 7-Diversidad, 9-M-business, 8- Medio Ambiente & Conservar naturaleza
y 12-Nutrición & Productos orgánicos.
2.2.3.4.15. SMIC42 y Prob-Expert®
El método SMIC se fundamenta básicamente en principios y procedimientos similares a los del análisis
estructural descrito hasta ahora, lo desarrollan los autores J. C. Duperrin y Michel Godet en su obra de
197343 y especialmente detallado en la obra de M. Godet de 1985 (130-150) (178) (290-296) (De
Miguel,1990,290) (Bas,1999,126-130) (Landeta,1999,198-204) (211-219). Se ubica en la categoría de
cualitativo, cuantitativo, probabilístico y temporal.
El énfasis del SMIC consiste en valorar las diferentes hipótesis planteadas por los expertos, mediante el
planteamiento de una posibilidad en el horizonte del porvenir, al realizarse se define como evento y el
conjunto de eventos define un marco referencial en el que existen diferentes y múltiples combinaciones,
asigna probabilidades a los eventos. La metodología permite corregir y afinar las distintas ideas y
opiniones emitidas, con el fin de convertirlas en resultados coherentes.
Todos los resultados conducen a entornos (escenarios) valorados en forma cuantitativa con asignaciones
probabilísticas. La valoración de las probabilidades de que ciertos entornos ocurran, se logra con el
procedimiento Prob-Expert® de tal manera que se sabe en el presente los escenarios más factibles a
62 futuro (Godet,1999,153-186). Ambos son métodos de gran utilidad y practicidad en el mundo actual.
2.2.3.4.16. Tablero de poderes de Ténière-Buchot - Diagrama de Djambi
Ambos métodos realmente son de apoyo logístico para el análisis estructural prospectivo de impactos
cruzados, sirven para interpretar estratégicamente los mapas arquitectónicos indirectos del futuro,
derivados del MIC MAC, pueden calificarse como de orden cuantitativo, temporal, probabilístico y
cualitativo al trabajar con el análisis estructural (o con aquellos métodos similares susceptibles de
utilizar las técnicas de Ténière-Buchot y Djambi).
Definen criterios de lectura de las diferentes variables, que clasifican en los cuatro cuadrantes de los
mapas estratégicos arquitectónicos indirectos del MIC MAC: motrices, refuerzo, dependientes y
autónomas.
Entre los parámetros más relevantes de lectura, están: el tiempo en que se ejecutan y su significado
(representado dentro de una cruz en la siguiente figura), el valor o la validez de sus enunciados (dentro
de pentágonos), el objeto u objetivo que deben cumplir dentro de la planeación estratégica tecnológica
(situados al interior de los octógonos), su función dentro de la cadena de impactos (ubicados en las
elipses de fondo negro), para lo que sirven (dentro de hexágonos) y lo que representan en su escala de
valores (dentro del pentágono).
42
SMIC - Sistemas y Matrices de Impactos Cruzados de Michael Godet.
43
Referenciada en la bibliografía.
A. Mora G.
2 - Métodos Futurísticos
Motricidad
Criterios
de lectura
Objeto
Motrices Refuerzo
Deseos Entrada Pasado Presente Enlace Logros
Valor
Falsos Será
Serán las Proceso
Publica problemas debilidades Juicio
Validez en el tiempo
Verbo Nada Ya Futuro Salida Metas
De esta forma se dejan sentadas todas las metodologías de análisis factibles del ejercicio 1 de impactos
cruzados.
2.2.3.4.17. J. W. Forrester
Es una metodología blanda que califica las ideas con patrones positivos o negativos para detectar su
ampliación o reducción en el tiempo, usa unos histogramas especiales. Puede calificarse como
cuantitativa y cualitativa, se puede considerar como una derivación de los modelos de sistemas o
sistemas dinámicos (Godet,1999,101-102).
2.2.3.4.18. MACTOR
Esta herramienta sofisticada y especializada que permite en el mediano y largo plazo, definir: los juegos,
los roles, las posiciones, las misiones y visiones, las características y demás particularidades de los
diferentes actores que intervienen en la futurología de un sistema, utiliza como base de acción el análisis
estructural de impacto cruzado, permite contrastar las versiones futuras de cada actor con las del
sistema (107-127).
Es muy recomendable para personas o entidades con dificultades en las relaciones humanas. Por su
excelencia se le considera como de un gran valor netamente estratégico y posee características
A. Mora G.
2 - Métodos Futurísticos
cualitativas, cuantitativas, temporales y probabilísticas; lo que la hace una de las mejores técnicas
prospectivas (Mora, 2000a) (2000b) (2001a) (2001b).
2.2.3.4.19. MULTIPOL
Es un método de orden cualitativo, temporal, temporal y probabilístico que utiliza múltiples criterios
entrelazados y relacionados. Su objetivo es comparar y encontrar diferentes acciones y soluciones a una
situación dada mediante distintos criterios y políticas. El procedimiento conlleva la utilización de
tableros evolutivos simples, mediante la combinación futura y posible de distintas acciones o soluciones.
Trabaja a partir de expertos en el tema que se resuelve.
Es una metodología flexible que evalúa las diferentes acciones a la luz de diferentes criterios, que sopesa
los diferentes resultados futuros obtenidos, se trabaja mediante sesiones de grupos, instrumentos y en
su fase final consolida resultados del porvenir mediante el consenso de los expertos, que participan.
Se puede catalogar como un método pertinente y de fácil aplicación, parte de la incertidumbre y prueba
la solidez de las diferentes acciones o soluciones encontradas por el grupo de expertos, en diferentes
escenarios con diferentes políticas y estrategias. Una de sus grandes virtudes es que no requiere mucha
formalidad para su implementación, se logran resultados válidos y coherentes en tiempos relativamente
cortos.
Es necesario identificar otros parámetros prácticos, que le permitan fácilmente al lector ubicar las
características del método que requiere o del conjunto de ellos que necesita dadas unas características
del sistema a estudiar a futuro, las consideraciones prácticas hacen pensar que debe estar referido al
tiempo, a la estabilidad del entorno, a la fuente de materia prima que tiene, al número de expertos con
que se puede contar, a la dimensión de los métodos factibles de usar en cuanto a que sea de orden
cualitativo y/o temporal y/o probabilístico y/o cuantitativo y a otros parámetros de orden práctico.
Es importante enfatizar que gran parte del éxito o nivel IV en el enfoque sistémico kantiano de los
métodos futurísticos, se alcanza en la medida que se hace un buen diseño de las diferentes metodologías
a usar y en la lógica de su secuencia en la aplicación misma, dadas unas circunstancias particulares del
entorno (escenarios), de los artefactos (factores o recursos productivos) y de las personas que
intervienen en la futurología de ese caso en particular.
A. Mora G.
2 - Métodos Futurísticos
o
nt
ie
im
c ed
o
Pr se ón
ba o cci
os de
tiv os rn a
lita ad de
a ñ s n to de
Cu mpa eso ollo s) E io
( a p e tit
r
co roc sar ativ
o
p ac
Es
d n
a
cu
e
o bl
iv ta
at es e
tit In nt
an re
os fe
Cu &
iv le Di
at ab e a
lit st l
u a i -e ab
C m st o
Se de e ble a
ta s Prospectiva
sa es er su
pa in icev pl
ía
v
o am io
tiv o
a pac
ita bi
ant a m es
C
Cu
e Turbulencia
bl Prospectiva
ta o
Es m
is
l m
,e
jo
Fi
Proyectiva o
Métodos de
Pronó turbulencia o Prospectiva
Pronósticos
Ba
transició
transición
jo
Nú
m Transició
Transición Prospectiva
er
C os
de orto
0 pl M
a az
65
2 ed
m o ian
es o
es Id
ea
s Prospectiva
&
M Nú
de ed m
ian er
2 os
m o Al
es pl to
es a
a 2 zo
añ
os
Id
ea N
de úme
La s
de rg
o
2
a
22
pl
az
o Pe ro
añ M rs
os at o
er na
Ti ia s
em Pr
po im
a
Fu
en
te
Estudios proyectivos, son estudios que básicamente son de corto plazo, de basan en datos
numéricos y solo trabajan cuando el entorno es estable (así la variable oscile en sus valores).
Lo usual es que extrapolen situaciones del pasado y del presente hacia el futuro, aunque existe
la excepción de los modelos modernos denominados AR.I.MA. en las series temporales (que
son capaces de detectar situaciones a futuro que no tienen relación con el pasado (que se
obtienen de los residuos en las comparaciones correlacionales de los datos del pasado), al
menos numéricamente).
A. Mora G.
2 - Métodos Futurísticos
Estudios de turbulencia o transición, son muy útiles cuando el entorno inestable se vuelve
estable o a la inversa.
Tipo
Transición o
Proyectiva Prospectiva
Turbulencia
A. Mora G.
2 - Métodos Futurísticos
En síntesis, para alcanzar los criterios de éxito se debe hacer una adecuada selección de los métodos que
intervienen en el caso particular de la futurología a aplicar.
Ilustración 23 - Ejemplo de un diseño factible con múltiples métodos futurísticos con sus tiempos de duración estimados
A. Mora G.
2 - Métodos Futurísticos
El diseño puede ser tan complejo y completo como se desee, con base en las necesidades del cliente y a
partir de la realidad de las personas, el entorno y los factores productivos con que se cuenta, además de
que debe acomodarse a las expectativas económicas de la empresa que lo desea realizar y del período de
tiempo en que lo puede ejecutar integralmente.
68
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
El espacio normalmente debe permanecer inmóvil, es decir la variable kantiana del sitio debe ser fija, ya
que se requiere cierto grado de estabilidad en el entorno, para que se pueda proyectar con exactitud el
futuro de corto plazo, es importante recordar que la estabilidad del contexto, donde se desenvuelve el
fenómeno que se pronostica debe ser constante. La base fundamental de trabajo en la proyectiva son
números (valores de una variable) secuenciales en el tiempo que constituyen la serie temporal. Son
estudios univariados, donde por lo general se desconoce el comportamiento de las causas que los
originan o los impactan.
Los métodos proyectivos de series temporales, se basan exclusivamente en una extrapolación de los
datos del presente y del pasado hacia el futuro, lo que denota que las causas que originan el
comportamiento numérico en el pasado y en el presente, son los mismos45 que patronean el
comportamiento futuro. La temporalidad del corto plazo solo puede ser prolongada en ciertos eventos
naturales como en la astronomía, donde lo más corriente es que el entorno permanece constante, con
variaciones minúsculas o insignificantes (Carrión,1999,3-4). 69
La estabilidad del entorno se refleja en la hipótesis de que las pautas que determinan el estado futuro de
la variable son las mismas del pasado y del presente, que solo presentan ciertas variaciones producto de
las circunstancias del entorno, pero en todo caso pertenecientes a la variable en sí, estas oscilaciones se
concretan en una primera división de los modelos de series temporales: unos de pauta fija que son
determinísticos, donde el patrón o la estructura del pasado permanece en el futuro y los modelos
modernos, donde los valores que se obtienen son la manifestación de procesos estocásticos con ciertas
estructuras que permanecen estables a futuro y que sus oscilaciones naturales pertenecen a la propia
estructura de la serie evaluada (7).
Normalmente el futuro que se calcula con las series temporales es cierto, mientras que en la prospectiva
o en la turbulencia el porvenir es múltiple e incierto. Los métodos proyectivos numéricos se adaptan
pasivamente a la metodología que se desarrolla para su estimación, mientras que la prospectiva en sí, es
creativa y participa activamente en la creación intelectual del futuro (Miklos y otra,1998,47-51).
En los modelos proyectivos multivariados, la hipótesis normal es que las variables no se relacionan entre
sí, lo que se puede asumir como una limitación a este método futurístico, pero de todas maneras a pesar
44
Se utilizan más que todo para períodos de uno o dos meses, cuando la base temporal es un mes, cuando se trabaja en días se recomienda pronosticar
hasta unos 10 días hábiles máximos, en semanas hasta dos, en horas hasta unas diez, etcétera y así sucesivamente.
45
Aunque se hace la observación de que pueden aparecer ciertos datos a futuro cuya causa, no necesariamente está originada exactamente en valores
anteriores, esto es el caso de los componentes MA en los AR.I.MA.s sobretodo en el componente tradicional (no tanto en el estacional o temporal), por
ejemplo un AR.I.MA. (0,0,5)(0,0,0) puede mostrar situaciones futuras aleatorias, no necesariamente extrapoladas del pasado. El comportamiento no basado
en el pasado se puede originar en los errores que tratan de las medias móviles.
46
MUP – Metodología Universal de Pronósticos, propuesta en este libro.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
de esta condición, son muy útiles y acertados (131-132), de aquí se deduce que la gran utilidad de los
modelos proyectivos de series temporales es cuando se usan para estudios univariados y cuando de
alguna manera se desconocen las causas que los imputan, pues en ese caso donde se tenga claridad de
cuáles son las variables que los afectan, más bien se estudia el futuro de estas causas, que el de la variable
efecto primaria (Mora,2006).
Existen además de los métodos proyectivos numéricos, los modelos normativos, que se acercan más a
la prospectiva, pues se basan en la postulación de un futuro, el cual es alcanzable por distintas rutas, las
herramientas normativas tratan entonces de auscultar y decidir esas posibles alternativas y poder
deducir la transición del presente al futuro propuesto (Miklos y otra,1998,47-48).
Se puede definir una serie temporal, como un conjunto de datos obtenidos del análisis y de las
observaciones de una variable discreta durante un lapso secuencial de tiempo, es importante recordar
que existen datos no temporales, que son observaciones realizadas de una forma no hilada en el tiempo.
En general se puede concretar que una serie temporal de datos es un conjunto de valores de una variable,
asociados a otro grupo de instantes definidos de tiempo; lo que implica el estudio de dos variables, donde
una de ellas es el tiempo y la otra representa el fenómeno que se desea pronosticar (Bas,1999,82).
Algunas de las áreas empresariales donde se practican con intensidad los pronósticos, son:
Previsión tecnológica, esta busca pronosticar cambios futuros en el sector en donde está
ubicada la empresa y en aquellos entornos donde se consumen los productos que se fabrican.
Previsión de ventas, esta se basa en las estimaciones sobre las posibles cuotas de mercado de
70 la empresa en cada segmento; le permite a la organización planificar el resto de las actividades
más importantes: producción, inversiones, gastos, contratación de personal, inventarios,
demanda, materias primas, etc.
Previsión de recursos humanos, es una conjetura sobre las necesidades futuras de personal en
las empresas en sus diferentes áreas (De Miguel, 1990,215).
Se deben entender entonces, los métodos de predicción como una ayuda en la toma de decisiones en las
empresas, en los negocios, en los inventarios, en el comportamiento de máquinas, en las trayectorias de
cuerpos, etc.; no se deben considerar nunca como infalibles, de por sí son excelentes herramientas para
el análisis y si bien los pronósticos numéricos son relevantes, más importantes son los parámetros que
se adquieren por parte del (los) pronosticador (es) y del equipo de expertos conocedores del fenómeno
que se pronostica, para estudiar profundamente las situaciones que controlan y patronean la variable
que se analiza, es inconmensurable la cantidad de beneficios y la profesionalización en el dominio de la
serie que se estudia, que se adquieren durante el desarrollo por parte de los analistas.
Otro punto importante, es que son los análisis de posición tendencial de los pronósticos, que permiten
de alguna manera conocer y deducir situaciones futuras, al analizar los modelos y su posición jerárquica
en las últimas proyecciones que se realizan, el análisis de la posición de los diferentes modelos de
pronósticos, el cual consiste en observar secuencialmente durante los últimos períodos que se evalúan,
la ubicación de los diferentes modelos AR.I.MA. y de los distintos modelos clásicos, para asumir o
conjeturar sobre cuáles son las futuras posiciones que pueden asumir, esta metodología se presenta
como una ayuda complementaria.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Por ejemplo en una serie evaluada hace cuatro períodos el modelo Brown (de suavización especializada
para fenómenos con aleatoriedad o ruido) se ubica en el décimo lugar, hace tres períodos se halla en el
séptimo lugar, en el estudio anterior se coloca en el cuarto lugar y en el análisis presente se sitúa en el
segundo lugar; esto da pie a pensar que en el período dos a futuro es el modelo que podría fijar las pautas
de comportamiento de la serie, lo que permite ampliar (aunque de manera subjetiva (no científica)) el
espectro de validez de los pronósticos y permite tener una herramienta adicional de análisis
(Mora,2006).
3.1. Método científico en las series temporales
El interés de las empresas, de los pronosticadores y de los estudiosos de las series temporales, radica en
que pueden estructurados y utilizados bajo la sombra del procedimiento científico, siempre y cuando la
metodología propuesta MUP así lo cumpla. El carácter cientificista es probable lograrlo con este método
proyectivo, siempre y cuando se realicen todas las etapas del método científico.
Es muy común llegar a pensar que la ciencia es la que define la verdad, casi infalible sobre las cosas;
realmente no es la ciencia quien define la verdad, es más bien una manera y un estilo de pensar, es un
proceso en el cual se utilizan diferentes experimentos con el fin de responder preguntas planteadas, a
este procedimiento se le describe como método científico e implica la realización de varias etapas:
3.1.1. Observación
Ocurre en los casos en que una o varias personas hacen alguna observación o análisis de algún evento o
característica (real o mental) del mundo, lo cual conduce por lo general a plantear preguntas sobre el
evento o característica. Un ejemplo de esto puede ser cuando se suelta en el aire un vaso de vidrio que
está lleno de agua y observar que se quiebra y se hace añicos en el suelo. Esto induce a cuestionar ¿por 71
qué se cae el vaso?.
3.1.2. Hipótesis
Las observaciones evaluadas y el análisis que se realiza en la etapa anterior dan lugar a lanzar hipótesis,
que expliquen satisfactoriamente los elementos observados y que den origen a la respuesta correcta a
los cuestionamientos planteados. Con relación al vaso, pueden surgir varias hipótesis, una de ellas puede
ser que haya una fuerza desconocida47 invisible que atrae el vaso hacia el piso.
3.1.3. Experimentación
Esta última etapa del método científico, es la que diferencia y separa la ciencia de otras disciplinas menos
rigurosas y veraces. En ella, se plantean diferentes formas o experimentos para refutar o comprobar
cada una de las hipótesis emitidas, aquella que cumpla y explique totalmente todas las observaciones
desarrolladas y los análisis desplegados, se convierte en tesis y es la respuesta correcta a la pregunta
descrita anteriormente.
Con relación al vaso de agua, a través de los siglos se plantean diferentes experimentos con relación a la
gravedad, en particular vale la pena citar:
47
Ya que aún no se sabe que es la fuerza de la gravedad, en el ejercicio supuesto.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
“Al final del siglo 16, en general se creía que la gravedad hacía
que los objetos pesados cayesen más rápido que los objetos
livianos. La leyenda dice que el científico italiano Galileo creía
otra cosa. Galileo Galilei (1564-1624) conjeturó que las fuerzas
que actúan sobre un objeto que cae son independientes al peso
de este objeto. En 1590, Galileo planeó un experimento. El
subió a lo alto de la inclinada Torre de Pisa y, desde arriba, dejó
caer varios objetos grandes. Transportados a Italia de manera
mágica, podemos repetir el experimento de Galileo desde
arriba de la inclinada Torre de Pisa con 1 y 10 kilogramos de
peso. Simplemente active en la torre del dibujo para dejar caer
los pesos. ¿Qué pasa cuando usted deja caer los objetos?
F.S. Kerlinger enuncia que el método científico se puede describir como un análisis sistémico,
controlado, crítico y empírico de ideas o suposiciones hipotéticas acerca de posibles relaciones entre
48
En la ciencia, es la capacidad de una teoría para someterse a todas las pruebas que pretenden mostrar su falsedad (RAE@,2007).
49
Doctrina que propone la falsabilidad como criterio de demarcación entre la ciencia y lo que no lo es (RAE@,2007).
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
variables o fenómenos naturales, empresariales o humanos; se aplica en las ciencias y se inicia con la
observación (WMC@,2006).
Francis Bacon (1561-1626) (BACON@,2006), define los pasos que se deben desarrollar en el método
científico, de la siguiente manera:
6. Conclusiones
Por otra parte, existen ciencias, especialmente en el caso de las ciencias humanas y
sociales, donde los fenómenos no sólo no se pueden repetir controlada y
artificialmente (que es en lo que consiste un experimento), sino que son, por su
esencia, irrepetibles, v.g. la historia.
Observar y analizar.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Paso 2 – Postulación de los modelos – Construcción de la hipótesis, con relación a los modelos -
Paso 2 – Postulació
Postulación – Lanzamiento de Hipó
Hipótesis
Cruce entre análisis y características de modelos clásicos y/o modernos
La definición de un pronóstico en una serie temporal, conlleva obtener las respuestas a cuestiones cómo:
¿Qué va a suceder en el futuro? - Factor cualitativo
¿Cuándo debe ocurrir? - Factor temporal
¿En qué cantidad va a suceder? - Factor cuantitativo
¿Cuál es la probabilidad de que eso ocurra? - Factor probabilístico
50
En la metodología científica, cualidad de repetible.
51
Observación y análisis (Análisis previo en las series), Hipótesis y Verificación.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
La particularidad cualitativa, se alcanza cuando en los dos recortes que se realizan en la metodología 75
universal de pronósticos que se realizan en los pasos 3.1, 3.3 y 3.5 coincide el modelo postulado como
hipótesis del paso 2 con los que se obtienen en los puntos descritos 3.3 y 3.5; en el evento contrario bajo
ninguna circunstancia se debe realizar el pronóstico, por un lado porque no se cumple con la rigurosidad
del método científico y por el otro porque lo más seguro que suceda es que los pronósticos no se cumplan
frente a la realidad.
3.2.1.1.2. Temporales
En los métodos de series temporales el factor del tiempo se refleja en el hecho de que los valores que se
pronostican, son asignados a fechas concretas (meses, días, horas, etc., dependiendo de la base de
tiempo usada en la estimación futura y en la forma cronológica en que se encuentren los datos) en el
tiempo en que estos valores deben ocurrir (Carrión,1999,5).
3.2.1.1.3. Cuantitativas
El aspecto de valores que adoptan los datos futuros constituye el elemento cuantitativo, la cantidad que
estos adquieren durante el proceso de cálculo de pronósticos, expresan su carácter de medición. El
valor55 en sí que toman las variables para expresar las distintas variaciones, que adquiere el fenómeno
evaluado durante su conducta en el porvenir, denota el componente cuantitativo.
52
Conjunto de los estudios que se proponen predecir científicamente el futuro del hombre (RAE@,2007).
53
Cada uno de los caracteres, naturales o adquiridos, que distinguen a las personas, a los seres vivos en general o a las cosas (RAE@,2007).
54
Propiedad o conjunto de propiedades inherentes a algo, que permitan juzgar su valor (RAE@,2007).
55
Grado de utilidad o aptitud de las cosas, para satisfacer las necesidades o proporcionar bienestar o deleite (RAE@,2007).
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Por razones prácticas en las aplicaciones de pronósticos es común determinar como fenómenos
estacionales aquellos que ocurren con frecuencias inferiores a un año y que se repiten cada año, por
ejemplo la navidad, las estaciones climáticas (invierno, verano, etc.), los fenómenos naturales (los
monzones, los vientos alisios, los tornados en el Golfo de México y el Caribe, etc.), las fiestas en la
regiones los carnavales en Río de Janeiro (Brasil), las fiestas de las Fallas en Valencia (España), etc., y
otros muchos fenómenos naturales o de carácter humano; por otra parte a los eventos en el tiempo que
ocurren con frecuencias superiores a un año se les denomina cíclicos, ejemplos de estos son el Niño y la
Niña que producen sequías o lluvias abundantes (en el hemisferio sur el Niño genera inundaciones y la
Niña produce sequía, y en el hemisferio norte de la tierra, es lo contrario).
En los casos donde la serie temporal tiene datos semanales se puede optar por definir la línea de corte
en cuatro semanas o en 52 semanas (donde lo estacional es inferior a un año y lo estacional mayor a un
año); si se tienen datos diarios el corte entre estacional y cíclico se puede adoptar en 7 días; si se trabaja
en horas puede ubicarse el límite en 24; en general depende de la unidad temporal de la base de datos y
del tipo de análisis que se desee realizar.
Ejercicio 2 - Efecto temporal y cuantitativo de los datos en una serie estacional o cíclica
Supóngase que se desea pronosticar la carga pluviométrica en una ciudad de América ubicada en el
Hemisferio sur, donde cada cuatro56 años el fenómeno meteorológico del Niño genera aproximadamente
una adición de lluvias del 400% de lo normal durante las dos épocas anuales de invierno, a tal efecto se
cuenta con los siguientes datos históricos de milímetros caídos de agua en la zona urbana.
En el evento de que solo se contara con los últimos tres años de historia y no tener ningún conocimiento
de la influencia cuatrienal del efecto meteorológico del Niño, los pronósticos pueden aparecer como se
simula en la siguiente gráfica.
56
Aproximadamente. Ejemplo supuesto.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
150.00
Milímetros de lluvia
110.00
Pronósticos
90.00
70.00
50.00
30.00
10.00
Mes - Año
A diferencia de si cuenta con cuatro años históricos de datos (del uno al cuatro), donde en los valores
que se pronostican, tiene predominio el fenómeno natural de lluvias adicionales y se refleja su fuerte
influencia, además de otorgar valores futuros totalmente distintos al caso anterior de solo tres años de
datos.
500.00
450.00
Milímetros de agua totales
con cuatro años de historia Pronósticos
77
400.00
Milímetros de lluvia
350.00
300.00
250.00
200.00
150.00
100.00
50.00
Mes - Año
0.00
N mb - A uno
ay ñ o
ay ñ s
pt ulio ño o
N mb - A dos
N mb - A tres
pt ulio ño s
br Añ no
br Añ os
ay ñ s
o o ro
c o
ay ñ co
pt ulio ño co
er ño o
pt ulio ño s
ov br Año nco
pt ulio ño atro
En bre ño s
er Añ s
e o ro
zo ño o
br Añ nco
ar Añ os
M - ño s
zo ño tres
er ño tro
ño co
zo o o
o
M - A do
Se J - A do
M - A tre
Se J - A tre
M - A un
A re
Se J - A un
do
er - A tre
ov r ño tr
En - A un
M o - un
ar Añ tr
nc
ay ñ at
br Añ uat
d
M - A cin
Se J - A cin
d
u
- A cin
N mb - A cua
En - A cua
M o - cua
t
ci
ci
ci
M - A cu
Se J - A cu
o o
ov r ño
zo o
o o
zo o
o
o
ov r ño
o o
ov r ño
e o
ar Añ
o o
e o
ar A
M o-
M o-
En e -
ie e -
ie e -
ie e -
ar A
-
ie e -
er
ie e -
o
En
m
m
m
m
ie
ie
ie
ie
ie
En forma similar muchos eventos y variables de orden económico, empresarial o social, son
influenciados cíclicamente por fenómenos propios o exógenos de orden político u organizacional, como
por ejemplo los períodos de los presidentes en una nación, los ciclos de los dirigentes privados o
públicos, etc. que de alguna manera afectan el comportamiento del fenómeno pronosticado en forma
cíclica o estacional.
A tal efecto se recomienda tener al menos unos 60 datos cuando la base de valores de la serie se trabaje
en meses (en el peor de los eventos siquiera unos 48 valores), en el caso de contar con datos diarios se
recomiendan al menos unos 1800, con datos semanales se debe tener siquiera unos 240 valores, si fuese
en horas se recomiendan unas 43000 reseñas y así sucesivamente en función de la unidad de tiempo
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
que se maneje, en el caso de años lo ideal serían unos 25 ó 30 años, dependiendo de que tan similar es
el entorno durante ese período.
En este punto es vital entender que durante el período de datos de registro inicial, el entorno debe
permanecer relativamente estable y que los factores que influyen en la variable a lo largo del tiempo
histórico tomado sean los mismos aún en el futuro próximo, porque de no ser así se cae el principio
etimológico de los pronósticos, que son la permanencia de cierta estabilidad del entorno y de la
continuidad de los factores influyentes a lo largo del pasado, presente y futuro de corto plazo.
Otro aspecto importante a resaltar, es la decisión de que en el evento de que se tenga mucha historia de
datos, ¿cuántos datos se toman?; la respuesta a esta incógnita se puede trabajar con dos criterios, uno
es el criterio subjetivo visual donde al analizar la gráfica de la serie, la parte final (reciente, a la derecha
de la gráfica) debe estar en coincidencia con el rango de los datos más antiguos y el otro es utilizar la
razón numérica de la desviación estándar y la media.
Valor de la Prudente,
Prudente el rango vertical se mantiene
variable relativamente constante
Media o nivel 2
78
Esta zona de datos, presenta una
estructura horizontal o nivel má
más
bajo que el actual, cualquier
pronó
pronóstico que se haga con estos
valores incluidos genera un efecto a
la baja de los pronó
pronósticos.
Media o nivel 1
tiempo
Se recomienda tomar datos
desde acá hacia el presente
La ilustración muestra el caso donde el rango inicial de datos no coincide con el final, por lo tanto se
desprecia el rango de datos más antiguos de la izquierda.
En este caso los pronósticos que se obtienen si se toman todos los datos, se ven fuertemente
influenciados a la baja, dado que el sistema por naturaleza busca su condición normal antigua,
recuérdese que las series temporales son una extrapolación matemática fina del pasado y del presente,
en este caso no es conveniente tomar datos de la primera media, sino de la zona donde se recomiendan
como prudente de la media dos.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Valor de la
variable
Esta zona de datos, presenta una
estructura horizontal o nivel má
más alto
que el actual, cualquier pronó
pronóstico
que se haga con estos valores
incluidos genera un efecto al alza de
los pronó
pronósticos.
Media o nivel 1
Prudente,
Prudente el rango vertical se mantiene
relativamente constante
Media o nivel 2
tiempo
Se recomienda tomar datos
desde acá hacia el presente
Esta gráfica, muestra otro caso donde no coinciden los rangos finales de datos con los iniciales, en este
evento también se descartan los de la izquierda. En el evento de se tomen todos los datos para cálculo
del pronóstico, este por naturaleza tiende al alza, es decir a valores muy por encima de los recientes, con
alta probabilidad de que no se cumplan, porque básicamente se puede afirmar que sucede un cambio de 79
entorno entre la zona izquierda y la derecha. El otro criterio es estimar la media y la desviación estándar,
en un caso que incluya todos los datos y en el otro solo con los datos del último rango o nivel.
1200
Serie a la baja, con cambio de nivel
1100 (de alto a bajo)
1000
Media 1001.25 Zona al alza
900 Desviación estándar 126.88
Ratio Alza 12.67 %
Valor de la variable
800
700
Media 532.08
500
Desviación estándar 482.73
Ratio Global 90.73 %
400
300
200
Media 72.29
100 Zona a la baja Desviación estándar 32.23
Ratio a la Baja 44.59 %
0
8
1
08
09
10
11
8
1
08
09
10
11
8
0
8
1
ño
-0
-0
-0
-0
-1
-1
-1
-1
-0
-0
-1
-0
-0
-1
-1
b-
b-
b-
b-
n-
n-
n-
n-
-A
br
go
br
go
br
go
br
go
ic
ic
ic
ct
ct
ct
ct
Fe
Fe
Fe
Fe
Ju
Ju
Ju
Ju
D
D
O
O
A
A
A
A
es
M
Mes Año
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Al realizar los cálculos de la media y de la desviación estándar, se encuentra que esta última en forma
total es un alto porcentaje (90.73%) de la media global, lo que no ocurre con el cálculo en las dos zonas
(al alza y a la baja) estimadas en forma independiente, donde el porcentaje de la desviación sobre la
media no es superior al 50%; de donde se puede concluir que un criterio blando para saber la zona que
se toma como válida para que no se incurra en los fenómenos descritos, es que la desviación estándar
sea un porcentaje bajo (puede ser inferior al 50%57) de la media total.
La forma de la gráfica induce a pensar que ese cambio de nivel es tan fuerte, que no se deben tener en
cuenta los valores más antiguos, sino solo trabajar con los datos recientes, que garanticen que el entorno
se mantiene estable, como se verifica en los siguientes datos y cálculos de la siguiente ilustración. Donde
se calcula la razón entre la desviación estándar y la media aritmética, que en el caso es del 90%.
Zona antigua izquierda en zona de alza Zona reciente derecha en zona baja
Mes - Año Valor Mes - Año Valor
Ene-08 1200 Ene-10 56
Feb-08 970 Feb-10 33
Mar-08 1027 Mar-10 20
Abr-08 845 Abr-10 87
May-08 1130 May-10 78
Jun-08 960 Jun-10 74
Jul-08 1155 Jul-10 112
Ago-08 1078 Ago-10 66
Sep-08 1029 Sep-10 28
Oct-08 1162 Oct-10 80
Nov-08 814 Nov-10 114
Dic-08 804 Dic-10 52
Ene-09 1167 Ene-11 107
Feb-09 1172 Feb-11 112
80 Mar-09
Abr-09
889
976
Mar-11
Abr-11
67
57
May-09 946 May-11 113
Jun-09 923 Jun-11 24
Jul-09 1074 Jul-11 116
Ago-09 957 Ago-11 92
Sep-09 1104 Sep-11 108
Oct-09 990 Valores al alza Oct-11 58 Valores a la baja
Nov-09 833 Media 1001.25 Nov-11 56 Media 72.2916667
Dic-09 825 Desviación estándar 126.88449 12.67% Dic-11 25 Desviación estándar 32.2334948 44.59%
Media total 532.0833333
Desviación estándar total 482.7378405 90.73%
3.2.1.1.4. Probabilísticas
Esta característica se refiere al grado de incertidumbre que conlleva todo pronóstico de que suceda o no
en el tiempo estipulado para ello, este se puede presentar en términos muy precisos, por ejemplo a las
11:00 a.m. del día 29 de agosto de 2012, o en rangos más prolongados como en septiembre del 2011 o
entre los años 2016 y 2020 (Carrión,1999,4-5).
El factor probabilístico va asignado intrínsecamente en las pronósticos, dado que por ello son series
temporales y los valores que se calculan, son posteriores al último dato del período final de los históricos,
es decir si se tiene una serie en meses y el último dato es el de julio de 2008, por lógica los datos
consecuentes que se estimen son: agosto de 2008, septiembre de 2008, etc.
57
Valor estimado como prudente.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
cifras superiores a este valor puede inducir a que los valores que se pronostican, pierdan completamente
su confiabilidad de cumplimiento por cambios significativos en el entorno.
Por ejemplo el software Forecast Expert 5.3, por defecto al momento de calcular los pronósticos
AR.I.MA., le asigna automáticamente el valor del 10% a la cantidad de datos a pronosticar (PII-
FE@,2007).
Igualmente, es importante señalar que el 10% en algunos casos puede ser excesivo si se tiene en cuenta
la estabilidad del entorno, por ejemplo, si se tienen los datos en unidades de tiempo anual de cien
períodos, diez años es demasiado para que exista una probabilidad de acierto, en ciertos países ocurren
cambios de orientación política de gobierno que afectan en grado sumo la estabilidad del entorno y de
los negocios, hechos inesperados de bolsa o de terrorismo, pueden resquebrajar de la noche a la mañana
la estabilidad de cualquier entorno social, político, económico, empresarial o cualquier índole.
Ilustración 30 - Recomendación de cantidad de datos a pronosticar del software Forecast Expert, 10% de historia
81
Si una de las principales características de un buen pronosticador, es la prudencia, esta se debe aplicar
(cuando se tengan datos mensuales que es lo más común) y no pronosticar a más de dos períodos vista
en general; más bien lo que se recomienda es volver a ejercer los cálculos al siguiente mes (o año o
semana, dependiendo de la unidad base de tiempo) siempre de a dos períodos como máximo, dándoles
el carácter de cierto y cuantitativo al primero de ellos y de estimado al segundo, más allá de este umbral
de dos períodos se puede caer fácilmente en errores. En el evento de datos anuales se sugiere pronosticar
máximo a un año vista (y en el exceso hasta dos, entendiendo que lo más seguro es que se pierda un gran
porcentaje de acierto) y unos cinco en forma gráfica especulativa sin compromiso por parte del
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
pronosticador, en casos de meses se recomienda pronosticar hasta dos períodos en forma numérica y
hasta 12 ó 24 en forma especulativa gráfica de orden cualitativo para explorar cómo es la tendencia de
la serie a futuro, en el caso de días hábiles hasta 10, en el caso de días calendario hasta 12, en horas hasta
12 ó 24 en función de la necesidad y así sucesivamente.
Ilustración 31 - Cantidad de pronósticos prudentes a realizar en función de la unidad de tiempo
Las cifras de orden especulativo (sin aportar valores) son muy útiles para observar cualitativa y
gráficamente el comportamiento futuro de la serie en el mediano plazo, más sin embargo es importante
recordar que no es una propiedad de las series temporales trabajar a mediano ni a largo plazo, por la
alta probabilidad de que el entorno cambie drásticamente en períodos tan largos de tiempo.
En especial esto ocurre con las modelaciones basadas en ajuste de tendencia no lineal como la
exponencial creciente (o decreciente) donde el crecimiento exponencial sigue hasta el infinito, pero de
antemano se sabe por las características ya definidas, que esto ocurre hasta un límite en el tiempo en el
corto plazo, además de que el índice de crecimiento se atenúa en la medida que se llega al nivel máximo
de estabilidad del entorno en un período de tiempo pequeño, que es la característica más limitante en
las series temporales (Jaramillo y otro,2000,73),
Entre 1970 y 1990, un eminente grupo de estudiosos del tema de pronósticos, entre los cuales resaltan
Fildes, Hibon, Andersen, Carbone, Lewandowski, Newton, Makridakis, Parzen y Winkler entre otros,
realizan un estudio diferente, que prueban con múltiples modelos de previsión tanto de orden clásico
como modernos, la bondad de ajuste de los mismos y el nivel de precisión de los pronósticos frente a la
realidad, al igual sondean la bondad de modelos simples y complejos, en el cual encuentran importantes
resultados de buenas prácticas en pronósticos y en especial las limitaciones que éstos conllevan (Fildes
y otros,1984) (Makridakis y otro,1998).
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Ilustración 32 - Errores promedio en múltiples series probadas en períodos largos de tiempo descifrados por Fildes y otros
Error Absoluto medio porcentual - MAPE obtenidos con 24 modelos en 111 ejemplos
Horizonte predictivo en meses
Promedio de todas
Bondad las predicciones
Método de ajuste
1 2 3 4 5 6 8 12 15 18
Predicción ingenenua 1 14.4 13.2 17.3 20.1 18.6 22.4 23.5 27.0 14.5 31.9 34.9 22.3
Promedio móvil 12.8 14.1 16.9 19.1 18.9 21.8 23.6 23.9 16.3 28.7 31.9 20.8
Suavización única 13.2 12.2 14.8 17.4 17.6 20.3 22.5 22.7 16.1 28.8 32.5 20.1
Suavización de respuesta adaptativa 15.1 13.0 17.1 18.4 18.3 20.7 22.8 22.4 16.1 29.6 32.2 20.5
Holt 13.6 12.2 13.9 17.6 19.2 23.1 24.9 31.2 22.6 40.4 40.3 25.1
Brown 13.6 13.0 15.1 18.6 19.5 25.2 27.1 35.0 28.0 54.0 59.6 30.3
Suavización cuadrática 13.9 13.2 16.1 21.9 23.2 30.3 34.1 51.5 49.0 103.1 106.0 47.7
Regresión 16.6 17.9 19.9 21.1 21.2 23.2 25.0 26.2 26.1 49.5 60.2 29.5
Predicción ingenua 2 9.1 8.5 11.4 13.9 15.4 16.6 17.4 17.8 14.5 31.2 30.8 17.8
Promedio móvil D 8.1 10.7 13.6 17.8 19.4 22.0 23.1 22.7 15.7 28.3 34.0 20.6
Suavización única D 8.6 7.8 10.8 13.1 14.5 15.7 17.2 16.5 13.6 29.3 30.1 16.8
Suavización adaptativa D 9.8 8.8 12.4 14.0 16.4 16.7 18.1 16.5 13.7 28.6 29.3 17.1
Holt D 8.6 7.9 10.5 13.2 15.1 17.3 19.0 23.1 16.5 35.6 35.2 19.7
Brown D 8.3 8.5 10.8 13.3 14.5 17.3 19.3 23.8 19.0 43.1 45.4 22.3
Suavización cuadrática D 8.4 8.8 11.8 15.0 16.9 21.9 24.1 35.7 29.7 56.1 63.6 30.2
Regresión D 12.0 12.5 14.9 17.2 18.4 19.7 21.0 21.0 23.4 46.5 57.3 25.6
Winters 9.3 9.2 10.5 13.4 15.5 17.5 18.7 23.3 15.9 33.4 34.5 19.5
AEP automático 10.8 9.8 11.3 13.7 15.1 16.9 18.8 23.3 16.2 30.2 33.9 19.0
Bayesiano 13.3 10.3 12.8 13.6 14.4 16.2 17.1 19.2 16.1 27.5 30.6 17.6
Combinación A 8.1 7.9 9.8 11.9 13.5 15.4 16.8 19.5 14.2 32.4 33.3 17.7
Combinación B 8.2 8.2 10.1 11.8 14.7 15.4 16.4 20.1 15.5 31.3 31.4 17.7
Box-Jenkins 0.0 10.3 10.7 11.4 14.5 16.4 17.1 18.9 16.4 26.2 34.2 18.0
Lewandowisky 12.3 11.6 12.8 14.5 15.3 16.6 17.6 18.9 17.0 33.0 28.6 18.6
Parzen 8.9 10.6 10.7 10.7 13.5 14.3 14.7 16.0 13.7 22.5 26.5 15.4
Promedio 10.7 10.8 13.2 15.5 16.8 19.3 20.8 24.0 19.2 37.6 40.7 22.1
Predicción ingenenua 1 17.4 13.5 14.5 15.2 13.8 14.9 14.0 14.1 11.1 14.0 13.2 13.8
Promedio móvil 15.5 13.4 14.0 14.2 13.5 14.5 13.8 12.8 13.3 12.7 12.1 13.1
Suavización única 14.8 13.4 13.7 14.1 14.4 14.2 14.1 12.7 12.7 13.1 12.8 13.2
Suavización de respuesta adaptativa 20.3 14.1 15.2 15.1 14.9 14.6 15.1 13.5 13.7 13.4 13.4 14.0
Holt 11.9 12.0 12.8 13.0 12.7 13.6 12.6 13.4 13.9 14.3 12.6 13.3
Brown 13.8 13.1 13.2 12.9 12.5 13.9 12.7 13.5 13.4 14.8 13.2 13.3
Suavización cuadrática 15.1 13.7 14.0 14.5 13.4 14.9 13.8 16.3 16.0 17.1 16.4 15.3
Regresión 16.9 16.7 15.4 15.5 15.2 14.6 15.1 14.3 14.6 14.0 12.7 14.6
Predicción ingenua 2
Promedio móvil D
11.8
9.3
11.5
12.8
12.1
13.6
12.7
14.7
13.1
14.9
12.3
14.6
12.6
14.5
12.1
13.9
11.2
12.9
12.9
12.2
12.6
14.2
12.3
13.9 83
Suavización única D 8.4 10.9 12.2 11.7 12.5 12.2 12.7 10.9 11.2 11.0 11.9 11.6
Suavización adaptativa D 14.5 12.7 13.8 13.4 14.2 13.3 13.9 11.7 11.9 12.6 12.9 12.7
Holt D 4.7 10.0 10.0 10.3 10.6 10.6 10.9 11.6 12.0 12.1 11.8 11.2
Brown D 6.3 10.8 10.4 10.3 10.0 10.2 11.1 11.8 12.2 12.2 12.8 11.5
Suavización cuadrática D 8.0 11.4 11.4 11.1 10.7 11.8 11.7 14.2 15.1 15.2 14.9 13.2
Regresión D 12.5 14.7 13.4 14.4 14.1 12.7 13.8 12.6 12.7 12.5 11.9 12.9
Winters 11.9 10.5 10.5 11.1 10.6 10.3 11.6 12.0 10.5 10.8 11.3
AEP automático 10.3 11.5 11.5 12.2 11.3 11.5 10.9 11.4 12.2 11.0 12.7 11.8
Bayesiano 17.1 12.7 12.2 11.5 11.1 10.8 11.9 13.4 12.3 11.7 11.8 11.9
Combinación A 7.3 10.1 10.3 9.9 10.6 10.5 10.5 10.8 10.1 10.8 11.0 10.4
Combinación B 7.5 10.8 11.6 10.3 11.8 11.3 11.6 11.1 11.6 10.8 11.6 11.3
Box-Jenkins 0.0 12.4 11.3 10.5 11.2 10.5 10.8 10.8 12.4 10.7 12.1 11.5
Lewandowisky 15.6 13.5 12.4 11.4 11.6 10.5 10.7 10.9 10.9 10.3 8.8 10.9
Parzen 9.4 12.5 10.7 10.9 10.6 11.2 10.8 10.8 11.0 10.1 12.1 11.2
Promedio 11.5 12.5 12.5 12.5 12.5 12.5 12.5 12.5 12.5 12.5 12.5 12.5
Con recorte y ajuste del último dato - MAPE por categorías de modelos con 24 modelos en 111 ejemplos
Horizonte predictivo en meses
Promedio de todas
Bondad las predicciones
Método de ajuste
1 2 3 4 5 6 8 12 15 18
Predicción ingenenua 1 75.2 59.5 58.6 60.8 53.2 61.3 57.2 54.9 48.5 58.1 52.2 56.64
Promedio móvil 72.1 64.0 58.1 56.8 53.2 65.3 58.6 54.4 61.0 52.9 49.3 55.96
Suavización única 64.0 62.2 59.9 57.2 58.1 63.1 55.4 51.1 47.8 47.8 45.6 53.66
Suavización de respuesta adaptativa 93.7 68.5 68.5 66.2 63.1 64.0 60.4 58.2 64.7 57.4 57.4 60.96
Holt 55.9 55.0 49.5 51.4 51.4 56.8 51.4 56.0 66.2 58.8 51.5 55.69
Brown 60.4 55.9 54.1 54.1 45.9 56.8 48.6 54.9 64.7 58.8 52.9 54.19
Suavización cuadrática 64.9 59.5 55.0 58.6 53.2 62.2 54.1 69.2 67.6 69.1 64.7 62.11
Regresión 76.6 73.0 64.0 63.1 59.5 60.4 59.5 59.3 72.1 58.8 54.4 61.91
Predicción ingenua 2
Promedio móvil D 32.4 53.6 59.9 59.0 59.5 64.0 62.2 59.3 61.8 45.6 56.6 58.08
Suavización única D 23.4 50.9 53.6 47.3 49.1 52.7 54.1 42.9 47.1 32.4 43.4 46.04
Suavización adaptativa D 67.6 57.7 62.2 56.3 58.6 55.0 56.8 47.3 54.4 45.6 51.5 52.26
Holt D 11.7 40.5 42.3 39.6 37.8 42.3 39.6 47.3 52.9 45.6 47.1 44.11
Brown D 16.2 43.2 45.9 41.4 37.8 39.6 42.3 46.2 50.0 47.1 52.9 45.03
Suavización cuadrática D 27.9 47.7 48.6 41.4 37.8 45.0 45.0 53.8 63.2 64.7 64.7 53.21
Regresión D 53.2 64.9 55.9 57.7 52.3 48.6 48.6 54.1 54.9 44.1 50.0 51.77
Winters 28.8 45.9 39.6 36.9 41.4 40.5 38.7 48.4 55.9 42.6 41.2 45.03
AEP automático 46.8 45.9 45.0 45.9 41.4 43.2 45.0 50.5 54.4 45.6 47.1 47.71
Bayesiano 85.6 54.1 48.6 41.4 40.5 41.4 43.2 54.9 51.5 44.1 45.6 46.40
Combinación A 22.5 37.8 39.6 32.4 31.5 36.0 37.8 40.7 41.2 36.8 36.8 37.57
Combinación B 24.3 51.4 48.6 39.6 41.4 43.2 44.6 46.7 51.5 37.5 42.6 44.54
Box-Jenkins 53.2 43.2 38.7 40.5 38.7 45.0 46.2 57.4 39.7 51.5 46.66
Lewandowisky 73.0 58.6 50.5 44.1 42.3 39.6 37.8 48.4 45.6 38.2 32.4 42.80
Parzen 47.7 52.3 43.2 42.3 38.7 45.9 44.1 42.9 48.5 39.7 50.0 45.35
Promedio 53.2 54.5 51.9 49.2 47.3 50.7 49.4 51.7 55.8 48.4 49.6 50.7
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Ilustración 33 - Aportes de Fildes y otros (1984) y del autor sobre manejo probabilístico de pronósticos
Conclusiones y mejores
prá
prácticas de pronó
pronósticos con Complementos, comentarios y
series temporales, derivadas aportes del autor, sobre las
del estudio de Fildes y otros contribuciones de Fildes y
(1998) (Makridakis,1998,310-
(Makridakis,1998,310-318) otros
La complejidad y el refinamiento estadí
estadístico De esta afirmació
afirmación se desprende que la utilidad
no representan una mejora automá
automática de los modelos simples de predicció
predicción es
en la precisió
precisión estadí
estadística de los totalmente vá
válida, aú
aún si se usa en
modelos de series temporales modelos sencillos con aná
análisis
univariados.
La simplicidad de los modelos preserva la Parece ser entonces, que se puede diseñ
diseñar un
calidad de los pronó
pronósticos. sistema de Metodologí
Metodología Universal de
Pronó
Pronósticos - MUP con mú múltiples modelos
La utilidad de los pronó
pronósticos es vá
válida en sencillos; aplicable a todo tipo de estudios
estudios de alta complejidad, en los futurí
futurísticos, de tal forma que no tenga
muy grandes (por ejemplo los restricció
restricción de aplicació
aplicación, ni por lo
economé
econométricos) como en los simples. complejo, ni por lo grande y mucho menos
por lo sencillo que sea.
Una de las má
más importantes apreciaciones Esto da pie y lugar a que vale la pena
derivadas del estudio (descrito en forma desarrollar una metodologí
metodología universal de
84 de tablas en la anterior ilustració
ilustración) es pronó
pronósticos MUP, que siempre aplique
que el éxito en las predicciones se logra diferentes modelos con varios softwares,
al utilizar mú
múltiples modelos. de tal forma que permita sondear las
posibilidades de varios modelos sencillos
(o complejos) sin someterse con uno en
especial, dá
dándole flexibilidad al MUP en la
selecció
selección del mejor, que se adapte a los
valores reales recortados. Es de anotar
que el MUP es uno de los objetivos
centrales de este libro.
Las bondades de ajuste de los diferentes En general se asume que una bondad de ajuste
modelos oscilan en rangos entre 4.3 y está
está en este orden de una media del 11%.
20.3%, con una media del 11.67% y una Aunque otros autores sugieren que en
desviació
desviación está
estándar del 3.52% en ocasiones se pueden trabajar ciertos
promedio, indudablemente estos casos hasta con el 25% como es el caso de
porcentajes crecen en la medida que el José
José Oledo, en su artí
artículo Validez de las
tiempo se aleja del presente en casi predicciones en la estimació
estimación de costes
todos los modelos. (GOODNESSOFFIT@2006).
Tambié
También se desprende de los resultados de En esto coincide el autor con experiencias
la ilustració
ilustración anterior que en promedio propias, que se enuncian mámás adelante; el
cuando se realizan infinidad de porcentaje de éxitos oscila alrededor del
pronó
pronósticos, la probabilidad de éxitos 50% de casos exitosos con porcentajes de
de bajos porcentajes de error se logra bondad de ajuste pequeñ
pequeños, dentro de los
en promedio en el 53.2% de los casos rangos enunciados en esta ilustració
ilustración.
(tercera tabla).
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Cuando los datos que se tienen no se encuentran dentro de un rango aceptable de la razón de desviación
sobre la media (inferior al 50%) es mejor no pronosticar, sino esperar a que la etapa más reciente de
datos se estabilice y complete suficientes valores que permitan realizar un pronóstico adecuado en el
tiempo, de tal forma que cumpla las características cuantitativas y probabilísticas, como el caso que
ilustra a continuación.
40000
Pronóstico de Demanda - Unidades de venta del Pronósticos
Medicamento para la piel del Centro Dermatológico Federico Lleras Acosta
Bogotá - Colombia - Junio de 2003
35000
30000 Nivel 3
- se toma cuando complete suficiente información
que permita realizar adecuados pronósticos -
Cantidad Medicamento
25000
20000
Nivel 2
15000 - se debe descartar -
10000
85
Nivel 1
5000
- se debe descartar -
0
7 7 8 8 8 8 9 9 9 9 0 0 0 0 1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4 5 5
99 199 199 199 199 199 199 199 199 199 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200
-1 - - o- - - - o- - - - o- - - - o- - - - o- - - - o- - - - o- - - - o-
sto bre ero y sto bre ero y sto bre ero y sto bre ero y sto bre ero y sto bre ero y sto bre ero y sto bre ero y
a a a a a a a a
o m ebr M o m ebr M o m ebr M o m ebr M o m ebr M o m ebr M o m ebr M o m ebr M
Ag vie F Ag vie F Ag vie F Ag vie F Ag vie F Ag vie F Ag vie F Ag vie F
No No No No No No No No
Mes Año
El tratamiento que sugiere Makridakis y otros, para series que tienen diferentes niveles a lo largo de la
serie es diferente, opta por unos pronósticos parciales combinados, con diferentes modelos al través del
tiempo hasta llegar a lo más recién (Makridakis y otro,1998,231-251).
En general se puede afirmar que cuando se realiza una cantidad importante de pronósticos durante
largos períodos de tiempo, el porcentaje de cumplimiento de adecuadas bondades de ajustes (inferiores
al 30%) oscila alrededor del 50% de las series evaluadas, como se refleja en el siguiente caso
(HACEB,2006) (Makridakis y otro,1998,310-318) (Fildes y otros,1984).
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Ilustración 35 - Bondades de ajuste en varias series evaluadas en períodos de tiempo largos, en empresa de
electrodomésticos
Bondad de ajuste
de pronósticos a Menor a 10% Entre 10 y 20% Entre 20 y 30% Mayor al 30% Un mes vista < 30%
un mes vista
Bondad de ajuste
de pronósticos a Menor a 10% Entre 10 y 20% Entre 20 y 30% Mayor al 30% Dos meses vista < 30%
dos meses vista
86 Feb-06
Mar-06
18.33%
25.00%
21.67%
14.00%
20.00%
13.00%
40.00%
48.00%
60.00%
52.00%
Abr-06 15.00% 16.67% 35.00% 33.33% 66.67%
May-06 20.00% 20.00% 11.67% 48.33% 51.67%
Jun-06 16.67% 21.67% 11.67% 50.00% 50.00%
Jul-06 23.33% 25.00% 20.00% 33.33% 68.33%
Promedio a la
fecha
18.17% 17.40% 18.80% 45.63% 55.17%
70.00%
Porcentaje de las series que tienen
bondades de ajuste inferiores al 30%
Empresa de electrodomésticos
65.00%
Valores porcentuales del ajuste
60.00%
55.00%
50.00%
45.00%
Bondad de ajuste de pronósticos a un mes vista
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
No está por demás decir, que las metodologías presentadas, los pasos recomendados en cada caso y
demás pautas sugeridas en este libro, para las tres etapas (observación (y análisis), hipótesis y
verificación) de las series temporales, ni son las únicas formas de hacerlo y no son infalibles, existen
cientos de métodos y procedimientos diferentes de muchos autores; pero en todo caso lo que sí se
pretende es que sea el MUP una metodología simple, fácil de aplicar y con buena fundamentación
científica, empírica y práctica.
3.2.1.2.1. Síntesis
En esta fase se debe definir exactamente el fenómeno en sí, se describen sus antecedentes, en especial
la metodología cualitativa por la cual se llega a determinar la importancia de hacer futurología
proyectiva con la variable estudiada, se relatan las características cualitativas que sostienen la
importancia de hacer pronósticos en el fenómeno seleccionado y en especial se demuestra mediante la
narración histórica de su contexto y del entorno en que se mueve, que este último es constante ahora y
en el futuro de corto plazo. Esta síntesis puede tener distintos tipos de usuarios, por ejemplo al interior
de la misma organización para lo cual no requiere ser muy extensa, para usuarios externos donde debe
ser más amplia, y en algunos casos donde sea de carácter confidencial se puede hacer de la forma más
breve posible; otra costumbre que se práctica para el caso de estudios secretos es que se enuncian los 87
productos que se pronostican con denominaciones de otras referencias o con nombres ficticios.
En todo caso la síntesis histórica debe permitir acercar al lector, adentrarse en el entorno donde se
desenvuelven los hechos que se pronostican y verificar que este tenga cierta estabilidad del patrón a lo
largo de la historia recién y próxima futura.
3.2.1.2.2. Verificación de datos
La calidad de los datos se verifica, por distintas fuentes, de tal manera que se tenga seguridad absoluta
de que son veraces y de que están correctamente transcritos, es importante resaltar que la mayoría de
softwares de pronósticos trabajan con datos en archivos planos y estos presentan en ocasiones, el
inconveniente de ganar o perder cifras decimales, al ser transportados desde y hacia Excel59, al
trasladarse en los distintos softwares o entre diferentes programas de ordenador60.
Las series entre otros elementos importantes, poseen estructuras de diferentes órdenes lo cual permite
que sean clasificadas y categorizadas, para diferenciarlas unas de otras, lo que sirve en el paso 2 del
MUP, para detectar cuáles son los posibles modelos, que mejor las aproximen en la hipótesis y en la
verificación en primer y segundo recorte.
Los autores Makridakis y Wheelwright (1998,73-74), como Enric Bas (1999,85-86) definen cuatro
estructuras: horizontal, estacional, cíclica y tendencial. El autor trabaja esos mismos conceptos pero los
organiza de otra manera, se presentan las estructuras horizontal (ruido o aleatoriedad), tendencial,
estacional y/o cíclica (las junta y analiza en una sola categoría) y aporta una diferente que de alguna
manera se deriva de la horizontal como es la de nivel, al igual el autor Andrés Carrión García las trabaja
en este nuevo orden (1999,2-12) (2006).
58
MUP – Metodología Universal de Pronósticos, propuesta en este libro.
59
Programa de Microsoft Office 2003®©
60
Computador.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
1400
Estructura vertical
88 Serie con varios niveles
1200
Media…………………………………………. 377
1000 Desviación estándar…………………………310
800
600 Nivel 2
200
Nivel 1
Mes Año
0
Añ - M 1
Añ - M 3
Añ - M 5
Añ 1 - s 7
Añ M 9
Añ - M 1
2 s1
Añ - M 3
Añ - M 5
Añ 2 - s 7
Añ M 9
Añ - M 1
Añ - M 1
Añ - M 3
Añ - M 5
Añ 3 - s 7
Añ M 9
Añ - M 1
Añ - M 1
Añ - M 3
Añ - M 5
Añ 4 - s 7
Añ M 9
Añ - M 1
Añ - M 1
Añ - M 3
5 s5
7
1
1
1 s
1 s
1 s
- s
2 s
2 s
- s
es
3 s
3 s
- s
es
4 s
4 s
- s
es
5 s
es
e
e
o Me
e
o Me
e
o Me
e
o Me
e
o es
o es
o es
o es
Añ - M
Añ - M
-M
1
5
1
4
o
o
Añ
Se observan dos niveles y una relación mayor al 50%, lo que denota que no es recomendable pronosticar
con la serie completa, lo que se debe hacer es eliminar los valores del rango de Nivel 1 y completar al
menos 60 datos del nivel 2 para poder iniciar los cálculos de pronósticos. Nótese que la media total de
377 reparte la figura como en dos series diferentes.
61
Valor subjetivo estimado por la experiencia.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
1400
Estructura vertical
1200
Serie con nivel único
Media………………………………….. 574
Desviación estándar……….………. 187
Valores
800
Nivel único
600
400
200
Mes Año
0
1 s 3 s 5 s 7 s 9 11 s 1 s 3 s 5 s 7 s 9 11 s 1 s 3 s 5 s 7 s 9 11 s 1 s 3 s 5 s 7 s 9 11 s 1 s 3 s 5 s 7
es e e e e es e e e e e es e e e e e es e e e e e es e e e e
-M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M
1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 3 3 3 4 4 4 4 4 4 5 5 5 5
o o o o o o o o o o o o o o o o o o o o o o o o
Añ Añ Añ Añ Añ Año Añ Añ Añ Añ Añ Año Añ Añ Añ Añ Añ Año Añ Añ Añ Añ Añ Año Añ Añ Añ Añ
En esta última figura sin cambios de nivel la relación Media / Desviación estándar se mantiene por
debajo del 50% 62. El software Logware del autor Ronald Ballou tiene la opción de Nivel en sus
pronósticos (Ballou, 2004a, CD).
62
Esta cifra del 50% no es en sí una cifra mágica, es simplemente una referencia numérica, que se debe combinar con el análisis visual de observación del
comportamiento vertical de la gráfica.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Se puede afirmar que la ilustración anterior (denominada Series sin cambios de nivel) es estacionaria63
en media o cuando es una serie con estructura meramente horizontal, que no presenta tendencia a la
suba ni a la baja, no se vislumbran cambios de nivel, esto hace fácil el reconocimiento de la serie, como
también de que posee la estructura horizontal de ruido o aleatoriedad descrita. La posibilidad de que los
valores de la serie se alternen por encima o por debajo de una media se denomina ruido o aleatoriedad.
60
Valor serie sin ruido
Valores de la serie sin estructura
50
horizontal (sin ruido)
40
30
90
20
10
Mes - Año
0
- A no
- A os
- A os
- A no
- A no
- A es
s
- A res
- A no
- A es
- A res
o
s
- A no
- A os
es
- A res
do
do
do
un
io o tr
tr
lio o d
d
io o u
tr
zo o u
u
u
d
u
t
t
t
br ño
ño
ay ño
br ño
br ño
ño
ño
ay ño
ay ño
o
ño
o
ño
o
Ju Añ
ñ
ñ
ñ
ñ
ñ
ñ
M -A
-A
-A
M -A
-
o
zo
o
ro
o
e
ro
zo
e
ro
e
e
e
e
br
br
br
ul
ul
ne
ne
ne
ar
ar
ar
m
m
m
m
m
m
M
M
M
J
J
M
E
E
E
ie
tie
ie
tie
ie
tie
ov
ov
ov
ep
ep
ep
N
N
N
S
S
El fundamento es sencillo, si se aplica la suavización con una media móvil simple a una serie temporal,
en forma de línea recta, no debe existir ninguna diferencia entre la línea suavizada y la original (en la
siguiente ilustración la móvil aplicada de la media es de 6 períodos).
63
Se puede afirmar que una serie es estacionaria cuando se encuentra en equilibrio estadístico, en el sentido de que sus propiedades no varían a lo largo
del tiempo, lo cual implica que no pueden existir tendencias en la misma; un proceso se considera no estacionario si sus propiedades varían con el tiempo
(ALCEING@,2006).
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Ilustración 40 - Serie rectilínea suavizada con Excel, coinciden los valores originales con la media móvil de suavización
80
50
Valores
40
30
20
10
Mes Año
0
1 4 7 10 s 1 s 4 s 7 10 s 1 s 4 s 7 10 s 1 s 4 s 7 10 s 1 s 4 s 7 10 s 1 s 4 s 7 10 s 1 s 4 s 7
es es es es e e e es Me Me Me es Me Me Me es Me Me Me es Me Me Me es Me Me Me
-M -M -M -M -M -M -M -M - - - - M - - - - M - - - - M - - - - M - - -
1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4 5 5 5 5 6 6 6 6 7 7 7
o o o o o o o o o o o o o o o o o o o o o
Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ
Ilustración 41 - Serie rectilínea suavizada con software Statgraphics 64, donde coinciden los valores originales con la
91
media móvil
64
Statgraphics bajo Windows, software.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
2
3
Universidad
EAFIT
Pasos para realizar la suavización con media móvil en Statgraphic bajo window
La media móvil utilizada en la suavización se puede trabajar en una serie con ruido que tenga una
estructura tendencial horizontal, o sea que presente aleatoriedad; en estos casos el comportamiento de
92
la suavización es que los puntos originales quedan lejos de los de la suavización con media móvil simple,
en las siguientes ilustraciones de las series con ruido se hace con una móvil aritmética de 6 períodos.
Para suavizar con Statgraphics bajo MSDOS, se llevan a cabo los pasos de la siguiente ilustración.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
SMOOTHING
C02 .FORECASTS
Time series: C03 .FORECASTS
C09 .FORECASTS
CA4 .ca4
Number of points on either side of target: 5 CA4 .FORECASTS
CA4TODA .FORECASTS
CA5 .ca5
CA5 .FORECASTS
En la pantalla anterior hunda F6, en CA5KAREA.FORECASTS
esta aplique cursor arriba o abajo, CA6 .ca6
CA6 .FORECASTS
para que seleccione el CA6FULL .FORECASTS
directorio.archivo donde están sus CA6TODA .FORECASTS
datos, déle ahora F6 para que cargue CA7 .ca7
CA7 .FORECASTS
la serie, luego aplique la móvil que CA8 .ca8
desea usar, se sugiere 6 ó 12. CA8 .FORECASTS
DATA MANAGEMENT
File Operations
Desired operation: C
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Ilustración 43 - Serie con ruido suavizada con Excel, no coinciden los valores originales con la media móvil de
suavización.
900
Serie con ruido suavizada
800
con media móvil simple
700 Suavización con móvil de 6 períodos
Valores originales
600
Valores
500
400
300
Mes Año
0
1 4 7 10 1 4 7 10 1 4 7 10 1 4 7 10 1 4 7 10 1 4 7 10 1 4 7
es es es es es es es es es es es es es es es es es es es es es es es es es es es
-M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M
1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4 5 5 5 5 6 6 6 6 7 7 7
o o o o o o o o o o o o o o o o o o o o o
Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ
94
Ilustración 44 - Serie con ruido suavizada con Statgraphics Windows, no coinciden los valores originales con media móvil
smooth
530
430
330
230
1/01 1/03 1/05 1/07 1/09 1/11
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Ilustración 45 - Serie con ruido suavizada con WinQSB Moving Average de 6, no coinciden los valores originales con la
media móvil
95
En los casos anteriores de series con ruido, se nota significativamente la distancia entre los puntos de la
serie original y los de la suavizada, lo que permite afirmar que los pronósticos que se calculen a partir
de la historia de esta serie tienen influencia del ruido o estructura horizontal que existe en ella. Para las
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
ilustraciones anteriores con la misma serie se tiene una media de 104, una desviación estándar de 411 y
una relación Media / Desviación de 25.34%, lo que denota que no tiene problemas de nivel.
3.2.1.2.5. Estructura tendencial
Las series que presentan un crecimiento o decrecimiento en su pendiente al través del tiempo poseen
una estructura tendencial, se puede detectar visualmente, se dice que se tiene estructura tendencial
cuando la pendiente es diferente de cero (0±0.25) (se analiza con el método de regresión lineal con
mínimos cuadrados).
1600.00
1100.00
600.00
Mes Año
100.00
96 s 1 s 4 s 7 10 s 1 s 4 s 7 10 s 1 s 4 s 7 10 s 1 s 4 s 7 10 s 1 s 4 s 7 10 s 1 s 4 s 7 10 s 1 s 4 s 7
Me Me Me Mes Me Me Me Mes Me Me Me Mes Me Me Me Mes Me Me Me Mes Me Me Me Mes Me Me Me
o 1- o1- o1- 1- o2- o2- o2- 2- o3- o3- o3- 3- o4- o4- o4- 4- o5- o5- o5- 5- o6- o6- o6- 6- o7- o7- o7-
Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ
31.00
Valores
26.00
21.00
16.00
11.00
6.00
1.00
1 4 7 10 1 4 7 10 1 4 7 10 1 4 7 10 1 4 7 10 1 4 7 10 1 4 7
es es es es es es es es es es es es es es es es es es es es es es es es es es es
-M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M
1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4 5 5 5 5 6 6 6 6 7 7 7
o o o o o o o o o o o o o o o o o o o o o
Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ
Mes Año
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
de donde se deduce que la pendiente es negativa y en el caso de la curva creciente su ecuación está
determinada por y = 332.2957 + 16.0702 * t, con pendiente mayor que cero positiva y creciente.
Con Excel se puede determinar el comportamiento lineal de las series, al seguir los pasos descritos en la
siguiente figura.
Valores
Dato Año - Mes Valores originales Dato Año - Mes
originales
1 Año 1 - Mes 1 213.00 49 Año 5 - Mes 1 143.00
2 Año 1 - Mes 2 171.00 50 Año 5 - Mes 2 454.00
3 Año 1 - Mes 3 258.00 51 Año 5 - Mes 3 343.00
4 Año 1 - Mes 4 284.00 52 Año 5 - Mes 4 657.00
5 Año 1 - Mes 5 104.00 53 Año 5 - Mes 5 736.00
6 Año 1 - Mes 6 137.00 54 Año 5 - Mes 6 564.00
7 Año 1 - Mes 7 151.00 55 Año 5 - Mes 7 878.00
8 Año 1 - Mes 8 218.00 56 Año 5 - Mes 8 658.00
9 Año 1 - Mes 9 164.00 57 Año 5 - Mes 9 454.00
10 Año 1 - Mes 10 156.00 58 Año 5 - Mes 10 657.00
11 Año 1 - Mes 11 245.00 59 Año 5 - Mes 11 768.00
12 Año 1 - Mes 12 288.00 60 Año 5 - Mes 12 895.00
13 Año 2 - Mes 1 258.00 61 Año 6 - Mes 1 879.00 97
14 Año 2 - Mes 2 114.00 62 Año 6 - Mes 2 345.00
15 Año 2 - Mes 3 274.00 63 Año 6 - Mes 3 847.00
16 Año 2 - Mes 4 233.00 64 Año 6 - Mes 4 748.00
17 Año 2 - Mes 5 185.00 65 Año 6 - Mes 5 657.00
18 Año 2 - Mes 6 290.00 66 Año 6 - Mes 6 639.00
19 Año 2 - Mes 7 111.00 67 Año 6 - Mes 7 378.00
20 Año 2 - Mes 8 132.00 68 Año 6 - Mes 8 876.00
21 Año 2 - Mes 9 268.00 69 Año 6 - Mes 9 647.00
22 Año 2 - Mes 10 119.00 70 Año 6 - Mes 10 789.00
23 Año 2 - Mes 11 133.00 71 Año 6 - Mes 11 126.00
24 Año 2 - Mes 12 202.00 72 Año 6 - Mes 12 214.00
25 Año 3 - Mes 1 256.00 73 Año 7 - Mes 1 216.00
26 Año 3 - Mes 2 113.00 74 Año 7 - Mes 2 876.00
27 Año 3 - Mes 3 678.00 75 Año 7 - Mes 3 236.00
28 Año 3 - Mes 4 213.00 76 Año 7 - Mes 4 150.00
29 Año 3 - Mes 5 152.00 77 Año 7 - Mes 5 249.00
30 Año 3 - Mes 6 288.00 78 Año 7 - Mes 6 268.00
31 Año 3 - Mes 7 543.00 79 Año 7 - Mes 7 1123.00
32 Año 3 - Mes 8 101.00 80 Año 7 - Mes 8 878.00
33 Año 3 - Mes 9 216.00 81 Año 7 - Mes 9 987.00
34 Año 3 - Mes 10 257.00 82 Año 7 - Mes 10 567.00
35 Año 3 - Mes 11 798.00 83 Año 7 - Mes 11 479.00
36 Año 3 - Mes 12 162.00 84 Año 7 - Mes 12 673.00
37 Año 4 - Mes 1 231.00 85 Año 8 - Mes 1 980.00
38 Año 4 - Mes 2 435.00 86 Año 8 - Mes 2 876.00
39 Año 4 - Mes 3 454.00 87 Año 8 - Mes 3 1094.00
40 Año 4 - Mes 4 657.00 88 Año 8 - Mes 4 897.00
41 Año 4 - Mes 5 656.00 89 Año 8 - Mes 5 675.00
42 Año 4 - Mes 6 846.00 90 Año 8 - Mes 6 345.00
43 Año 4 - Mes 7 765.00 91 Año 8 - Mes 7 760.00
44 Año 4 - Mes 8 367.00 92 Año 8 - Mes 8 890.00
45 Año 4 - Mes 9 879.00 93 Año 8 - Mes 9 720.00
46 Año 4 - Mes 10 890.00 94 Año 8 - Mes 10 878.00
47 Año 4 - Mes 11 984.00 95 Año 8 - Mes 11 983.00
48 Año 4 - Mes 12 835.00 96 Año 8 - Mes 12 929.00
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
1
3
98
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
1200.00
Serie para analizar su pendiente con
1000.00
regresión lineal
800.00
Valores
600.00
400.00
200.00
Línea de
tendencia
Mes Año
0.00
1 4 7 10 1 4 7 10 1 4 7 10 1 4 7 10 1 4 7 10 1 4 7 10 1 4 7 10 1 4 7 10
es es es es es es es es es es es es es es es es es es es es es es es es es es es es es es es es
-M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M
1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4 5 5 5 5 6 6 6 6 7 7 7 7 8 8 8 8
o o o o o o o o o o o o o o o o o o o o o o o o
Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año Añ Añ Añ Año
Se observa en la tabla de valores que entrega el Excel, que la pendiente tiene un valor de 7.08477 positiva,
lo que se corrobora en la figura con la tendencia lineal dibujada.
99
Ilustración 48 - Serie evaluada en tendencia con Statgraphics Windows
La pendiente
se lee del
factor que
multiplica a t
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Otra forma de evaluar la presencia de una estructura tendencial en una serie, es mediante la utilización
de la función de auto correlación (ACF65), la cual consiste en valorar las diferencias de los valores reales
de la serie con un retraso de una unidad; por ejemplo si Z denota los datos de la variable, halla los valores
de Zt – Zt-1, Zt-1 – Zt-2, Zt-2- Zt-3 y así sucesivamente, los valores deben arrojar valores dentro de intervalo
de confianza del 95%, el cual se estima mediante la valoración de 0 ± 1.96 * ( 1 / Raíz Cuadrada del
número de datos) para obtener los coeficientes de correlación, los cuales deben ser tendientes y cercanos
a cero para series sin tendencia, a la vez que se deben mantener dentro del intervalo de confianza, si es
así se muestra como una serie de datos aleatorios que no tienen relación entre sí y que están dispersos
a lo largo de la serie, sin presencia tendencial y representan una media de los datos de la población
cercana a cero. Lo contrario es afirmar que existe tendencia.
Con la utilización de los datos de la última ilustración se hace los cálculos del ACF en la siguiente figura:
65
ACF Auto Correlation Function – Más adelante se explica con mayor detalle en la sección de Hipótesis en los modelos AR.I.MA.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
0.7
Detección de tendencia con ACF
0.5
Valor coeficientes
0.3
Límite superior del intervalo de confianza
0.1
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Retrasos - Lags
-0.1 Nótese que 14 de los 24 coeficientes están fuera de la banda de confianza, lo que
asevera que hay tendencia, que los datos se relacionan entre sí y que no son
aleatorios; a la vez que la media de la población no tiende a ser cero.
Límite inferior del intervalo de confianza
-0.3
1
2
3
101
6
4
7
8
9
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
son fenómenos que repiten dentro de un lapso de tiempo de un año66. Cuando los eventos que se
manifiestan como valores repetitivos en frecuencias superiores a un año, están en una serie, se dice
entonces que la variable posee una estructura cíclica.
A simple vista es muy difícil determinar la estacionalidad de una serie, por eso se aportan dos métodos
para que el lector pueda determinar fácilmente mediante estas dos herramientas, si existe la presencia
o no del fenómeno frecuencial inferior a un año, en el primero de los casos se entrega en una hoja Excel
la metodología, donde el usuario simplemente introduce los datos y determina si existe el paralelismo
entre las rectas graficadas, en caso de existir se afirma que hay estacionalidad; el segundo método se
realiza con la herramienta Seasonal Subseries Plot del software Statgraphics bajo Windows.
25.00
102 24.00
Serie normal
23.00 Valores
Valor de la variable
22.00
21.00
20.00
19.00
18.00
17.00
16.00
Año - Mes
15.00
1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9
es es es es es es es es es es es es es es es es es es es es es es es es es es es es es es
-M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M
1 1 1 2 2 2 3 3 3 4 4 4 5 5 5 6 6 6 7 7 7 8 8 8 9 9 9 10 10 10
o o o o o o o o o o o o o o o o o o o o o o o o o o o
Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Año Año Año
66
Recuérdese que en este libro se adopta que todo lo que se repita con frecuencias inferiores a doce meses se le denomina estacional y superior a un año,
se le describe como cíclico.
67
Para utilizar este ejemplo en Excel con otros valores puede abrir en el CD adjunto, en Ilustraciones en el Capítulo 3 el archivo Estacionalidad.xls.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Estacionalidad
100%
90%
80%
Media
Año 10
Porcentaje - Curva de cada año
70%
Año 9
Año 8
60%
Año 7
Año 6
50%
Año 5
Año 4
40%
Año 3
Año 2
30%
Año 1
20%
10%
0%
o o zo ril o o lio to e e e e Meses
er er ar ay ni os br br br br
En br M Ab M Ju Ju g m tu m em
e e c e
F A
pt
i O vi ci
Se No Di
Obsérvese el muy buen paralelismo de las diferentes líneas anuales con todos los meses, esto afirma la
presencia de una estructura estacional.
103
Ilustración 52 - Forma de visualizar estacionalidad con Excel
Si Usted desea utilizar esta herramienta de estacionalidad con Excel y otra serie, use el archivo
denominado Estacionalidad ubicado en el archivo Programas del CD adjunto. Ahora se muestra otra
serie que no posee estacionalidad con Excel, para que se note la diferencia.
Ilustración 53 - Serie normal sin estacionalidad
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
265.00
Serie normal
215.00 Valores
Valor de la variable
165.00
115.00
65.00
Año - Mes
15.00
1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9
es es es es es es es es es es es es es es es es es es es es es es es es es es es es es es
-M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M
1 1 1 2 2 2 3 3 3 4 4 4 5 5 5 6 6 6 7 7 7 8 8 8 9 9 9 10 10 10
o o o o o o o o o o o o o o o o o o o o o o o o o o o
Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Año Año Año
Estacionalidad
100%
104 90%
80%
Media
Año 10
Porcentaje - Curva de cada año
70%
Año 9
Año 8
60%
Año 7
Año 6
50%
Año 5
Año 4
40%
Año 3
Año 2
30%
Año 1
20%
10%
0%
Meses
o
o
zo
o
lio
o
il
re
e
e
e
br
br
br
br
ay
er
st
er
ni
ub
ar
Ju
Ju
go
En
A
br
m
m
m
M
M
ct
ie
ie
ie
Fe
ic
pt
ov
D
Se
La falta de una estructura estacional se determina a partir de la no existencia de paralelismo entre las
diferentes curvas anuales con detalle de meses.
La segunda herramienta es mediante la utilización de la acción Seasonal Subseries Plot del Statgraphics
bajo Windows.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
1
2
3
105
5
6 Si los datos está
están en
meses como en estos
ejemplos, se coloca 12
en Seasonality
(Estacionalidad) como
la frontera entre
estacionalidad y
ciclicidad.
7
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Seleccione Seasonal
9 Subseries Plot y de OK
8 Hunda esta
tableta azul
(tercera de
izquierda a
derecha)
106
10
De doble click
izquierdo con el
mouse en esta
grá
gráfica para
ampliarla y
obtener el
criterio de
estacionalidad
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
La forma para decidir si se tiene o no presencia de estacionalidad en la serie se basa en dos criterios, una
es que cada icono (doce de izquierda a derecha que representan el promedio de cada mes del año), deben
ser pictóricamente muy similares, y cada palote (líneas verticales) de cada icono debe ser
proporcionalmente similar en todos los iconos, es decir el palote izquierdo del icono 1 se observa que es
largo y negativo (hacia abajo), luego en el 2 es similar y así sucesivamente hasta el icono 12,
posteriormente se toma el palote 2 de izquierda a derecha y se revisa con el 2 de los otros 11 iconos, y así
hasta revisar todos los palotes de los 12 iconos.
107
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
La ilustración anterior muestra iconos totalmente distintos, además de que el palote 1 en el icono 1 es
mediano y positivo, más sin embargo el palote 1 (de izquierda a derecha) del icono 2 es mínimo y en el
icono 3 es pequeño y negativo; para que haya estacionalidad se deben cumplir las dos condiciones:
similitud gráfica de iconos y analogía de cada palote en todos los iconos, tanto en longitud como en
dirección vertical; si no se cumple alguna de ellas se puede afirmar que no hay estacionalidad.
El software Statgraphics bajo MSDOS, también es útil para analizar la presencia de estructuras
estacionales, la metodología es muy similar a la del software Statgraphics bajo Windows, los pasos
requeridos para la utilización de Statgraphics bajo MSDOS se ilustran en la gráfica que se muestra a
continuación.
Complete input fields and press F6. 4 con datos que desea y el
solo se colocará
colocará en el
rengló
renglón de Data Vector,
Vector, si
quiere ver los datos hunda la
1Help 2Edit 3Savscr 4Prtscr 5 6Go 7Vars 8Cmd 9Deviceletra
10Quit
D de Display y se
muestran, aunque no puede
alterarlos
INPUT 12/19/ 6 04:52 STATGRAPHICS Vers.5.0 Display
Display SPLT
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Las ilustraciones que se esbozan a continuación presentan las series con estructura cíclica y la que no
tiene, tanto en Excel como con Statgraphics.
Ilustración 59 - Serie normal sin estructura cíclica revisada con Excel
70000
30000.00
Serie sin estructura cíclica Ciclo de 36 meses Año 10
60000 Años 7, 8 y 9
Valores
25000.00
Años 4, 5 y 7
50000 Años 1, 2 y 3
Valor de la variable
20000.00
40000
Años
15000.00
30000
10000.00
20000
5000.00 10000
Año - Mes
0
0.00 o o o o
er zo ay lio br
e
br
e
er
o zo ay lio br
e
br
e
er
o zo ay lio br
e
br
e
ar Ju ar Ju ar Ju
1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1
1 5 9 1 5 95 9 1 5 9 1 5 9 En M M m m En M M m m En M M m m
es es es es es es es es es es es es es es es es es es es es es es es es es es es es es es pt
ie ie
pt
ie ie
pt
ie ie
-M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M ov ov ov
1 1 1 2 2 2 3 3 3 4 4 4 5 5 5 6 6 6 7 7 7 8 8 8 9 9 9 0 0 0 Se N Se N Se N
ñ o ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño o 1 o 1 o 1 Mes
A A A A A A A A A A A A A A A A A A A A A A A A A A A Añ Añ Añ
60000
25200
Ciclo de 12 meses Ciclo de 48 meses Años 9 a 12
50000 Años 5 a 8
20200
Años 1 a 4
Año 1
Valores de Curva de cada año
Año 2 40000
Año 3
15200
Año 4
Años
Año 5
30000
Año 6
Año 7
10200 Año 8
Año 9 20000
Año 10
5200
10000
109
200 0
Meses
o
o
o
pt lio
pt lio
pt lio
pt lio
zo
zo
zo
zo
ov re
ov re
ov re
ov re
e
il
ay
ay
ay
ay
er
er
er
er
br
br
br
br
o o zo o o lio o e re e e
N mb
N mb
N mb
N mb
Se Ju
Se Ju
Se Ju
Se Ju
ar
ar
ar
ar
er er br ay ni st br br br
En
En
En
En
m
m
M
M
ar
M
M
ub
ie
ie
ie
ie
ie
ie
ie
ie
En br A Ju Ju go m m m
Fe
M M
A ie ct ie ie
ept O ov D
ic Mes
S N
100000 45000
80000
35000
Años 1 a 5
70000
30000
60000
Años
25000
Años
50000
Años 9 y 10
Años 7 y 8 20000
40000
Años 5 y 6
30000 Años 3 y 4
15000
Años 1 y 2
20000
10000
10000
5000
0
o
o
ril
ril
Fe ro
lio
Fe ro
A o
zo
nio
pt sto
zo
nio
pt sto
o
ie e
ie e
O re
icie e
O re
icie re
e
e
ay
ay
li
er
er
r
br
br
br
Ab
Ab
0
e
e
N tub
N tub
b
b
Ju
Ju
ar
ar
Ju
Se go
Ju
Se go
En
En
br
br
m
m
M
M
M
M
c
c
ie
ie
A
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59
ov
ov
D
Mes
Mes
Obsérvese que en las gráficas anteriores con diferentes frecuencias cíclicas (12, 24, 26, 48 y 60 meses,
no hay ninguna donde se encuentre algún tipo de paralelismo entre ellas (si en algunas de las líneas
sucede cruce entre ellas, se descarta la presencia de una estructura cíclica (nótese los círculos donde hay
cruces)); lo que permite afirmar que esta serie no posee estructura cíclica.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
el evento de datos en meses), para series con otras unidades de tiempo se hace lo mismo hasta tener
como mínimo siquiera dos líneas.
Ahora se hace la misma prueba con Excel con una serie cíclica, que muestra los siguientes resultados.
Ejemplo que está en Ilustraciones en el capítulo 3 en el CD adjunto, si el lector desea utilizarlo para
poder detectar estructuras cíclicas de otra serie.
7000
3000.00
Serie cíclica Ciclo de 24 meses
6000
Valores
2500.00
5000
Valor de la variable
2000.00
4000
Años
1500.00 Años 9 y 10
3000 Años 7 y 8
Años 5 y 6
1000.00 Años 3 y 4
2000
Años 1 y 2
Año - Mes 0
0.00
o
ril
ril
Fe ro
A o
Fe ro
A o
zo
nio
iem o
zo
nio
iem o
o
vie re
vie re
O re
cie re
cie e
e
e
ay
ay
li
li
t
t
er
er
br
br
br
br
Ab
Ab
Se gos
Se gos
e
e
No tub
No tub
b
b
Ju
Ju
ar
ar
1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9
Ju
Ju
En
En
br
br
m
m
m
m
M
M
es es es es es es es es es es es es es es es es es es es es es es es es es es es es es es
M
M
c
c
O
pt
pt
-M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M
Di
Di
1 1 1 2 2 2 3 3 3 4 4 4 5 5 5 6 6 6 7 7 7 8 8 8 9 9 9 0 0 0
ñ o ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño o 1 o 1 o 1
A A A A A A A A A A A A A A A A A A A A A A A A A A A Añ Añ Añ Mes
6000
3200
Ciclo de 12 meses Ciclo de 36 meses
110 Año 10
Años 7, 8 y 9
2700 5000
Años 4, 5 y 7
Año 1 Años 1, 2 y 3
Valores de Curva de cada año
Año 5
1700 Año 6
3000
Año 7
Año 8
1200 Año 9 2000
Año 10
700 1000
200 0
Meses
o
o
o
lio
lio
lio
zo
zo
zo
e
e
ay
ay
ay
er
er
er
br
br
br
br
br
br
o
zo
ril
o
lio
o
to
re
e
e
Ju
Ju
Ju
ar
ar
ar
En
En
En
m
m
ay
br
br
M
br
ni
er
er
M
Ab
os
ub
ar
ie
vie
ie
vie
ie
vie
Ju
Ju
En
br
em
em
m
pt
pt
pt
M
No
No
No
M
Ag
ct
Se
Se
Se
ie
Fe
vi
ci
O
pt
Mes
No
Di
Se
4000 4000
3000 Años 1 a 5
Años 1 a 4 3000
2500
2500
Años
2000
Años
2000
1500
1500
1000
1000
500
500
0
o
o
o
ie o
ie o
ie o
ie o
zo
zo
zo
zo
vie re
vie e
vie re
vie re
e
ay
ay
ay
ay
er
er
er
er
li
li
li
li
br
r
br
br
br
No mb
No mb
No mb
No mb
Se Ju
Se Ju
Se Ju
Se Ju
ar
ar
ar
ar
En
En
En
En
m
0
M
M
M
M
pt
pt
pt
pt
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59
Mes Mes
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
En el período con ciclo de 36 meses se nota cierto paralelismo entre las tres líneas presentes, lo que
permite afirmar que hay presencia de una estructura cíclica con esta frecuencia de 36.
El proceso para detectar una estructura cíclica en una serie mediante el software Statgraphics bajo
Windows, está descrito en la ilustración denominada como Pasos para detectar estacionalidad con
Statgraphics de Windows para chequear presencia de estructura cíclica con Statgraphics, el cual es
exactamente igual para analizar la presencia de estructuras cíclicas hasta el paso 8, solo que cambia a la
forma descrita en la siguiente ilustración.
Ilustración 61 - Pasos complementarios para detectar estructuras cíclicas con Statgraphics bajo Windows en una serie
1
2
3
5
Si los datos está
están en
6 meses como en este
ejemplo, se coloca 12,
24, 36, 48, 60, etc. y de
esta forma se van a
obtener diferentes
grá
gráficas con el anáanálisis
7 estructural cícíclico, al
utilizar el comando
Annual Subseries Plot
111
9 Seleccione Seasonal
9 Annual Subseries Plot
y de OK
8 Hunda esta
tableta azul
(tercera de
izquierda a
derecha)
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
10
De doble click
izquierdo con el
mouse en esta
grá
gráfica para
ampliarla y
obtener el
criterio de
estructura
cíclica
Annual Subseries Plot for Serie con estructura cíclica Annual Subseries Plot for Serie con estructura cíclica
Serie con estructura cíclica
(X 1000) (X 1000)
3 Cycle 3 Cycle
1 1
2.5 2 2.5 2
2 3 2 3
4
1.5 5 1.5
6
1 7 1
0.5 8 0.5
9
0 0
0 3 6 9 12 15 0 10 20 30 40
Season con ciclo de 12 meses Season con ciclo de 36 meses
Annual Subseries Plot for Serie con estructura cíclica Annual Subseries Plot for Serie con estructura cíclica
Serie con estructura cíclica
(X 1000) (X 1000)
3 Cycle 3 Cycle
1 1
2.5 2 2.5 2
2 3 2 3
4
1.5 5 1.5
1 1
0.5 0.5
0 0
0 5 10 15 20 25 0 10 20 30 40 50
Season con ciclo de 24 meses Season con ciclo de 48 meses
Obsérvese que en la gráfica del ciclo de 36 se nota el paralelismo, lo que corrobora su estructura cíclica,
en las de 12, 24 y 48 hay cruces (obsérvese los círculos, dentro de los cuales hay intersecciones) (basta
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
que haya paralelismo en una de ellas, para poder expresar que puede existir ciclicidad). En la de 60
períodos el software Statgraphics enuncia que no la puede realizar por falta de datos (originalmente
108), ya que no le alcanza para 2 ciclos o sea que requiere de 120 datos como mínimo.
Annual
Annual Subseries Plot for Serie
cíclica
Serie con estructura cíclica Serie con
con estructura
estructura cíclica
cíclica
(X
(X 1000)
1000)
3 Cycle
Cycle
11
2.5 22
2 33
1.5
1
0.5
0
0 10 20
20 30
30 40
40
Season
Season
Existe otra
Existe otra forma
forma de análisis de
de aná de
estructuras cí
estructuras cí
cííclicas,
c clicas, si
si sobre
sobre lala figura
figura
se da
se da click
click derecho
derecho deldel mouse,
mouse,
aparece el
aparece el recuadro
recuadro con con las
las opciones
opciones 113
descritas, allí
all
descritas, allí í selecciona
allí selecciona Pane Pane
Options yy luego
Options luego aparece
aparece el el cuadro
cuadro
donde menciona
donde menciona la la opció
opció
opció
opci ónn
Cumulative yy selecciona
Cumulative selecciona OK,OK, para
para
aparecer la nueva
aparecer la nueva opció opció
opci ó n
opción grá grá
grá
gr áfica
fica de
de
aná
anáálisis
aná
an lisis estructural
estructural cí cí
cííclico.
c clico.
Annual Subseries
Annual Subseries Plot
Plot for
for Serie
Serie con
con estructura
estructura cíclica
cíclica
cíclica
estructuracíclica
(X 10000)
(X 10000)
6
6 Cycle
Cycle
11
5
5 22
conestructura
4 33
4
3
3
2
2
Seriecon
1
1
0
0
Serie
0 10 20 30 40
0 10 20 30 40
Season con
Season con ciclo
ciclo de
de 36
36 meses
meses
Fuente Bibliográfica: SGBW,2003,Sotfware
El análisis consiste en que las líneas no se crucen, que tengan cierta analogía gráfica y que
preferiblemente sean rectilíneas.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
La siguiente gráfica muestra la otra serie que se trae sin estructura cíclica, revisada con Statgraphics de
Windows y con su herramienta Pane Options para un ciclo de 36 meses, nótese el cruce entre las
distintas rayas y su falta de alineación, lo que permite descartar su estado cíclico.
(X 100000)
5 Cycle
1
4 2
3
3 4
0
0 10 20 30 40
Season con ciclo de 36
9 Se selecciona esta
opció
opción para detectar
algú
algún componente
fuera de orden o con
valores dudosos por
mala trascripció
trascripción o
fuente no fidedigna.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
200
irregular
160
120
80
40 115
0
1/01 1/04 1/07 1/10 1/13 1/16
Se alteran tres datos: enero del año 3, marzo del año 5 y diciembre del año 10; se cambian por 99’999.999
y véase los cambios que sufre la gráfica.
Datos Año 1 Año 2 Año 3 Año 4 Año 5 Año 6 Año 7 Año 8 Año 9 Año 10
Enero 2599 5148 99999999 3433 1945 1197 1333 3307 3271 1682
Febrero 3647 5042 5042 2384 4734 4167 1103 4883 4177 766
Marzo 731 2659 2659 4755 99999999 4122 1832 1516 4206 3745
Abril 3250 1999 1999 4492 4167 5383 3983 1462 4585 5446
Mayo 4739 3491 3491 3506 4122 679 4299 3188 4983 4610
Junio 2624 2018 2018 4996 5383 5112 4466 4710 3410 3202
Julio 4505 3008 3008 1001 679 4288 3947 1421 1471 2691
Agosto 3361 3366 3366 1588 5112 716 2713 1602 2231 1328
Septiembre 1909 747 747 2452 4288 5060 5294 4326 3519 2357
Octubre 3242 2393 2393 1473 716 2652 4619 5378 4767 1488
Noviembre 1532 2651 2651 4190 5060 3474 4963 936 1811 4609
Diciembre 4113 1557 1557 3035 2652 2533 2518 3708 5108 99999999
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
600
500
irregular
400
300
200
100
0
1/01 1/04 1/07 1/10 1/13 1/16
Donde se observa en los óvalos de borde negro la concentración de datos y los puntos superiores salidos
de rango, al igual se observa que ya no existe una distribución equitativa de puntos alrededor de su
media, como sí se logra visualizar en la gráfica anterior, sin alterar datos. Esta es una manera cualitativa
de revisar los componentes o los datos irregulares que tenga la serie en su manipulación de datos.
116 3.2.1.2.8. Patrón estructural
Los pronósticos de algunos modelos dan previsiones lineales, tales como los de ajuste por tendencia
(lineales o no) o los de suavización (Brown, Holt o Winter), como en algunas ocasiones los modelos
AR.I.MA. (en especial en los que en que el componente estacional no trae valores diferentes a cero y que
son del tipo (x,x,x) (0,0,0)et, donde las xs son valores enteros positivos); en esos casos la línea de
pronósticos se transforma en una estructura normal con valores alternados por encima y por debajo de
su media mediante la imposición del patrón.
Ejercicio 4 - Patrón
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Supóngase que el proceso de pronósticos, conduce al modelo de suavización exponencial Brown como
el mejor, después de los dos recortes y de aplicar el proceso integral del MUP, más sin embargo aparece
el problema de que los pronósticos son lineales, con el mejor αlfa (denominado coeficiente de corrección
de estructura horizontal (ruido o aleatoriedad) de 0.11 encontrado con la bondad de ajuste MSE (Mean
Square Error) Error Cuadrado68 Medio) los valores históricos y los que se pronostican, son:
Pronósticos
Datos Año 1 Año 2 Año 3 Año 4 Año 5 Año 6
Enero 118 140 120 130 45 69
Febrero 22 37 125 106 62 69
Marzo 160 47 157 25 133 69
Abril 71 28 59 122 35 69
Mayo 89 12 29 54 34 69
Junio 66 88 94 126 47 69
Julio 107 139 16 79 66 69
Agosto 37 10 107 148 21 69
Septiembre 125 37 32 136 24 69
Octubre 98 20 126 96 101 69
Noviembre 40 138 43 114 114 69
Diciembre 98 144 95 12 11 69
Los cálculos del modelo de suavización exponencial Brown se realizan con la expresión
140
Valores Valores
120
Valores históricos y pronosticados
100
80
60
Pronósticos
40
20
0
Añ - M 1
4
-M s7
Añ - M 1
4
Añ Me 7
3 s1
-M s7
Añ - M 1
4
-M s7
5 s1
-M s7
Añ - M 1
4
-M s7
Añ - M 0
Añ - M 0
Añ - M 0
Añ - M 0
Añ - M 0
10
1
1
1 s
es
es
es
es
es
es
es
es
es
e
o Me
o Me
o Me
o Me
o Me
o Me
o es
o es
o es
o es
es
Añ - M
Añ - M
Añ - M
Añ 1 -
Añ 2 -
Añ 3 -
Añ 4 -
Añ 5 -
Añ 6 -
-
1
6
1
Año - Mes
o
o
Añ
Añ
Añ
Añ
Añ
68
MSE - Error Medio Cuadrático, en ocasiones se úsale término cuadrático en vez de cuadrado, para denotar el mismo significado.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
2
3
5
6
118
8 9
Acá
Acá se obtienen los valores Si lo desea
porcentuales promedios de en forma
cada unidad de tiempo, en grá
gráfica, da
este caso meses. Si doble doble click
click derecho del mouse se izquierdo, se
aumenta de tamañ
tamaño. aumenta y
De este recuadro se copian copia para
los valores para llevarlos a llevarla a su
la hoja de trabajo del MUP. documento
de informe
del MUP.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Al aplicar el patrón a los pronósticos en forma de línea recta, la serie se convierte en otra figura.
121
119
101
81
61
41
0 3 6 9 12 15
season
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
140
Pronósticos
patroneados
Valores históricos y pronosticados
100
80
60
40
Año - Mes
20
Año 1 - Mes 1
Año 1 - Mes 3
Año 1 - Mes 5
Año 1 - Mes 7
Año 1 - Mes 9
Año 1 - Mes 11
Año 2 - Mes 1
Año 2 - Mes 3
Año 2 - Mes 5
Año 2 - Mes 7
Año 2 - Mes 9
Año 2 - Mes 11
Año 3 - Mes 1
Año 3 - Mes 3
Año 3 - Mes 5
Año 3 - Mes 7
Año 3 - Mes 9
Año 3 - Mes 11
Año 4 - Mes 1
Año 4 - Mes 3
Año 4 - Mes 5
Año 4 - Mes 7
Año 4 - Mes 9
Año 4 - Mes 11
Año 5 - Mes 1
Año 5 - Mes 3
Año 5 - Mes 5
Año 5 - Mes 7
Año 5 - Mes 9
Año 5 - Mes 11
Año 6 - Mes 1
Año 6 - Mes 3
Año 6 - Mes 5
Año 6 - Mes 7
Año 6 - Mes 9
Año 6 - Mes 11
En esta última gráfica, los valores que se pronostican adquieren una forma muy útil a las decisiones que
se tomen, sobre el fenómeno al cual se aplica las series temporales.
3.2.1.2.9. Otros
Es posible aplicar otra serie de análisis previos a la serie, con el fin de conocer su caracterización y poder
tener claro cuáles son sus propiedades a la hora de postular el modelo más idóneo que se acomode a
ellas.
120
Como parte final, se hace una síntesis de los resultados obtenidos, que se condensa en la siguiente
ilustración, que toma diferentes valores en función del caso que trabaje.
3.2.2. Hipótesis
El paso 2 en MUP consiste en determinar el (los) modelo (s) que mejor se acomode(n) a las
características de la serie analizada en el paso 1. Se trata entonces de conocer las particularidades de
cada uno de los modelos más utilizados tanto de clásicos como de los modernos, con el fin de lanzar la
hipótesis a partir del apareamiento con las características de la serie encontradas en el paso 1 del MUP
denominada Análisis y observación, o análisis previo.
Los modelos de las series temporales se pueden clasificar en dos grandes grupos: modernos (AR.I.MA.)
y clásicos (que son casos particulares y específicos de los primeros).
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
El modelo se caracteriza
Metodología por un comportamiento
que lo patronea una
Box – Jenkins expresión
Modernos
Modelos AR.I.MA. Normal Estacional
Auto Regressive - Integrated-
Integrated-Moving Average (AR.I.MA.) (AR.I.MA.)
(p,d,q) (P,D,Q)
Tendencia Lineal
Modelos de Ajuste por
Regresió
Regresión Linear
Tendencia
Linear Trend
Trend Analysis
o de Regresión
Regresion
Tendencias no Lineales
Nonlineal Regresion
Nonlinear Trend
Clásicos
121
Suavización Pura
Moving Average
Modelos de suavización
Smoothing
Suavización Exponencial
Exponential Smoothing
Brown exponential smoothing
Suavización Exponencial
Exponential Smoothing
Holt exponential smoothing
Modelos de descomposición
Seasonal Decomposition
Holt-Winter
Exponential Smoothing
Descomposición
Aditivo y Multiplicativo
Holt Winter
Exponential smoothing
Seasonal decomposition
A. Mora G.
122
Modelos Subgrupo Aplicació
Aplicación Criterios té
técnicos
Usos
El modelo se caracteriza
Metodología por un comportamiento
Los criterios p (past time), q (¿questions?), P (pasado formal) y Q (aleatorio no formal) son valores enteros entre 0 y 9, entre Son de orden genérico, son los
que lo patronea una
Box – Jenkins más alto su valor mayor incidencia habrá de este componente en los valores pronosticados. Existe un componente normal y modeles superiores de los clásicos,
Modernos expresión
otro de incidencia estacional (últimos tres dígitos). su aplicación es infinita para
Modelos AR.I.MA. Normal Estacional
El operador diferencia d y D se valora con 0, 1 ó 2, entre más alto mayor relación existe entre los componentes AR y MA. cualquier serie temporal.
Auto Regressive - Integrated-
Integrated-Moving Average
A. Mora G.
(AR.I.MA.) (AR.I.MA.)
(p,d,q) (P,D,Q)
Exclusivamente se usa en series
cuya conducta es totalmente
Tendencia Lineal Su expresión se denota como y = a + b * t + t donde la a es el intercepto con el eje y de los valores de la serie patroneada por tendencias lineales
Regresió
Regresión Linear pronosticada, b es la pendiente de la misma y εt es la perturbación asociada al instante t, que desaparece en la medida que t y donde no hay otras influencias
Linear Trend tienda a infinito y se estime bien la serie. . como ruido, nivel, estacionalidad o
Modelos de Ajuste por ciclicidad, ni tendencias no
Tendencia lineales.
Las hay de muchos tipos, entre ellas resaltan:
Trend Analysis 1
Cuadráti ca = A + B * t + C * t 2 Doble Reciprocante =
o de Regresión B Exclusivamente se usa en series
(A + )
Regresion Exponencial = e ( A + B* t ) t cuya conducta es totalmente
Tendencias no Lineales B Logarítmica = A + B * Ln ( t ) patroneada por tendencias no
(A + )
t
Nonlineal Regresion
Curva en S = e lineales y donde no hay otras
B Multiplicativa = A * t B influencias estructurales como
Nonlinear Trend Reciprocante en X = A +
t
ruido, nivel, estacionalidad o
1 Raíz cuadrada en X = A + B* t
Reciprocante en Y = ciclicidad, ni tendencias lineales.
A + B* t
Raíz cuadrada en Y = ( A + B * t ) 2 Otras diversas
Su criterio de uso se basa para lograr eliminar o atenuar el ruido de una serie.
Las hay de muchos tipos, desde las más simples como la media aritmética con diferentes móviles (que es la más
recomendada y usada), hasta otras más sofisticadas, entre las cuales resaltan: Como tal no es un modelo de
•Matemáticas: natural, logarítmica natural, logarítmica base 10, reciprocante, raíz cuadrada, exponencial, Box-Cox, etc. pronósticos, se le usa
exclusivamente durante el análisis
•Tendenciales: lineales, cuadráticas, exponenciales, curvas en S, etc. previo para determinar si la serie
Suavización Pura
•Estacionales aditivas o multiplicativas. tiene estructura horizontal de ruido,
Moving Average
permite visualizar mejor una vez se
•Con operador diferencia. aplica la suavización, la existencia
Clásicos o no de tendencia y en ocasiones
Para final de período o toda la serie.
de estacionalidad o ciclicidad.
Todas con posibles diferentes medias móviles, pero en todo caso es aventurado y riesgoso usarlas para pronosticar, por lo
general conduces a valores futuros con grandes errores, dado que su metodología estructural es de inferencia igualando el
comportamiento de todos sus elementos históricos.
Modelos de suavización Brown, es un modelo clásico especialmente diseñado para series con alta presencia de estructura horizontal de ruido (o
Smoothing aleatoriedad), sin tendencia ni fenómenos temporales como estacionalidad ni ciclicidad, con ausencia de valores de
estructura vertical de nivel.
Su ecuación se plantea como:
Sirve exclusivamente para series
Pronóstico t = Pronóstico t–1 + αlfa ( Realidad t–1 - Pronóstico t-1 ) con estructura horizontal con
Suavización Exponencial
3 - Proyectiva - Pronósticos de series temporales
Holt o Holt Exponential Smoothing, es un modelo clásico elaborado especialmente para series que tienen estructura
horizontal de ruido y estructura tendencial con pendiente diferente a cero ± 0.25 .
Su cálculo se realiza mediante la expresión:
Pronó
Pronóstico t = S t + m * b t
Donde St es el término referido a la suavización de la estructura horizontal de ruido, bt es el valor referido al tratamiento de la
pendiente y m es el número de períodos vista a que se desea pronosticar mediante cálculos escalonados sucesivos.
La estimación de los valores escalonados en cada tiempo t, se realizan con las ecuaciones: Se utiliza únicamente en series con
presencia de estructura horizontal
Modelos de descomposición Suavización Exponencial S t = Nivel de suavizado = αlfa * Realidad t + ( 1 – αlfa ) ( S t – 1 + b t – 1 ) de ruido y tendencial, las dos a la
Seasonal Decomposition Exponential Smoothing
b t = Tendencia en el instante t = ßeta * ( S t - S t – 1 ) + ( 1 – ßeta ) b t – 1 vez; es muy adecuada cuando los
Exponential Smoothing Holt exponential smoothing
cambios de tendencia son cortos y
de sentidos inversos.
donde αlfa y ßeta son factores de modelación o constantes de suavizado, correspondientes al componente de suavización
St y tendencial bt, respectivamente, ambas trabajan entre 0.00001 y 0.35 y entre más bajas denotan más la presencia de
ruido (o aleatoriedad) y tendencia.
Para calcular el modelo se puede inicializar generando un modelo de tendencia con regresión lineal con los datos históricos
de la serie y asumiendo S1 como el término independiente (Intercepto) y b1 como la pendiente (Inclinación) obtenidos.
Exponential Smoothing
Holt exponential smoothing
Modelos Subgrupo Aplicació
Aplicación Criterios té
técnicos
Usos
Suavización Exponencial
Modernos Exponential Smoothing
Holt - Winter Exponential Smoothing, es un modelo clásico elaborado especialmente para series que tienen estructuras estacionales y/o cíclicas con fenómenos
Holt exponential smoothing
repetitivos en el tiempo obligatoriamente, y pueden opcionalmente contar con estructura horizontal de ruido y/o estructura tendencial con pendiente diferente a
cero ± 0.25 .
A. Mora G.
Holt - Winter Exponential Smoothing Additive
Su cálculo se realiza mediante la expresión:
siempre los valores de E t se toman como E1 (ya calculado) para el primer pronóstico después de valores históricos reales, E2 para el segundo, E3 para el
tercero, ….., y así sucesivamente hasta EL para el pronóstico L, de ahí en adelante se vuelve a tomar E1 para el pronóstico L + 1 , E2 para el pronóstico L + 2
después de históricos reales, E3 para la previsión L + 3, …., y así sucesivamente hasta el pronóstico L + L, luego se vuelve a tomar E1 para la fórmula del
cálculo de la previsión 2L + 1 y de ahí en adelante en forma similar volviendo a iniciar cada vez que se completen juegos de L pronósticos posteriores a los
datos históricos.
3 - Proyectiva - Pronósticos de series temporales
Suavización Exponencial
Modernos Exponential Smoothing
Holt exponential smoothing
Holt - Winter Exponential Smoothing, es un modelo clásico elaborado especialmente para series que tienen estructuras estacionales y/o cíclicas con fenómenos
A. Mora G.
repetitivos en el tiempo obligatoriamente, y pueden opcionalmente contar con estructura horizontal de ruido y/o estructura tendencial con pendiente diferente a
cero ± 0.25 .
Las variables: St es el término referido a la suavización de la estructura horizontal de ruido, bt es el valor referido al tratamiento de la pendiente y m es el número
de períodos vista a que se desea pronosticar mediante cálculos escalonados sucesivos.
La estimación de los valores escalonados en cada tiempo t, se realizan con las ecuaciones:
Es ideal en series con
S t = αlfa * ( Z t / E t – L ) + ( 1 – αlfa ) * ( S t – 1 - b t – 1 ) presencia obligatoria de
b t = ßeta * ( S t - S t – 1 ) + ( 1 – ßeta ) * b t – 1 estructuras estacionales y/o
Holt-Winter Multiplicativo
cíclicas; la presencia de ruido
Descomposición E t = Gamma (γ (γ) ) * E t - L
(γ)* ( Z t / S t ) + ( 1 – Gamma (γ
(o aleatoriedad) o tendencia
Holt Winter Multiplicative
Fuente Bibliográfica: Yih-Long,1998,273-274 es opcional no impositiva, aún
Exponential smoothing
sin estas dos últimas es un
Seasonal decomposition
Las constantes αlfa y ßeta trabajan entre 0.00001 y 0.35 y entre más bajas denotan mayor presencia de ruido (o aleatoriedad) y tendencia respectivamente; en modelo que se acomoda bien
cambio Gamma (γ) se desempeña entre 0.65 y 0.999999 y entre más alta, denota una mayor existencia del fenómeno temporal repetitivo. a series con fenómenos
temporales repetitivos.
3 - Proyectiva - Pronósticos de series temporales
B0 es igual a cero.
Los Pronósticos de los X t + M valores se calculan con M = 1, cuando t + M aún son valores reales históricos.
Modelos de descomposición
Seasonal Decomposition
Los verdaderos pronósticos de X t +M cuando t + M es mayor al número de datos históricos se calculan con M =1 el primer pronóstico, M=2 la segunda
Exponential Smoothing
predicción, M=3 la tercera predicción y así sucesivamente hasta completar los valores solicitados.
Pronóstico t + M = ( S t + M *bt ) * E t
X t + M = Pronó
siempre los valores de E t se toman como E1 (ya calculado) para el primer pronóstico después de valores históricos reales, E2 para el segundo, E3 para el
tercero, ….., y así sucesivamente hasta EL para el pronóstico L, de ahí en adelante se vuelve a tomar E1 para el pronóstico L + 1 , E2 para el pronóstico L + 2
después de históricos reales, E3 para la previsión L + 3, …., y así sucesivamente hasta el pronóstico L + L, luego se vuelve a tomar E1 para la fórmula del
cálculo de la previsión 2L + 1 y de ahí en adelante en forma similar volviendo a iniciar cada vez que se completen juegos de L pronósticos posteriores a los
datos históricos.
Los modelos clásicos tienen un enfoque determinista, en ellos la serie posee una pauta de
comportamiento constante, las variaciones que se observan son desviaciones generadas por eventos
puntuales que ocurren en su entorno, sin que estas afecten la pauta básica del modelo.
Los métodos AR.I.MA: (o modernos) se basan en planteamientos probabilísticos y asumen a las series
temporales como manifestaciones de procesos estocásticos con cierta estructura, en la cual esas
perturbaciones que el entorno introduce, forman parte de la propia estructura de la serie
(Carrión,1999,7).
3.2.2.1. Modelos Clásicos - Casos específicos de los AR.I.MA.
Las metodologías clásicas de series temporales se basan en extrapolar una función, que simula el
comportamiento pasado y presente de la serie, hacia el futuro cercano.
3.2.2.1.1. Características de los clásicos
Algunos aspectos relevantes de ellos son:
Determinísticos: se les puede expresar mediante una función matemática, que se construye
con la modelación de los datos históricos y actuales.
Pronósticos: básicamente estos se calculan a partir de los datos del pasado y están
relacionados con ellos.
Fenómeno
exógeno, llega,
altera y se retira
t
iempo
Pronóstico t = a + b *t , donde a es el intercepto de la serie temporal con el eje Y de los valores de la variable y
b es la pendiente medida con la horizontal, t es el instante del tiempo en que se desea valorar el pronóstico.
El uso de la idea del método permite realizar para un conjunto de datos, un ajuste por medio del análisis
matemático de regresión lineal con mínimos cuadrados a una línea recta, donde se trata de estimar los
parámetros de la pendiente y el intercepto, que minimicen el componente aleatorio de error.
El método requiere que una línea recta se ajuste a un conjunto de datos, de tal manera que la suma de
los cuadrados de las distancias de los puntos a la línea de ajuste sea la mínima posible. Esta
minimización puede desarrollarse tanto en el eje vertical como en el eje horizontal (RELIASOFT
@,2005).
Eje Y
b es la pendiente o ángulo de
inclinació
inclinación de la recta estimada.
126 da *t
tima a +b
es =
ínea icot
L ó st
on
Pr
Puntos reales.
a es la intersecció
intersección o intercepto de la lí
línea estimada con el eje Y
tiempo Eje t
(aˆ + bˆ t −y )
N N
= mínimo (a, b ) (a + b t i − yi )
2 2
i i , donde a es el intercepto con el eje Y y b es la pendiente
j =1 j =1
de la recta estimada, el símbolo ^ denota valor estimado o calculado, Y es la variable dependiente y t es la
independiente. Con j como los diferentes valores de los puntos hasta N que es el número total de puntos a alinear.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
t
j =1
j *Y j − N * t * Y
b= N , b es el valor de la pendiente estimada, con t como los diferentes valores
t − N *t
2 2
j
j =1
independientes reales del tiempo, y los valores dependientes reales como Y, j es cada uno de los puntos, N el número
total de puntos, Y es la media o promedio de los Y reales originales y t es la media o promedio de los t reales del
caso.
a = Y − b * t , con a como el intercepto de la recta estimada, con Y y t como las medias de los valores Y y t
reales originales.
Fuente Bibliográfica Ecuación: adaptada de Levin,1997,336
3.2.2.1.3.1.1. Ajuste
Califica el grado de distancias en Y tanto por encima como por debajo de la recta alineada y ajustada en
forma tendencial.
debe ser igual o tender a cero, manifiesta el centramiento de la alineación en el eje Y, muestra si se compensan las
diferencias en Y por encima y por debajo de la recta, es un indicador débil de la alineación y del ajuste. Yˆ son los
valores estimados correspondiente a cada Y.
(Y j − Yˆ j ) 2
Error estándar del estimado = Confianza de la ecuación de estimación = S e =
j =1 , debe tender a
N −2
cero o a ser el valor mínimo posible. En ella Yˆ son los valores estimados correspondientes calculados con la nueva
ecuación Y = a + b*t para cada uno de los Y reales originales.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
( Y
j =1
j − Ŷ j ) 2
, donde Y es la media o promedio de los Y
Coeficiente de Determinación Muestral = r 2 = 1 − N
( Y
j =1
j − Y j )2
reales originales, Yˆ son los valores estimados correspondientes calculados a la función o distribución evaluada en su
ajuste y Yj son los valores reales dados en la serie.
Fuente Bibliográfica Ecuación: Levin,1997,350
El coeficiente de determinación muestral r2 es de los que más se usa para valorar el ajuste de la serie a
la función o modelo, que trata de patronear el comportamiento futuro de la variable a la cual se le
estiman los pronósticos (o previsiones).
Últimamente se usa también otra prueba más fuerte en los procesos de alineación, se denomina
Coeficiente de Determinación Muestral r2 Ajustado, se estima mediante la expresión:
j =1
número total de eventos, j el evento en particular e i el número de variables correlacionadas, en el caso particular de
alineación de Pronósticos (t) son dos variables, i = 2. Los valores de r2 ajustado, deben estar entre 0.90 y 1.000.
(t − t ) * (Y j − Y )
N
j
Coeficiente de Correlación Múltiple = r = i =1
, donde r es el coeficiente de
(t − t ) * (Y j − Y )
N N
2 2
j
i =1 j =1
correlación, Y y t son los valores reales iniciales, Y y t son las medias o promedios de los valores reales originales de
t y F(t) o de M(t).
Fuente Bibliográfica Ecuación: RELIASOFT@,2005
El modelo de ajuste por tendencia lineal es adecuado cuando la serie analizada solo tiene estructura
tendencial lineal con una pendiente diferente de 0 ± 0.25 y no hay presencia de ruido, ni de
estacionalidad ni ciclicidad.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Cuadrática = A + B * t + C * t 2
Exponencial = e ( A + B *t )
B
(A+ )
Curva en S = e t
B
Reciprocante en X = A +
t
1
Reciprocante en Y =
A + B *t
Logarítmica = A + B * Ln ( t )
Multiplicativa = A * t B
Raíz cuadrada en X = A + B* t
Raíz cuadrada en Y = ( A + B * t ) 2
1 129
Doble Reciprocante =
B
(A + )
t
La modelación clásica por métodos clásicos de ajuste por tendencias no lineales, no obliga a correr
exhaustivamente todos los modelos que existen, basta con algunos de ellos, es por ejemplo el caso de los
Softwares Statgraphics bajo MSDOS y Windows, en los cuales se trabaja con Cuadrática, Exponencial y
Curva en S; con ellos es más que suficiente para evaluar la posibilidad de que las previsiones estimadas,
puedan comportarse de una forma similar a las tendencias no lineales, en series con estructuras
tendenciales exentas de ruido, nivel, estacionalidad y ciclicidad.
En MUP se deben correr siempre todos los modelos clásicos y modernos posibles, con el fin de garantizar
el encuentro de la función que más se acomode a la serie original que se evalúa; esto significa que en
cada previsión que se realice periódicamente, se deben volver a correr todos los modelos que se realizan
en el período anterior de cálculo de pronósticos.
En cada estimación se realiza nuevamente de forma religiosa, todos los cálculos con todos los modelos
que se utilizan en forma habitual, con todo el MUP completo, cada vez que se use.
En las siguientes ilustraciones se describe cómo se pueden valorar las funciones para ajustes de
tendencias lineales y no lineales, con diferentes Softwares.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
1
Hunda la
opció
opción
Herramientas
3
Cargue Herramientas
para aná
análisis, de
aceptar y el Office se la
carga sola
130
4
Hunda la opció
opción
Herramientas
Seleccione la opció
opción
6 regresió
regresión
8
5
Seleccione Aná
Análisis de Cargue los valores
Datos ordinales 1, 2, 3, …., n
de la serie en la casilla
X Rango X de entrada y
de Aceptar
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
10 de Resultados que el
Excel otorga
automá
automáticamente
De aquí
aquí se obtiene r2
Coeficiente de
determinació
determinación
muestral, que en este
caso es demasiado
bajo y no cumple
La pendiente es la
11 Variable X 1 en
Coeficientes en este
caso es de 0.77019 (b)
y el intercepto es de
5409.53 o sea a de la
ecuació
ecuación y la
pendiente es b de la
expresió
expresión de tendencia
lineal
131
12000
Variable X 1 Curva de regresión lineal ajustada
Y
10000 Pronóstico para Y
8000
Y
6000
4000
2000
Variable X 1
0
0 5 10 15 20 25 30 35 40 45 50
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Valor de la
Tipo de dato Dato No. Fecha Pt = a + b * t (Y i - Ynueva i ) 2 (Y i - Ymedia real i ) 2
serie
Real 1 Año 1 - Mes 1 9529 5408.77 16976326.93 17125802.78
Real 2 Año 1 - Mes 2 7753 5408.00 5499043.922 5580618.778
Real 3 Año 1 - Mes 3 2602 5407.23 7869291.645 7776661.778
Real 4 Año 1 - Mes 4 1829 5406.46 12798188.45 12685469.44
Real 5 Año 1 - Mes 5 6193 5405.69 619864.2916 643738.7778
Real 6 Año 1 - Mes 6 8741 5404.92 11129461.78 11224733.44
Real 7 Año 1 - Mes 7 3775 5404.15 2654113.464 2610378.778
Real 8 Año 1 - Mes 8 3341 5403.37 4253389.894 4201133.444
Real 9 Año 1 - Mes 9 2399 5402.60 9021640.761 8950069.444
Real 10 Año 1 - Mes 10 4776 5401.83 391668.7425 377815.1111
Real 11 Año 1 - Mes 11 6956 5401.06 2417825.199 2450268.444
Real 12 Año 1 - Mes 12 4999 5400.29 161036.9185 153402.7778
Real 13 Año 2 - Mes 1 7990 5399.52 6710566.612 6756533.778
Real 14 Año 2 - Mes 2 4901 5398.75 247758.7187 239773.4444
Real 15 Año 2 - Mes 3 5832 5397.98 188370.3382 194775.1111
Real 16 Año 2 - Mes 4 1667 5397.21 13914491.19 13865693.44
Real 17 Año 2 - Mes 5 3929 5396.44 2153389.251 2136469.444
Real 18 Año 2 - Mes 6 4467 5395.67 862433.371 853160.1111
Real 19 Año 2 - Mes 7 5786 5394.90 152957.0844 156288.4444
Real 20 Año 2 - Mes 8 7126 5394.13 2999364.946 3011381.778
Real 21 Año 2 - Mes 9 8328 5393.36 8612098.223 8627927.111
Real 22 Año 2 - Mes 10 4789 5392.59 364323.4767 362002.7778
Real 23 Año 2 - Mes 11 8782 5391.82 11493307.19 11501141.78
Real 24 Año 2 - Mes 12 5905 5391.05 264142.7911 264538.7778
Real 25 Año 3 - Mes 1 8703 5390.28 10974103.39 10971552.11
Real 26 Año 3 - Mes 2 3944 5389.51 2089503.15 2092844.444
Real 27 Año 3 - Mes 3 3913 5388.74 2177812.057 2183498.778
Real 28 Año 3 - Mes 4 7907 5387.97 6345507.113 6331933.444
Real 29 Año 3 - Mes 5 3963 5387.20 2028347.938 2038232.111
Real 30 Año 3 - Mes 6 2443 5386.43 8663783.79 8688738.778
Real 31 Año 3 - Mes 7 8999 5385.66 13056222.89 13020069.44
132 Real 32 Año 3 - Mes 8 2016 5384.89 11349421.41 11388375.11
Real 33 Año 3 - Mes 9 4874 5384.12 260222.458 266944.4444
Real 34 Año 3 - Mes 10 1973 5383.35 11630486.11 11680445.44
Real 35 Año 3 - Mes 11 2487 5382.58 8384381.571 8431280.111
Real 36 Año 3 - Mes 12 8682 5381.81 10891257.54 10832875.11
Real 37 Año 4 - Mes 1 6462 5381.04 1168476.081 1147755.111
Real 38 Año 4 - Mes 2 8912 5380.27 12473123.24 12399788.44
Real 39 Año 4 - Mes 3 6594 5379.50 1475012.931 1448011.111
Real 40 Año 4 - Mes 4 1901 5378.73 12094596.95 12177773.44
Real 41 Año 4 - Mes 5 1482 5377.96 15178492.74 15277675.11
Real 42 Año 4 - Mes 6 3791 5377.19 2515993.397 2558933.444
Real 43 Año 4 - Mes 7 8043 5376.42 7110658.858 7034872.111
Real 44 Año 4 - Mes 8 3286 5375.65 4366628.518 4429621.778
Real 45 Año 4 - Mes 9 4780 5374.88 353879.5375 372913.7778
Real 46 Año 4 - Mes 10 5855 5374.11 231257.5398 215605.4444
Real 47 Año 4 - Mes 11 9332 5373.34 15671009.83 15534108.44
Real 48 Año 4 - Mes 12 6015 5372.57 412719.9322 389792.1111
Previsión 49 Año 5 - Mes 1 5371.80
Previsión 50 Año 5 - Mes 2 5371.03
Previsión 51 Año 5 - Mes 3 5370.26
Previsión 52 Año 5 - Mes 4 5369.49
Previsión 53 Año 5 - Mes 5 5368.72
Previsión 54 Año 5 - Mes 6 5367.95
Previsión 55 Año 5 - Mes 7 5367.18
Previsión 56 Año 5 - Mes 8 5366.41
Previsión 57 Año 5 - Mes 9 5365.64
N
Previsión 58 Año 5 - Mes 10 5364.87 ( Y
j =1
j − Yˆj ) 2
Previsión 59 Año 5 - Mes 11 5364.10 Coeficiente de Determinación Muestral = r 2 = 1 − N
En este caso en particular se realiza la alineación pero no cumple con su r2 de 0.0001933 y la recta carece
de valor, como sus pronósticos que en este caso específico no son buenos.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
1
Hunda Solve and Analyze,
Analyze,
luego Perform Forecasting y
le aparece el recuadro 2
2
Seleccione Regresió
Regresión Lineal
con tiempo, introduzca el
número de pronó
pronósticos
deseados y oprima OK
133
Aquí
Aquí se obtiene a de
5 5409.53 y la pendiente b
de .7702 de la serie
alineada
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
2
3
1. Seleccione la opció
opción
Especial
2. Tome la elecció
elección
Aná
Análisis de series de 5
tiempo 6
3. Luego hunda
Pronosticando
4. Entre la serie
5. Ponga la unidad de
tiempo
6. Coloque el ciclo
estacional & cí
cíclico
7. De OK
7
134
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
11
10
Luego le aparece este recuadro donde muestra
todos los modelos tanto clá
clásicos como
modernos, en el caso particular se señ
señalan uno
lineal que es Linear Trend y tres no lineales:
Quadratic Trend,
Trend, Exponential Trend y S-Curve;
Curve;
en la medida que vaya seleccionado la letra de
Model donde quiere que le aparezca la
ecuació
ecuación van dando resultados
135
11
En la pantalla Model van apareciendo los
diferentes resultados en forma de
expresiones matemá
matemáticas
13
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
The StatAdvisor
---------------
This table shows the forecasted values for Serie de tendencia.
During the period where actual data is available, it also displays the predicted values from the fitted
model and the residuals
(data-forecast). For time periods beyond the end of the series, it
shows 95.0% prediction limits for the forecasts. These limits show where the true data value at a selected
future time is likely to be with 95.0% confidence, assuming the fitted model is appropriate for the data.
You can plot the forecasts by selecting Forecast Plot from the list of graphical options. You can change
the confidence level while viewing the plot if you press the alternate mouse button and select Pane
Options. To test whether the model fits the data adequately, select Model Comparisons from the list of
Tabular Options.
Model Comparison 137
----------------
Data variable: Serie de tendencia
Number of observations = 48
Start index = 1/50
Sampling interval = 1.0 month(s)
Length of seasonality = 12
Models
------
(A) Linear trend = 5409.54 + -0.770191 t
(B) Quadratic trend = 5757.96 + -42.5816 t + 0.853293 t^2
(C) Exponential trend = exp(8.48517 + -0.000650695 t)
(D) S-curve trend = exp(8.42554 + 0.470375 /t)
(E) Winter's exp. smoothing with αlpha = 0.1249, ßeta = 0.0768, gamma = 0.1695
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 2478.86 2102.12 57.045 -3.03165E-13 -31.3149
(B) 2501.69 2086.63 56.8315 -3.60008E-13 -31.3091
(C) 2559.86 2099.31 50.4054 624.625 -16.0819
(D) 2505.44 2058.04 49.844 609.947 -15.8061
(E) 2578.18 2020.46 49.9854 498.782 -16.7861
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
1
2 Tome la opció
opción
Regresió
Regresión simple
3
Introduzca Y como
la serie y X como
los ordinales de t
en el tiempo
138
4
Señ
Señale Forecast
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
5
De mouse
mouse derecho en este
cuadro y le aparece este
recuadro, donde Usted puede
seleccionar el modelo de
regresió
regresión lineal o no,
deseado. En cada caso le
aparece la ecuació
ecuación y los
pronó
pronósticos
139
6
Para este caso se toma la
Logarí
Logarítmica
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
FORECASTING
5. Seasonal Decomposition
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Trend Analysis
═══════════════════════════════════════════════════
Time series: DOLARTRM.trm
En Type of Trend (tipo de tendencia), selecciona con la
Type of trend: Linear 3 barra espaciadora entre las opciones: lineal, cuadrática,
exponencial y curva en S.
Number of forecasts: 12
Trend Analysis
═══════════════════════════════════════════════════
Time series: DOLARTRM.trm
Number of forecasts: 12
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
1 2
3
142
La mayoría de los softwares de pronósticos traen la opción de modelo lineal por regresión con ajuste de
tendencia; algunos de ellos traen las posibilidades de varios no lineales.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Promedios móviles
Valor de Móvil de Móvil de Móvil de Móvil de Móvil de Móvil de Móvil de Móvil de Móvil de Móvil de Móvil de
Dato No. Fecha
la serie orden 2 orden 3 orden 4 orden 5 orden 6 orden 7 orden 8 orden 9 orden 10 orden 11 orden 12
Media 5241.08 5977.50 5577.00 4782.50 4494.20 4374.33 4998.14 5147.50 4778.78 4561.10 4851.27 5241.08
Simple o Móvil de Móvil de Móvil de Móvil de Móvil de Móvil de Móvil de Móvil de Móvil de Móvil de Móvil de
12 orden 2 orden 3 orden 4 orden 5 orden 6 orden 7 orden 8 orden 9 orden 10 orden 11 orden 12
143
1
A. Mora G.
2
2
3
3
1 Llenar datos
4
WinQSB 5
4
5
144
En todos los casos y con diferentes softwares, siempre la media da diferente en función de la móvil u
orden que se estime. La media móvil simple asume los últimos n términos de la serie para promediarla,
entre más larga es la móvil más alisada queda, entre menos valores se tomen, es más sensible la media
a los valores más recientes.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Valor real t
Media Móvil o PromedioSimple = 1
, donde n es el número de términos recientes que se
n
toman como móvil, F es el número de datos reales que tiene la serie temporal.
Existen otras medias más sofisticadas, que se pueden estimar con diferentes softwares.
2 4
3
145
De la lectura de esta ecuación se desprende que la previsión que se obtiene mediante el método clásico
de suavización exponencial para un instante t, es igual al pronóstico del instante anterior t-1 más una
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
parte del error del pronóstico de ese instante anterior; en la medida que αlfa69 sea más grande, denota
que se le da mayor relevancia al error de ese período preliminar.
Al tener un mayor αlfa también sucede que se le da mayor ponderación a los valores más recientes de la
serie, en cuanto que los más alejados reciben menos ponderación, de lo cual se desprende también que
en la medida que αlfa sea más grande se tiene menor grado de alisamiento o suavización y la serie
pronosticada tiene mayor variabilidad.
El valor de αlfa se recomienda entre 0.000001 y 0.35, mientras más bajo sea, indica que se tiene un
mayor grado de alisamiento.
El cálculo de los pronósticos se puede realizar con softwares que lo hacen en forma automática, mediante
la selección de la constante αlfa en forma iterativa y sistémica con el criterio de selección del MSE (error
cuadrado medio) más bajo; como también los hay de orden manual.
Ilustración 77 - Modelo de suavización exponencial con WinQSB
1
2
3
El software también
sirve para valores
En el WinQSB existen dados de alfa, en ese
varias opciones de caso toma la opción
Brown o de modelos Si aún no se conoce 5
assign values
el mejor alfa para el
de suavizado
146 exponencial, se 4 cual ocurre el menor
enuncian con las MSE, se debe señalar
flechas en esta opción
Search the best
(seleccione el mejor)
y MSE
Introduzca por el
recuadro Number of
periods to forecast, el 8
número de períodos
a pronosticar que 7
desea En cualquiera de los modelos
6
clásicos seleccionados se debe
introducir por acá el rango de alfa
entre 0.00001 y 0.35
Use la barreta Enter Search Domain
69
αlfa es la cconstante de suavizado para ruido.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
1
2
3
Mouse
4 derecho
6
Puede
ponerlo a
5 seleccionar
el mejor alfa
Statgraphics Window
mediante la
presenta tres
opció
opción
opciones de
Optimize o
suavizació
suavización
darle el valor
exponencial: Simple,
puntual
lineal y cuadrá
cuadrática
deseado
147
La opción Optimize del Statgraphics de Windows, casi nunca otorga buenos resultados.
Ilustración 79 - Suavización exponencial con Excel
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Los valores de MSE y Pronóstico 49 con Suavizado Exponencial Simple coinciden tanto en WinQSB
como en Statgraphics bajo MSDOS, más no así el αlfa que es ligeramente mayor en Statgraphics MS-
DOS.
El procedimiento manual se realiza mediante la valoración de los αlfa pivotes extremos 0.00001 y 0.35,
luego donde está ubicado el pivote de menor MSE, se escanea con valores cercanos a ese valor dentro
del rango de aceptación y así sucesivamente se itera hacia arriba o hacia abajo, hasta encontrar el αlfa
adecuado con el menor MSE.
3.2.2.1.7. Modelos clásicos por descomposición – Holt y Holt - Winter
Los modelos por descomposición se basan en que existe una estructura subyacente en las series
temporales, estos procesos datan desde principios del siglo pasado, el propósito de los métodos de
descomposición es descomponer la estructura integral de la serie en sub-estructuras, para ello tiene en
cuenta tres elementos: tendencia, ruido y fenómenos repetitivos temporales (estacionalidad y
ciclicidad).
3.2.2.1.7.1. Holt
Este modelo es muy útil para series con estructuras tendenciales (con pendiente diferente de cero ±0.25)
y horizontales de ruido que actúan en simultáneo. Trabaja con dos constantes de suavizado o factores
de modelación: αlfa para el ruido y ßeta para la estacionalidad, ambos se trabajan entre valores de
0.00001 y 0.35, entre más bajos sean, denotan que el modelo logra suavizar más o controlar mejor la
tendencia, respectivamente.
149
STATGRAPHICS Statistical Graphics System
Number of forecasts: 12
1. Brown's Exponential Smoothing
2. Holt's Linear Exponential Smoothing Summary percentage: 100
3. Winter's Seasonal Smoothing
Smoothing constant alpha: 0.1
4. Trend Analysis
5. Seasonal Decomposition Smoothing constant beta: 0.1
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Al procesar el pronó
pronóstico de la pantalla
anterior con F6, se opta por la alternativa Display summary stats
Display summary stats,
stats, para conocer el MSE Plot forecasts
y con el cursor a la derecha aparecen los Save smoothed data
valores pronosticados Save forecasts
Pronóstico t + m = S t + m * b t
La estimación de los valores escalonados en cada tiempo t, se realizan con las ecuaciones:
Para calcular el modelo se puede inicializar generando un modelo de tendencia con regresión lineal con los datos
históricos de la serie y asumiendo S1 como el término independiente (Intercepto) y b1 como la pendiente (Inclinación)
obtenidos.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
1
2
1
4
Si desea calcular el αlfa y el
ßeta que má
más se adecuan a la
serie, opte por la alternativa
Search the best y el error
cuadrado medio MSE;
si desea calcular con un αlfa y
ßeta dados,
Simplemente deje assign
3 values y MAD
Este es el Holt del WinQSB
5
Introduzca el rango de validez
de αlfa y±
y±eta, que va para
ambos de 0.000001 A 0.35
151
La valoración manual con αlfa y ßeta se realiza mediante el cálculo del MSE de los cuatro pivotes
correspondientes a las combinaciones de los factores de modelación de ruido y tendencia, así:
(αlfa,ßeta), (mínimo,mínimo), (mínimo,Máximo), (Máximo,mínimo) y (Máximo,Máximo) que
corresponden respectivamente a (0.00001, 0.00001), (0.00001, 0.35), (0.35, 0.00001) y (0.35, 0.35).
Donde encuentre el valor mínimo de MSE, empiece a probar con diferentes valores dentro del rango
permitido, para la constante con más fuerza (esto se deriva del análisis previo anterior, si es más fuerte
en ruido varíe αlfa y si es la tendencia cambie primero ßeta) (mueva siempre una variable y deje la otra
constante), empiece a combinar opciones para uno y otro factor, hasta encontrar el valor mínimo total
de MSE y ahí selecciona los valores de αlfa y ßeta.
Trabaja con tres constantes de suavizado o factores de modelación: αlfa para controlar el ruido, ßeta
para trabajar la tendencia y gamma (γ) para modelar el fenómeno estacional o cíclico.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Alfa y ßeta trabajan entre 0.0001 y 0.35 y entre más bajos denotan que el modelo trabaja con ruido y
tendencia respectivamente; para el caso de gamma (γ) su valor se ubica entre 0.65 y 0.9999, mientras
más alto sea denota una mayor presencia de ciclicidad y/o estacional en la serie evaluada.
Los métodos de cálculo y valoración se explican en la ilustración Tipos, criterios y usos de los diferentes
Modelos de Pronósticos, descrita anteriormente.
En el caso particular de Holt – Winter debe existir en forma obligatoria la presencia de una sub-
estructura de ciclicidad, de estacionalidad o de ambas; la presencia de ruido o tendencia no es esencial.
X t+M = Pronóstico t + M = ( S t + M * bt ) + E t
Aditiva
S t = αlfa * ( Z t - E t - L ) + ( 1 - αlfa )* ( S t - 1 - b t -1 )
b t = ßeta* ( S t - S t - 1 ) + ( 1 - ßeta )* b t - 1
E t = Gamma ( )* ( Z t - S t ) + ( 1 - Gamma ( ) )* E t - L
Fuente Bibliográfica: Yih-Long,1998,273
152
donde αlfa, ßeta y Gamma (γ) son factores de modelación o constantes de suavizado, correspondientes así: αlfa al
componente de suavización St, ßeta al componente tendencial bt y Gamma (γ) al factor temporal (cíclico o estacional).
En las expresiones enunciadas L es la longitud del ciclo, M es el número de períodos futuros a pronosticar (Yih-
Long,1998,273).
B 0 es igual a cero.
Los Pronósticos de los X t + M valores se calculan con M = 1, cuando t + M aún son valores reales históricos.
Los verdaderos pronósticos de X t + M cuando t + M es mayor al número de datos históricos se calculan con M=1 el
primer pronóstico, M=2 la segunda predicción, M=3 la tercera predicción y así sucesivamente hasta completar los
valores solicitados.
X t + M = Pronóstico t + M = ( S t + M *bt ) + E t, siempre los valores de E t se toman como E1 (ya calculado) para el
primer pronóstico después de valores históricos reales, E2 para el segundo, E3 para el tercero, ….., y así sucesivamente
hasta EL para el pronóstico l.
De ahí en adelante se vuelve a tomar E1 para el pronóstico L + 1 , E2 para el pronóstico L + 2 después de históricos
reales, E3 para la previsión L + 3, …., y así sucesivamente hasta el pronóstico L + L, luego se vuelve a tomar E1 para
la fórmula del cálculo de la previsión 2L + 1 y de ahí en adelante en forma similar volviendo a iniciar cada vez que se
completen juegos de L pronósticos posteriores a los datos históricos.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
S t = αlfa * ( Z t / E t - L ) + ( 1 - αlfa )* ( S t - 1 - b t -1 )
b t = ßeta* ( S t - S t -1 ) + ( 1 - ßeta )* b t - 1
E t = Gamma ( )* ( Z t / S t ) + ( 1 - Gamma ( ) )* E t - L
donde αlfa, ßeta y Gamma (γ) son factores de modelación o constantes de suavizado, correspondientes así: αlfa al
componente de suavización St, ßeta al componente tendencial bt y Gamma (γ) al factor temporal (cíclico o estacional).
En las expresiones enunciadas L es la longitud del ciclo, M es el número de períodos futuros a pronosticar (Yih-
Long,1998,273-274).
Los Pronósticos de los X t + M valores se calculan con M = 1, cuando t + M aún son valores reales históricos.
Los verdaderos pronósticos de X t + M cuando t + M es mayor al número de datos históricos se calculan con M=1 el
primer pronóstico, M=2 la segunda predicción, M=3 la tercera predicción y así sucesivamente hasta completar los
valores solicitados.
X t + M = Pronóstico t + M = ( St + M *bt ) * Et, siempre los valores de E t se toman como E1 (ya calculado) para el primer
pronóstico después de valores históricos reales, E2 para el segundo, E3 para el tercero, ….., y así sucesivamente hasta
EL para el pronóstico l.
De ahí en adelante se vuelve a tomar E1 para el pronóstico L + 1 , E2 para el pronóstico L + 2 después de históricos
reales, E3 para la previsión L + 3, …., y así sucesivamente hasta el pronóstico L + L, luego se vuelve a tomar E1 para
la fórmula del cálculo de la previsión 2L + 1 y de ahí en adelante en forma similar volviendo a iniciar cada vez que se
completen juegos de L pronósticos posteriores a los datos históricos.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Number of forecasts: 12
Al procesar el pronó
pronóstico de la pantalla Display summary stats
anterior con F6, se opta por la alternativa Plot forecasts
Display summary stats,
stats, para conocer el MSE Save smoothed data
y con el cursor a la derecha aparecen los Save forecasts
valores pronosticados
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
1
2
4
Si desea calcular el αlfa, el ßeta
y el gamma que mámás se
adecuan a la serie, opte por la
alternativa Search the best y el
error cuadrado medio MSE;
MSE;
si desea calcular con un αlfa,
5 ßeta y gamma dados,
Simplemente deje Assign
En Hot – Winter se debe
values y MAD
introducir la longitud del Ciclo,
para el caso de meses se
trabaja habitualmente con 12
Estos dos son los Holt – Winter del WinQSB
56
Introduzca el rango de validez de
7 αlfa y±
y±eta, que va para ambos de
0.000001 a 0.35 y para gamma que
va desde 0.65 a 0.99999
2
3
4 Entre la serie, la
unidad de
tiempo, la fecha
5 del dato inicial
y la longitud del
ciclo (se
6 recomienda 12
para meses)
7
Si desea
calcular otras
opciones de
8 alfa, beta y
En este tablero
gamma, de
lee los valores
mouse derecho
de αlfa, ßeta y
y le aparece
gamma de la
analysis option,
option,
serie analizada,
abra allí
allí y le
como tambié
también parecen má más
su MSE
posibilidades
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Los pronó
pronósticos los encuentra
hundiendo la tableta dos de
izquierda a derecha y
seleccionando la opció
opción
Forecast Table, allí
allí le
aparecen los valores
10 Si desea que el software le
11 calcule directamente los tres
pronosticados
factores de modelació
modelación, asigne la
opció
opción Optimize, o si no ingrese
Usted mismo los valores para
alfa, beta y gamma deseados.
Si desea utilizar
el aditivo o
multiplicativa,
tome la opció
opción
deseada.
156 Ilustración 87 - Holt - Winter aditivo y multiplicativo con Vanguard Decision Pro
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
La valoración manual del modelo Holt – Winter se realiza primero mediante la valoración de los ocho
pivotes posibles, combinando los mínimos y los máximos permisibles de αlfa, ßeta y gamma (γ):
Se toma como referencia inicial el pivote que tenga el MSE70, en el se cambia el valor del factor más
sensible que se obtiene del análisis previo (si es ruido se mueve αlfa primero, si es tendencia el ßeta o si
es el factor temporal se mueve el gamma (γ)), de tal forma que se calcula hasta encontrar el MSE con
ese factor de modelación, luego se mueve el segundo factor más sensible con los otros dos constantes y
así sucesivamente mediante la realización infinita de todas las combinaciones posibles, hasta encontrar
el MSE para unos valores dados de αlfa, ßeta y gamma dentro de sus rangos de posibilidades numéricas.
A manera de ayuda, se adjunta un programa en Excel denominado como PREMO, que se encuentra en
el CD adjunto del libro, en el directorio Programas, que calcula en forma automática 10 modelos clásicos:
tendencia lineal, tendencia no lineal cuadrática, tendencia no lineal exponencial, tendencia no lineal
curva en s, Brown simple, Brown doble, Brown doble con tendencia, Holt, Winter aditivo y Winter
multiplicativo, a las que aporta sus parámetros y sus errores cuadrados medios.
157
3.2.2.2. Modelos AR.I.MA – Metodología Box - Jenkins
Son de carácter general, esto denota que siempre existe uno de ellos que se adecua a cualquier serie
temporal por más especial que esta sea; otro asunto es, si esta modelación de pronto no copia fielmente
los valores reales del fenómeno evaluado; pero en todo caso se puede afirmar que siempre existe un
modelo AR.I.MA., que es capaz de simular cualquier variable temporal.
Desde el punto de vista de los procesos estocásticos, se puede afirmar que una serie temporal es una
realización parcial de un proceso estocástico de parámetro de tiempo discreto (Carrión,1999,40).
3.2.2.2.1. Características de los modelos AR.I.MA.
Estocásticos: ya que se basan en estos procesos, no se les expresa en forma determinística con
ecuaciones, sino con expresiones que involucran operadores.
Pronósticos: los modelos modernos pueden lanzar pronósticos que estén en función neta del
pasado, pero también pueden predecir hechos totalmente novedosos que muy poca o ninguna
relación tengan con los eventos ya descritos del pasado; como también una combinación de
los anteriores, pronósticos que por una parte dependan del pasado y por otra parte sean
totalmente aleatorios.
Fenómenos exógenos: estos se involucran, alteran la serie y pasan a formar parte de ella.
70
MSE – Error Cuadrado Medio, se calcula mediante la suma de los errores de la diferencia entre los valores que se pronostican y los reales para sus
correspondientes constantes de suavizado o factores de modelación, elevadas al cuadrado.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Los modelos AR.I.MA., por su parte, muestran ante la presencia de fenómenos exógenos un cambio en
su comportamiento, ya que adoptan en forma definitiva el perfil de este último.
Valor de la
variable
Fenómeno
exógeno, llega,
altera y se queda
La serie cambia su
trayectoria natural
por la del
fenómeno exógeno
158
t iempo
Los modelos modernos de promedio móvil auto regresivo AR.I.MA., son más generales y teóricos que
los de ajuste por tendencia, que los de suavización o que los de descomposición, son capaces de tratar
cualquier patrón de datos y a la vez son aptos para establecer directamente un modelo estadístico de
clase general que simule más adecuadamente la serie de datos temporales, en vez de usar modelos
estrechos o específicos, como los clásicos.
Unas herramientas básicas para la aplicación de estos modelos son la auto-correlación y los promedios
móviles; los hay desde unos muy simples hasta más avanzados que usan la metodología Box – Jenkins,
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
y existen otros más sofisticados como los modelos ARARMA de Parzen71, el filtrado AEP72 o de Kalman73,
o variaciones como el FORSYS74 de Lewandowski y los multivariables AR.I.MA. (Makridakis y otro,
1998,138).
Las técnicas de los modelos AR.I.MA. se basan en una síntesis de los patrones históricos de los datos,
son una clase especial de métodos de filtrado que desconocen por completo a las variables
independientes, son herramientas de alto refinamiento que utilizan los valores reales y anteriores de la
variable dependiente para generar pronósticos bastante exactos de corto plazo, son muy apropiadas
cuando los valores de la serie que se pronostica están correlacionados o son dependientes
estadísticamente entre sí (Hanke y otro,1998,431).
71
El modelo ARARMA de Parzen permite mejorar el espectro de la estacionariedad (centramiento de la media y eliminación del ruido o aleatoriedad o
desviación estándar) de la metodología de Box – Jenkins con el operador diferencia, a la vez que amplía el uso de Box – Jenkins y facilita la aplicación más
generalizada de los modelos modernos de series temporales (PARZEN@,2006).
72
AEP, es un modelo más avanzado del filtrado desarrollado por Makridakis y Wheelwright en 1997, su gran ventaja es que no requiere estacionariedad,
consiste en que el usuario puede suponer una tendencia además de asumir un modelo autorregresivo, lo que facilita aún más el proceso (Makridakis y
otro,1998,161-164).
73
Los filtros de Kalman es un método adaptativo general, donde se deben asignar valores de probabilidades con los parámetros y el modelo como tal debe
actualizarse, los otros filtrados como el AEP son casos especiales del de Kalman (KALMAN@,2003).
74
Es un modelo similar al Holt Winter, solo que sus parámetros de modelación α, ß y γ no son fijos, que puede involucrar sucesos o eventos especiales y
hace distinción entre las tendencias de corto y largo plazo (Makridakis y otro,1998,164-165).
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Aná
Análisis general
de la serie original con AR.I.MA.
No cumple
Cumple
Transformació
Transformación de la serie (inversió
(inversión de la
funció
función utilizada) y estimació
estimación de pronó
pronósticos
160
Aná
Análisis ló
lógico de resultados
3.2.2.2.2.1.1. Estacionariedad
El primer paso que se desarrolla en el método consiste en transformar la serie de observaciones en un
proceso estacionario, que es aquel en el cual ni la media, ni la varianza, ni las auto-correlaciones
dependen del tiempo; cuando la serie se logra estabilizar estadísticamente se procede a evaluar la
presencia de regularidades mediante las transformaciones adecuadas, con el fin de identificar un posible
modelo matemático que simule en forma ajustada a la serie original y que permita pronosticar su
comportamiento futuro de corto plazo. Para lograr esto, se evalúan las funciones de auto correlación
(simple) y auto correlación parcial, las cuales se comparan con patrones gráficos preestablecidos, que
son típicos y constantes para cada uno de los diferentes modelos propuestos, para adoptar el que mejor
se ajuste, por comparación con las diferentes formas de las funciones de auto correlación conductual
que se obtienen de los datos de la serie original.
La metodología Box – Jenkins, requiere como paso obligatorio que la serie temporal que se analiza,
cumpla unas hipótesis de partida denominadas condiciones de estacionariedad. Estas hipótesis son tres:
• Promedio constante.
• Varianza constante.
• Estructura de autocorrelaciones constante.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Una manera muy sencilla de detectar en forma inicial el centramiento de la serie (media) y la pauta fija
de la desviación estándar (varianza) es mediante su graficación; la no presencia de una estructura
tendencial horizontal en su pendiente, garantiza una media relativamente constante. Igualmente, una
varianza constante, supone que las oscilaciones alrededor de la media sean parecidas en cualquier
momento del tiempo, lo cual se conoce como homocedasticidad (que significa: igual (homo) y dispersión
(cedasticidad)). La graficación puede ser suficiente para corroborar la presencia de estacionariedad en
media y homocedasticidad en varianza.
La presencia de tendencia en la serie76 (que implica su media no es centrada, lo cual a veces se detecta
en forma visual en la gráfica original de la serie) requiere su eliminación como paso previo en la
aplicación Box – Jenkins y poder de esta forma, lograr la estacionariedad en cuanto al centramiento de
la media, para ello se suele utilizar la diferenciación, que consiste en la aplicación de la diferencia en su
parte normal y/o estacional, es esta prueba por excelencia la forma de determinar la presencia o no de 161
tendencia, para ello se puede recurrir a la gráfica de auto-correlación donde los primeros coeficientes
presentan una marcada diferencia de cero y están fuera de la banda de confianza del 95%, definida por
el cálculo descrito en nota pie de página, de esta forma se aplican sucesivamente las diferencias d y D
hasta lograr que la mayoría de los coeficientes se ubiquen cercanos al valor de 0 y dentro de la banda de
confianza, con excepción de los primeros tanto en la parte normal como estacional.
Se aplican en forma sucesiva las diferencias d=1 y d=2 cuando se requieran, una vez se logra determinar
que no existe una relación de los datos entre sí, es decir que son estacionarios y aleatorios, lo que
corresponde a que los primeros coeficientes de la gráfica de auto correlación presenten valores
significativamente diferentes de cero y después del segundo o tercer período de desfase caen
bruscamente a valores cercanos a cero, en su componente normal; en la parte estacional se hace la
misma tarea, pero se revisan los coeficientes múltiplos de s (estacionalidad de la serie original); aunque
estos se reflejan en la auto correlación y son fáciles de detectar (UAMARIMA@,2006). Raras veces se
alcanzan niveles de diferenciación regular d=2 en el desarrollo del proceso. Las opciones posibles varían
acorde al grado de tendencia y de la consecución del grado de estacionariedad deseado, entre ellas están:
AR.I.MA: (0,0,0) (0,0,0), (0,1,0) (0,0,0), (0,2,0) (0,0,0), (0,0,0) (0,1,0), (0,0,0) (0,2,0), (0,1,0) (0,1,0),
(0,2,0) (0,1,0), (0,1,0) (0,2,0) y (0,2,0) (0,2,0) para casos muy complejos en parte normal como
estacional.
75
Se denomina heteroscedástca a la ausencia de una varianza constante a lo largo del tiempo en la serie; es homoscedástica cuando la varianza es constante
(Makridakis y otro,1998,203-204)
76
O de raíces unitarias, esto se corrobora cuando los coeficientes en las gráficas de auto correlaciones son significativamente diferentes de cero a lo largo
de la serie, es decir salen de la banda de confianza, que se calcula con la fórmula 0 ± 1.96 * ( 1 / Raíz cuadrada (número de datos)) para un intervalo de
confianza del 95%; esto da pie a pensar en la presencia de tendencia y que aún no se logra la estacionariedad en media; cuando los coeficientes son
seriamente diferentes de cero (superiores o inferiores a la banda de confianza del 95%) en retrasos múltiplos de s (estacionalidad) se piensa en la existencia
de una tendencia en la parte estacional de la serie. Recuérdese que en los modelos AR.I.MA. se poseen dos partes: (p,d,q) de la parte normal (regular) y
(P,D,Q) de la parte estacional. Los valores de p, P, q y Q son enteros positivos de o a 9; d y D son los valores de la diferenciación de la parte normal y
estacional, respectivamente, son enteros positivos que van de 0 a 2.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Ilustración 91 - Tratamiento de una serie con tendencia mediante la diferenciación (0,d,0) (0,D,0)
3000
2000
Valores
1500
1000
500
Año - Mes
0
Año 1 - Mes 1
Año 1 - Mes 4
Año 1 - Mes 7
Año 1 - Mes 10
Año 2 - Mes 1
Año 2 - Mes 4
Año 2 - Mes 7
Año 2 - Mes 10
Año 3 - Mes 1
Año 3 - Mes 4
Año 3 - Mes 7
Año 3 - Mes 10
Año 4 - Mes 1
Año 4 - Mes 4
Año 4 - Mes 7
Año 4 - Mes 10
Año 5 - Mes 1
Año 5 - Mes 4
Año 5 - Mes 7
Año 5 - Mes 10
Año 6 - Mes 1
Año 6 - Mes 4
Año 6 - Mes 7
Año 6 - Mes 10
Año 7 - Mes 1
Año 7 - Mes 4
Año 7 - Mes 7
Año 7 - Mes 10
Año 8 - Mes 1
Año 8 - Mes 4
Año 8 - Mes 7
Año 8 - Mes 10
Año 5 - Mes 1
Año 5 - Mes 4
Año 5 - Mes 7
Año 5 - Mes 10
Año 6 - Mes 1
Año 6 - Mes 4
Año 6 - Mes 7
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
ACF
163
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
ACF
Diferencia d=1 y D=0
0.6
0.2
-0.2
-0.6
-1
0 10 20 30 40
lag
A pesar de que desaparecen los valores significativamente diferentes de 0, aún siguen
con valores altos los coeficientes correspondientes a múltiplos de s = 12
(estacionalidad usada en este ejemplo), o sea los coeficientes 12, 24 y 36 que
sobresalen fuera de la banda
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
0.6
0.2
-0.2
-0.6
-1
0 10 20 30 40
lag
Solo los coeficientes iniciales 1, 12 y los 11 y 13 son significativamente diferentes de cero, los demás
se acercan a cero y se distribuyen de forma aleatoria y dispersa a lo largo de la serie en el tiempo.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
0
1/01 1/03 1/05 1/07 1/09 1/11
en la disminució
disminución de tendencia, mámás bien su media gana un poco mámás de
variació
variación, frente a una de d=1.
3700
1700
-300
-2300
1/01 1/03 1/05 1/07 1/09 1/11
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
300
-700
Serie natural con diferenciació
diferenciación d=2 en su parte normal, no se nota mejora
-1700 en la disminució
disminución de tendencia, mámás bien su media gana un poco mámás de
variació
variación, frente a una de d=1.
1/01 1/03 1/05 1/07 1/09 1/11
Valores originales
800
600
400
200
0
1/01 1/03 1/05 1/07 1/09 1/11
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Diferencia d = 0 y D = 0
Banda de confianza Se observa que en su forma original los datos son estacionarios;
ya que solo existen 5 valores fuera del rango de confianza, pero
Inferior Superior ninguno de ellos significativamente diferente de cero. Se puede
afirmar entonces que no existe ninguna relación entre ellos en
-0.172568378 0.172568378 forma natural desde la serie original y que los datos son aleatorios
(de hecho esta serie se construye con la función números
Número de datos 129 aleatorios del Excel).
ACF
0.5
Auto Correlaciones para serie sin tendencia
0.4
Se observa que ningún retraso tiene coeficiente diferente de cero en forma significtaiva
0.3
0.2
Valores de los coeficientes
0.1
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37
-0.1
-0.2
-0.3
-0.4
-0.5
Lags
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
130.00
120.00
115.00
Análisis:
Año - Mes
100.00
1 4 7 10 s 1 s 4 s 7 10 s 1 s 4 s 7 10 s 1 s 4 s 7 10 s 1 s 4 s 7 10 s 1 s 4 s 7 10 s 1 s 4
es es es es e e e es Me Me Me es Me Me Me es Me Me Me es Me Me Me es Me Me
-M -M -M -M -M -M -M -M - - - -M 4- 4- 4- -M 5- 5- 5- -M 6- 6- 6- -M 7- 7-
1 1 1 1 2 2 2 2 3 3 3 3 4 5 6
ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño
A A A A A A A A A A A A A A A A A A A A A A A A A A
0.6 171
0.2
-0.2
-0.6
-1
0 5 10 15 20 25
lag
0.6
0.2
-0.2
-0.6
-1
0 5 10 15 20 25
lag
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Diferencia d = 0 y D = 0 Simple
Banda de confianza
Se observan todos los datos diferentes de cero decreciendo
172 Inferior Superior continuamente a lo largo del tiempo, lo que denota la falta de
estacionariedad en media, por lo cual se palica el operador
-0.221926299 0.221926299
diferencia de orden uno en la parte regular o normal.
Número de datos 78
Las gráficas anteriores permiten deducir, la necesidad de aplicar el operador diferencia de orden 1 en la
sección regular (normal) de la serie, con d=1 y D=0 queda así:
1.2
0.9
0.6
0.3
-0.3
1/01 1/03 1/05 1/07 1/09
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Autocorrelations
0.6
0.2
-0.2
-0.6
Serie con d=1 y D=0
-1
0 5 10 lag 15 20 25 30
Diferencia d = 1 y D = 0 Simple
Banda de confianza
En este orden diferenciado en d=1, ya se notan casi todos los
Inferior Superior coeficientes tendientes a cero. Pero se pureba con d=2 a ver si se
logra una mejor dispersión alternada de los coeficientes tendientes
-0.221926299 0.221926299
a cero.
Número de datos 78
Time Series Plot for adjusted Caso con fuerte tendencia - d=2 - D=0
adjusted Caso con fuerte tendencia
0.7
0.4
0.1
-0.2
-0.5
-0.8
-1.1
1/01 1/03 1/05 1/07 1/09
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Estimated Autocorrelations for adjusted Caso con fuerte tendencia - d=2 - D=0
1
Autocorrelations
0.6
0.2
-0.2
-0.6
-1
0 5 10 lag 15 20 25 30
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
disminuir la dispersión de la varianza y volverla constante a lo largo del tiempo de la serie, y en una
segunda fase la diferenciación.
La estacionariedad, presupone que cuando se obtienen una media y una varianza que son constantes e
independientes del tiempo, y por ende que la autocovarianza y, por lo tanto, los coeficientes de
autocorrelación sólo dependen del desfase, pero no del momento de tiempo.
La mayoría de las series son muy sensibles a la aplicación de una diferenciación para lograr la
estacionariedad en media, en cuyo caso se observan oscilaciones alrededor de una línea (media)
horizontal casi paralela al eje del tiempo.
Si se mantiene la tendencia, se adopta una segunda diferencia en la parte normal (o estacional, después
de tener D=1).
La nomenclatura habitual para la diferenciación u operador Diferencia, por medio del cual se trata la
tendencia (en la parte normal o estacional de los AR.I.MA.) o estacionariedad de la media, es Δ = (1-B)
para el operador diferencia regular (o normal) y ΔS= (1-BS) del operador diferencia estacional; el cual
consiste en crear una nueva serie a partir de la diferencia (resta) de Yt de Yt-1, Yt-1 de Yt-2 y así constituir
la nueva variable diferenciada (Hanke y otro,1998,108).
Ahora bien, para una mayor seguridad se puede recurrir a los procedimientos de detección de raíces
unitarias. Si es suficiente con una diferencia (d=1, D=1), se halla una raíz unitaria (la serie es integrada
de orden 1). Si se requieren dos diferencias, se detectan 2 raíces unitarias y la serie tiene una integración
de orden 2, y así sucesivamente; cuando la serie al natural es estacionaria en media se le denomina
integrada de orden cero (UAMARIMA@,2006).
3
Acepte y de OK
4
5
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
6
7
8
9
Acepte y de OK
6
176 5 4
3
De mouse derecho
sobre barreta Col_2 y
seleccione Modify
Column para que le
cambie el nombre 9
8
7
Nace esta columna con
la nueva funció
función
Logaritmo de la serie
con fuerte tendencia
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
10
11
12
13
14
177
16
De mouse derecho en 15
cualquier parte y aparecen
estas opciones, tome
Analysis Options, para que
pueda cambiar d y D
17
Con los pasos que se ilustran en la gráfica anterior, ya se puede proceder a construir la auto correlación
(simple) ACF y la auto correlación parcial PACF, se pueden obtener los coeficientes de los diferentes
retrasos, se pueden conocer las medias de las distintas combinaciones de d y D, como cualquier otra
información alusiva al manejo de la diferenciación regular (normal) o estacional de la serie.
Ilustración 96 - Utilización de d y D en ARIMA (0,d,0) (0,D,0) con Statgraphics MSDOS.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
178
Constant: Yes
En la barreta roja inserte la
Length of seasonality: 12
funció
función LOG con letras
Number of forecasts: 24
mayú
mayúsculas y luego haga
Confidence level: 95
las combinaciones
requeridas del operador
Maximum lag for ACF plots: 24
diferencia normal d y
Maximum lag for PACF plots: 16
estacional D
Number of lags for Portmanteau test: 20
Backforecasting: No
Maximum iterations: 25
Stopping criterion 1: 1E-4
Stopping criterion 2: 1E-3
1Help 2Edit 3Savscr 4Prtscr 5Opts 6Go 7Vars 8Cmd 9Device 10Quit
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Para consolidar el análisis de la estacionariedad de una serie, aparece el concepto de la función de auto
correlación.
r=
( y − y ) * ( x − x )
i i
( y − y ) *( x − x )
i
2
i
2
En una serie de datos temporal, es factible formar N-1 parejas de observaciones adyacentes (x1,x2),
(x2,x3), ……., (x N-1,x N) y estimarles el coeficiente de correlación que se denomina r1. Si el período de
separación en las parejas es de 3, como (x1,x4), (x2,x5), (x3,x5), etc. se llama coeficiente de correlación de
orden 3 y se le denota como r3; cuando la distancia es k, se estima el coeficiente de correlación rk. Similar
al coeficiente de correlación lineal se les puede calcular un error y por ende un intervalo de confianza
La función de auto correlación (simple) y la función de auto correlación parcial miden la relación
estadística entre las observaciones de la serie temporal; en su caso el coeficiente de auto correlación 179
entre la variable yt y la misma variable un período anterior yt-1, que se denomina coeficiente de auto
correlación de primer orden, que se obtiene de la expresión:
Cov ( yt , yt −1 )
1 = , dada la estacionariedad, ocurre que Var (yt) = Var (yt-1), por lo cual
Var ( yt ) *Var ( yt −1 )
Cov ( yt , yt −1 )
1 = , y en general para un desfase de k períodos, se generaliza en:
Var ( y t )
Cov ( yt , yt − k )
k = , y en el evento de que k= 0, ocurre que
Var ( y t )
Cov ( yt , yt ) Var ( yt )
0 = = =1
Var ( y t ) Var ( yt )
El estimador muestral para el que se usa la expresión rk, se expresa bajo ciertas condiciones y aproximaciones, con la
ecuación:
rk =
( y t − y ) * ( yt − k − y )
( y t − y )2
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
La función de auto correlación parcial mide el aporte que hace una variable como yt-2 a otra como yt,
después de haber separado los efectos del resto de variables posibles, tales como yt-1; en forma inversa
la función de auto correlación desconoce la situación de que la correlación que existe entre yt y la variable
yt-2, se puede causar por la correlación de ambas con una tercera, como yt-1. Los diferentes coeficientes
de auto correlación parcial se denotan como k k y los estimados para una muestra como ˆk k , su
utilidad radica en que en ocasiones la sola función de auto correlación muestral no es suficiente para
encontrar el modelo que patronea la serie.
En la práctica la función de auto correlación parcial de orden 1 es igual a la función de auto correlación
(simple) de orden 1, sucede también en el modelo teórico que el coeficiente de auto correlación parcial
es similar al último coeficiente autorregresivo de un modelo AR, es importante resaltar que el coeficiente
autorregresivo de orden 1 es el valor 1 en una serie AR (1), el de orden 2 es el valor 2 de un AR (2), el
de orden 3 es el coeficiente 3 , etc.
En general se puede afirmar que los coeficientes de auto correlación parcial que se computan en el
proceso, no son buenos estimadores de los parámetros respectivos, aunque pueden servir como base de
partida como valores de inicio en el proceso iterativo de cálculo (UAMARIMA@,2006).
Las funciones de auto correlación (simple) y la auto correlación parcial que se estiman, se distancian de
las funciones de los modelos teóricos, en el desarrollo del método AR.I.MA., por eso el éxito del proceso
estriba en lograr la mejor y la mayor aproximación posible de la serie analizada, con alguno de los
modelos de auto correlación (simple) o con los otros de auto correlación parcial construidos.
180 1
0.6
0.4
0.2
0
1 4 7 10 13 16
-0.2
-0.4
-0.6
-0.8
-1
Al lograr la identificación del modelo más cercano a la serie que se analiza, es posible entonces empezar
a estimar y calcular los parámetros que gobiernan el comportamiento general del modelo. Una vez se
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
tiene la serie en forma estacionaria y después de haber diferenciado los valores, se procede a la
estimación real de los parámetros p, q, P y Q en la variable que se analiza.
En forma general se puede aproximar que, en la medida que la función de auto correlación parcial se
acerque en el tiempo, exponencialmente a cero, se dice que se está ante un modelo de tipo AR con valor
p (o P si es estacional en un período de s=12 u otro cualquiera, en este caso se revisan los palotes de la
función de auto correlación retardados en una cantidad k=12 o en el valor que sea s), el grado del orden
se determina por la cantidad de autocorrelaciones parciales diferentes de cero.
De forma similar, en el evento de que en el correlograma de auto correlación (simple) se denote una
aproximación exponencial a cero en el tiempo, se puede afirmar que el modelo apropiado es uno de
medias móviles MA y su orden se determina por el número de autocorrelaciones (simples)
significativamente diferentes de 0 (en el evento de que se trate un caso estacional se revisan los palotes
diferentes en intervalos iguales a s, su estacionalidad y se verifica si se acercan exponencialmente a 0).
En ocasiones ambos correlagramas (tanto simple como parcial) se acercan exponencialmente a 0, caso
en el cual se puede decir que el modelo es un AR.MA., y si está diferenciado, simplemente es un AR.I.MA.
(UAMARIMA@,2006) (ALCEING@,2006).
La siguiente ilustración muestra diferentes situaciones para distintos casos típicos de AR (1), AR (2),
MA (1), MA (2) y AR.MA. (1,1) mixto, donde las gráficas típicas de auto correlación (simple) y de auto
correlación parcial, para cada uno de los valores descritos, a fin de que sean comparadas con la de la
serie que se estudia y poder hallar así el inicio de los parámetros p y q.
El valor de p se identifica en la función de auto correlación parcial (PACF) en sus coeficientes de la parte
regular.
181
El parámetro P se reconoce del análisis de los coeficientes (múltiplos de s (estacionalidad)) de la parte
estacional en el PACF de autocorrelación parcial.
Q se detecta mediante la revisión de los valores de los coeficientes correspondientes a los retrasos del
componente estacional de la serie (o sea los que sean múltiplos de s (estacionalidad) siempre en función
de esta) en el ACF.
FAC FAP
AP(p) Decrecimiento rápido de tipo Se anula para retardos superiores a p
geométrico puro, y geométrico con
alternancia de signos, sinusoidal o
mezcla de varios tipos.
MA(q) Se anula para retardos superiores a q. Decrecimiento rápido de tipo exponencial y/o
sinusoidal
ARMA(p,q) Los primeros valores iniciales no tienen Los primeros valores iniciales no tienen patrón
patrón fijo y van seguidos de una fijo y van seguidos de una mezcla de
mezcla de oscilaciones sinusoidales y/o oscilaciones sinusoidales y/o exponenciales
exponenciales amortiguadas amortiguadas.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Valores de autocorrelación
0.3
0.2 0.2
0.1
0 0
-0.1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
-0.2 k Retrasos de tiempo k Retrasos de Tiempo
-0.2
-0.3
-0.4
-0.4
-0.5
-0.6
-0.7
-0.8
-0.6
AR (1) Parcial
-0.9 -0.8
-1
-1.1 -1
182
0.9 0.8
Coeficientes de autocorrelaciones - AR (1) Coeficientes de autocorrelaciones - AR (1)
0.6
0.4
0.4
Valores de autocorrelación
Valores de autocorrelación
0.2
0
-0.1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de tiempo k Retrasos de Tiempo
-0.2
-0.4
-0.6
-0.6
AR (1) Parcial
-0.8
-1.1 -1
0.8 0.8
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de tiempo
k Retrasos de Tiempo -0.2
-0.2
-0.4
MA (1) Simple
-0.4
-0.6 -0.6
-0.8 -0.8
-1 -1
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
0.8 0.8
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de tiempo
k Retrasos de Tiempo -0.2
-0.2
-0.4
MA (1) Simple
-0.4
-0.6 -0.6
-0.8 -0.8
-1 -1
0.8 0.8
Coeficientes de autocorrelaciones - MA (1) Coeficientes de autocorrelaciones - MA (1)
0.6 0.6
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de Tiempo k Retrasos de tiempo
-0.2 -0.2
-0.4 -0.4
-0.6
MA (1) Simple -0.6
-0.8 -0.8
-1 -1
183
0.8 0.8
Coeficientes de autocorrelaciones - MA (1) Coeficientes de autocorrelaciones - MA (1)
0.6 0.6 Con Φ2 > 0
Con Φ2 > 0
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de Tiempo k Retrasos de tiempo
-0.2 -0.2
-0.4 -0.4
-0.6
MA (1) Simple -0.6
-0.8 -0.8
-1 -1
0.8 0.8
Coeficientes de autocorrelaciones - AR (2) Coeficientes de autocorrelaciones - AR (2)
0.6 0.6
Con Φ1 < 0 y Φ2 > 0 Con Φ1 < 0 y Φ2 > 0
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de tiempo k Retrasos de Tiempo
-0.2 -0.2
-0.4 -0.4
-0.6
-0.8
-0.6
-0.8
AR (2) Parcial
-1 -1
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
0.9 0.8
0.5
0.4
Valores de autocorrelación
Valores de autocorrelación
0.3
0.2
0.1
0
-0.1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de tiempo k Retrasos de Tiempo
-0.2
-0.3
-0.4
-0.5
-0.7
-0.6
AR (2) Parcial
-0.9 -0.8
-1.1 -1
0.8
0.8
0.6
Coeficientes de autocorrelaciones - AR (2) Coeficientes de autocorrelaciones - AR (2)
0.6
0.4
Valores de autocorrelación
0.4
Valores de autocorrelación
0.2
0.2
0
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de tiempo
-0.2 k Retrasos de Tiempo
-0.2
-0.4
-0.4
-0.6
-0.8
-0.6
AR (2) Parcial
-0.8
-1
-1
184
Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial
1 1
0.8 0.8
Coeficientes de autocorrelaciones - AR (2) Coeficientes de autocorrelaciones - AR (2)
0.6 0.6
Con Φ1 > 0 y Φ2 < 0 Con Φ1 > 0 y Φ2 < 0
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de tiempo k Retrasos de Tiempo
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
AR (2) Parcial
-0.8 -0.8
-1 -1
0.8 0.8
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de Tiempo k Retrasos de Tiempo
-0.2 -0.2
MA (2) Simple
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1 -1
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
0.8 0.8
Coeficientes de autocorrelaciones - MA (2) Coeficientes de autocorrelaciones - MA (2)
0.6 0.6
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de Tiempo k Retrasos de Tiempo
-0.2 -0.2
-0.4 -0.4
-0.6
MA (2) Simple -0.6
-0.8 -0.8
-1 -1
0.8 0.8
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de Tiempo k Retrasos de Tiempo
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-1 -1
185
0.8 0.8
Coeficientes de autocorrelaciones - MA (2) Coeficientes de autocorrelaciones - MA (2)
0.6 0.6
Con Φ1 < 0 y Φ2 > 0 Con Φ1 < 0 y Φ2 > 0
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de Tiempo k Retrasos de tiempo
-0.2 -0.2
-0.4 -0.4
-0.6
MA. (2) Simple -0.6
-0.8 -0.8
-1 -1
0.8 0.8
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de Tiempo k Retrasos de Tiempo
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
0.8 0.8
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de Tiempo k Retrasos de Tiempo
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
0.8 0.8
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de Tiempo k Retrasos de Tiempo
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
186
Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial
1 1
0.8 0.8
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de Tiempo k Retrasos de Tiempo
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8
-1
AR.MA. (1,1) Simple -0.8
-1
AR.MA. (1,1) Parcial
0.8 0.8
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de Tiempo k Retrasos de Tiempo
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8
-1
AR.MA. (1,1) Simple -0.8
-1
AR.MA. (1,1) Parcial
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
0.8 0.8
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de Tiempo k Retrasos de Tiempo
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
0.8 0.8
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de Tiempo k Retrasos de Tiempo
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
187
0.8 0.8
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de Tiempo k Retrasos de Tiempo
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8
-1
AR.MA. (1,1) Simple -0.8
-1
AR.MA. (1,1) Parcial
0.8 0.8
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
k Retrasos de Tiempo k Retrasos de Tiempo
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8
-1
AR.MA. (1,1) Simple -0.8
-1
AR.MA. (1,1) Parcial
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
De la anterior ilustración se tienen algunas de las formas típicas más relevantes de modelos AR., MA. y
AR.MA. (Carrión, 1999,51) (Makridakis y otro, 1998,148-149) (Hanke y otro, 1996,433-435).
Después de seleccionar la forma más adecuada del modelo, se procede a determinar los coeficientes del
mismo, por medio de la estimación correspondiente, para luego efectuar un análisis de los residuos,
mediante el cálculo de las diferencias entre los valores reales originales de la serie estudiada y los
obtenidos con el modelo, para comprobar si el ajuste que se logra entre el modelo y la realidad es
adecuado y está dentro de los parámetros permisibles; si por alguna razón el modelo no otorga un buen
ajuste, se repite el proceso mediante el intento con otros modelos hasta alcanzar una buena bondad de
ajuste.
La modelación AR.I.MA.77, o Box-Jenkins parte de considerar que el valor observado de una serie (un
dato de una variable) en un momento determinado de tiempo t, es una realización de una variable
aleatoria Zt definida en dicho momento de tiempo. Por tanto, una serie de t datos es una muestra de un
conjunto de t variables aleatorias ordenadas en el tiempo al que se le denomina proceso estocástico.
Cuando se pretende predecir el comportamiento de la variable estudiada Z en un estado futuro t, la cual
se nombra en este caso como X, a partir de la conducta que tiene en su pasado, por ejemplo en el instante
188 t-1 o sea en su período anterior Z t-1.
Con lo cual se puede denotar que el valor de la variable Z en el tiempo t, es función de su valor en el
período anterior t-1, de donde se puede expresar que Xt = f (Z t-1); dado que en el comportamiento de la
variable en cuestión pueden influir otros aspectos, se incluye en la expresión un componente de error
denominado α, que es una variable aleatoria en el instante t, con lo cual X t = f (Z t-1, α t ).
Con el fin de proseguir en la construcción de las expresiones AR.I.MA., que permitan modelar un
comportamiento futuro de cualquier variable, se adopta una forma funcional concreta, como una
conducta lineal para la expresión que se trae, así:
Ecuación 16 - Forma lineal de la variable en función del pasado y de una variable aleatoria
77
Recuérdese que los modelos AR.I.MA. se caracterizan con seis dígitos (p,d,q) (P,D,Q), que corresponden secuencialmente a los valores obtenidos de p
para la parte AR., d para la parte de integración u operador diferencia de la letra I. y q para la parte móvil de MA; las letras minúsculas componen la
estructura normal y las mayúsculas la parte estacional.,
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
La cual se convierte en la esencia principal de los modelos auto regresivos, en los cuales se realiza una
regresión sobre la misma función (auto regresión), es decir sobre los valores de Z en el pasado. De esta
manera nace el concepto de los Modelos AR. o auto regresivos, donde por ejemplo, cuando adquieren
valores de orden 1, 2 ó 3, se expresan de la siguiente forma, respectivamente:
Ecuación 18 - Forma lineal de la variable en función del pasado y de una variable aleatoria
Y en general se puede aproximar la expresión general de los modelos auto regresivos (Auto-Regressive) de orden p78
a:
Es muy normal que en series con componentes temporales repetitivos de grado estacional, que el desfase
coincida con la periodicidad de los valores. Cuando la serie auto regresiva Z evaluada, tiene un
componente estacional se le denomina SAR (Seasonal Auto-Regressive), sus expresiones se denotan de
la siguiente forma:
Ecuación 19 - Modelos SAR (Seasonal Auto-Regressive) - Estacionales auto regresivos 189
X t = 0 + 1 * Z t − S + t , para un modelo estacional auto regresivo de orden uno SAR (1); donde S es el período
estacional repetitivo en la serie para una serie SAR (1)
Una fórmula para cualquier orden estacional de orden P79 , viene dada por:
Los modelos de medias móviles (Moving Average - MA) nacen de la alternativa de modelación y estudio
a partir de los errores que se obtienen al estimar el valor de la variable en períodos anteriores y no a
partir de los datos que adquiere en el pasado. Sus expresiones matemáticas, son de la siguiente forma:
Ecuación 20 - Modelos MA (Moving Average) – Medias Móviles
X t = + t + 1 * t −1 , que es un modelo de media móvil de orden uno MA (1), donde μ es el valor constante
alrededor del cual se desenvuelve la variable, el cual se calcula a partir de los coeficientes θ.
78
La letra p es el orden de los modelos auto regresivos en su parte regular (normal), toma valores enteros positivos entre 0 y 9, al igual que P que es el
orden de los modelos auto regresivos estacionales.
79
Es usual expresar el grado del orden P estacional en forma mayúscula, para series con componentes AR repetitivos en el tiempo, SAR (P).
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
En general para cualquier orden q80 de modelos de media móvil, la expresión se denota así:
X t = + t + 1 * t −1 + 2 * t − 2 + 3 * t − 3 + ......... + q * t − q
Al igual que en los modelos AR con componente estacional, denominados SAR., existe en los modelos
de medias móviles situaciones con fenómenos repetitivos temporales de grado estacional, son casos
frecuentes donde los retardos no se establecen con los períodos inmediatamente anteriores, sino con los
que coincidan con las periodicidad de los valores de la serie original.
A estos modelos se les reconoce como de medias móviles estacionales, y se denotan con la sigla SMA
(Seasonal Moving Average) y su identificación se denota con Q mayúscula, SMA (Q).
X t = + t +1 * t − S , que es un modelo de orden uno, SMA (1), donde S es la periodicidad de los datos.
Cuando la periodicidad es trimestral se usa S=4 y mensual S=12, con datos mensuales.
La expresión general de los modelos de medias móviles estacionales SMA (Q) se representa, así:
Los modelos auto regresivos y los de medias móviles, se pueden relacionar bajo unas condiciones
190 especiales, a estas se les denomina invertibilidad y estacionariedad; sin entrar a profundizar en forma
matemática (que no es exactamente la finalidad de este libro) se procede a mostrar las expresiones
numéricas más relevantes que denotan esta situación.
Ecuación 22 - Invertibilidad y estacionariedad
X t =1 * Z t −1 + t , se asume este modelo AR (1) sin término independiente 0 , además dado que el término
anterior de la serie real, se puede expresar como Z t −1 = 1 * Z t − 2 + t −1 .
Se puede llegar por distintas sustituciones progresivas a una expresión de modelo auto regresivo de orden uno, así:
X t = t + 1 * t −1 + 12 * t − 2 + 13 * t − 3 + ..... , que al ser comparada con un modelo general AR (p),
que es:
X t = + t + 1 * t −1 + 2 * t − 2 + 3 * t − 3 + ......... + q * t − q
Con esto, se puede afirmar que un proceso auto-regresivo de orden uno, es aproximadamente similar a
un modelo de media móvil de infinitos términos, con una ponderación decreciente de forma exponencial
cuando 0< 1 < 1 (UAMARIMA@,2006) (ALCEING@,2006).
80
q puede adquirir valores enteros entre 0 y 9, al igual Q que es el orden de los modelos de medias móviles estacionales; entre más alto es el valor, más
intensa es la presencia de las influencias de los errores de estimación de los períodos anteriores, en los pronósticos que se realicen.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
El resultado que se obtiene, es factible de ser generalizado y que cuando se está ante situaciones de
estacionariedad, un modelo AR de orden bajo puede transformarse en un modelo de media móvil de
orden alto; de igual manera cuando se dan las condiciones de invertibilidad es posible transformar un
modelo de media móvil de orden bajo en uno auto regresivo de un número elevado de términos.
De acá se deriva que en la práctica es mucho mejor trabajar con modelos sencillos, con el menor número
posible de términos y por ende con la menor cantidad de parámetros, a lo cual se le denomina un modelo
escueto o parsimonioso, que con modelos de gran cantidad de términos y de parámetros de alto valor,
siempre y cuando conlleve a resultados adecuados y bondadosos en ajuste, entre el modelo construido
y la realidad original de la serie.
Es factible proceder con la integración de modelos auto-regresivos y de medias móviles; con lo cual la
variable futura queda en función de sus valores anteriores y de los errores que se generan durante la
estimación. Es claro que los modelos AR. (p) se corresponden con un modelo AR.MA. (p,0) y los modelos
de medias móviles MA. (q) lo hacen con un AR.MA. (0,q).
El correlograma (simple) de un proceso AR.MA. (p,q) en general tiene una estructura decreciente, según
una mezcla de exponenciales y sinusoidales amortiguadas diferentes de 0, excepto para los q – p + 1
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
valores (si q es mayor o igual que p + 1) que no se patronean por la estructura descrita, sino que adoptan
cualquier forma; cuando q es menor que p + 1 , la estructura de todos los valores es decreciente de forma
exponencial y sinusoidal amortiguada.
La función de auto correlación parcial para un modelo AR.MA. (p,q) es similar al anterior simple, solo
que esto se cumple para los primeros p – q + 1 coeficientes (si p es mayor que q + 1), los cuales
presentan cualquier forma estructural diferente a la decreciente exponencial y sinusoidal amortiguada;
en el evento de que p sea menor que q +1, la estructura que presentan todos los valores o coeficientes es
decreciente exponencial y sinusoidal amortiguada a lo largo de toda la serie en el intervalo de tiempo
utilizado (Carrión,1999,53-54).
Los modelos que se estudian bajo los procesos AR.I.MA., pueden presentar pautas repetitivas cada cierto
período de tiempo, es decir tienen estacionalidad, estos casos son una situación especial de no
estacionariedad, dado que en fin de cuentas son un comportamiento diferenciado en las distintas
estaciones que tienen en cada caso particular.
Las características de las funciones de auto correlación (simple) y auto correlación parcial de los modelos
estacionales AR.I.MA., son similares a las de los regulares AR.I.MA., AR.MA., AR. y MA. (normales o
convencionales) no estacionales; solo que se presentan en los retardos múltiplos del valor del ciclo
estacional, es decir los coeficientes no nulos se presentan en los retardos no nulos 1*s, 2*s, etc. donde s
es la estacionalidad81 (Carrión,1999,57-60).
El operador retardo B82 al ser utilizado en un valor de una serie, desfasa este monto en un período, a
efectos de notación se describe como B Yt = Y t-1; cuando se aplica s veces, se expresa que Bs Yt = Y t-s.
Con esta descripción un modelo AR.I.MA. se puede expresar como (1 - Ø1 * B - ….. Øp * B p) (1 –
B) Y t = (1 + θ1 * B + …. + θq * B ) * a t donde = (1 − B); con
d * q Øp (B) es el polinomio de orden p
192 en B con parámetros Øi y la expresión θq (B) es el polinomio de orden q en B con parámetros θi .
AR ( p ) MA (q )
Fuente Bibliográfica Ecuación: UAMARIMA@,2006
X t = a1 Z t − 1 + a2 * Z t − 2 + a3 * Z t − 3 + .... + a p * Z t − p + St + b1 * St −1 + b2 * St − 2 + b3 * St − 3 + ...... + bq * St − q
Donde:
Existe una combinación de p términos AR. (proceso AutoRegresivo83), y q términos MA. (proceso de medias móviles).
La parte AR. modela y ajusta los valores reales anteriores de la serie (Xt-1 hacia la parte más antigua de la serie).
81
Es típico también que el operador D estacional en los AR.I.MA. estacional no sea superior a 1.
82
Es una función matemática.
83
Es probable que escribir AutoRegresivo, no es la forma más correcta en castellano, pero se usa así en este libro para resaltar su origen inglés Auto-
Regressive.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
El segmento MA. simula y adapta la influencia del ruido que se genera en los errores de la estimación con los datos
anteriores de la serie (St-1 hacia atrás (datos menos recientes)).
El elemento St corresponde al ruido esperado que se produce en el instante de tiempo t, en el cual se realiza la
estimación de la variable X.
Fuente Bibliográfica Ecuación: ALCEING@,2006
La gran ventaja de los modelos AR.I.MA., es su simpleza, dado que son una suma lineal de términos, a
diferencia de los clásicos, que son de expresiones más complejas, otra gran ventaja de los AR.I.MA., es
que pueden predecir en forma mezclada de hechos futuros en función de los valores pasados y de otros
componentes aleatorios no exactamente dados en el pasado, sino derivados de los errores de estimación
de los primeros (de las correlaciones comparativas de los datos del pasado) (UAMARIMA@,2006)
(ALCEING@,2006).
El principal objetivo de las series temporales bajo modelos clásicos o modernos es predecir el
comportamiento futuro; esto se logra en los modelos AR.I.MA., después de seleccionar los parámetros
(p,d,q) (P,D,Q) y comprobar que el modelo con sus valores estimados explica adecuadamente el pasado
de la serie, ahora se realiza la extrapolación hacia el porvenir en un plazo moderado, se miden los
criterios de bondad de ajuste respectivos y se espera a que ocurra el valor que se pronostica para
comprobar su acercamiento a la realidad.
Las predicciones bajo la metodología de Box – Jenkins en los modelos AR.I.MA., presupone que el
comportamiento estructural de la serie en el pasado, es muy similar al del futuro de corto plazo, esto se
basa en el principio de estacionariedad que desarrolla en su proceso. Si por alguna razón se descubre
algún cambio significativo, esto implica que el modelo estimado no es válido para conocer los valores
futuros de la serie.
Otra condición relevante del proceso Box – Jenkins, se asocia a que las auto correlaciones deben ser 193
constantes en todo el umbral (pasado y futuro) de la serie; esto conlleva a que el modelo que se calcula
con los parámetros (p,d,q) (P,D,Q) es único en todo el horizonte del tiempo que se evalúa.
Existe una prueba de fuego para los desarrollos Box – Jenkins, que pretende garantizar que su estructura
es casi invariable a través de todo el tiempo que estudia, el cual consiste en evaluar con diferentes lapsos
de tiempo el modelo mediante la partición de la serie en subconjuntos de tiempo, los cuales generan
cada uno un modelo AR.I.MA., que se contrastan entre ellos y con el integral que se realiza, de esta forma
se garantiza que el modelo y sus parámetros son los mismos en los diferentes períodos del tiempo,
cumpliendo así el requerimiento más importante de este método: que el modelo de comportamiento no
varía en el tiempo (EUMEDNET@,2007).
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
La gráfica natural de la serie con el software Statgraphics bajo Windows y Excel, se muestra como:
160
Serie para análisis por AR.I.MA.
150
140
Valores de la serie
130
120
110
100
90
80
1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9
es es es es es es es es es es es es es es es es es es es es es es es es
-M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M -M
1 1 1 2 2 2 3 3 3 4 4 4 5 5 5 6 6 6 7 7 7 8 8 8
o o o o o o o o o o o o o ño ño ño ño ño ño ño ño ño ño ño
Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ AAño -AMes A A A A A A A A A
Aunque se observa, en forma aparente una variación uniforme en la varianza, a manera de consulta, se
grafica la serie con la función Logaritmo para ver si se observa alguna atenuación de la misma.
2.2000 195
Logaritmo
2.1000
2.0500
2.0000
1.9500
Año Mes
1.9000
1
-M 9
1
-M 1
5
-M 5
9
-M 9
1
-M 5
9
s
s
es
s
es
s
es
s
es
s
es
ño Me
ño Me
ño Me
ño Me
ño Me
ño Me
ño Me
ño Me
ño Me
ño Me
ño Me
ño Me
ño Me
ño Me
ño Me
ño Me
ño Me
ño Me
ño Me
-
-
1
8
ño
ño
ño
ño
ño
A
No se aprecia ningún cambio significativo en la variabilidad de la varianza, por lo cual se descarta el uso
de la función Logaritmo, debido a lo cual no se hace ninguna transformación inicial.
Lo que sí es claro en la serie, es la presencia de una tendencia ascendente a lo largo del tiempo, por lo
cual se recurre a la aplicación de la diferenciación.
Paso 1 - 1 - Funciones de auto correlación (simple) y auto correlación parcial
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
1.1
Autocorrelation
Auto correlación (simple)
con d=0 y D=0
0.9
0.7
V
a
l
0.5
o
r
C
0.3
o
e
f
0.1
i
c
i
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
-0.1
n
t
e
s
-0.3
-0.5
-0.7
Lags
Diferencia d = 0 y D = 0 Simple
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
1.1
Autocorrelation
Auto correlación parcial
con d=0 y D=0
0.9
0.7
V
a
l
0.5
o
r
C
0.3
o
e
f
0.1
i
c
i
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
-0.1
n
t
e
s
-0.3
-0.5
-0.7
Lags
Diferencia d = 0 y D = 0 Parcial
Banda de confianza
Se aprecia el primer coeficiente fuera de rango y significativamente
Inferior Superior diferente de cero, después los coeficientes caen a 0. Hay
tendencia, no existe estacionariedad en media y se debe aplicar
-0.200041662 0.200041662
diferenciación.
Número de datos 96
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Al aplicar el operador diferencia en la parte regular (normal) se obtienen los siguientes resultados:
0.7
Autocorrelation
Auto correlación (simple)
con d=1 y D=0
0.5
V
a
0.3
l
o
r
0.1
C
o
e
f 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
-0.1
i
c
i
n
t
-0.3
e
s
-0.5
-0.7
Lags
Diferencia d = 1 y D = 0 Simple
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Se puede pensar, que ya se tiene un buen grado de estacionariedad en media en los componentes
regulares de la serie, y que ahora se debe intentar con la sección estacional. Por lo cual ya a estas alturas,
no es necesario proceder con más diferenciación en la parte regular, sino que se trabaja en la parte
estacional del AR.I.MA., o sea d=1 con D=1; para analizar los coeficientes múltiplos de 12 (s=12, de este
ejemplo), o sea 12 y 24. A manera complementaria antes de pasar a D=1, se muestran los datos de la
auto correlación parcial de d=1 y D=0.
0.5
Autocorrelation
Auto correlación parcial
con d=1 y D=0
0.3
V
a
l
0.1
o
r
C
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
o
-0.1
e
f
i
c
i
-0.3
n
t
e
s
-0.5
-0.7
Lags
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
0.5
Auto correlación (simple) Autocorrelation
0.4
0.3
con d=1 y D=1
V
a
0.2
l
o
r
0.1
C
o
e
0
f 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
i
-0.1
c
i
n
-0.2
t
e
s
-0.3
-0.4
-0.5
Lags
Diferencia d = 1 y D = 1 Simple
200 2
3
-0.0106287
0.0931172
0.125469
0.125480
-0.245915
-0.245937
0.245915
0.245937
No
No
4 0.013094 0.126310 -0.247563 0.247563 No
5 0.00855549 0.126326 -0.247595 0.247595 No
6 0.0122684 0.126333 -0.247609 0.247609 No
7 -0.0482339 0.126347 -0.247637 0.247637 No
8 -0.0478615 0.126569 -0.248071 0.248071 No
9 -0.0508112 0.126787 -0.248498 0.248498 No
10 -0.0464328 0.127032 -0.248979 0.248979 No
11 0.12769 0.127236 -0.249379 0.249379 No
12 -0.29858 0.128771 -0.252387 0.252387 Sí
13 0.00107079 0.136858 -0.268238 0.268238 No
14 0.0868178 0.136858 -0.268238 0.268238 No
15 0.0396534 0.137520 -0.269535 0.269535 No
16 -0.20375 0.137658 -0.269805 0.269805 Sí
17 0.138327 0.141245 -0.276835 0.276835 No
18 0.0194215 0.142867 -0.280016 0.280016 No
19 -0.00890569 0.142899 -0.280078 0.280078 No
20 0.00412523 0.142906 -0.280091 0.280091 No
21 0.0800553 0.142907 -0.280094 0.280094 No
22 -0.0418999 0.143447 -0.281151 0.281151 No
23 0.140592 0.143594 -0.281440 0.281440 No
24 -0.141237 0.145243 -0.284672 0.284672 No
25 0.0384402 0.146888 -0.287897 0.287897 No
26 0.0433944 0.147010 -0.288134 0.288134 No
27 -0.0701858 0.147164 -0.288436 0.288436 No
Los valores se obtienen con el software Statgraphics bajo Window
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
0.5
Autocorrelation
con d=1 y D=1
0.3
V
a
l
o
r
0.1
C
o
e
f
i 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
c
-0.1
i
n
t
e
s
-0.3
-0.5
Lags
Diferencia d = 1 y D = 1 Parcial
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
144
124
d=0 y D=0
104
84
1/01 1/03 1/05 1/07 1/09 1/11
24
14
202
-6
d=1 y D=0
-16
1/01 1/03 1/05 1/07 1/09 1/11
29
19
-1
-21
1/01 1/03 1/05 1/07 1/09 1/11
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Para ello se toman los dos correlogramas ya aceptados de d=1 y D=1 de la serie, presentados
anteriormente.
Inicialmente se analiza la gráfica PACF de auto correlación parcial, la cual se revisa para identificar p
y/o P, dado que los coeficientes de los retrasos 1, 12, 13 y 25 son significativamente diferentes de cero;
en su parte regular (normal) se aprecia que después del retraso 1 los valores tienden a cero, esto denota
la posibilidad de un modelo AR (1); en su parte estacional, el retraso 12 diferente de cero desciende en
el coeficiente 24 a uno cercano a cero, lo que insinúa un modelo SAR (1) (Seasonal Auto Regressive) de
orden 1 en su parte estacional. Lo que hasta ahora se postula es entonces un posible modelo AR.I.MA.
(1,1,q) (1,1,Q)12.
Para definir los valores de q y Q, se usa la función de auto correlación (simple) ACF, en la cual se notan
que los coeficientes 1, 12 y 16, son diferentes de cero; lo que permite visualizar en la parte regular que
los coeficientes caen a cero después del retraso 1, lo cual da pie para plantear un modelo MA (1) y en
cuanto a la parte estacional, se observa una situación similar, el coeficiente dos estacional (el 24)
desciende cercano a cero después de que el primer coeficiente estacional (el 12) es significativamente
distinto de cero, con lo que se insinúa un modelo SMA (Seasonal Moving Average) (1).
0.8 0.8
0.4 0.4
Valores de autocorrelación
Valores de autocorrelación
0.2 0.2
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
203
k Retrasos de Tiempo k Retrasos de Tiempo
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
En general entonces se puede postular un modelo AR.I.MA. (1,1,1) (1,1,1)1284; con el fin de validar este
modelo o uno equivalente más simple (como (1,1,0) (1,1,0) o un (0,1,1,) (0,1,1,), o simplemente un (1,1,1)
(0,1,0), etc.), para lo cual se realizan los cálculos respectivos.
Para ello, se utiliza el Statgraphic85 para Windows mediante la valoración de los diferentes valores de p,
d, q, P, D y Q postulados; al interior de cada evaluación se establecen las diferentes pruebas de validación
de los resultados, entre las que resaltan:
• Prueba Test T de nulidad de medias para el valor de P value (Nivel de probabilidad), que debe
ser superior al 5% (sirve para aceptar o rechazar el modelo).
• MSE - Mean Square Error – Error Cuadrado Medio, debe ser el más bajo posible (ayuda a
validar el mejor modelo).
84
Esto puede implicar la valoración sucesiva de diferentes modelos como: (1,1,0)(0,1,0)12,(1,1,0)(1,1,0)12,(0,1,1) (0,1,0),(0,1,1) (0,1,1),(0,1,0) (1,1,0), (0,1,0)
(0,1,1)12, (0,1,0 (1,1,1)12, (1,1,1) (0,1,0)12, (1,1,1) (1,1,0)12, (1,1,1,) (0,1,1)12, etc., hasta alcanzar la meta de (1,1,1) (1,1,1)12.
85
Se realiza con Statgraphics bajo Window sin utilizar la opción constante: que se encuentra abajo a la derecha de la pantalla, si se llega a usar
los resultados en general no difieren mucho.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
• Examen de las gráficas ACF y PACF de los residuos, para verificar que los coeficientes de auto
correlación (simple) y los de auto correlación parcial sean aleatorios, para lo cual no deben ser
significativamente diferentes de cero y estar distribuidos en forma dispersa a lo largo de los
diferentes períodos de tiempo (se pueda usar para rechazar o aceptar el modelo a seleccionar).
Paso 3 - 1 - Pruebas del Test T de nulidad de medias con parámetro de probabilidad P value
El software Statgraphics bajo Windows aporta los siguientes cálculos, que se describen a continuación
para evaluar cada modelo86 en cuanto al p value, así:
Se acepta el p Evaluación de
No. Modelo Parameter Estimate Stnd. Error t P-value
value? este Modelo
En general se aprecia que se mantienen como modelos probables los 6 primeros, que curiosamente son
aquellos donde está el parámetro AR o MA en forma independiente (en la sección regular solo o en la
estacional, o combinado en ambas partes); o sea donde está p, p y P, q, q y Q; solamente.
En ninguna de las combinaciones AR con MA, SAR con SMA, SAR con MA o AR con SMA, trabaja bien
la prueba Test t de nulidad de medias con p value.
86
En igualdad de condiciones de todas las pruebas, se debe tomar siempre el modelo más sencillo, que sea el de menor valor en sus parámetros.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Hasta aquí se proyectan como los mejores los AR.I.MA. (0,1,1) (0,1,1)12, (0,1,0) (0,1,1)12 y (1,1,0 (1,1,0)12;
donde se manifiesta lo ya observado en las auto correlaciones de la etapa anterior, en los cuales
predominan los efectos de p & P y de q & Q, en forma independiente o en el (0,1,0) (o,1,1)12 donde pesa
el Q estacional solo.
Pero definitivamente se tiene que seleccionar el modelo más adecuado de los posibles, con parámetros
más contundentes (como los que se realizan a continuación) para lo cual se miran los demás criterios
pendientes por realizar, que son:
• Examen de las gráficas ACF y PACF de los residuos, para verificar que los coeficientes de auto
correlación (simple) y los de auto correlación parcial sean aleatorios, para lo cual no deben ser
significativamente diferentes de cero y estar distribuidos en forma dispersa a lo largo de los
diferentes períodos de tiempo (se puede usar para objetar o consentir el modelo a seleccionar).
• Valores de estimación significativamente diferentes de cero (sirve para admitir o rechazar el 205
modelo que se postula).
Inicialmente se estudian individualmente los ACF y PACF de cada una de las opciones de modelos
posibles (hasta ahora), para revisar sus coeficientes, en su orden, así:
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Paso 3 - 3 - Aceptación de las funciones de auto correlación (simple) y auto correlación parcial de los
residuos
Para ello, se observan los ACF y PACF de los residuos, en el Statgraphics bajo Windows, así:
0.6
Autocorrelations
0.2
-0.2
-0.6
-1
0 5 10 15 20 25
lag
206
0.6
0.2
-0.2
-0.6
-1
0 5 10 15 20 25
lag
Se observan coeficientes fuera de rango: en el ACF en el coeficiente 12 y en el PACF en los retrasos 12 y
14; lo que denota la falta de un parámetro estacional (P o Q) que mejore esto; y a su vez muestra que los
residuos aún se correlacionan, no son independientes entre sí y por ende no son aún aleatorios. Se
descarta este modelo.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
0.6
0.2
-0.2
-0.6
-1
0 5 10 15 20 25 30
lag
0.6
0.2
-0.2
-0.6
-1
0 5 10 15 20 25 30
lag
En este modelo solo el coeficiente 24 del PACF está fuera de la banda; por lo cual se piensa que los
residuos presentan una mejor aleatoriedad, en el ACF todos los coeficientes se dispersan aleatoriamente,
no son significativamente diferentes de cero y no se relacionan entre sí.
Antes de pronunciarse con este modelo se observan los demás; solo se adopta como una segunda opción
o última instancia, si ninguno de los otros cumple.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
0.6
0.2
-0.2
-0.6
-1
0 5 10 15 20 25 30
lag
208
0.6
0.2
-0.2
-0.6
-1
0 5 10 15 20 25 30
lag
Aquí se siente la no presencia de parámetros estacionales, los coeficientes de los retrasos 12 en el ACF y
en el PACF están fuera de la banda de confianza, como también el 24 del correlograma parcial; lo que
expresa que no se tienen aún residuos tendientes a cero, de forma aleatoria sobretodo en los estacional;
por lo cual se rechaza este modelo.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
0.6
0.2
-0.2
-0.6
-1
0 5 10 15 20 25 30
lag
ARIMA(0,1,1)x(0,1,1)12
Partial Autocorrelations
0.6
0.2
-0.2
-0.6
-1
0 5 10 15 20 25 30
lag
Todos los coeficientes están dentro de la banda de confianza, no son significativamente diferentes de
cero y están dispersos aleatoriamente a lo largo del tiempo en los diferentes períodos, no se relacionan
entre sí; se acepta este modelo hasta ahora como el mejor y por ende se acepta.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
0.6
0.2
-0.2
-0.6
-1
0 5 10 15 20 25 30
lag
0.6
0.2
-0.2
-0.6
-1
0 5 10 15 20 25 30
lag
Los residuales de los retrasos 1 en el ACF, 1 y 13 en el PACF están fuera de la banda de confianza, lo que
implica pensar que aún los residuos no son aleatorios. Se rechaza este modelo.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
0.6
0.2
-0.2
-0.6
-1
0 5 10 15 20 25
lag
0.6
0.2
-0.2
-0.6
-1
0 5 10 15 20 25
lag
Los coeficientes 1 del ACF y el 1 y 2 del PACF, están fuera del intervalo de confianza, lo que muestra que
los residuos aún se correlacionan, no son independientes entre sí y por ende no son aún aleatorios. Se
descarta este modelo.
La revisión de los 6 modelos hasta ahora posibles, arroja que el modelo que cumple mejor con el MSE y
con la aleatoriedad de los residuos en las dos gráficas (y valores) de auto correlación es el AR.I.MA.
(o,1,1) (0,1,1)12, en segunda instancia tanto en MSE como en auto correlaciones es el modelo (1,1,0)
(1,1,0)12, que curiosamente son las dos deducciones iniciales del análisis de las auto correlaciones de la
serie con d=1 y D=1.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
La mejor manera de comprobar la no correlación entre los residuos es mediante el empleo de los
correlogramas ACF y PACF de los residuales, donde los coeficientes deben ser lo más bajos posibles, con
valores cercanos a cero y siempre dentro de la banda de confianza, mediante la consideración de que la
hipótesis, de que todos los residuos provienen de una población cuya media es cero y son valores son
aleatorios, es cierta y se puede aceptar; más sin embargo se puede utilizar otro procedimiento para
verificar la ausencia de correlación entre los residuos y es mediante el uso del estadístico de Box –
Pierce, que se define por:
k
Qk = n * ri 2 , donde Qk es el estadístico de Box – Pierce, n es el número de observaciones que se usan
n =1
para adecuar el modelo y ri2 es el coeficiente de auto correlación (simple) de la serie de los residuos; en
otras palabras Qk es la suma de los cuadrados de los k primeros elementos del correlograma de residuos.
El modelo debe seguir una distribución con la forma r2k – p - q y en caso de no ser el óptimo sus valores
son superior a la expresión declarada. Se suele tomar a k con valores de 24 ó 36 datos de la serie original
de orden mensual, la prueba se basa en la comparación del valor estimado, contra el de la función teórica
a un nivel de probabilidad deseado; si el valor calculado es inferior al del estadístico, se acepta (cuando
el p value es mayor que 10%) y en su defecto se rechaza (Carrión,1999,76-77).
P value - Prueba de
Se acepta por Box -
No. Modelo Box - Pierce - Debe ser Nota Síntesis
Pierce?
mayor a 10%
Rechazado en prueba de residuos en ACF
1 (1,1,0) (0,1,0) 26.86% Sí Rechazado por prueba ACF y PACF
y PACF
No, no hay independencia Pendiente, en observación, presenta 1
2 (1,1,0) (1,1,0) 5.89% Rechazado por Box - Pierce
en los residuos residuo fuera de banda de confianza
Rechazado en prueba de residuos en ACF
3 (0,1,1) (0,1,0) 28.30% Sí Rechazado por prueba ACF y PACF
y PACF
4 (0,1,1) (0,1,1) 35.06% Sí Aceptado en todas las pruebas anteriores Aceptado en todo
No, no hay independencia Rechazado en prueba de residuos en ACF Rechazado por Box - Pierce y por prueba
5 (0,1,0) (1,1,0) 0.11%
en los residuos y PACF ACF y PACF
No, no hay independencia Rechazado en prueba de residuos en ACF Rechazado por Box - Pierce y por prueba
6 (0,1,0) (0,1,1) 0.22%
en los residuos y PACF ACF y PACF
No, no hay independencia Fue rechazado en prueba de T de nulidad Rechazado por prueba de nulidad de
7 (0,1,0) (1,1,1) 0.03%
en los residuos de medias medias de p value y por Box - Pierce
Fue rechazado en prueba de T de nulidad Rechazado por prueba de nulidad de
8 (1,1,1) (0,1,0) 23.85% Sí
de medias medias de p value
Fue rechazado en prueba de T de nulidad Rechazado por prueba de nulidad de
9 (1,1,1) (1,1,0) 33.91% Sí
de medias medias de p value
Fue rechazado en prueba de T de nulidad Rechazado por prueba de nulidad de
10 (1,1,1) (0,1,1) 11.87% Sí
de medias medias de p value
Fue rechazado en prueba de T de nulidad Rechazado por prueba de nulidad de
11 (1,1,1) (1,1,1) 23.24% Sí
de medias medias de p value
De esta información se deduce que el modelo donde se da una mejor independencia de los residuos es
en el AR.I.MA. (0,1,1) (0,1,1)12, como también se demuestra que el segundo modelo que se trae como
posible (1,1,0) (1,1,0)12, no tiene independencia de los residuos según esta validación prueba de Box –
Pierce. Definitivamente, se adopta el modelo AR.I.MA. (0,1,1) (0,1,1)12 que cumple todas las pruebas.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Se realiza el Histograma de los Residuales87 para el AR.I.MA. (0,1,1) (0,1,1)12 con Statgraphic bajo
Windows, bajo una distribución normal, que se califica acorde a lo que muestre la gráfica, en este caso
se acepta como muy adecuada ya que presenta una distribución muy normal.
40
frequency
30
20
10
0
-13 -3 7 17 27
RESIDUALS
Al igual se lanzan pruebas de bondad de ajuste de los residuos, tales como Chi Cuadrado o Kolmogórov;
en el caso particular los valores descritos después de este párrafo (obtenidos del Statgraphics bajo
Windows) y pertenecientes a los residuos de la serie con AR.I.MA. (0,1,1) (0,1,1)12 muestran
un Ji2 que da un valor de 6.54185 con 5 grados de libertad y un P value de 0.257003 (25.70%)(debe ser
mayor al 5%), que permiten aceptar la normalidad de los residuos (en el sentido de que se acepta la 213
hipótesis de no correlación entre los residuos).
Chi-Square Test
----------------------------------------------------------------------------
Lower Upper Observed Expected
Limit Limit Frequency Frequency Chi-Square
----------------------------------------------------------------------------
at or below -5.06848 8 10.37 0.54
-5.06848 -2.87222 9 10.37 0.18
-2.87222 -1.22985 15 10.37 2.06
-1.22985 0.240792 14 10.38 1.27
0.240792 1.71143 12 10.38 0.25
1.71143 3.35381 11 10.37 0.04
3.35381 5.55007 7 10.37 1.10
above 5.55007 7 10.37 1.10
----------------------------------------------------------------------------
Chi-Square = 6.54185 with 5 d.f. P-Value = 0.257003
Paso 4 – Pronósticos
Paso 5 - Transformación
Simplemente consiste en deshacer la función que se aplica al inicio del Box – Jenkins para conseguir
que la variabilidad de la varianza se vuelva uniforme o constante, en este caso no se aplica ninguna
transformación, ya que no se usa la función Logaritmo.
Se trata de reversar la función aplicada (en este caso no la hay) a los pronósticos hallados y obtener los
valores reales que se pronostican.
En este punto se desarrolla la expresión matemática que conlleva al pronóstico, para el caso particular
del AR.I.MA. (0,1,1) (0,1,1)12, con datos mensuales y con estacionalidad s de 12 períodos (Hanke y
otro,1998,467-470), viene dada por:
(1− B ) (1− B12 ) * Z t = (1− 1 * B ) (1−12 * B12 ) * at , que al desarrollarse se convierte en:
(1− B − B12 + B13 ) * Z t = (1−1 * B −12 * B12 + 1 *12 * B13 ) * at , la cual queda como:
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Z t = + Z t −1 + Z t −12 − Z t −13 + at − 1 * at −1 − 12 * at −12 + 1 *12 * at −13 , sin constante k, que al aplicarla se
toma como:
El Statgraphics bajo Windows sin la opción constant, entrega los términos requeridos para estimar la
previsión 97, las realidades y los errores se leen en tabla anterior mientras que las estimaciones de MA
(1) y SMA (1)12 se obtienen del informe entregado por el software en el Paso 3 – 1, anterior, con lo cual
se procede a su reemplazo y cálculo de la previsión 97, así:
Realidad 96 = 145.05
Realidad 85 = 124.40
Realidad 84 = 132.69
Error t −1 = Error 96 = 4.03967
Error t −12 = Error 85 = − 0.74315
Error = Error = 2.10477 215
t −13 84
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Para otros casos particulares se presentan algunas de las expresiones más usadas:
Pronóstico t = Realidadt −1 * Estimación AR (1) + Error t , con Error t que debe ser cero.
Para un AR.I.MA. (2,0,0) (0,0,0) 2, cuando se trabaja con una constante k, se estima con:
Si existe estacionalidad de s=12, el AR.I.MA. (0,0,0) (1,0,0)12 se postula así con constante k:
88
Este se obtiene directamente del software Statgraphics bajo Window en la opción constante (abajo a la derecha) cuando se procesan los AR.I.MA.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Pronóstico t = Constante k + Estimación SAR (1) *12 * Realidad t −12 , sin constante se realiza así:
Pronóstico t = Realidadt −12 * Estimación SAR (1) *12 + Error t , con Error t que debe ser cero.
Si la estacionalidad ocurre en el MA, para el modelo (0,0,0) (0,0,1)12 se estima con k, así
Pronóstico t = Constante k − Estimación SMA (1) *12 * Error t −12 , sin constante se ejecuta con:
Pronóstico t = Error t - Estimación SMA(1)*12 * Error t -12 , con el Error t igual a cero.
En los casos en que se presenta una diferenciación regular, por ejemplo d=1 con AR (1), para un modelo
AR.I.MA. (1,1,0) (0,0,0)12, la expresión para el cálculo con constante k, es:
En los eventos en que se trabaje sin la constante k, la expresión para estimar es:
Si la diferenciación se presenta en las medias móviles, para la estimación de las previsiones en un modelo
AR.I.MA. (0,1,1) (0,0,0) 12, se usa la siguiente fórmula con la constante k:
217
Pronóstico t = Constante k − Estimación MA (1) * Error t −1 + Realidad t −1 , sin la constante, se usa:
Con Error t igual a cero y al realizar las operaciones de las restas, queda convertida en:
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
218
89
Si se desea usar con constante, simplemente se sustituye el término Errort por Constante k – Sin contante siempre Error t vale cero.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Error t - Error t - 1 * Estimación MA(1) - Error t - 2 * Estimación MA(2) - Error t-3 * Estimación MA(3) - Error t-4 * Estimación MA(4) - Error t-
0 1 6 0 0 0
5 * Estimación MA(5) - Error t - 6 * Estimación MA(6) + Realidad t - 1
Error t - Error t - 1 * Estimación MA(1) - Error t - 2 * Estimación MA(2) - Error t - 3 * Estimación MA(3) - Error t-4 * Estimación MA(4) - Error t-
0 1 7 0 0 0
5 * Estimación MA(5) - Error t - 6 * Estimación MA(6) - Error t - 7 * Estimación MA(6) + Realidad t - 1
1 1 0 0 0 0 Realidad t-1 * Estimación AR(1) - Estimación AR(1) * Realidad t-1-1 + Realidad t-1 + Error t
1 1 1 0 0 0 Error t + Realidad t-1 * Estimación AR(1) - Estimación AR(1) * Realidad t-1-1 - Error t-1 * Estimación MA(1) + Realidad t-1
Estimación AR(1) * Realidad t - 1 + Realidad t - 1 - Estimación AR(1) * Realidad t - 2 + Realidad t - 12 - Estimación AR(1) * Realidad t - 1 - 12 +
1 1 1 0 1 1 Realidad t - 1 - 12 + Estimación AR(1) * Realidad t - 12 - 3 + Errot t - Estimación MA(1) * Errot t - 1 - Estimación SMA(1) * Error t - 12 + Estimación
MA(1) * Estimación SMA(1) * Error t - 12 - 1
Error t - Error t-1 * Estimación MA(1) - Error t-2 * Estimación MA(2) + Realidad t -1 + Estimación AR(1) * Realidad t-1 - Estimación AR(1) *
1 1 2 0 0 0 Realidad
t-2
Error - Error t - 1 * Estimación MA(1) - Error t - 2 * Estimación MA(2) + Realidad t -1 + Estimación AR(1) * Realidad t - 1 - Estimación AR(1) *
t
1 1 2 0 0 1 Realidad t - 2 + Error t - Error t - 1 * 12 * Estimación SMA(1) + Estimación MA(1) * Estimación SMA(1) * Error t - 1 - 12 + Estimación MA(2) *
Estimación SMA(1) * Error t - 2 - 12
Realidad t - 1 + Realidad t - 12 - Realidad t - 13 + Error t + Estimación AR(1) * Realidad t - 1 - Estimación AR(1) * Realidad t - 2 - Estimación
1 1 2 0 1 1 AR(1) * Realidad t - 13 + Estimación AR(1) * Realidad t - 14 - Estimación MA(1) * Error t - 1 - Estimación MA(2) * Error t - 2 - Estimación SMA(1)
* Error t - 12 + Estimación MA(1) * Estimación SMA(1) * Error t - 13 + Estimación MA(2) * Estimación SMA(1) * Error t - 14
Error t - Error t - 1 * Estimación MA(1) - Error t-2 * Estimación MA(2) + Realidad t -1 + Estimación AR(1) * Realidad t-1 - Estimación AR(1) *
1 1 3 0 0 0 Realidad
t - 2 - Error t - 3 * Estimación MA(3)
Error t - Error t - 1 * Estimación MA(1) - Error t - 2 * Estimación MA(2) + Realidad t -1 + Estimación AR(1) * Realidad t-1 - Estimación AR(1) *
1 1 4 0 0 0 Realidad
t - 2 - Error t - 3 * Estimación MA(3) - Error t - 4 * Estimación MA(4)
Realidad t-1 * Estimación AR(1) + 2 * Realidad t-1 - 2 * Estimación AR(1) * Realidad t-1-1 - Realidad t-2 + Estimación AR(1) * Realidad t-3+
1 2 0 0 0 0 Error
t
Realidad t - 1 * Estimación AR(1) + Realidad t-2 * Estimación AR(2) - Estimación AR(1) * Realidad t-1-1 + Realidad t-1 - Estimación AR(2) *
2 1 0 0 0 0 Realidad
t - 2 - 1 + Error t
Realidad t-1 * Estimación AR(1) + Realidad t - 2 * Estimación AR(2) - Estimación AR(1) * Realidad t-1-1 + Realidad t-1 - Estimación AR(2) *
2 1 1 0 0 0 Realidad - Error t - 1 * Estimación MA(1) + Error t
t-2-1
Realidad t-1 * Estimación AR(1) + Realidad t - 2 * Estimación AR(2) - Estimación AR(1) * Realidad t-1-1 + Realidad t-1 - Estimación AR(2) *
2 1 2 0 0 0 Realidad - Error t - 1 * Estimación MA(1) - Error t - 2 * Estimación MA(2) + Error t
t-2-1
2 1 3 0 0
Realidad
0 Realidad
t-1 * Estimación AR(1) + Realidad t - 2 * Estimación AR(2) - Estimación AR(1) * Realidad t - 1 - 1 + Realidad t-1 - Estimación AR(2) * 219
t-2-1 - Error t - 1 * Estimación MA(1) - Error t - 2 * Estimación MA(2) - Error t - 3 * Estimación MA(3) + Error t
Realidad t - 1 * Estimación AR(1) + Estimación AR(2) * Realidad t - 2 + 2 * Realidad t - 1 - 2 * Estimación AR(1) * Realidad t-1-1 -2 * Estimación
2 2 0 0 0 0
AR(2) * Realidad t - 3 - Realidad t - 2 + Estimación AR(1) * Realidad t - 3 + Estimación AR(2) * Realidad t - 4 + Error t
3 0 0 0 0 0 Realidad t-1 * Estimación AR(1) + Realidad t-2 * Estimación AR(2) + Realidad t-3 * Estimación AR(3) + Error t
Realidad t-1 * Estimación AR(1) + Realidad t - 2 * Estimación AR(2) + Realidad t - 3 * Estimación AR(3) - Estimación AR(1) * Realidad t-1-1 +
3 1 0 0 0 0 Realidad - Estimación AR(2) * Realidad t - 2 - 1 - Estimación AR(3) * Realidad t - 2 - 2 + Error t
t-1
Realidad t-1 * Estimación AR(1) + Realidad t - 2 * Estimación AR(2) + Realidad t - 3 * Estimación AR(3) - Estimación AR(1) * Realidad t-1-1 +
3 1 1 0 0 0 Realidad - Estimación AR(2) * Realidad t - 2 - 1 - Estimación AR(3) * Realidad t - 2 - 2 - Error t - 1 * Estimación MA(1) + Error t
t-1
Realidad * Estimación AR(1) + Realidad t - 2 * Estimación AR(2) + Realidad t - 3 * Estimación AR(3) - Estimación AR(1) * Realidad
t-1 t-1-1 +
3 1 2 0 0 0 Realidad - Estimación AR(2) * Realidad t - 2 - 1 - Estimación AR(3) * Realidad t - 2 - 2 - Error t - 1 * Estimación MA(1) - Error t - 2 *
t-1
Estimación MA(2) + Error t
Realidad * Estimación AR(1) + Realidad t - 2 * Estimación AR(2) + Realidad t - 3 * Estimación AR(3) - Estimación AR(1) * Realidad
t-1 t-1-1 +
3 1 3 0 0 0 Realidad - Estimación AR(2) * Realidad t - 2 - 1 - Estimación AR(3) * Realidad t - 2 - 2 - Error t - 1 * Estimación MA(1) - Error t - 2 *
t-1
Estimación MA(2) - Error t - 3 * Estimación MA(3) + Error t
Realidad t-1 * Estimación AR(1) + Realidad t-2 * Estimación AR(2) + Realidad t-3 * Estimación AR(3) + Realidad t-4 * Estimación AR(4)
4 0 0 0 0 0 + Error
t
Realidad t-1 * Estimación AR(1) + Realidad t-2 * Estimación AR(2) + Realidad t-3 * Estimación AR(3) + Realidad t-4 * Estimación AR(4) +
5 0 0 0 0 0 Realidad * Estimación + Error t
t-5 AR(5)
Realidad t-1 * Estimación AR(1) + Realidad t - 2 * Estimación AR(2) + Realidad t-3 * Estimación AR(3) + Realidad t-4 * Estimación AR(4) +
6 0 0 0 0 0 Realidad * Estimación + Realidad t - 6 * Estimación AR(6) + Error t
t-5 AR(5)
Realidad t-1 * Estimación AR(1) + Realidad t - 2 * Estimación AR(2) + Realidad t - 3 * Estimación AR(3) + Realidad t-4 * Estimación AR(4) +
7 0 0 0 0 0 Realidad * Estimación + Realidad t - 6 * Estimación AR(6) + Realidad t - 7 * Estimación AR(7) + Error t
t-5 AR(5)
Realidad t-1 * Estimación AR(1) + Realidad t - 2 * Estimación AR(2) + Realidad t - 3 * Estimación AR(3) + Realidad t - 4 * Estimación AR(4) +
8 0 0 0 0 0 Realidad t-5 * Estimación AR(5) + Realidad t - 6 * Estimación AR(6) + Realidad t - 7 * Estimación AR(7) + Realidad t - 8 * Estimación AR(8) +
Error t
Realidad t-1 * Estimación AR(1) + Realidad t - 2 * Estimación AR(2) + Realidad t - 3 * Estimación AR(3) + Realidad t - 4 * Estimación AR(4) +
9 0 0 0 0 0 Realidad t-5 * Estimación AR(5) + Realidad t - 6 * Estimación AR(6) + Realidad t - 7 * Estimación AR(7) + Realidad t - 8 * Estimación AR(8) +
Realidad t-9 * Estimación AR(9) + Error t
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Sin Constante
Parte Parte
Normal Estacional Expresión Matemática AR.I.MA. con Estimadores θi para los MA y Estimadores Φi para los AR; los
Z t como realidades y los αt como los errores
AR I MA AR I MA
0 0 0 0 0 0 (1)*Zt=(1)*α t
0 0 0 0 0 1 ( 1 ) * Z t = ( 1 - θ12 B12 ) * α t
12 12
0 0 0 0 1 1 (1-B ) * Z t = ( 1 - θ12 B )*α t
0 0 0 1 0 0 ( 1 - Φ12 B12 ) * Z t = 1 * αt
0 0 0 1 1 0 ( 1 - Φ12 B12 ) ( 1 - B12 ) * Z t = 1 * αt
0 0 0 3 1 3 ( 1 - Φ12 B12 - Φ24 B24 - Φ36 B36 ) ( 1 - B12 ) * Z t = ( 1 - θ12B12 - θ24B24 - θ36B36 )* αt
0 0 1 0 0 0 ( 1 ) * Z t = ( 1 - θ1 B1 ) * α t
0 0 2 0 0 0 ( 1 ) * Z t = ( 1 - θ1 B1 - θ2 B2 ) * α t
0 0 3 0 0 0 ( 1 ) * Z t = ( 1 - θ1 B1 - θ2 B2 - θ3 B3 ) * α t
0 1 1 0 0 0 ( 1- B ) * Z t = ( 1 - θ1B1 ) * αt
0 1 2 0 0 0 ( 1- B ) * Z t = ( 1 - θ1B1 - θ2B2 ) * αt
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
1 0 0 0 0 0 ( 1 - Φ1 B1 ) * Z t = 1 * αt
1 1 0 0 0 0 ( 1 - Φ1 B1 ) ( 1 - B ) * Z t = 1 * αt
1 1 1 0 0 0 ( 1 - Φ1 B1 ) ( 1 - B ) * Z t = ( 1 - θ1B1 )* αt
1 1 2 0 0 0 ( 1 - Φ1 B1 ) ( 1 - B ) * Z t = ( 1 - θ1B1 - θ2B2 )* αt
1 2 0 0 0 0 ( 1 - Φ1 B1 ) ( 1 - B )2 * Z t = αt
1 2
2 0 0 0 0 0 ( 1 - Φ1 B - Φ2 B ) * Z t = 1 * αt
1 2
2 1 0 0 0 0 ( 1 - Φ1 B - Φ2 B ) ( 1 - B ) * Z t = 1 * αt
2 1 1 0 0 0 ( 1 - Φ1 B1 - Φ2 B2 ) ( 1 - B ) * Z t = ( 1 - θ1B1 )* αt
2 1 2 0 0 0 ( 1 - Φ1 B1 - Φ2 B2 ) ( 1 - B ) * Z t = ( 1 - θ1B1 - θ2B2 )* αt
3 0 0 0 0 0 ( 1 - Φ1 B1 - Φ2 B2 - Φ3 B3 ) * Z t = 1 * αt
1 2
3 1 0 0 0 0 ( 1 - Φ1 B - Φ2 B - Φ3 B3 ) ( 1 - B ) * Z t = 1 * αt
3 1 1 0 0 0 ( 1 - Φ1 B1 - Φ2 B2 - Φ3 B3 ) ( 1 - B ) * Z t = ( 1 - θ1B1 )* αt
3 1 2 0 0 0 ( 1 - Φ1 B1 - Φ2 B2 - Φ3 B3 ) ( 1 - B ) * Z t = ( 1 - θ1B1 - θ2B2 )* αt
4 0 0 0 0 0 ( 1 - Φ1 B1 - Φ2 B2 - Φ3 B3 - Φ4 B4) * Z t = 1 * αt
4 1 0 0 0 0 ( 1 - Φ1 B1 - Φ2 B2 - Φ3 B3 - Φ4 B4 ) ( 1 - B ) * Z t = 1 * αt
5 0 0 0 0 0 ( 1 - Φ1 B1 - Φ2 B2 - Φ3 B3 - Φ4 B4 - Φ5 B5 ) * Z t = 1 * αt
6 0 0 0 0 0 ( 1 - Φ1 B1 - Φ2 B2 - Φ3 B3 - Φ4 B4 - Φ5 B5 - Φ6 B6 ) * Z t = 1 * αt
7 0 0 0 0 0 ( 1 - Φ1 B1 - Φ2 B2 - Φ3 B3 - Φ4 B4 - Φ5 B5 - Φ6 B6 - Φ7 B7 ) * Z t = 1 * αt
8 0 0 0 0 0 ( 1 - Φ1 B1 - Φ2 B2 - Φ3 B3 - Φ4 B4 - Φ5 B5 - Φ6 B6 - Φ7 B7 - Φ8 B8 ) * Z t = 1 * αt
9 0 0 0 0 0 ( 1 - Φ1 B1 - Φ2 B2 - Φ3 B3 - Φ4 B4 - Φ5 B5 - Φ6 B6 - Φ7 B7 - Φ8 B8 - Φ9 B9 ) * Z t = 1 * αt
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Y así sucesivamente, se unen los criterios y parámetros de las diferentes expresiones, para formar otras
más complejas, en la medida en que se requieran (Hanke y otro,1998,439-480) (Makridakis y
otro,1998,138-160).
Para el caso particular del ejercicio que se trae en desarrollo del AR.I.MA. (0,1,1) (0,1,1)12 las diferencias
que se generan en los pronósticos entre previsiones obtenidas con y sin constante k, son muy bajas,
como se ilustra a continuación:
160.00
Serie - Historia & Pronósticos
150.00
Valores históricos y pronosticados
140.00
130.00
Pronósticos
120.00
110.00
100.00
90.00
80.00
Año - Mes
70.00
Añ 1 - s 1
Añ 1 - s 5
1
Añ 2 - s 5
Añ 3 - s 9
9
Añ 4 - s 1
9
Añ 5 - s 1
Añ 5 - s 5
5
Añ 7 - s 9
5
Añ 8 - s 9
Añ 8 - s 1
-M 5
9
s
s
es
o Me
o Me
o Me
o Me
o Me
o Me
o Me
o Me
o Me
o Me
o Me
o Me
o Me
o Me
o Me
o Me
o Me
o Me
o Me
o Me
o Me
o Me
o Me
o Me
o Me
o Me
Añ 1 -
Añ 2 -
Añ -
Añ 3 -
Añ -
Añ -
Añ 4 -
Añ -
Añ 6 -
Añ 6 -
Añ -
Añ 7 -
Añ -
Añ 8 -
Añ -
Añ -
2
9
9
o
Añ
Las previsiones aparentan ser coherentes con el comportamiento y la forma de los datos históricos de la
serie; no se sugiere revisión adicional del procedimiento, se muestra en los pronósticos una tendencia
creciente y una estructura con varianza, similares a las del pasado.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Al calcular el Coeficiente de determinación muestral r2, que se obtiene con los valores históricos y con
los que se pronostican, da un valor de 91.53 % que es bueno y así muestra que existe un alto grado de
asociación entre los valores correspondientes de las dos series (natural y pronosticada (0,1,1) (0,1,1)). El
coeficiente de determinación debe acercarse a uno (1) y se permite como aceptable en este caso, en un
rango permisible entre 0.9025 y 1.0000.
N
( Y
j =1
j − Yˆj ) 2
Coeficiente de Determinación Muestral
N = r =1− 2
( Y − Yˆ ) N N
( Y
2
( Y j − Yˆj ) 2 − Yj )2
j j
j =1
Coeficiente de Determinación Muestral = r 2 = 1 − N j
( Y − Y )
j =1
j j
2
j =1
Muestral = r 2 = 1 − N 1751.555885
Coeficiente de DeterminaciónValores j =1
20679.66295
Media original
118.0486747
1
originales
Año 1 - Mes 1
Pronósticos
( Yj − Yj )2 j =1
2 Año 1 - Mes 2
3 Año 1 - Mes 3
4 Año 1 - Mes 4
5 Año 1 - Mes 5
6 Año 1 - Mes 6 Coeficiente de
7 Año 1 - Mes 7 determinación
8 Año 1 - Mes 8 muestral r 2
9 Año 1 - Mes 9 91.53%
10 Año 1 - Mes 10
11 Año 1 - Mes 11
12 Año 1 - Mes 12
13 Año 2 - Mes 1
14 Año 2 - Mes 2 93.08 95.66 6.64659961 623.4347162
15 Año 2 - Mes 3 90.68 98.29 57.92884321 749.0443548
16 Año 2 - Mes 4 103.27 93.68 91.90673424 218.4092259
17 Año 2 - Mes 5 101.70 104.90 10.265616 267.2791644
18 Año 2 - Mes 6 97.98 98.41 0.18164644 402.7517042
19 Año 2 - Mes 7 102.66 101.88 0.611524 236.811309
20 Año 2 - Mes 8 102.81 100.94 3.508129 232.2172066
21 Año 2 - Mes 9 101.69 103.01 1.747684 267.6062379
22 Año 2 - Mes 10 109.26 108.53 0.527076 77.24080296
23 Año 2 - Mes 11 108.61 109.31 0.485809 89.08858007
24 Año 2 - Mes 12 99.41 98.83 0.33907329 347.4001945
25 Año 3 - Mes 1 89.55 90.18 0.39803481 812.1744596
26 Año 3 - Mes 2 100.71 99.48 1.50945796 300.6296403
27 Año 3 - Mes 3 105.27 103.10 4.717584 163.2945271
28 Año 3 - Mes 4 97.63 105.62 63.824121 416.9222765
29 Año 3 - Mes 5 108.35 106.52 3.367225 94.06429091
30 Año 3 - Mes 6 107.50 102.80 22.061809 111.2745379
31 Año 3 - Mes 7 112.32 109.08 10.471696 32.8177138
32 Año 3 - Mes 8 106.32 109.65 11.068929 137.5618102
33 Año 3 - Mes 9 113.66 108.68 24.790441 19.26046561
34 Año 3 - Mes 10 116.41 117.68 1.615441 2.685254768
35
36
Año 3 - Mes 11
Año 3 - Mes 12
115.43
106.72
117.26
106.33
3.334276
0.148996
6.857457178
128.3388704
223
37 Año 4 - Mes 1 93.95 97.44 12.208036 580.7461222
38 Año 4 - Mes 2 104.76 105.50 0.544644 176.5888753
39 Año 4 - Mes 3 111.72 108.34 11.417641 40.05212344
40 Año 4 - Mes 4 102.74 110.09 53.949025 234.355521
41 Año 4 - Mes 5 112.05 112.20 0.021609 35.98409814
42 Año 4 - Mes 6 110.62 108.05 6.6049 55.18520778
43 Año 4 - Mes 7 110.23 113.38 9.916201 61.13167405
44 Año 4 - Mes 8 109.46 109.87 0.171396 73.76533308
45 Año 4 - Mes 9 115.19 111.44 14.0625 8.172021034
46 Año 4 - Mes 10 117.86 119.23 1.885129 0.035598142
47 Año 4 - Mes 11 119.68 118.57 1.238769 2.661222238
48 Año 4 - Mes 12 105.97 109.37 11.526025 145.8943825
49 Año 5 - Mes 1 97.27 97.94 0.45373696 431.7533222
50 Año 5 - Mes 2 105.79 107.61 3.301489 150.2751054
51 Año 5 - Mes 3 112.00 110.47 2.3409 36.58646561
52 Año 5 - Mes 4 110.44 109.86 0.334084 57.89193067
53 Año 5 - Mes 5 116.10 116.61 0.258064 3.797333082
54 Año 5 - Mes 6 112.72 112.68 0.001369 28.39477405
55 Año 5 - Mes 7 114.68 116.02 1.792921 11.34796923
56 Año 5 - Mes 8 121.87 113.62 68.013009 14.60252706
57 Año 5 - Mes 9 118.69 120.29 2.566404 0.411298142
58 Año 5 - Mes 10 119.07 124.82 33.028009 1.043105371
59 Año 5 - Mes 11 122.72 122.16 0.314721 21.82128007
60 Año 5 - Mes 12 110.11 112.06 3.806401 63.02255597
61 Año 6 - Mes 1 100.40 101.54 1.292769 311.4757186
62 Año 6 - Mes 2 110.28 110.73 0.200704 60.35230658
63 Año 6 - Mes 3 120.63 114.68 35.462025 6.663240311
64 Año 6 - Mes 4 105.62 116.34 114.832656 154.4719548
65 Año 6 - Mes 5 119.96 117.11 8.151025 3.653164407
66 Año 6 - Mes 6 112.76 114.97 4.870849 27.97008007
67 Año 6 - Mes 7 113.97 116.93 8.755681 16.6355873
68 Año 6 - Mes 8 118.32 115.07 10.536516 0.073617419
69 Año 6 - Mes 9 119.53 118.29 1.550025 2.194324648
70 Año 6 - Mes 10 126.53 123.51 9.102289 71.93287886
71 Año 6 - Mes 11 128.87 125.92 8.732025 117.1010813
72 Año 6 - Mes 12 114.18 116.71 6.411024 14.96664393
73 Año 7 - Mes 1 124.02 105.86 329.894569 35.65672585
74 Año 7 - Mes 2 139.89 125.07 219.721329 477.0434909
75 Año 7 - Mes 3 143.79 137.89 34.833604 662.6158283
76 Año 7 - Mes 4 135.99 137.41 2.022084 321.8911536
77 Año 7 - Mes 5 144.77 144.24 0.276676 714.0292259
78 Año 7 - Mes 6 136.05 140.34 18.429849 324.0477126
79 Año 7 - Mes 7 140.61 140.93 0.101761 509.0133993
80 Año 7 - Mes 8 138.17 141.17 8.988004 404.8677319
81 Año 7 - Mes 9 135.73 141.09 28.761769 312.6292644
82 Año 7 - Mes 10 141.31 143.27 3.845521 541.0892548
83 Año 7 - Mes 11 140.64 143.33 7.214596 510.3679789
84 Año 7 - Mes 12 132.69 130.59 4.431025 214.3684066
85 Año 8 - Mes 1 124.40 125.14 0.552049 40.33933308
86 Año 8 - Mes 2 132.39 135.50 9.653449 205.6736114
87 Año 8 - Mes 3 129.98 138.83 78.357904 142.3565234
88 Año 8 - Mes 4 141.04 130.05 120.868036 528.6010391
89 Año 8 - Mes 5 143.42 143.50 0.006561 643.7041475
90 Año 8 - Mes 6 137.29 138.58 1.661521 370.2285993
91 Año 8 - Mes 7 146.22 140.99 27.311076 793.6235692
92 Año 8 - Mes 8 137.51 143.67 37.896336 378.7431825
93 Año 8 - Mes 9 144.61 141.35 10.660225 705.5040018
94 Año 8 - Mes 10 152.06 148.09 15.745024 1156.770249
95 Año 8 - Mes 11 152.65 150.95 2.89 1197.251713
96 Año 8 - Mes 12 145.05 141.01 16.3216 729.071568
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
En resumen, los pasos que se desarrollan para la aplicación del AR.I.MA., son:
Paso 4 – Pronósticos
Paso 5 – Transformación
Se puede concluir sobre el proceso AR.I.MA., que es una excelente herramienta para pronosticar, con la
cual se pueden obtener pronósticos de corto plazo, bastante precisos y exactos.
El mismo hecho de que AR.I.MA. combine dos acciones de modelos auto regresivos y de medias móviles,
mediante la utilización de criterios de orden técnico con varias pruebas de ajuste de nivel estadístico,
garantizan sus buenos resultados; aparte de que no son de orden subjetivo en su desarrollo, casi siempre
se actúa y se deciden los diferentes pasos con criterios de orden técnico.
• Necesita al menos unos setenta datos como mínimo cuando se trata de series con datos
mensuales (o sea que en general requiere de muchos datos).
• No es fácil de actualizar ante nuevos datos, sino que requiere prácticamente un nuevo cálculo
completo.
Más sin embargo es considerada como de las mejores herramientas para realizar previsiones bajo el
enfoque de series temporales (Hanke y otro,1998, 477-478).
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
2 3
10
8 11
9
225
Con estas 11
instrucciones se logra
lo requerido en el Paso
1 – Aná
Análisis de
estacionariedad en la
aplicació
aplicación de los
AR.I.MA.
Al seleccionar Analysis
Opcion,
Opcion, aparece el
recuadro inferior donde
puede realizar las
aplicaciones del operador
Una vez se ubica en la diferencia en d y D,
grá
gráfica o en las auto requeridas en el Paso 2
correlaciones, al dar Identificació
Identificación de los
mouse derecho sobre valores, para la aplicació
aplicación.
ellas aparece este
recuadro.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
2 – Seleccione la opció
opción
Formula y luego presione
Define, allí
allí encuentra todos
1 - Para la requerimientos para conseguir
transformació
transformación una transformació
transformación directa
con Logaritmo
natural, ubí
ubíquese
en el recuadro
del tí
título de los
datos y de mouse
derecho y tome la
opció
opción de Modify
Column
3 – Haga la
transformació
transformación
deseada en este
recuadro, una vez
termina aparece
directamente
transformada en
la tabla de datos.
B
Para llevar a cabo
todas las etapas C
del Paso 3 y del 4,
realice los
instructivos con
letras
D D
226
E
L
M
H
M
De esta manera
obtiene todas la
tablas y grá
gráficas
J
requeridas para
los demá
demás pasos
requeridos en la
aplicació
aplicación del
K
AR.I.MA.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
227
Box-Jenkins ARIMA Modeling
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
1Help 2Edit 3Savscr 4Prtscr 5Opts 6Go 7Vars 8Cmd 9Device 10Quit
Estimation begins.....
Initial: RSS = 2994.24 b = 0.391552 0.1
Iteration 1: RSS = 2471.12 b = 0.432555 0.422763
Iteration 2: RSS = 2145.01 b = 0.468846 0.724512
Iteration 3: RSS = 2099.16 b = 0.485397 0.863028
Iteration 4: RSS = 2097.02 b = 0.483409 0.834197
Final: RSS = 2096.78 ...stopped on criterion 2
228
Summary of Fitted Model for: ARIMA.Aplicacion
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
229
Su resultado es un
AR.I.MA. (1,1,0) (2,1,0),
que no es adecuado
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
210
170
150
130
110
90
Lower
Valores reales y pronósticos
Upper
70
50
Año - Mes
30
Añ - M 1
Añ 1 - M 5
Añ - M 9
Añ 2 - M 1
Añ 2 - M 5
Añ - M 9
Añ 3 - M 1
Añ 3 - M 5
Añ - M 9
Añ 4 - M 1
Añ - M 5
Añ 5 - M 9
Añ 5 - M 1
Añ - M 5
Añ 6 - M 9
Añ 6 - M 1
Añ - M 5
Añ 7 - M 9
Añ - M 1
Añ 7 - M 5
Añ 8 - M 9
Añ - M 1
Añ 8 - M 5
Añ - M 9
Añ 9 - M 1
Añ 9 - s 5
-M 1
5
1 es
es
2 es
es
es
3 es
es
es
4 es
es
4 es
es
es
5 es
es
es
6 es
es
7 es
es
es
8 es
es
9 es
es
10 es
s
es
e
o - Me
Añ 1 - M
10
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
Añ
Añ
Ilustración 106 - Procesos generales de los modelos AR.I.MA., con metodología Box - Jenkins
230 Paso 1-
1- Aná
Análisis de Estacionariedad
Paso 1 – 1 – Funciones de auto correlació
correlación (simple) y auto correlació
correlación parcial
Aplicació
Aplicación de los procesos de transformació
transformación y/o Diferenciació
Diferenciación
Paso 2 – Identificació
Identificación de pará
parámetros p y q (P y Q) (iterativo)
Paso 3 – Valoració
Valoración de los pará
parámetros AR y MA (iterativo)
Paso 3 – 1 - Pruebas del Test T de nulidad de medias con pará
parámetro de probabilidad P value
Paso 3 – 2 - Verificació
Verificación del MSE
Paso 3 – 3 – Aceptació
Aceptación de las funciones de auto correlació
correlación (simple) y auto correlació
correlación parcial de los residuos.
Paso 3 – 4 – Prueba de estimaciones
Paso 4 – Pronó
Pronósticos
Paso 5 – Transformació
Transformación
El símbolo de flecha curva denota que es iterativo, o que puede regresar al paso anterior si no se cumplen
las expectativas de esa sección en particular.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
3.2.3. Verificación
El siguiente paso en el proceso de estimación de pronósticos, bajo la metodología MUP, consiste en
realizar dos recortes, el primero de ellos con el último término y el segundo con el 10% de los datos de
la serie original, en el segundo se corren los modelos clásicos como el moderno (con Box – Jenkins
AR.I.MA.) preferiblemente con varios softwares diferentes; con el fin de obtener los tres modelos que
más se acerquen a los datos del segundo recorte; a estos últimos se les pone a calcular (con todos los
datos sin incluir el último (el más actual en el tiempo)) y de allí se selecciona el que más se acerque; una
vez se determina el modelo óptimo se pronostican los períodos deseados (máximo el 10% de los datos
históricos (hasta un límite de dos meses para valores mensuales) se espera que ocurra la variable en el
próximo período y se estima su bondad de ajuste, y así sucesivamente mes a mes (o período a período).
Paso 2 – Postulación de los modelos – Construcción de la hipótesis, con relación a los modelos -
Paso 2 – Postulació
Postulación – Lanzamiento de Hipó
Hipótesis
Cruce entre análisis y características de modelos clásicos y/o modernos
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Con el fin de llevar a cabo el último paso del MUP, se desarrolla a continuación un ejercicio completo
con cada uno de los pasos de la metodología propuesta.
Se tiene una base de datos con la serie original, descrita en la siguiente tabla:
232 Real
Real
24
25
Año 2 - Mes 12
Año 3 - Mes 1
99.41
89.55
Real
Real
84
85
Año 7 - Mes 12
Año 8 - Mes 1
132.69
124.40
Real 26 Año 3 - Mes 2 100.71 Real 86 Año 8 - Mes 2 132.39
Real 27 Año 3 - Mes 3 105.27 Real 87 Año 8 - Mes 3 129.98
Real 28 Año 3 - Mes 4 97.63 Real 88 Año 8 - Mes 4 141.04
Real 29 Año 3 - Mes 5 108.35 Real 89 Año 8 - Mes 5 143.42
Real 30 Año 3 - Mes 6 107.50 Real 90 Año 8 - Mes 6 137.29
Real 31 Año 3 - Mes 7 112.32 Real 91 Año 8 - Mes 7 146.22
Real 32 Año 3 - Mes 8 106.32 Real 92 Año 8 - Mes 8 137.51
Real 33 Año 3 - Mes 9 113.66 Real 93 Año 8 - Mes 9 144.61
Real 34 Año 3 - Mes 10 116.41 Real 94 Año 8 - Mes 10 152.06
Real 35 Año 3 - Mes 11 115.43 Real 95 Año 8 - Mes 11 152.65
Real 36 Año 3 - Mes 12 106.72 Real 96 Año 8 - Mes 12 145.05
Real 37 Año 4 - Mes 1 93.95 Real 97 Año 9 - Mes 1 129.46
Real 38 Año 4 - Mes 2 104.76 Real 98 Año 9 - Mes 2 133.75
Real 39 Año 4 - Mes 3 111.72 Real 99 Año 9 - Mes 3 137.54
Real 40 Año 4 - Mes 4 102.74 Real 100 Año 9 - Mes 4 147.52
Segundo
Real 41 Año 4 - Mes 5 112.05 Real 101 Año 9 - Mes 5 152.58
recorte
Real 42 Año 4 - Mes 6 110.62 Real 102 Año 9 - Mes 6 145.74
Real 43 Año 4 - Mes 7 110.23 Real 103 Año 9 - Mes 7 139.38
Real 44 Año 4 - Mes 8 109.46 Real 104 Año 9 - Mes 8 152.62
Real 45 Año 4 - Mes 9 115.19 Real 105 Año 9 - Mes 9 153.43
Real 46 Año 4 - Mes 10 117.86 Real 106 Año 9 - Mes 10 156.81 Primer recorte
Real 47 Año 4 - Mes 11 119.68 Real 107 Año 9 - Mes 11
Real 48 Año 4 - Mes 12 105.97 Real 108 Año 9 - Mes 12
Real 49 Año 5 - Mes 1 97.27 Real 109 Año 10 - Mes 1
Real 50 Año 5 - Mes 2 105.79 Real 110 Año 10 - Mes 2
Real 51 Año 5 - Mes 3 112.00 Real 111 Año 10 - Mes 3
Real 52 Año 5 - Mes 4 110.44 Real 112 Año 10 - Mes 4
Real 53 Año 5 - Mes 5 116.10 Pronóstico 113 Año 10 - Mes 5
Real 54 Año 5 - Mes 6 112.72 Pronóstico 114 Año 10 - Mes 6
Real 55 Año 5 - Mes 7 114.68 Pronóstico 115 Año 10 - Mes 7
Real 56 Año 5 - Mes 8 121.87 Pronóstico 116 Año 10 - Mes 8
Real 57 Año 5 - Mes 9 118.69 Pronóstico 117 Año 10 - Mes 9
Real 58 Año 5 - Mes 10 119.07 Pronóstico 118 Año 10 - Mes 10
Real 59 Año 5 - Mes 11 122.72 Pronóstico 119 Año 10 - Mes 11
Real 60 Año 5 - Mes 12 110.11 Pronóstico 120 Año 10 - Mes 12
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
180.00
Valor de la serie
170.00 Valores reales
160.00
150.00
Valor de la variable
140.00
130.00
120.00
110.00
100.00
90.00
80.00
70.00
El estudio previo de la serie se realiza con todos los datos, sin ningún recorte. 233
En esta sección se describe la variable a pronosticar y las características del entorno donde se
desenvuelve.
La veracidad y secuencia de la información se debe validar al menos por dos fuentes; en el caso particular
se cuenta con 106 datos, lo que es suficiente para el análisis total de la serie y suficiente para detectar
cualquier fenómeno cíclico que exista.
Para esto, se deben analizar las características del entorno de tal forma que se asegure que hay una buena
estabilidad en el mismo; de tal manera que garantice la realización de las previsiones al menos durante
el tiempo en que se evalúa en la serie (pasado, presente y futuro).
Al igual se deben revisar los parámetros del aspecto o estudio cualitativo que genera el análisis de
pronósticos en el fenómeno en particular.
50%) (Véase sección 3.2.1.2.3. más atrás), donde no hay cambios bruscos de nivel (tipo escalera
ascendente o descendente).
Con lo cual se puede afirmar que no existen cambios drásticos verticales de nivel y se puede proseguir
con el ejercicio.
Para corroborar la presencia o no de ruido se suaviza la serie, en este caso se hace con varios softwares
en simultáneo para ver su comportamiento (Véase sección 3.2.1.2.4.1. más atrás).
En las siguientes gráficas se nota de forma muy clara que los puntos originales están distantes de la línea
de suavización, con lo cual se puede afirmar, sin ninguna duda que la serie original presenta serios
niveles de ruido o aleatoriedad.
170.00
Valor de la serie
Valores reales suavizados 6 per. media móvil (Valor de la serie)
160.00
150.00
Valor de la variable
140.00
130.00
234 120.00
110.00
Línea punteada es una suavización con una
media móvil de 6 datos
100.00
90.00
Mes - Año
80.00
1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9
es es es es es es es es es es es es es es es es es es es es es es es es es es es
- M - M - M - M - M - M - M - M - M - M - M - M - M - M - M - M - M - M - M - M - M - M - M - M - M - M - M
1 1 1 2 2 2 3 3 3 4 4 4 5 5 5 6 6 6 7 7 7 8 8 8 9 9 9
ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño ño
A A A A A A A A A A A A A A A A A A A A A A A A A A A
En la siguiente ilustración se presenta la suavización y atenuación del ruido con el software WinQSB.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
235
Paso 1 – 4 – 3 - Estructura Tendencial, estimación de forma lineal y/o no lineal
170.00
Valores reales suavizados
160.00
Valor de la serie Lineal (Valor de la serie)
150.00
Valor de la variable
140.00
130.00
120.00
110.00
100.00
Línea punteada es la tendencia lineal
90.00
Mes - Año
80.00
ño M 1
ño M 5
A 2- s9
ño M 1
ño M 5
ño M 9
ño M 1
A 3- s5
ño M 9
ño M 1
A 4- s5
ño M 9
ño M 1
ño M 5
ño M 9
A 6- s1
ño M 5
ño - M 9
A 7- s1
ño M 5
ño M 9
ño - M 1
ño M 5
A 9- s9
ño M 1
-M 5
9
es
es
es
es
es
es
es
es
es
es
es
es
es
es
es
es
es
es
es
9 es
es
e
e
ño M
ño M
ño M
ño M
ño M
ño M
ño M
A 1-
A 1-
A 1-
A 2-
A 2-
A 3-
A 3-
A 4-
A 4-
A 5-
A 5-
A 5-
A 6-
A 6-
A 7-
A 8-
A 8-
A 9-
7
8
ño
A
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Al estimar los valores de la pendiente mediante Excel, da una pendiente positiva de 0.5268 que es
superior al rango descrito de 0.000±0.25, en el tema de Hipótesis sobre tendencia (Véase sección
3.2.1.2.5.1. más atrás), lo que afirma que sí tiene tendencia.
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.898421326
Coeficiente de determinación R^2 0.80716088
R^2 ajustado 0.805306657
Error típico 7.955215593
Observaciones 106
ANÁLISIS DE VARIANZA
Grados de libertad
Regresión 1
Residuos 104
Total 105
Coeficientes
Intercepción 90.0332262
Variable X 1 0.526868528
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
0.7
0.5
Valor coeficientes
0.3
Límite superior del intervalo de confianza
0.1
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
-0.1
Retrasos - Lags
-0.3
Nótese que todos los coeficientes están fuera de la banda de confianza, lo que asevera que hay
tendencia, que los datos se relacionan entre sí y que no son aleatorios; a la vez que la media de la
población no tiende a ser cero.
-0.5
La detección de una estructura estacional, se realiza por dos métodos básicos: Excel y Statgraphics bajo
Windows.
Con Excel se utiliza la Ilustración 51 – Serie Normal con análisis estacional en Excel.
Estacionalidad
100%
90%
80%
Media
Año 10
Porcentaje - Curva de cada año
70%
Año 9
Año 8
60%
Año 7
Año 6
50%
Año 5
Año 4
40%
Año 3
Año 2
30%
Año 1
20%
10%
0%
Meses
o
o
zo
o
lio
o
il
re
e
e
e
br
br
br
br
ay
er
st
er
ni
ub
ar
Ju
Ju
go
En
A
br
m
m
m
M
M
ct
ie
ie
ie
Fe
ic
pt
ov
D
Se
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
144
124
104
84
0 3 6 9 12 15
Season
En la primera gráfica de Excel hay un paralelismo (aunque no es perfecto) y en la segunda de
Statgraphics bajo Windows los palotes correspondientes son similares, al igual que los iconos que son
también parecidos en forma y en estructura; se puede afirmar que hay estacionalidad en esta serie.
238 Paso 1 - 4 - 4 - a - Estructura Cíclica
La detección de una estructura estacional, se realiza por dos métodos básicos: Excel y Statgraphics bajo
Windows, igual que en la estacionalidad anterior.
Con Excel se utilizan las Ilustraciones anteriores descritas como: Serie normal sin estructura cíclica
revisada con Excel y Serie con estructura cíclica revisada con Excel.
160
Ciclo de 12 meses
150
140
Año 1
Valores de Curva de cada año
130 Año 2
Año 3
Año 4
120
Año 5
Año 6
110 Año 7
Año 8
100 Año 9
Año 10
90
80
70
Meses
o
zo
il
o
ro
lio
o
re
e
e
br
ay
br
br
br
ni
st
er
ub
ne
ar
Ju
Ju
go
A
br
m
m
M
M
E
ct
ie
ie
tie
Fe
ov
ic
ep
D
N
S
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
700
Ciclo de 24 meses
600
500
400
Años
300
200
100
Años 9 y 10
0 Años 7 y 8
o o o iAños
l o5 y 6 o o o e e e e o o o il o o o o e e e e
er rer arz Abr ay uni Juli ost br ubr br br er er rz Abr ay uni Juli ost br ubr br br
En eb M 3 yJ 4 m t m m En ebr Ma M J m t m m
Ag tie Oc vie icie Ag tie Oc vie icie
M Años
F p F p
Años 1 y 2 Se No D Se No D
Mes
450
Ciclo de 36 meses
400 239
350
300
250
Años
200
150
100
50 Año 10
Años 7, 8 y 9
0
Mayo
Mayo
Mayo
Marzo
Marzo
Marzo
Abril
Abril
Abril
Enero
Junio
Julio
Agosto
Enero
Junio
Julio
Agosto
Enero
Junio
Julio
Agosto
Octubre
Octubre
Octubre
Febrero
Años 4, 5 y 7
Febrero
Febrero
Noviembre
Noviembre
Noviembre
Septiembre
Diciembre
Septiembre
Diciembre
Septiembre
Diciembre
Años 1, 2 y 3
Mes
En las tres gráficas de Excel se denota un buen paralelismo, ahora se realiza con Statgraphics bajo
Windows, donde también se ven buenos síntomas de paralelismo en los períodos de tiempo ilustrados,
se puede concluir entonces que la serie al natural sí presenta ciclicidad (períodos repetitivos de tiempo
superior a 12 meses); en el caso particular se trabaja con múltiplos que es s, la estacionalidad, sobre una
serie con valores de datos mensuales.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
104
84
0 5 10 15 20 25
Season
Con s=48 meses
1
2
144
3
124
104
84
0 10 20 30 40 50
Season
Se muestra a continuación la opción Cumulative para ciclicidad con 36 meses del Statgraphics bajo
Windows, donde se nota una buena rectitud; las líneas deben tener cierta forma rectilínea, para declarar
una sintomatología total de estructura cíclica.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Ejercicio Integral
1
4 2
3
3
0
0 10 20 30 40
Season
Se logra con el Statgraphics bajo Windows como se describe en la Ilustración anterior intitulada
Instrucción para encontrar datos irregulares, con Statgraphics.
104
101
98
95
92
1/01 1/03 1/05 1/07 1/09 1/11
En general se puede apreciar que su comportamiento es normal, con lo cual es factible decir que no hay
valores con irregularidades.
Con base en todas las gráficas presentadas no se ven figuras extrañas en la serie.
Esta etapa se desarrolla también con el Statgraphics bajo Windows, tal cual se esboza en la sección
3.2.1.2.8. Patrón estructural y en el Ejercicio 4 – Patrón.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Patrón en meses
104 Promedio mes Porcentaje
1 88.89 7.4072%
2 96.86 8.0719%
100 3 99.77 8.3144%
4 98.31 8.1923%
5 103.51 8.6254%
96 6 99.34 8.2779%
7 101.75 8.4792%
8 101.26 8.4379%
92 9 101.83 8.4854%
10 105.95 8.8288%
88 11 106.12 8.8434%
12 96.43 8.0361%
0 3 6 9 12 15 Suma 1200.00 100.00%
season
El patrón se usa para transformar la serie, en el evento de que las previsiones den de forma lineal, sobre
todo para aquellos modelos que no manejan fenómenos cíclicos de tiempo.
242 Síntesis del Análisis Previo Alto Medio Bajo Muy leve Inexistente
Estructura Vertical NIVEL X
Estructura Horizontal RUIDO X
Estructura TENDENCIAL X
Estructura ESTACIONAL Xmes
Estructura CÍCLICA X12 X24 X36X48
Irregularidades X
Existencia de patrón adecuado X
Fenómenos exógenos X
Paso 2 – Postulación de los modelos – Construcción de la hipótesis, con relación a los modelos - Cruce
entre análisis y características de modelos clásicos y/o modernos
Por las características encontradas en el análisis previo, se podrían lanzar las siguientes hipótesis:
• Modelos clásicos opcionales: necesariamente puede dar un Winter, por la marcada presencia de
ciclicidad y/o estacionalidad, a la vez que este modelo tiene la particularidad de aceptar
estructuras tendenciales y de ruido (o aleatoriedad), ambas presentes en la serie.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
A la serie original de 106 datos, se le recorta inicialmente el último dato (156.81) con el que se comparan
los pronósticos de los tres mejores modelos que se obtienen por series temporales y mediante la
comparación de resultados en el primer recorte; este último consiste en este caso en retirar los datos 97,
98, 99, 100, 101, 102, 103, 104 y 105 (9 datos, aproximadamente el 10% de los datos que se tienen (por
estándar de uso internacional)), que corresponden respectivamente a: 129.46, 133.75, 137.54, 147.52,
152.58, 145.74, 139.38, 152.62 y 153.43 .
Paso 3 – 2 – Corrida de todos los modelos con recorte de 10% de los datos
A tal efecto, se corren la mayor cantidad posible de modelos a la serie recortada (que cuenta con 96 datos
después de los recortes), en su orden con los softwares: WinQSB (clásicos), Statgraphics MSDOS
(clásicos y moderno), Statgraphics bajo Windows (clásicos y AR.I.MA.), Forecast Expert (ARIMA) y
Vanguard Decision Pro (clásicos y AR.I.MA.). A cada modelo se le pide que pronostique los datos 97 al
105 (9 datos en total), en los casos donde sea posible se les estima aparte de los pronósticos el coeficiente
de determinación muestral.
Los tres modelos que se acercan más en los previsiones a los 9 datos recortados, se toman como los más
óptimos, luego se les completa los datos recortados (9) y se pronostica con las características de cada
uno de los tres modelos (previamente seleccionados) el último dato recortado (dato número 106), aquel
de ellos que más se acerque y que tenga el mejor (o el más adecuado) r2 coeficiente de determinación
muestral, se adopta como el mejor. Luego a este modelo con sus parámetros estimados, se le carga la
serie completa y se le calculan los pronósticos posibles.
243
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
244 59
60
122.72
110.11
105.4897
105.7817
117.1883
118.2917
117.1883
118.2917
121.1838
124.2911
117.6164
119.3517
118.6057
120.4018
115.4048
116.7467
119.7096
121.7894
85.06
85.06
120.8475
121.3622
121.525
110.0356
121.7341
109.4848
61 100.4 105.8538 117.8567 117.8567 115.8651 116.2095 117.2299 116.5641 117.8322 85.06 121.8769 99.9557 98.7338
62 110.28 105.7644 115.4767 115.4767 102.5331 110.8342 111.7205 114.6159 110.9438 85.06 122.3916 109.5977 109.0717
63 120.63 105.8373 113.545 113.545 102.4785 110.6458 111.4338 113.2661 110.3293 85.06 122.9063 115.8082 115.6379
64 105.62 106.0721 113.8683 113.8683 109.9458 114.0404 114.8261 113.5294 114.2907 85.06 123.4209 113.887 113.4405
65 119.96 106.065 111.6267 111.6267 107.2212 111.1775 111.8989 112.7297 110.7383 85.06 123.9356 118.2241 118.322
66 112.76 106.2788 111.1667 111.1667 118.6932 114.1635 114.8975 113.2172 114.3184 85.06 124.4503 116.4107 116.3621
67 113.97 106.377 111.6083 111.6083 119.1918 113.6863 114.414 113.3767 113.7775 85.06 124.965 117.0962 117.1548
68 118.32 106.4903 113.87 113.87 114.7885 113.7828 114.5033 113.5148 113.9033 85.06 125.4797 118.427 118.406
69 119.53 106.6643 115.21 115.21 115.8405 115.3254 116.0671 114.1304 115.8117 85.06 125.9944 117.8126 117.8804
70 126.53 106.8507 115.0267 115.0267 121.6112 116.755 117.5342 115.0228 117.6216 85.06 126.509 120.4205 120.6323
71 128.87 107.1319 118.5117 118.5117 124.2632 120.0785 120.9437 116.7417 121.7753 85.06 127.0237 124.6545 124.891
72 114.18 107.438 119.9967 119.9967 131.9412 123.0676 124.0434 118.8925 125.5601 85.06 127.5384 113.743 113.1319
73 124.02 107.5317 120.2333 120.2333 124.2039 120.0458 121.0276 119.2847 121.8983 85.06 128.0531 103.9791 102.6475
74 139.89 107.7575 121.9083 121.9083 123.3879 121.397 122.4031 120.0029 123.4055 85.06 128.5678 120.5534 120.5194
75 143.79 108.1918 125.5033 125.5033 133.4619 127.6847 128.8257 122.6147 131.0386 85.06 129.0825 135.1764 136.2072
76 135.99 108.6664 129.5466 129.5467 142.4672 133.1605 134.4923 126.2003 137.8308 85.06 129.5972 129.2494 127.9247
77 144.77 109.0259 131.1233 131.1233 145.1539 134.1225 135.5905 128.8938 139.0566 85.06 130.1118 143.4023 144.9847
78 136.05 109.4901 133.7733 133.7733 153.0499 137.7427 139.3629 131.9025 143.374 85.06 130.6265 139.5725 139.3167
79 140.61 109.8306 137.4183 137.4183 144.118 137.1672 138.8653 133.6925 142.4676 85.06 131.1412 140.947 141.0686
80 138.17 110.2202 140.1833 140.1833 139.1 138.3377 140.0992 135.2719 143.5341 85.06 131.6559 144.9607 145.6359
81 135.73 110.5696 139.8967 139.8967 137.6013 138.2807 140.0709 136.2949 143.046 85.06 132.1706 143.2504 143.5935
82 141.31 110.8802 138.5533 138.5533 136.9 137.4135 139.193 136.6752 141.5015 85.06 132.6853 144.9328 145.7922
83 140.64 111.2513 139.44 139.44 137.3707 138.7383 140.5253 137.3766 142.6266 85.06 133.2 145.3102 146.036
84 132.69 111.6054 138.7517 138.7517 141.0134 139.3849 141.1775 138.0594 142.9894 85.06 133.7146 129.9611 128.1026
85 124.4 111.8564 138.1917 138.1917 135.5314 137.1086 138.8473 137.7362 139.7732 85.06 134.2293 129.6066 126.6628
86 132.39 112.004 135.49 135.49 127.6268 132.7877 134.3925 136.0537 133.9717 85.06 134.744 137.343 135.7676
87 129.98 112.241 134.5267 134.5267 126.9895 132.6525 134.1553 134.8972 133.2848 85.06 135.2587 138.9906 138.5371
88 141.04 112.4449 133.5683 133.5683 124.6002 131.7438 133.151 133.8251 131.8044 85.06 135.7734 126.0312 125.3064
89 143.42 112.7699 133.5233 133.5233 133.7102 134.9045 136.3022 134.1921 135.4452 85.06 136.2881 140.5099 141.0795
90 137.29 113.1143 133.9867 133.9867 144.1036 137.7998 139.2395 135.4187 138.9638 85.06 136.8027 134.9367 135.0466
91 146.22 113.3829 134.7533 134.7533 145.6142 137.6265 139.0807 136.1694 138.7816 85.06 137.3174 139.5456 139.8062
92 137.51 113.7437 138.39 138.39 147.7369 140.5483 142.0607 137.6582 142.3528 85.06 137.8321 143.0923 143.6393
93 144.61 114.0021 139.2433 139.2433 143.9503 139.5153 141.0351 138.2896 141.0939 85.06 138.3468 141.4058 141.8003
94 152.06 114.3312 141.6817 141.6817 142.5876 141.2475 142.7966 139.2953 143.1322 85.06 138.8615 148.4055 149.3064
95 152.65 114.7325 143.5183 143.5183 149.1643 144.9238 146.5551 141.209 147.5984 85.06 139.3762 150.8562 151.6934
96 145.05 115.1317 145.0567 145.0567 155.1997 147.5507 149.2778 143.3652 150.8304 85.06 139.8909 140.9714 139.3775
Pronósticos
97 115.44 146.35 146.35 151.05 146.70 148.46 144.50 149.74 85.06 140.41 137.77 134.97
98 115.44 146.35 146.35 152.40 146.70 149.08 144.50 150.81 85.06 140.92 147.53 145.16
99 115.44 146.35 146.35 153.74 146.70 149.71 144.50 151.89 85.06 141.43 149.29 146.99
100 115.44 146.35 146.35 155.08 146.70 150.33 144.50 152.97 85.06 141.95 149.93 146.88
101 115.44 146.35 146.35 156.43 146.70 150.95 144.50 154.05 85.06 142.46 154.24 151.92
102 115.44 146.35 146.35 157.77 146.70 151.57 144.50 155.13 85.06 142.98 147.55 144.64
103 115.44 146.35 146.35 159.12 146.70 152.19 144.50 156.20 85.06 143.49 153.31 150.74
104 115.44 146.35 146.35 160.46 146.70 152.81 144.50 157.28 85.06 144.01 149.38 146.82
105 115.44 146.35 146.35 161.80 146.70 153.44 144.50 158.36 85.06 144.52 153.44 151.15
Parámetros de cada modelo
CFE 1109.432 163.8441 163.843 -2.959412 181.295 91.41624 294.4751 24.44761 2916.8 0.000404358 79.23832 87.046
MAD 13.1302 6.408633 6.408629 6.899729 5.900678 5.737658 6.864563 5.862804 30.71474 6.376242 3.858216 3.881939
MSE 274.0903 58.91385 58.91381 76.14941 54.04713 52.53732 67.79247 56.33059 1201.21 62.12907 30.28217 31.2577
MAPE 10.53698 5.628702 5.6287 6.130348 5.22259 5.11261 6.027084 5.233218 25.16617 5.660389 3.237462 3.261076
Trk.Signal 84.49467 25.56615 25.566 -0.4289171 30.72444 15.93267 42.89787 4.169951 94.96418 6.34163E-05 20.53756 22.42333
R-sqaure 0.6463605 0.7651629 0.7651622 1 0.8602931 0.8930374 0.8358726 0.9288307 1 0.7660373 0.9698495 0.9895487
m=6 m=6 m=6 Alpha=0.34 Alpha=0.34 Alpha=0.34 Alpha=0.21 Alpha=0 a=90.4811 c=12 c=12
Beta=0.02 F(0)=85.06 F(0)=85.06 Beta=85.06 b=0.5147 Alpha=0.34 Alpha=0.34
Beta=0.02 Beta=0.01
Gamma=0.65 Gamma=0.65
A. Mora G.
Forecast summary Statgraphics MSDOS Forecast
Model Coeficientes M.E. M.S.E. M.A.E. M.A.P.E. M.P.E. Period 97 Period 98 Period 99 Period 100 Period 101 Period 102 Period 103 Period 104 Period 105
90.4811+0.514684*T 0.000000 62.129100 6.376240 5.660390 -0.444870 140.406 140.920 141.435 141.950 142.464 142.979 143.494 144.008 144.523
98.8915-2.35181E-4*T+5.30845E-3*T^2 0.000000 48.839500 5.626050 5.016460 -0.388500 148.816 149.851 150.896 151.952 153.019 154.097 155.185 156.283 157.392
EXP(4.52658+4.38121E-3*T) 0.271240 57.325500 6.099770 5.400500 -0.227180 141.395 142.016 142.639 143.266 143.895 144.526 145.161 145.798 146.439
EXP(4.76508-0.485205/T) 0.945060 222.456000 11.965400 10.238000 -0.788000 116.755 116.761 116.767 116.773 116.778 116.784 116.789 116.794 116.800
Brown Simple: Alfa 0.000010 30.69260 1200.33000 30.70420 25.15770 25.14400 85.089 85.089 85.089 85.089 85.089 85.089 85.089 85.089 85.089
Brown Simple: Alfa 0.350000 1.856680 53.741000 5.871560 5.197640 1.279840 146.795 146.795 146.795 146.795 146.795 146.795 146.795 146.795 146.795
A. Mora G.
Brown Simple: Alfa 0.300000 2.146750 55.540200 6.029060 5.329990 1.518670 146.242 146.242 146.242 146.242 146.242 146.242 146.242 146.242 146.242
Brown Simple: Alfa 0.200000 3.120420 62.532400 6.559250 5.747570 2.334980 144.348 144.348 144.348 144.348 144.348 144.348 144.348 144.348 144.348
Brown Simple: Alfa 0.100000 5.760730 88.654900 7.940250 6.796710 4.580780 139.787 139.787 139.787 139.787 139.787 139.787 139.787 139.787 139.787
Brown Simple: Alfa 0.050000 9.957010 158.105000 10.880200 9.124870 8.144560 132.356 132.356 132.356 132.356 132.356 132.356 132.356 132.356 132.356
Brown Linear: Alfa 0.000010 30.896300 1211.020000 30.908000 25.299500 25.285600 85.118 85.118 85.118 85.118 85.118 85.118 85.118 85.118 85.118
Brown Linear: Alfa 0.350000 -0.015790 58.154000 6.136380 5.473400 -0.280120 149.964 151.073 152.183 153.292 154.401 155.511 156.620 157.729 158.838
Brown Linear: Alfa 0.300000 0.028310 56.768700 5.948890 5.297530 -0.262850 150.203 151.391 152.579 153.767 154.955 156.143 157.332 158.520 159.708
Brown Linear: Alfa 0.200000 0.167980 55.753000 5.831440 5.188370 -0.186700 149.614 150.667 151.720 152.774 153.827 154.880 155.933 156.986 158.039
Brown Linear: Alfa 0.100000 0.777320 57.437800 6.000060 5.339510 0.309010 148.148 148.984 149.820 150.656 151.492 152.328 153.164 154.000 154.836
Brown Linear: Alfa 0.150000 0.327930 56.135600 5.894170 5.245560 -0.067280 148.912 149.843 150.774 151.704 152.635 153.566 154.497 155.427 156.358
Brown Linear: Alfa 0.175000 0.231570 55.867600 5.855580 5.210960 -0.141760 149.273 150.263 151.252 152.242 153.231 154.220 155.210 156.199 157.189
Brown Linear: Alfa 0.225000 0.121760 55.784500 5.780030 5.141780 -0.215790 149.896 151.009 152.122 153.235 154.348 155.461 156.574 157.687 158.801
Brown Linear: Alfa 0.217500 0.134360 55.759600 5.795590 5.155880 -0.208220 149.820 150.916 152.012 153.108 154.204 155.300 156.396 157.492 158.588
Brown Linear: Alfa 0.197500 0.173380 55.757900 5.835070 5.191730 -0.183070 149.582 150.629 151.676 152.722 153.769 154.816 155.863 156.910 157.957
Brown Linear: Alfa 0.199000 0.170120 55.754800 5.832940 5.189750 -0.185270 149.601 150.652 151.702 152.753 153.804 154.854 155.905 156.956 158.006
Brown Linear: Alfa 0.200500 0.166920 55.752200 5.830660 5.187650 -0.187400 149.620 150.675 151.729 152.784 153.838 154.893 155.947 157.001 158.056
Brown Linear: Alfa 0.205500 0.156670 55.747400 5.822060 5.179780 -0.194140 149.682 150.749 151.816 152.883 153.950 155.017 156.084 157.151 158.218
Brown Linear: Alfa 0.207500 0.152740 55.747100 5.818200 5.176270 -0.196680 149.706 150.778 151.850 152.922 153.994 155.066 156.138 157.210 158.282
Brown Linear: Alfa 0.209500 0.148900 55.747700 5.814110 5.172560 -0.199140 149.730 150.807 151.884 152.961 154.038 155.114 156.191 157.268 158.345
Brown Linear: Alfa 0.207300 0.153130 55.747100 5.818590 5.176630 -0.196430 149.704 150.775 151.847 152.918 153.990 155.061 156.133 157.204 158.276
Brown Linear: Alfa 0.207000 0.153710 55.747100 5.819180 5.177160 -0.196050 149.700 150.771 151.842 152.913 153.983 155.054 156.125 157.196 158.266
Brown Linear: Alfa 0.208000 0.151770 55.747100 5.817200 5.175360 -0.197300 149.712 150.785 151.859 152.932 154.005 155.078 156.152 157.225 158.298
Brown Quadratic: Alfa 0.000010 31.003100 1218.860000 31.015000 25.358600 25.344500 85.147 85.147 85.147 85.147 85.147 85.147 85.147 85.147 85.148
Brown Quadratic: Alfa 0.350000 -0.250360 74.187800 6.965640 6.225410 -0.424230 148.616 148.782 148.783 148.619 148.290 147.795 147.136 146.311 145.322
Brown Quadratic: Alfa 0.300000 -0.234280 68.496200 6.682980 5.973580 -0.436570 149.971 151.020 152.048 153.055 154.041 155.006 155.951 156.874 157.777
Brown Quadratic: Alfa 0.250000 -0.210570 63.973200 6.416340 5.724760 -0.449090 150.847 152.383 153.967 155.597 157.275 159.000 160.771 162.590 164.456
Brown Quadratic: Alfa 0.200000 -0.191760 60.605800 6.124270 5.443430 -0.471600 150.882 152.443 154.054 155.716 157.429 159.193 161.007 162.872 164.788
Brown Quadratic: Alfa 0.150000 -0.199580 58.321600 5.991350 5.313450 -0.516840 149.992 151.246 152.525 153.828 155.156 156.507 157.883 159.283 160.708
Brown Quadratic: Alfa 0.100000 -0.187020 56.854700 5.944270 5.275860 -0.538210 149.142 150.177 151.222 152.277 153.342 154.417 155.501 156.596 157.701
Brown Quadratic: Alfa 0.050000 0.360600 56.951200 5.966170 5.302630 -0.083040 148.610 149.579 150.556 151.540 152.533 153.533 154.541 155.556 156.580
Brown Quadratic: Alfa 0.075000 -0.063300 56.496500 5.896300 5.249450 -0.447380 149.074 150.096 151.128 152.170 153.221 154.281 155.350 156.429 157.518
Brown Quadratic: Alfa 0.085000 -0.132760 56.588200 5.923270 5.266190 -0.500980 149.092 150.118 151.153 152.197 153.251 154.315 155.388 156.470 157.562
Brown Quadratic: Alfa 0.065000 0.048260 56.519200 5.889360 5.246270 -0.356050 149.003 150.015 151.037 152.068 153.108 154.157 155.215 156.282 157.358
Brown Quadratic: Alfa 0.070000 -0.013970 56.489900 5.886930 5.244070 -0.407600 149.050 150.069 151.097 152.135 153.182 154.238 155.303 156.378 157.462
Brown Quadratic: Alfa 0.068750 0.000260 56.493500 5.885660 5.243340 -0.395940 149.040 150.058 151.085 152.122 153.167 154.222 155.286 156.359 157.441
Brown Quadratic: Alfa 0.072550 -0.040560 56.489300 5.890590 5.246160 -0.429180 149.064 150.085 151.116 152.156 153.205 154.263 155.331 156.408 157.495
Brown Quadratic: Alfa 0.071550 -0.030510 56.488500 5.889360 5.245520 -0.421060 149.059 150.079 151.109 152.148 153.197 154.254 155.321 156.398 157.483
Brown Quadratic: Alfa 0.073550 -0.050160 56.491400 5.892170 5.247010 -0.436890 149.069 150.090 151.122 152.162 153.212 154.271 155.340 156.418 157.505
Brown Quadratic: Alfa 0.071000 -0.024770 56.488700 5.888570 5.245070 -0.416410 149.056 150.076 151.105 152.144 153.192 154.249 155.315 156.391 157.476
Brown Quadratic: Alfa 0.071300 -0.027920 56.488500 5.889010 5.245330 -0.418960 149.058 150.078 151.107 152.146 153.194 154.252 155.319 156.395 157.480
Con Statgraphics MSDOS, se logran los siguientes resultados
Brown Quadratic: Alfa 0.0711 -0.025830 56.488600 5.888720 5.245160 -0.417260 149.056 150.077 151.106 152.145 153.193 154.250 155.316 156.392 157.477
Brown Quadratic: Alfa 0.072 -0.035090 56.488700 5.889950 5.245840 -0.424770 149.061 150.082 151.112 152.152 153.201 154.259 155.326 156.403 157.489
Brown Quadratic: Alfa 0.07187 -0.033770 56.488700 5.889780 5.245750 -0.423700 149.061 150.081 151.111 152.151 153.199 154.257 155.325 156.401 157.487
Brown Quadratic: Alfa 0.07165 -0.031530 56.488600 5.889500 5.245600 -0.421890 149.060 150.080 151.110 152.149 153.198 154.255 155.322 156.399 157.484
Brown Quadratic: Alfa 0.07145 -0.029470 56.488500 5.889220 5.245450 -0.420220 149.058 150.079 151.109 152.148 153.196 154.253 155.320 156.396 157.482
Brown Quadratic: Alfa 0.07138 -0.028750 56.488500 5.889130 5.245390 -0.419640 149.058 150.078 151.108 152.147 153.195 154.253 155.320 156.396 157.481
Holt: αlfa y ßeta 0.000001 0.000001 -480.1230 304529.0 480.1230 394.7120 -394.7120 1096.450 1106.990 1117.530 1128.070 1138.610 1149.150 1159.690 1170.230 1180.770
Holt: αlfa y ßeta 0.000001 0.350000 -478.8680 302625.0 478.8680 393.7510 -393.7510 1091.380 1101.760 1112.150 1122.530 1132.910 1143.290 1153.680 1164.060 1174.440
Holt: αlfa y ßeta 0.350000 0.000001 -27.95080 839.07800 27.95080 24.88060 -24.88060 176.883 187.414 197.945 208.476 219.006 229.537 240.068 250.599 261.130
Holt: αlfa y ßeta 0.350000 0.350000 -0.757510 76.516100 6.754860 6.087810 -1.045020 152.603 154.421 156.238 158.055 159.872 161.690 163.507 165.324 167.141
Holt: αlfa y ßeta 0.300000 0.350000 -0.854560 83.593700 7.212340 6.503650 -1.169230 152.804 154.910 157.015 159.120 161.226 163.331 165.437 167.542 169.648
Holt: αlfa y ßeta 0.350000 0.300000 -0.885350 77.521200 6.812320 6.142200 -1.186630 152.083 153.885 155.686 157.488 159.290 161.091 162.893 164.694 166.496
Holt: αlfa y ßeta 0.350000 0.200000 -1.382900 82.648700 7.112740 6.451160 -1.710860 150.559 152.000 153.440 154.881 156.321 157.762 159.202 160.643 162.083
Holt: αlfa y ßeta 0.150000 0.200000 -3.487510 205.64700 10.13270 9.412450 -3.926710 146.345 147.051 147.756 148.461 149.166 149.871 150.577 151.282 151.987
Holt: αlfa y ßeta 0.150000 0.300000 -2.227520 169.30700 9.829730 9.001470 -2.637420 145.092 146.209 147.327 148.445 149.562 150.680 151.797 152.915 154.033
Holt: αlfa y ßeta 0.350000 0.350000 -0.757510 76.516100 6.754860 6.087810 -1.045020 152.603 154.421 156.238 158.055 159.872 161.690 163.507 165.324 167.141
Winter: αlfa - ßeta - Gamma 0.00001 0.00001 0.65000 -3.351700 78.038000 7.562440 6.530850 -3.488800 131.964 142.903 143.504 147.433 152.978 145.661 153.097 147.074 151.370
Winter: αlfa - ßeta - Gamma 0.00001 0.35000 0.65000 -3.341070 78.012700 7.559370 6.527640 -3.480150 131.952 142.890 143.490 147.420 152.965 145.649 153.084 147.061 151.357
Winter: αlfa - ßeta - Gamma 0.35000 0.00001 0.65000 -0.585350 34.226000 4.197590 3.593190 -0.675780 135.321 145.802 148.135 148.458 154.261 147.534 154.338 150.910 155.725
Winter: αlfa - ßeta - Gamma 0.35000 0.35000 0.65000 -0.304930 84.313700 7.058370 5.890890 -0.256830 133.291 138.015 134.171 129.173 128.876 119.921 123.765 120.565 125.353
Winter: αlfa - ßeta - Gamma 0.00001 0.00001 0.99999 -2.094970 83.476100 7.116800 6.020330 -2.304950 131.436 139.843 137.264 148.906 151.382 144.877 154.263 145.040 152.493
Winter: αlfa - ßeta - Gamma 0.00001 0.35000 0.99999 -2.090090 83.474200 7.115150 6.018680 -2.300850 131.433 139.840 137.260 148.903 151.378 144.873 154.259 145.036 152.489
Winter: αlfa - ßeta - Gamma 0.35000 0.00001 0.99999 -0.536610 38.204800 4.391510 3.726690 -0.627890 137.784 149.102 149.602 155.217 156.247 147.974 154.907 147.498 153.999
Winter: αlfa - ßeta - Gamma 0.35000 0.35000 0.99999 -0.527300 133.710000 8.913590 7.278300 -0.402840 151.677 161.624 155.840 151.393 139.961 122.062 119.136 107.419 109.137
Winter: αlfa - ßeta - Gamma 0.35000 0.00001 0.65000 -0.585350 34.226000 4.197590 3.593190 -0.675780 135.321 145.802 148.135 148.458 154.261 147.534 154.338 150.910 155.725
Winter: αlfa - ßeta - Gamma 0.35000 0.00500 0.65000 -0.417740 34.377000 4.211250 3.599800 -0.533150 135.193 145.597 147.856 148.115 153.829 147.063 153.798 150.343 155.114
Winter: αlfa - ßeta - Gamma 0.35000 0.01500 0.6500 -0.203320 34.836200 4.239420 3.616400 -0.344140 135.155 145.503 147.699 147.911 153.549 146.755 153.462 150.011 154.796
Winter: αlfa - ßeta - Gamma 0.35000 0.07500 0.65000 0.016410 38.740600 4.551420 3.860960 -0.100240 135.735 146.068 148.138 148.285 153.746 146.910 153.759 150.516 155.726
Winter: αlfa - ßeta - Gamma 0.30000 0.00001 0.65000 -0.655250 35.395100 4.260890 3.636250 -0.754130 135.858 146.667 148.789 149.633 155.105 147.897 154.517 150.456 155.144
3 - Proyectiva - Pronósticos de series temporales
Winter: αlfa - ßeta - Gamma 0.20000 0.00001 0.65000 -0.874260 39.617500 4.508760 3.816610 -0.999460 135.574 146.920 148.819 151.013 156.451 148.829 155.455 150.280 154.613
Winter: αlfa - ßeta - Gamma 0.35000 0.00001 0.75000 -0.577160 35.262600 4.240770 3.618200 -0.665260 136.281 146.740 148.297 149.888 154.252 147.074 154.030 149.582 155.038
Winter: αlfa - ßeta - Gamma 0.35000 0.00001 0.85000 -0.563800 36.377800 4.303740 3.661870 -0.651850 137.067 147.736 148.723 151.786 154.746 147.106 154.094 148.509 154.472
Winter: αlfa - ßeta - Gamma 0.35000 0.00001 0.65000 -0.585350 34.226000 4.197590 3.593190 -0.675780 135.321 145.802 148.135 148.458 154.261 147.534 154.338 150.910 155.725
245
3 - Proyectiva - Pronósticos de series temporales
Tanto para los Brown (αlfa), como para el Holt (αlfa y ßeta) y el Winter (αlfa, ßeta y Gamma), se itera
entre los extremos de sus factores de modelación, con el fin de buscar los menores errores cuadrados
medios (en ocasiones, este proceso es dispendioso y toma bastante tiempo), hasta que se vuelva
constante, en ese instante se puede dar por terminada la iteración al tener un MSE constante, en este
software MSDOS los r2 deben ser calculados por aparte, para ello puede usar el archivo Excel del cálculo
del coeficiente de determinación muestral del ejercicio 5 de la aplicación AR.I.MA. Box – Jenkins que
está en el CD adjunto (al igual en el CD están la mayoría de todas las ilustraciones, todos los ejercicios y
las ecuaciones de este libro).
Con el software Statgraphics bajo Windows, el proceso es totalmente idéntico al del MSDOS, las
iteraciones en los modelos clásicos de suavización son similares, siempre en búsqueda del menor error
cuadrado medio, dentro de cada modelo; los pronósticos en ambos casos son similares, por eso no se
calculan todos los de Windows en la tabla de resultados (ya que se asumen idénticos a los MSDOS). En
el caso particular del AR.I.MA. Box - Jenkins solo se trabaja con Windows y está ampliamente
desarrollado en el Ejercicio 6 (más atrás) con los mismos datos de este ejercicio en desarrollo.
246
Con el programa Forecast Expert, se logra el cálculo del AR.I.MA., aunque la estructura de este software
no permite ningún cálculo, ni ninguna verificación y mucho menos análisis al interior del proceso que
desarrolla, simplemente da un resultado (tal cual se muestra en la Ilustración denominada AR.I.MA.
con Forecast Expert (descrita anteriormente), que se presenta después del Ejercicio 6), que este caso es
para este ejemplo un AR.I.MA: (1,1,0) (2,1,0), que no corresponde con los análisis AR.I.MA., de
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Statgraphics bajo Windows, solo en el d=1 y D=1, que se realizan en el ejercicio 6. En general solo
muestra los pronósticos, más no esboza su proceso interno de cálculo, que parece más bien un recorrido
por todas las posibles combinaciones de p, d, q, P, D, y Q.
Otros softwares, como el POM2, el cual solo sirve para modelos clásicos (como el WinQSB), aunque
presenta dos serios inconvenientes: uno es que los datos se deben entrar de a uno en uno (lo que toma
demasiado tiempo para bases de datos con grandes cantidades de datos) y la segunda dificultad que
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
presenta es que es manual (se debe iterar en los casos de los modelos de suavización (igual que
Statgraphics)).
248 Paso 3 – 4 – Aplicación de los tres mejores clásicos o modernos al segundo recorte
El primero de ellos no es susceptible de reproducirse, pues sus parámetros son ocultos y no se pueden
reconstruir en el software Vanguard Decision Pro 4.1, además de que el modelo es básicamente de
suavización pura y se desconoce su r2.
El segundo modelo que es un Winter, parece ser el más indicado, dado que es el que se postula de
primero en la hipótesis, tiene aquí un bajo ruido (αlfa de 0.35), posee una muy buena tendencia (ßeta
de 0.00001) y está con una mínima estacionalidad y/o ciclicidad, tiene el mejor r2 de todos los modelos
(con excepción de uno de medias móviles y el Adaptative de WinQSB, que es como si no existiesen, pues
no participan, dado que son de medias móviles).
El tercero, que es el modelo de tendencia exponencial no lineal, no se asume como ideal pues tiene un
coeficiente r2 que no cumple el rango de aceptación (0.9025 a 1) y tampoco responde a las características
descritas en la hipótesis y encontradas durante el análisis previo.
A. Mora G.
A. Mora G.
Pronósticos Coeficiente de
Paso 3 - 2 - Corrida de todos los modelos posibles Suma de Puesto
determinación
diferencias (cercanía) 2
Modelo original Parámetros Dato 97 Dato 98 Dato 99 Dato 100 Dato 101 Dato 102 Dato 103 Dato 104 Dato 105 muestral r
Simple Average WinQSB 115.44 115.44 115.44 115.44 115.44 115.44 115.44 115.44 115.44 7744.18 26 0.64636
Moving Average Móvil de 6 146.35 146.35 146.35 146.35 146.35 146.35 146.35 146.35 146.35 700.27 11 0.76516
Weighted Moving Average WinQSB Móvil de 7 146.35 146.35 146.35 146.35 146.35 146.35 146.35 146.35 146.35 700.27 12 0.76516
Moving Average with linear trend WinQSB Móvil de 8 151.05 152.40 153.74 155.08 156.43 157.77 159.12 160.46 161.80 1814.20 23 1.00000
Single Exponential Smoothing WinQSB Alfa 0.34 146.70 146.70 146.70 146.70 146.70 146.70 146.70 146.70 146.70 718.99 13 0.86029
Single Exponential Smoothing with trend WinQSB Alfa 0.34 - Beta 0.02 148.46 149.08 149.71 150.33 150.95 151.57 152.19 152.81 153.44 952.92 15 0.89304
Double Exponential Smoothing WinQSB Alfa 0.34 144.50 144.50 144.50 144.50 144.50 144.50 144.50 144.50 144.50 638.10 9 0.83587
Double Exponential Smoothing with trend Alfa 0.21 149.74 150.81 151.89 152.97 154.05 155.13 156.20 157.28 158.36 1357.32 21 0.92883
Adaptive Exponential Smoothing Alfa 0 - Beta 85.06 85.06 85.06 85.06 85.06 85.06 85.06 85.06 85.06 85.06 31428.53 27 1.00000
Linear regression with time WinQSB a = 90.4811 b = 0.5147 140.41 140.92 141.43 141.95 142.46 142.98 143.49 144.01 144.52 497.87 4 0.76604
Holt-Winters Adittive WinQSB Alfa 0.34 - Beta 0.02 - Gamma 0.65 - s=12 137.77 147.53 149.29 149.93 154.24 147.55 153.31 149.38 153.44 613.22 8 0.96985
Holt-Winters Multiplicative WinQSB Alfa 0.34 - Beta 0.01 - Gamma 0.65 - s=13 134.97 145.16 146.99 146.88 151.92 144.64 150.74 146.82 151.15 419.72 2 0.98955
Tendencia Lineal SMSDOS 90.4811+0.514684*T 140.41 140.92 141.44 141.95 142.46 142.98 143.49 144.01 144.52 497.89 5 0.76516
No Lineal Quadratic SMSDOS 98.8915-2.35181E-4*T+5.30845E-03 * t ^ 2 148.82 149.85 150.90 151.95 153.02 154.10 155.19 156.28 157.39 1180.87 17 0.81608
No Lineal Exponential SMSDOS EXP(4.52658+4.38121E-3*T) 141.40 142.02 142.64 143.27 143.90 144.53 145.16 145.80 146.44 460.68 3 0.78412
No Lineal S Curve SMSDOS EXP(4.76508-0.485205/T) 116.76 116.76 116.77 116.77 116.78 116.78 116.79 116.79 116.80 7083.08 25 0.16228
Brown Simple SMSDOS Alfa 0.35 146.80 146.80 146.80 146.80 146.80 146.80 146.80 146.80 146.80 724.42 14 0.80609
Brown Linear SMSDOS Alfa 0.2080 149.71 150.79 151.86 152.93 154.01 155.08 156.15 157.23 158.30 1350.08 20 0.79397
Brown Cuadrático SMSDOS Alfa 0.07138 149.06 150.08 151.11 152.15 153.20 154.25 155.32 156.40 157.48 1213.78 19 0.79302
Holt SMSDOS Alfa 0.35 Beta 0.35 152.60 154.42 156.24 158.06 159.87 161.69 163.51 165.32 167.14 2662.51 24 0.76137
Winter SMSDOS Alfa 0.35000 - Beta 0.00001 - Gamma 0.65000 - s=12 135.32 145.80 148.14 148.46 154.26 147.53 154.34 150.91 155.73 530.74 7 0.98841
Tendencia lineal SGWIN 90.4811 + 0.514684 * t 140.41 140.92 141.44 141.95 142.46 142.98 143.49 144.01 144.52 497.89 6 0.76604
Tendencia No Lineal Cuadrático SGWIN 98.8915 + 0.000235181 * t + .00530845 * t ^ 2 148.82 149.85 150.90 151.95 153.02 154.10 155.19 156.28 157.39 1180.87 18 0.81608
AR.I.MA. Box - Jenkins SGWIN AR.I.MA. (0,1,1) (0,1,1) tomado de Ejercicio 6 136.30 146.61 150.41 148.59 155.51 150.43 154.42 153.04 154.88 638.25 10 0.91530
AR.I.MA. Forecast Pro AR.I.MA. (1,1,0) (2,1,0) 152.84 139.47 154.77 130.75 142.19 135.85 125.77 149.96 158.89 1585.30 22
No aportan datos de
Log Theta Moving Average Vanguard Lo selecciona automáticamente con valor 0.39 Log Theta 130.32 143.32 147.89 144.37 153.17 147.30 151.40 150.12 152.39 363.86 1 estimación para r 2
Winters Decomposition POM2 Seasonal Decomposition 148.65 149.54 150.43 151.32 152.21 153.09 153.98 154.87 155.76 1076.22 16
Realidad Recorte 1 de 9 datos (10% de la serie) 129.46 133.75 137.54 147.52 152.58 145.74 139.38 152.62 153.43 0.00
Año 9 Mes 1 Año 9 Mes 2 Año 9 Mes 3 Año 9 Mes 4 Año 9 Mes 5 Año 9 Mes 6 Año 9 Mes 7 Año 9 Mes 8 Año 9 Mes 9
3 - Proyectiva - Pronósticos de series temporales
249
250
Paso 3 - 2 - Corrida de todos los modelos posibles Eror cuadrado Medio del pronóstico = (Realidad - Pronóstico)2 Coeficiente de
Suma de Puesto
determinación
diferencias (cercanía) 2
Soffware Modelo original En el dato 97 En el dato 98 En el dato 99 En el dato 100 En el dato 101 En el dato 102 En el dato 103 En el dato 104 En el dato 105 muestral r
Simple Average WinQSB 196.48 335.21 488.25 1029.07 1379.21 917.65 572.88 1382.42 1443.02 7744.18 26 0.64636
A. Mora G.
Moving Average 285.26 158.71 77.62 1.37 38.83 0.38 48.61 39.37 50.13 700.27 11 0.76516
Weighted Moving Average WinQSB 285.26 158.71 77.62 1.37 38.83 0.38 48.61 39.37 50.13 700.27 12 0.76516
Moving Average with linear trend WinQSB 466.24 347.62 262.47 57.18 14.80 144.86 389.55 61.38 70.10 1814.20 23 1.00000
Single Exponential Smoothing WinQSB 297.22 167.66 83.92 0.68 34.58 0.93 53.61 35.09 45.29 718.99 13 0.86029
Single Exponential Smoothing with trend WinQSB 361.06 235.06 148.00 7.87 2.66 34.04 164.19 0.04 0.00 952.92 15 0.89304
WinQSB
Double Exponential Smoothing WinQSB 226.17 115.50 48.44 9.14 65.32 1.53 26.22 66.02 79.77 638.10 9 0.83587
Double Exponential Smoothing with trend 411.09 291.11 205.99 29.68 2.15 88.18 283.12 21.70 24.31 1357.32 21 0.92883
Adaptive Exponential Smoothing 1971.40 2370.91 2754.11 3901.55 4559.09 3681.58 2950.47 4564.92 4674.51 31428.53 27 1.00000
Linear regression with time WinQSB 119.80 51.38 15.17 31.06 102.35 7.60 16.94 74.23 79.34 497.87 4 0.76604
Holt-Winters Adittive WinQSB 69.10 189.70 138.00 5.78 2.76 3.29 194.02 10.56 0.00 613.22 8 0.96985
Holt-Winters Multiplicative WinQSB 30.34 130.15 89.26 0.41 0.44 1.21 129.03 33.67 5.20 419.72 2 0.98955
Tendencia Lineal SMSDOS 119.81 51.38 15.17 31.05 102.35 7.60 16.94 74.24 79.34 497.89 5 0.76516
No Lineal Quadratic SMSDOS 374.64 259.18 178.39 19.62 0.19 69.91 249.85 13.39 15.69 1180.87 17 0.81608
No Lineal Exponential SMSDOS 142.43 68.29 26.00 18.12 75.45 1.46 33.44 46.60 48.88 460.68 3 0.78412
No Lineal S Curve SMSDOS 161.43 288.69 431.50 945.53 1281.85 838.22 510.27 1283.80 1341.79 7083.08 25 0.16228
Stagraphics
Brown Simple SMSDOS 300.49 170.12 85.66 0.53 33.48 1.12 55.01 33.98 44.03 724.42 14 0.80609
MSDOS
Brown Linear SMSDOS 410.13 290.12 205.05 29.26 2.03 87.27 281.36 21.17 23.69 1350.08 20 0.79397
Brown Cuadrático SMSDOS 384.07 266.54 184.10 21.39 0.38 72.54 254.14 14.23 16.41 1213.78 19 0.79302
Holt SMSDOS 535.58 427.21 349.63 110.94 53.16 254.53 582.20 161.28 187.98 2662.51 24 0.76137
Winter SMSDOS 34.35 145.20 112.26 0.88 2.82 3.23 223.80 2.94 5.27 530.74 7 0.98841
Tendencia lineal SGWIN 119.81 51.38 15.17 31.05 102.35 7.60 16.94 74.24 79.34 497.89 6 0.76604
Stagraphics
Tendencia No Lineal Cuadrático SGWIN 374.64 259.18 178.39 19.62 0.19 69.91 249.85 13.39 15.69 1180.87 18 0.81608
Window
AR.I.MA. Box - Jenkins SGWIN 46.75 165.35 165.75 1.13 8.56 22.06 226.38 0.17 2.10 638.25 10 0.91530
Forecast Expert AR.I.MA. Forecast Pro 546.61 32.70 296.89 281.31 107.97 97.73 185.18 7.10 29.81 1585.30 22
No aportan datos de
3 - Proyectiva - Pronósticos de series temporales
Vanguard Log Theta Moving Average Vanguard 0.74 91.46 107.16 9.91 0.35 2.45 144.44 6.27 1.08 363.86 1 estimación para r 2
POM2 Winters Decomposition POM2 368.34 249.29 166.14 14.40 0.14 54.14 213.28 5.05 5.42 1076.22 16
Realidad 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
3 - Proyectiva - Pronósticos de series temporales
Al calcular el pronóstico del dato 106, con la inclusión de los 9 valores recortados en el paso anterior, se
obtienen los siguientes pronósticos, con los tres mejores modelos de la etapa previa:
Puesto en primer
Modelo Tipo Parámetros
recorte r2
Log Theta Moving Average Vanguard Clásico Lo selecciona automáticamente con valor 0.39 Log Theta 1 No tiene
Holt-Winters Multiplicative WinQSB Clásico Alfa 0.34 - Beta 0.01 - Gamma 0.65 - s=13 2 0.98955
No Lineal Exponential SMSDOS Clásico EXP(4.52658+4.38121E-3*T) 3 0.78412
Lo que ratifica nuevamente que el mejor modelo es el Winter del WinQSB, que satisface plenamente: la
hipótesis, el coeficiente de determinación, los dos recortes y en general el MUP; por lo cual se adopta
como el modelo que es más indicado a realizar las previsiones requeridas para el corto plazo, de este
ejercicio.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
180.00
Pronósticos e historia de Ejercicio Integral Real
Valores históricos y proyectados
160.00
140.00
120.00
Pronósticos
100.00
80.00
60.00
1 6 11 4 9 2 7 12 5 10 3 8 1 6 11 4 9 2 7 12 5 10 3 8
es es es es es es es es es es es es es es es es es es es es es es es es
- M - M M - M - M - M - M M
M - -M - M - M - M - M M - M - M - M - M M
M - -M - M - M
1 1 1- 2 2 3 3 3- 4 4 5 5 6 6 6- 7 7 8 8 8- 9 9 10 10
o o o o o o o o o o o o o o o o
252 o o o
Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ Añ
o o o o o
Mes Año
Estas dos etapas, se desarrollan, una vez transcurra en la realidad el mes 11 del año 9, la bondad de
ajuste se calcula como: (Pronóstico – Realidad) / Realidad, y se da en porcentaje y debe estar por debajo
del 11% para que se califique como adecuado (Fildes y otros90,1984).
Esta etapa incluye la realización de un consenso en cuanto a los resultados numéricos y cualitativos, que
se obtienen del pronóstico, con las personas expertas en el tema; por ejemplo en previsiones de
demanda, con el personal expertos de ventas y/o mercadeo y/o comercialización, etc., en el evento de
pronósticos de confiabilidad con los empleados y analistas de ingeniería, y así respectivamente con los
funcionarios pertinentes. La recomendación general, es: que siempre el análisis integral de resultados
se debe realizar entre quien (es) realiza (n) las previsiones y los funcionarios expertos conocedores y
manejadores del tema de la serie evaluada.
Paso 3 – 10 – Estrategias y acciones de mercadeo, producción, inventarios, etc. en función del área
temática del pronóstico.
90
Citado por Makridakis y otro, 1998,312-317.
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales
Las mejores estrategias se derivan de la figura que incluye pronósticos con un tiempo relativamente
mayor que el de corto plazo, es decir entre 2 y 24 meses, aunque son tipo especulativo; se puede observar
el comportamiento futuro de la serie, sin entrar a precisar el valor exacto de los datos revisados; en el
caso particular de este ejemplo, se vislumbra de la gráfica, que la variable se mueve a futuro en un rango
de varianza ligeramente menor, pero sigue oscilando alternamente como lo hace en el pasado y presenta
una cierta estructura típica, pero creciente hacia el futuro de corto y mediano plazo. Las acciones se
extraen de los valores que pronostican para el corto plazo, en este caso en particular se observa que el
mes 1 del año 10, nuevamente cae frente al mes 12 del año 9, lo que simula exactamente la serie. Es decir
se deben mantener las estrategias y acciones comunes si de una demanda o venta se trata. Si es otro
fenómeno, su análisis depende en sí de lo que se pronostica.
Otro aspecto importante es que lo ideal, es combinar (mediante el consenso) el análisis de resultados de
pronósticos numéricos que se obtienen mediante los cálculos, con la experiencia y sapiencia de los
expertos de la empresa o institución propietaria de la variable que se estima a futuro; ello da cierta lógica
y validez adicional a los resultados obtenidos.
En general la proyectiva es una excelente herramienta91 para los empresarios y analistas en la toma de
decisiones, dado que proporciona una gran ayuda en la toma de decisiones basadas en el estado futuro,
253
y como tal deben entenderse; es decir su cumplimiento depende en gran parte de que se realicen todos
los pasos y requerimientos del MUP, mediante un tratamiento riguroso y serio del mismo, y a su vez se
basa en que se conserve la estabilidad del entorno durante el tiempo de corto plazo que se pronostica
(ya que esta, es una condición básica de los pronósticos).
Se puede afirmar, que es posible alcanzar errores hasta del 11% (o menores), en los pronósticos que se
realizan con el MUP, de la metodología de series temporales con modelos clásicos y modernos bajo el
proceso Box – Jenkins, como también es factible decir que cuando se realizan muchos pronósticos en
forma continua, se puede alcanzar esta bondad de ajuste del 11% (o menor) en el 53.2% (o más) de las
veces que se hagan las previsiones con el MUP (como se describe anteriormente con el aporte Fildes y
otros en 1984; o en el caso de la empresa de electrodomésticos presentada por el autor).
De esta forma, se cumplen de forma ordenada, todos los pasos requeridos en la Metodología Universal
de Pronósticos (véase Ilustración 107 más atrás).
91
Como tal, son ayudas para el conocimiento estimado del futuro, en ninguna circunstancia se pueden considerar a las series temporales o a la metodología
de pronósticos, como infalibles.
A. Mora G.
4 - Inventarios
4. Inventarios
Los pronósticos como tal, tienen infinitas aplicaciones en el mundo empresarial social e institucional;
ejemplos de ello son las finanzas, las ventas, la confiabilidad de equipos, la demografía, las finanzas, y
sobre todo la demanda, en especial cuando esta afecta los inventarios de materias primas, productos en
proceso, bienes o servicios terminados, repuestos e insumos de ingeniería o mantenimiento.
En este caso específico de inventarios, un buen pronóstico es la puerta de entrada para un manejo
adecuado y óptimo de los mismos, los cálculos que usan para el control y manejo de inventarios, todos
requieren de los estimados o pronósticos, de allí su importancia en este tema.
Los inventarios pueden aparecer por dos razones: uno porque el sitio de fabricación esté demasiado lejos
del punto de demanda (espacio) y dos, porque la velocidad de fabricación sea inferior a la de demanda
(tiempo); en ambos casos el problema se atenúa con la existencia de inventarios.
El enfoque kantiano retoma, entonces vigencia en el manejo adecuado de los inventarios, dadas sus
circunstancias de espacio y tiempo.
El origen de los inventarios también tiene su inicio en la teoría de restricciones TOC, donde para que un
proceso de mayor capacidad no se detenga, frente a uno anterior de menor volumen por unidad de
tiempo, requiere de la presencia de un inventario temporal. La planeación, la ejecución y el control de
la logística, en la cadena de suministros, necesitan cantidades exactas de la demanda de bienes y/o
servicios que manejan, dado que toda la organización de estas etapas se fundamenta básicamente en las
predicciones o pronósticos de demanda.
La programación y operación de los niveles de demanda ejercen una fuerte influencia en los procesos 255
empresariales de mercadeo, finanzas, capacidad de producción, y en general en la estructura general de
la compañía. Sus estimaciones, acertadas o no, son el origen de los agotados, de los excedentes y de los
obsoletos que se producen en forma normal en el manejo de inventarios.
Los pronósticos de demanda se pueden realizar en forma grupal, por categorías de productos o en forma
individual por la referencia específica que se desee revisar; es factible también hacerlos en forma
geográfica, es decir por localidades, poblaciones, regiones, nacionales o continentales; en general
pueden agruparse o desagregarse, en función de las características de la empresa y de sus necesidades
organizacionales, de comercialización o producción.
Desde la óptica de los inventarios, pueden existir diversos tipos de demanda: irregular, estándar,
regular, etc.; es muy normal encontrar estas definiciones en el argot de inventarios, desde la visión de
los métodos futurísticos, toda serie temporal de demanda se puede pronosticar, indiferente de su causa
o comportamiento en el tiempo, los modelos AR.I.MA. y los clásicos poseen los elementos suficientes de
análisis para modelar, en general cualquier tipo de demanda.
Una de las situaciones más típicas que se presenta en la empresas, es que cuentan con cientos de
referencias de bienes y/o servicios propensos de ser sometidos a pronósticos, caso en el cual se presenta
el dilema de que es muy costoso evaluar las previsiones de todos, aparte de que probablemente no se
cuente con la infraestructura propia o por subcontratación para realizar dicha cantidad de pronósticos,
aparte de que el tiempo para realizarlos es muy extenso; en esos casos lo que se recomienda es solo
desarrollarlos para los productos relevantes (por ejemplo los tipo A de la jerarquización ABC) o de bienes
críticos o estratégicos que la empresa designe. El resto de ellos, se pueden obtener mediante técnicas de
transición o turbulencia como las correlaciones, modelos polinomiales o de regresión múltiple, los
cuales dan muy buenas aproximaciones, a bajo costo y en tiempo relativamente rápido.
Existen unos productos que se derivan de otros, este caso se denomina de demanda derivada, consiste
en que la producción de unos bienes es dependiente de la de otros, por ejemplo en el caso de realizar la
A. Mora G.
4 - Inventarios
planeación de la demanda de los asientos de carrocerías para autobuses, en este evento basta con
multiplicar la cantidad de carrocerías solicitadas por el número de asientos que tiene cada una, lo que
evidencia una demanda dependiente; cuando en forma contraria, la producción de un bien o servicio se
hace para muchos clientes de distinta magnitud, se habla entonces de demanda independiente, pues en
nada se relacionan ni dependen, unos clientes de otros.
Los métodos causales analizan los casos de demanda, donde una variable dependiente es función de
otras independientes, en estos casos es muy recomendable utilizar, en primera instancia la validación
de la relación entre dichas variables, además de comprobar si con la cantidad de variables
independientes que se tienen, es suficiente para poder predecir el comportamiento de la dependiente,
mediante la comprobación del coeficiente Alfa de Cronbach y por medio de la construcción de modelos
de correlación mediante estas técnicas o con redes neuronales.
Entre los distintos beneficios que puede representar la existencia de almacenes para el manejo de
inventarios, están:
• Elevar los manejos de economías de escala, al permitir producir tiempos más largos, lotes más
grandes y de mayor nivel de cubrimiento. Al igual favorece los conceptos de economías de escalas
en compras, suministro, transporte y de otras áreas de la cadena logística.
• Permiten actuar en el proceso logístico ante fenómenos exógenos temporales, que no permitan
la producción o el transporte.
La situación más compleja en la gestión de inventarios, se da cuando ocurren faltantes o excesos en los
volúmenes de existencia en las referencias que se manejan, ambos son dos problemas difíciles de
manejar en el almacenamiento: los agotados de por sí generan muchos tropiezos en los procesos
A. Mora G.
4 - Inventarios
logísticos y los excesos atormentan a los financieros de las empresas, en el sentido de que el capital de
trabajo está amarrado y no circula, con lo cual se generan posibles pérdidas, pues si estos excesos no se
utilizan, se convierten en obsoletos y afectan el capital de la empresa, a la vez que disminuyen la
rentabilidad .
Los inventarios se pueden presentar de diversas formas, entre las más relevantes aparecen: de
especulación (cuando se guarda mercancía en espera de su escasez y su aumento de precio), como
protección frente a las fluctuaciones de demanda (como un colchón o amortiguador del tiempo, entre
que se produce y el tiempo total del reaprovisionamiento), regulares o estacionales (que atienden la
demanda natural de los clientes), de proceso (es el que fluctúa en las diferentes etapas del proceso
integral logístico) y de productos muertos u obsoletos (que se generan por largos tiempos de almacenaje
sin demanda, por cambios en las necesidades del consumidor o por cambios tecnológicos).
Los dos parámetros básicos a controlar en la gestión y manejo de inventarios son los costos del sostener
el mismo y el nivel de servicio que se le otorga al cliente (nivel de disponibilidad).
4.1.1. Costos
Los principales rubros asociados a los inventarios y a su óptica desde pronósticos, son: de pedir, de
sostener el inventario y el costo de oportunidad por agotados en las referencias.
257
Ilustración 108 - Costos de inventarios
Costos de inventarios
Costo de sostener
el inventario
Volumen de demanda Q
A. Mora G.
4 - Inventarios
otro concepto), recursos de los diferentes departamentos internos o externos que facultan la compra y
demás coligados.
Este rubro normalmente es constante para distintas referencias, puede variar un poco entre categorías,
normalmente no están directamente relacionados con el volumen de la compra o pedido.
4.1.1.2. Costos de sostener
El mantenimiento en sí del inventario, conlleva una serie de costos asociados como: renta o alquiler del
espacio físico volumétrico que se ocupa y vacío asignado al almacén o bodega, costo financiero del valor
total de la mercancía almacenada en promedio (este es de los rubros más altos que se tienen en cuenta
en los costos totales), costos de seguros e impuestos relacionados con el valor y volumen del inventario
que se maneja (incluye seguros, riesgos, robos, incendios, terremotos, etc.) y costo por obsolescencia
que es el que generan los productos que por alguna razón de tiempo u otra, se deterioran, o dejan ser
utilizados por diversas razones.
4.1.1.3. Costos de agotar
Normalmente la falta de materias primas o productos, cuando estos se demandan y por consecuencia
no se pueden entregar a quien los solicita, conlleva a varios costos extras, como son: costo de
incumplimiento a los clientes, por la existencia de referencias agotadas, con toda la problemática que
ello genera en los clientes, con los impactos negativos que esto causa en el demandante (que a veces es
difícil de medir, se toma como un costo de oportunidad de no poder satisfacer al cliente) y el costo de
pedidos extras o pendientes, el cual consiste en desarrollar todo un canal logístico paralelo para
administrar este tipo de demandas extras (por agotados) por fuera del sistema tradicional, o cuando se
pagan cifras adicionales por transporte o por producción para poder atender las solicitudes de pedidos
insatisfechos a productores o proveedores.
Habitualmente son difíciles de calcular, por lo general se asumen como costos de oportunidad.
258
Se tiene un cliente que demanda varios ítems diferentes, en las siguientes tablas se aportan los datos de
la tasa de aprovisionamiento de cada referencia y la frecuencia con que estas se solicitan en forma
habitual, para los distintos casos.
A. Mora G.
4 - Inventarios
78
Nivel de servicio por período HJ −675 = 100 % − = 100% − 9.71% = 90.29%
803
Cuando se trata de varias referencias individuales no combinadas, se estima cada una de ellas en forma
independiente y el global del nivel de servicio se calcula, mediante la multiplicación probabilística del
259
grado de disponibilidad de cada una.
Probabilidad de surtido de
Ítem Referencias
pedido integral
1 JK-989 93.67%
2 HJ-675 92.37%
3 LM-034 89.98%
4 GH-208 87.76%
Nivel de servicio global JK −898 & HJ −675 & LM −034 & GH − 208 = 93.67% * 92.37% * 89.98% * 87.76% = 68.32%
El total es menor que el individual de cada ítem
Cuando hay varias referencias y se pueden generar demandas, con diferentes opciones de combinación,
se cuantifica así:
Probabilidad de
Frecuencia Cálculo
Ítem Referencias surtido de pedido
de demanda global
integral
1 JK-989 0.08 93.67% 0.07494
2 HJ-675 0.09 92.37% 0.08313
3 LM-034 0.11 89.98% 0.09898
4 GH-208 0.09 87.76% 0.07898
1y2 JK-989 y HJ-675 0.09 86.52% 0.07787
1y3 JK-989 y LM-034 0.07 84.28% 0.05900
1y4 JK-989 y GH-208 0.10 82.20% 0.08220
2y3 HJ-675 y LM-034 0.09 83.11% 0.07480
2y4 HJ-675 y GH-208 0.04 81.06% 0.03243
3y4 LM-034 y GH-208 0.07 78.97% 0.05528
1, 2 y 3 JK-989, HJ-675 y LM-034 0.06 77.85% 0.04671
1, 2 y 4 JK-989, HJ-675 y GH-208 0.03 75.93% 0.02278
2, 3 y 4 HJ-675, LM-034 y GH-208 0.05 72.94% 0.03647
1, 2, 3 y 4 JK-989, HJ-675, LM-034 y GH-209 0.03 68.32% 0.02050
Tasa promedio de
Suma 1.00
atención integral 84.41%
A. Mora G.
4 - Inventarios
En resumen se puede afirmar que el costo del inventario a mantener, está en función de varias cosas,
entre ellas, descuellan: el nivel del servicio que se desea sostener a un cliente en determinadas
referencias (ya que este define la cantidad a despachar o sea los volúmenes a mantener), los volúmenes
a mantener (pues esto depende de las cifras que se pidan y el tiempo en que se requieran, lo cual
coaligado da el monto de unidades de cada referencia a mantener y por ende influye sobre el costo), los
tiempos de reaprovisionamiento (en la medida que sean más frecuentes o no, incide en los volúmenes
que se almacenan y que se tienen disponibles).
Por esto se procede ahora a profundizar un poco en la forma en se calculan las cantidades a pedir en
cada una de las dos filosofías de manejo de inventarios: demand Pull o technology Push.
En el Push predominan los conceptos globales de economía de escala para el manejo global de pedidos
y reabastecimiento basados en pronósticos; mientras que en los Pull lo que pesa son los niveles mínimos
de inventarios colectivos (como una suma de los individuales).
260 Aparece una tercera opción que son los métodos de inventarios de colaboración (similar al concepto de
CPFR92) que se basan en la integración temporal de proveedores y/o fabricantes y/o distribuidores para
hacer una planeación conjunta de las necesidades de inventarios de toda la cadena productiva basados
en pronósticos de las referencias relevantes, este se puede considerar como una especie de combinación
Push y Pull (Ballou,2004,326-342). Los sistemas CPFR se fundamentan en cambios y mejoras de los
procedimientos tradicionales, basados ahora en un sistema logístico (colectivo) de los distintos socios,
con lo cual se pueden obtener costos mucho más bajos, en toda la cadena de abastecimiento. Permiten
elevar el nivel de servicio al cliente y sobretodo, se logra trabajar en toda su dimensión con base en
pronósticos de demanda, de una forma planeada e integral de la cadena logística.
• Paso 1 – Consolidado colectivo anticipado: los diferentes socios acuerdan sistemas, planes y
cifras colectivas para todo el sistema, mediante la definición de roles, miembros, reglas generales
y específicas, formas de funcionamiento, etc.; pero en especial describen todo lo relacionado con
la planeación estratégica del sistema. En esta primera fase se establecen los grupos de trabajo,
los responsables de actividades y los representantes de cada socio.
92
CPFR - Collaborative Planning Forecasting and Replenishment – Colaboración Planeación Pronósticos Relleno; donde se trabaja de una forma
integrada, en aras de la planeación y los pronósticos de demanda de una forma de colaboración entre todos los actores involucrados en la cadena de
agregación de valor.
A. Mora G.
4 - Inventarios
• Pasos 3-5 - Colaboración del pronóstico de las ventas: los socios proveedores, y/o fabricantes y/o
distribuidores, calculan los pronósticos y las demandas estimadas de cada una de las referencias,
categorías y niveles de productos a manejar, utilizan la metodología de consenso en forma
posterior a los pronósticos colectivos, resuelven los casos especiales de demanda, encuentran los
elementos causales de problemas y los resuelven en el colectivo. Realizan ajustes de planes
generales, en caso de requerirse.
• Paso 6-8 – Planes de relleno: los socios se cooperan en los sistemas de almacenamiento de
mercancías y aprovisionamiento (relleno), de cada uno de los almacenes o bodegas, siempre de
una forma compartida.
• Paso 9 – Ejecución del sistema: en este punto es donde se producen las órdenes, los despachos y
demás actividades propias del control y operación del sistema, en ella se miden los niveles de
cumplimiento, se evalúan las bondades de ajuste de los pronósticos, se resuelven los agotados y
se toman medidas para evitar su ocurrencia futura, se trata de resolver y minimizar los
excedentes, mediante planes y acciones comunes. Siempre actúan de una forma colectiva.
El CPRF se basa en un proceso de alineación de todas las cifras que se pronostican para la operación
correcta de la cadena de aprovisionamiento, se trabaja para períodos anuales o semestrales, se realiza
de una forma cotidiana el ajuste a los planes y volúmenes pronosticados, para lo cual se revisan en forma
periódica y de corto plazo: las ventas, los despachos, los niveles de servicio y de inventarios, los
reaprovisionamientos y demás actividades pertinentes (CPFR@,2007).
Categorizació
Categorización y clasificació
clasificación de todos los productos e insumos en Push, Pull o CPFR acorde al
al manejo deseado
Jerarquizació
Jerarquización Jerarquizació
Jerarquización Jerarquizació
Jerarquización Sin Jerarquizació
Jerarquización
ABC ABC ABC Manejo especí
específico
Planes y No Pronó
Pronósticos
Pronó
Pronósticos Pronó
Pronósticos
programas Demanda desconocida
Pronó
Pronósticos y Demanda desconocida
Pedido único,
consensos Nivel de pedido
por salvamento
Inventario Promedio
Determinar la cantidad
a pedir por asignació
asignación Demanda y Tiempos
Entrega Inmediata
Alineació
Alineación Metas de espera
Demanda conocida
desconocidos
Implementar Indicadores
A. Mora G.
4 - Inventarios
Las referencias Push93 siempre deben estar disponibles en el almacén o bodega, una vez se agota el
inventario establecido y se llega al nivel de reposición (NP o Nivel de Pedido), se solicita mercancía
nuevamente para completar el nivel deseado a mantenerlo en forma permanente. Básicamente esta
categoría de Push trabaja contra el nivel real del inventario. Su demanda en la mayoría de las veces tiene
patrones de conducta algo similares.
En general se adoptan sistemas de manejo Push cuando las cantidades posibles de producir son
superiores a la demanda, en los casos en que se justifica reabastecer los diferentes centros de despacho
o almacenamiento.
En general los Push son muy usados cuando predominan en el sistema logístico, los procesos integrales
de compra o suministro sobre la distribución o el almacenamiento.
Casi siempre el parámetro más relevante de estimar los valores de reaprovisionamiento por incrementos
en los Push, es el método de asignación, en el cual se establecen los volúmenes requeridos para varios
centros de almacenamiento en simultáneo, o para varias referencias en conjunto desde un centro de
producción o provisión (o varios de ellos), pero siempre de una forma integral.
En forma contraria los artículos Pull94, solo se piden al proveedor o fabricante cuando son solicitados
por el cliente, el saldo o remanente que queda es como una especie de inventario, pero es solo eso, un
residuo de la solicitud anterior, por lo general en este categoría se mantienen los productos de escasa
demanda o los muy costosos, que no implican consecuencias negativas en el evento de no mantenerlos
en stock, el tiempo de espera del proveedor o denominado lead time, aparece como uno de los criterios
más importantes en este tipo de artículos.
Las demandas de los Pull casi siempre mantienen un comportamiento bastante irregular y aleatorio. Se
262 usa esta categoría para casos especiales de pocos clientes (Mora,2006,229-246).
Los Pull se caracterizan porque establecen una forma de control de los inventarios a partir de la demanda
establecida y ordenada por los clientes, por lo general asigna niveles bajos de inventarios a los diferentes
puntos de abastecimiento, por sus mismas características.
Una vez que se selecciona la forma de manejar el sistema de inventarios, mediante su categorización
Push, Pull o CPFR; en cada una de ellas se deben jerarquizar mediante la metodología de clasificación
ABC cada una de sus referencias (cuando sean múltiples, las que se manejan; en los casos individuales
(como muchos casos Pull) no es obligatorio, ni se requiere), para poder darles un manejo adecuado y
gerencial, ABC permite dar un mejor nivel de servicio al cliente de cada referencia, a la vez que admite
otorgar un excelente apoyo logístico y una mayor atención a aquellos productos que tengan elevados
volúmenes y altas demandas, en el sistema integral de inventarios, en sustitución de no desperdiciar
tiempo y esfuerzos logísticos en aquellos productos que poco o nada aportan al portafolio de la empresa;
con el consabido ahorro de esfuerzo y dinero. En general la metodología ABC es un adecuado
ordenamiento del esfuerzo logístico en los casos de referencias múltiples.
4.2.1. Clasificación ABC
Un manejo adecuado de los inventarios en cada grupo (Push, Pull o CPFR) establecido, implica clasificar
todos los productos que se demandan acorde al grado de importancia de los mismos, esto se realiza
mediante una clasificación ABC, derivada del principio de Wilfredo Pareto, un renacentista del siglo
XIX, quien documenta por primera vez la fundamentación de la administración de materiales, el cual es
base del análisis ABC y cuyo principio manifiesta que pocos factores son la causa de muchos de los
efectos (Bierman y otros,1996).
93
Denominados Control de Inventarios por Incrementos.
94
Denominados Control de Inventarios por Demanda.
A. Mora G.
4 - Inventarios
El principio ABC jerarquiza los productos o insumos acorde a la cantidad de unidades usadas y al precio
de las mismas, el concepto del monto económico que representa el consumo durante un período de
tiempo es el concepto más importante para definir la categoría A o B o C, de cada ítem o materia prima.
En ocasiones se pueden agregar columnas adicionales a las del monto económico de las ventas, tales
como valor estratégico, rentabilidad, prioridades desde la óptica de mercadeo u otra que se considere
pertinente, de todas formas es bueno recordar que la Y que se usa en el proceso de columna de
jerarquización, que es el valor de la venta, ya incluye de por sí las unidades históricas y presentes
demandadas y el valor individual de cada referencia clasificada en el grupo Push, Pull o CPFR, que se
desea categorizar.
Se parte de la base de que el esfuerzo logístico se le debe prestar a una cantidad pequeña de referencias
que mueven un gran volumen y un alto porcentaje de los artículos de los inventarios, para ello es posible
establecer algunas relaciones, entre las más relevantes, existen dos que son las más usadas:
• Árbones recomienda que un 10% de los artículos mueven un 75% de la cantidad utilizada o
demandada (tipo A); el siguiente 35% de las referencias representan el 20% del movimiento total
del almacén (tipo B) y el 55% restante de los productos solo mueve el 5% de la cantidad total de
lo que se utiliza en el inventario (tipo C) (Árbones,1999,70).
• Ronald Ballou expresa que un 20% de las referencias representa al menos el 80% de la cifra que
se utiliza en el total del inventario (tipo A), luego el siguiente 30% de los productos trabaja con
el 10% de la demanda total (tipo B) y por último el restante 20% de los artículos mueve otro 10%
de la cantidad global que se demanda (tipo C) (Ballou,2004b,69-73).
El proceso de clasificación ABC se realiza de la siguiente manera: inicialmente se tabulan los datos
reales, luego se ordenan de mayor a menor en Y (porcentaje acumulado de la cantidad monetaria usada 263
en promedio anual o de los últimos 18 meses, que se obtiene de multiplicar el volumen de cada referencia
por su precio), posteriormente se calcula X que es la contribución en porcentaje de referencias
acumulado (por ejemplo si son 10 referencias, el artículo 1 contribuye con una X de 1/10 igual a o.1 o al
10%, la referencia 5 con una X del 50%, y así sucesivamente), en seguida se calcula el A (apoyo logístico)
con las fórmulas que se dan más adelante.
Una vez se evalúa A y se encuentra que es muy disímil en las diferentes referencias, se puede concluir
que no hay una política de jerarquización y de prioridad en el manejo del inventario (cuando el A es
similar en todos los artículos, se declara que ya tiene jerarquización con ABC y no requiere cálculos
adicionales, a menos que se desee variar el valor de A y por ende la distribución del inventario en cuanto
al porcentaje de artículos que representan cierto porcentaje de la demanda global en cada grupo Push,
Pull o CPFR).
El siguiente paso es definir entonces una política para clasificar cada grupo Push, Pull o CPFR, para lo
cual se cuenta con varias opciones, entre ellas resaltan las enunciadas: 10 & 75 de Árbones o 20 & 80 de
Ballou u otra razonable, con lo cual estima nuevamente la Y, con X y A conocidas, y de esta forma se
clasifican todas las referencias en las tres categorías A B C.
X * (1 − Y )
Apoyo Logístico = A = , con Y como porcentaje acumulado de la cantidad monetaria anual y X como
(Y − X )
el porcentaje acumulado de artículos, si se despejan Y y X, quedan así:
1
Y=
B
(A + )
t
A. Mora G.
4 - Inventarios
Demanda o Cantidad
Consumo de unidades por mes Precio de
Cantidad usada monetaria
Ítem Referencia Referencia
promedio en los promedio
Unitario
Ene-04 Feb-04 Mar-04 Abr-04 May-04 Jun-04 Jul-04 Ago-04 Sep-04 Oct-04 Nov-04 Dic-04 Ene-05 Feb-05 Mar-05 Abr-05 May-05 Jun-05 últimos 18 meses demanda anual
1 A-219 148 60 103 277 252 366 279 60 267 107 2 220 334 120 386 124 193 106 189 $ 9,089.00 $ 1,145,887.26
2 A-789 68 304 46 288 186 144 88 180 391 323 56 76 267 268 256 34 219 274 193 $ 8,000.00 $ 1,027,555.56
3 C-504 326 54 353 196 217 0 78 27 331 104 68 20 347 82 146 368 380 137 180 $ 87,909.00 $ 10,529,544.67
4 D-321 379 289 284 389 90 274 296 379 244 270 23 313 270 58 205 297 122 2 232 $ 21,274.00 $ 3,296,682.07
5 D-343 6 84 243 339 241 146 329 82 319 165 128 327 285 301 322 381 162 241 228 $ 10,398.00 $ 1,579,340.67
6 D-390 338 190 286 354 155 99 107 136 394 4 125 332 7 146 336 87 279 56 191 $ 2,291.00 $ 291,126.70
7 D-395 9 6 6 5 4 0 3 0 2 0 0 1 0 0 1 0 0 0 2 $ 3,432.00 $ 4,703.11
8 F-298 263 231 50 296 141 133 239 322 86 152 4 161 376 368 377 301 1 232 207 $ 21,378.00 $ 2,955,706.44
9 F-299 2 341 332 385 332 0 263 311 5 298 259 7 126 1 320 1 3 20 167 $ 12,820.00 $ 1,427,293.33
10 F-320 242 49 364 337 14 327 124 301 356 39 355 301 240 256 379 307 288 364 258 $ 13,340.00 $ 2,293,985.93
11 G-239 0 3 6 2 3 0 2 1 2 0 5 2 3 7 4 5 4 0 3 $ 25,424.00 $ 46,139.85
12 G-564 224 6 144 343 28 161 358 343 192 276 110 339 319 262 284 360 284 64 228 $ 6,704.00 $ 1,017,269.93
13 H-701 207 123 374 274 302 246 16 122 112 25 103 364 325 79 369 113 273 223 203 $ 99,997.00 $ 13,518,112.96
14 H-876 74 296 4 372 257 7 168 271 289 32 312 257 192 299 246 161 369 100 206 $ 13,337.00 $ 1,830,626.74
15 I-209 167 334 250 89 4 376 263 287 103 293 153 379 382 265 376 204 300 370 255 $ 45,678.00 $ 7,773,718.89
16 J-321 1 0 0 0 0 1 1 0 2 0 0 0 12 0 0 0 0 0 1 $ 46,375.00 $ 29,199.07
17 J-629 152 147 214 253 259 87 366 259 290 145 236 322 63 387 132 146 263 161 216 $ 30,868.00 $ 4,438,132.44
18 J-702 17 8 31 4 1 35 32 33 26 34 8 17 27 31 0 21 14 1 19 $ 30,868.00 $ 388,708.15
19 K-920 6 33 11 30 31 14 35 7 27 10 18 20 8 24 35 3 26 12 19 $ 98.00 $ 1,270.37
20 K-982 23 9 30 19 14 10 8 26 1 4 13 0 6 28 0 24 3 26 14 $ 232.00 $ 2,096.59
21 L-090 3 14 20 35 24 26 17 34 11 4 0 0 8 0 17 33 23 22 16 $ 8,749.00 $ 94,294.78
22 L099 28 18 29 31 30 9 4 26 1 21 4 32 0 15 27 0 0 2 15 $ 67,898.00 $ 696,583.19
23 L-342 12 35 2 34 11 20 2 14 25 30 29 19 21 31 3 0 2 24 17 $ 83,432.00 $ 970,283.26
24 L-786 22 17 0 0 0 0 4 12 0 0 0 0 0 32 22 23 3 0 8 $ 5,435.00 $ 27,175.00
25 M-063 8 7 19 16 24 23 2 19 0 3 9 0 0 17 0 2 13 0 9 $ 4,564.00 $ 27,384.00
26 M-108 76 286 42 172 13 35 205 134 32 223 312 193 230 270 179 204 6 244 159 $ 637.00 $ 67,380.44
264 27
28
N-490
N-672
209
339
164
280
321
202
132
236
161
64
250
112
151
74
27
7
3
245
194
98
36
79
255
198
56
54
221
278
230
189
286
323
199
160
215
339
173
182
$ 1,040.00 $
$ 978.00 $
119,792.59
118,700.22
29 O-786 280 85 16 283 307 108 240 217 36 322 330 200 262 128 176 187 160 161 194 $ 1.00 $ 129.56
30 R-783 16 83 323 58 106 207 142 288 32 135 304 129 49 328 37 307 235 320 172 $ 552.00 $ 63,357.33
31 R-987 306 194 198 228 40 242 51 51 306 331 191 154 38 207 22 333 15 206 173 $ 561.00 $ 64,681.22
32 S-785 235 78 98 132 251 335 285 49 288 268 4 225 70 147 250 54 291 287 186 $ 382.00 $ 47,353.85
33 T-190 105 8 271 250 88 243 1 327 20 2 336 297 30 65 106 175 8 38 132 $ 331.00 $ 29,054.44
34 U-897 294 89 212 105 164 215 117 297 108 249 219 204 102 28 267 248 185 93 178 $ 1,137.00 $ 134,587.11
35 W-002 242 107 22 96 208 30 93 69 230 122 254 209 145 37 197 63 253 126 139 $ 1,084.00 $ 100,490.81
36 W-098 185 68 167 202 15 28 164 233 4 313 67 297 218 169 209 163 91 263 159 $ 8.00 $ 846.22
37 Y-098 248 11 236 230 77 243 37 98 326 316 41 281 16 274 254 55 35 317 172 $ 1,238.00 $ 141,911.48
38 Y-789 95 33 143 319 141 336 49 322 208 14 252 164 118 36 136 193 241 218 168 $ 175.00 $ 19,561.11
39 Z-090 53 330 5 165 135 145 98 271 224 263 105 328 112 265 261 94 264 77 178 $ 1,310.00 $ 155,016.67
40 Z-232 174 285 71 8 127 201 257 238 152 47 293 140 115 151 117 58 6 274 151 $ 231.00 $ 23,219.78
Para el caso particular se adopta un ABC con la proporción Árbones X & Y de 10 & 75, lo que da lugar a
la categorización de las referencias de tal forma que:
• El siguiente 25% de los referencias caen en la categoría tipo B con un correspondiente 18.67 %
del total demandado (resta de 93.56 % - 74.89 %).
• En tercer lugar, el resto del 55% se establecen como productos tipo C y simbolizan el 6.44 % del
volumen en unidades económicas que se atiende desde inventario.
A. Mora G.
1 2 21 22 23 24 25 26 27 28 29 30 31 32
A. Mora G.
1 H-701 203 $ 99,997.00 $ 243,326,033.33 $ 243,326,033.33 2.50% 23.93% 23.93% 8.88% 40.89% A 40.89% $ 415,800,790.95 $ 415,800,790.95
2 C-504 180 $ 87,909.00 $ 189,531,804.00 $ 432,857,837.33 5.00% 18.64% 42.56% 7.65% 58.67% A 17.79% $ 180,885,089.85 $ 596,685,880.80
3 I-209 255 $ 45,678.00 $ 139,926,940.00 $ 572,784,777.33 7.50% 13.76% 56.32% 6.71% 68.62% A 9.95% $ 101,200,028.24 $ 697,885,909.04
4 J-629 216 $ 30,868.00 $ 79,886,384.00 $ 652,671,161.33 10.00% 7.86% 64.18% 6.61% 74.98% A 6.36% $ 64,665,722.02 $ 762,551,631.05
5 D-321 232 $ 21,274.00 $ 59,340,277.33 $ 712,011,438.67 12.50% 5.83% 70.01% 6.52% 79.40% B 4.41% $ 44,890,271.86 $ 807,441,902.91
6 F-298 207 $ 21,378.00 $ 53,202,716.00 $ 765,214,154.67 15.00% 5.23% 75.24% 6.16% 82.64% B 3.24% $ 32,983,037.94 $ 840,424,940.86
7 F-320 258 $ 13,340.00 $ 41,291,746.67 $ 806,505,901.33 17.50% 4.06% 79.30% 5.86% 85.12% B 2.48% $ 25,258,673.09 $ 865,683,613.94
8 H-876 206 $ 13,337.00 $ 32,951,281.33 $ 839,457,182.67 20.00% 3.24% 82.54% 5.58% 87.09% B 1.96% $ 19,963,353.78 $ 885,646,967.72
9 D-343 228 $ 10,398.00 $ 28,428,132.00 $ 867,885,314.67 22.50% 2.80% 85.34% 5.25% 88.68% B 1.59% $ 16,175,241.11 $ 901,822,208.83
10 F-299 167 $ 12,820.00 $ 25,691,280.00 $ 893,576,594.67 25.00% 2.53% 87.87% 4.83% 89.99% B 1.31% $ 13,371,906.43 $ 915,194,115.26
11 A-219 189 $ 9,089.00 $ 20,625,970.67 $ 914,202,565.33 27.50% 2.03% 89.89% 4.45% 91.10% B 1.11% $ 11,239,225.98 $ 926,433,341.24
12 A-789 193 $ 8,000.00 $ 18,496,000.00 $ 932,698,565.33 30.00% 1.82% 91.71% 4.03% 92.04% B 0.94% $ 9,579,074.43 $ 936,012,415.67
13 G-564 228 $ 6,704.00 $ 18,310,858.67 $ 951,009,424.00 32.50% 1.80% 93.51% 3.46% 92.85% B 0.81% $ 8,261,457.59 $ 944,273,873.26
Ilustración 111 - Clasificación ABC Inventarios
14 L-342 17 $ 83,432.00 $ 17,465,098.67 $ 968,474,522.67 35.00% 1.72% 95.23% 2.77% 93.56% B 0.71% $ 7,198,206.93 $ 951,472,080.19
15 L099 15 $ 67,898.00 $ 12,538,497.33 $ 981,013,020.00 37.50% 1.23% 96.46% 2.25% 94.18% C 0.62% $ 6,327,807.06 $ 957,799,887.25
16 J-702 19 $ 30,868.00 $ 6,996,746.67 $ 988,009,766.67 40.00% 0.69% 97.15% 1.99% 94.73% C 0.55% $ 5,606,278.32 $ 963,406,165.57
17 D-390 191 $ 2,291.00 $ 5,240,280.67 $ 993,250,047.33 42.50% 0.52% 97.67% 1.80% 95.22% C 0.49% $ 5,001,501.80 $ 968,407,667.38
18 Z-090 178 $ 1,310.00 $ 2,790,300.00 $ 996,040,347.33 45.00% 0.27% 97.94% 1.75% 95.67% C 0.44% $ 4,489,577.36 $ 972,897,244.74
19 Y-098 172 $ 1,238.00 $ 2,554,406.67 $ 998,594,754.00 47.50% 0.25% 98.19% 1.69% 96.06% C 0.40% $ 4,052,422.80 $ 976,949,667.54
20 U-897 178 $ 1,137.00 $ 2,422,568.00 $ 1,001,017,322.00 50.00% 0.24% 98.43% 1.62% 96.43% C 0.36% $ 3,676,153.27 $ 980,625,820.81
21 N-490 173 $ 1,040.00 $ 2,156,266.67 $ 1,003,173,588.67 52.50% 0.21% 98.64% 1.54% 96.75% C 0.33% $ 3,349,963.98 $ 983,975,784.79
22 N-672 182 $ 978.00 $ 2,136,604.00 $ 1,005,310,192.67 55.00% 0.21% 98.85% 1.44% 97.06% C 0.30% $ 3,065,345.12 $ 987,041,129.92
23 W-002 139 $ 1,084.00 $ 1,808,834.67 $ 1,007,119,027.33 57.50% 0.18% 99.03% 1.34% 97.33% C 0.28% $ 2,815,520.75 $ 989,856,650.66
24 L-090 16 $ 8,749.00 $ 1,697,306.00 $ 1,008,816,333.33 60.00% 0.17% 99.20% 1.23% 97.59% C 0.26% $ 2,595,041.44 $ 992,451,692.10
25 M-108 159 $ 637.00 $ 1,212,848.00 $ 1,010,029,181.33 62.50% 0.12% 99.32% 1.16% 97.82% C 0.24% $ 2,399,484.44 $ 994,851,176.54
26 R-987 173 $ 561.00 $ 1,164,262.00 $ 1,011,193,443.33 65.00% 0.11% 99.43% 1.07% 98.04% C 0.22% $ 2,225,229.94 $ 997,076,406.47
27 R-783 172 $ 552.00 $ 1,140,432.00 $ 1,012,333,875.33 67.50% 0.11% 99.54% 0.96% 98.25% C 0.20% $ 2,069,292.31 $ 999,145,698.78
28 S-785 186 $ 382.00 $ 852,369.33 $ 1,013,186,244.67 70.00% 0.08% 99.63% 0.88% 98.44% C 0.19% $ 1,929,191.27 $ 1,001,074,890.06
29 G-239 3 $ 25,424.00 $ 830,517.33 $ 1,014,016,762.00 72.50% 0.08% 99.71% 0.78% 98.61% C 0.18% $ 1,802,852.62 $ 1,002,877,742.68
30 J-321 1 $ 46,375.00 $ 525,583.33 $ 1,014,542,345.33 75.00% 0.05% 99.76% 0.73% 98.78% C 0.17% $ 1,688,530.96 $ 1,004,566,273.63
31 T-190 132 $ 331.00 $ 522,980.00 $ 1,015,065,325.33 77.50% 0.05% 99.81% 0.65% 98.94% C 0.16% $ 1,584,749.09 $ 1,006,151,022.72
32 M-063 9 $ 4,564.00 $ 492,912.00 $ 1,015,558,237.33 80.00% 0.05% 99.86% 0.56% 99.08% C 0.15% $ 1,490,250.04 $ 1,007,641,272.76
33 L-786 8 $ 5,435.00 $ 489,150.00 $ 1,016,047,387.33 82.50% 0.05% 99.91% 0.43% 99.22% C 0.14% $ 1,403,958.78 $ 1,009,045,231.54
34 Z-232 151 $ 231.00 $ 417,956.00 $ 1,016,465,343.33 85.00% 0.04% 99.95% 0.29% 99.35% C 0.13% $ 1,324,951.53 $ 1,010,370,183.07
35 Y-789 168 $ 175.00 $ 352,100.00 $ 1,016,817,443.33 87.50% 0.03% 99.98% 0.11% 99.47% C 0.12% $ 1,252,430.92 $ 1,011,622,613.99
36 D-395 2 $ 3,432.00 $ 84,656.00 $ 1,016,902,099.33 90.00% 0.01% 99.99% 0.07% 99.59% C 0.12% $ 1,185,705.78 $ 1,012,808,319.78
37 K-982 14 $ 232.00 $ 37,738.67 $ 1,016,939,838.00 92.50% 0.00% 100.00% 0.05% 99.70% C 0.11% $ 1,124,174.60 $ 1,013,932,494.38
38 K-920 19 $ 98.00 $ 22,866.67 $ 1,016,962,704.67 95.00% 0.00% 100.00% 0.03% 99.81% C 0.10% $ 1,067,311.95 $ 1,014,999,806.33
39 W-098 159 $ 8.00 $ 15,232.00 $ 1,016,977,936.67 97.50% 0.00% 100.00% 0.01% 99.91% C 0.10% $ 1,014,657.19 $ 1,016,014,463.53
40 O-786 194 $ 1.00 $ 2,332.00 $ 1,016,980,268.67 100.00% 0.00% 100.00% 100.00% C 0.09% $ 965,805.14 $ 1,016,980,268.67
4 - Inventarios
• Tipo A, se mantiene un excelente nivel de inventarios en todos los almacenes o en los puntos de
entrega que existan. Lo ideal es que para productos de los cuales se maneja un fondo de reserva
en cada período lectivo, se deje un 1.25 veces la demanda, con la aclaración de que esta demanda
debe ser calculada como un promedio entre la demanda normal de los últimos meses y el
pronóstico de los siguientes períodos, la ventaja que tiene este método de estimación de la
demanda promedio en función de las previsiones, es que tiene en cuenta el pasado y a su vez el
futuro, de lo que ocurre en los siguientes lapsos de tiempo, se recomienda, así:
• Tipo B, son referencias que se mantienen en niveles medios de inventarios solo en algunos
almacenes. Lo adecuado es mantener al final de cada período evaluado unas 0.75 veces la
demanda promedio (en función de los pronósticos).
• Tipo C, son artículos a los cuales no se les mantiene buenos márgenes de inventarios, y en caso
de hacerlo sólo se tienen en uno que otro almacén (si hay varios), cuando solo hay uno se pide
cuando se requiere. Se recomienda no mantener más de 0.35 veces de la demanda promedio
(calculada con pronósticos).
Para estimar el nivel medio del inventario promedio a mantener de la referencia, se define primero
mediante políticas de la empresa la tasa de rotación (que denota el tiempo promedio que se mantiene
un producto o insumo dentro del estante del inventario). La tasa de rotación es el inverso por año del
inventario promedio, en el siguiente ejemplo al dividir 12 meses entre el número de inventarios
promedio se obtiene una rotación95 de 9.6 veces para las referencias tipo A, 16 para B y 34 veces por año
para los artículos tipo C. Dada la tasa de rotación y conocida la demanda se puede calcular el inventario
promedio a mantener.
En el evento de que se deseen retirar referencias por no rotación o porque no tienen demanda, el
procedimiento de cálculo es el mismo, con el nuevo X y el A definido por política se estima el nuevo Y,
para realizar en forma posterior los cálculos pertinentes ya expuestos. En el ejemplo que se muestra a
continuación se descartan del inventario regular las nueve (9) referencias sombreadas con trama de
puntos: L-099, L-090, G-239, J-321, M-063, L-786, D-395, K-982 y K-920 por baja rotación; se desea
estimar el inventario a mantener por cada ítem.
Una vez se hacen los cálculos se deben revisar los resultados y definir políticas hacia los inventarios a
mantener, después del cálculo ABC sin las referencias mencionadas, se obtiene el inventario promedio
en unidades de dos maneras en este ejemplo, debe definir la empresa entonces cual de las dos cifras
adopta, la cual puede ser diferente en función de la compañía en particular (Mora, 2006,229-246).
95
Ballou recomienda que en general las tasas de rotación se deben mantener alrededor de unas 9 veces por año, es como lo normal, enuncia este autor
(Ballou,2004b)
A. Mora G.
A. Mora G.
Si adopta una política conservadora
toma los menores, en el evento
1 2 21 22 23 24 25 26 27 28 29 30 31 32 contrario los mayores.
Nuevo Demanda Inventario Inventario a Inventario a
Demanda o Cantidad Nuevo Nuevo Demanda Inventario a
Precio de Cantidad monetaria Cantidad monetaria - Porcentaje Porcentaje - Porcentaje A - Apoyo
X Y mantener en mantener en
mensual usada Nuevo Y para A CLASIFICACIÓN Porcentaje anual por referencia acumulada anual en promedio, se mantener en Rotación Anual
Ítem Referencia Referencia promedio demanda promedio demanda acumulado de individual de individual de logístico actual = de 3.85% con Y = A B C con nuevo en Unidades establece por unidades unidades físicas
promedio en los individual de Monetarias con nuevo Unidades Monetarias unidades - veces por año -
Unitario anual anual acumulada X*(1+A)/(A+X) A y nuevo Y política físicas por por demanda
últimos 18 meses artículos demanda anual demanda anual X*(1-Y)/(Y-X)
demanda anual A y nuevo Y con nuevo A y nuevo Y monetarias
empresarial. cálculo ABC histórica
1 H-701 203 $ 99,997.00 $ 243,326,033.33 $ 243,326,033.33 3.23% 24.33% 24.33% 11.57% 47.34% A 47.34% $ 473,567,855.68 $ 473,567,855.68 1.25 $ 49,329,984.97 493 253 9.6
2 C-504 180 $ 87,909.00 $ 189,531,804.00 $ 432,857,837.33 6.45% 18.95% 43.27% 9.94% 65.04% A 17.69% $ 176,985,512.99 $ 650,553,368.67 1.25 $ 18,435,990.94 210 225 9.6
3 I-209 255 $ 45,678.00 $ 139,926,940.00 $ 572,784,777.33 9.68% 13.99% 57.26% 8.69% 74% A 9.26% $ 92,576,063.61 $ 743,129,432.28 1.25 $ 9,643,339.96 211 319 9.6
4 J-629 216 $ 30,868.00 $ 79,886,384.00 $ 652,671,161.33 12.90% 7.99% 65.25% 8.57% 79.98% B 5.69% $ 56,925,321.87 $ 800,054,754.15 0.75 $ 3,557,832.62 115 162 16
5 D-321 232 $ 21,274.00 $ 59,340,277.33 $ 712,011,438.67 16.13% 5.93% 71.18% 8.44% 83.84% B 3.85% $ 38,543,043.07 $ 838,597,797.23 0.75 $ 2,408,940.19 113 174 16
6 F-298 207 $ 21,378.00 $ 53,202,716.00 $ 765,214,154.67 19.35% 5.32% 76.50% 7.96% 86.62% B 2.78% $ 27,826,967.98 $ 866,424,765.21 0.75 $ 1,739,185.50 81 156 16
7 F-320 258 $ 13,340.00 $ 41,291,746.67 $ 806,505,901.33 22.58% 4.13% 80.63% 7.53% 88.72% B 2.10% $ 21,034,518.36 $ 887,459,283.58 0.75 $ 1,314,657.40 99 193 16
8 H-876 206 $ 13,337.00 $ 32,951,281.33 $ 839,457,182.67 25.81% 3.29% 83.92% 7.14% 90.37% B 1.65% $ 16,458,563.97 $ 903,917,847.54 0.75 $ 1,028,660.25 77 154 16
9 D-343 228 $ 10,398.00 $ 28,428,132.00 $ 867,885,314.67 29.03% 2.84% 86.77% 6.65% 91.69% B 1.32% $ 13,229,336.72 $ 917,147,184.27 0.75 $ 826,833.55 80 171 16
10 F-299 167 $ 12,820.00 $ 25,691,280.00 $ 893,576,594.67 32.26% 2.57% 89.33% 6.03% 92.78% B 1.09% $ 10,865,583.34 $ 928,012,767.61 0.75 $ 679,098.96 53 125 16
11 A-219 189 $ 9,089.00 $ 20,625,970.67 $ 914,202,565.33 35.48% 2.06% 91.40% 5.46% 93.69% B 0.91% $ 9,083,390.64 $ 937,096,158.25 0.75 $ 567,711.92 62 142 16
12 A-789 193 $ 8,000.00 $ 18,496,000.00 $ 932,698,565.33 38.71% 1.85% 93.25% 4.79% 94.46% C 0.77% $ 7,706,441.29 $ 944,802,599.54 0.35 $ 224,771.20 28 67 34
13 G-564 228 $ 6,704.00 $ 18,310,858.67 $ 951,009,424.00 41.94% 1.83% 95.08% 3.89% 95.12% C 0.66% $ 6,620,529.95 $ 951,423,129.50 0.35 $ 193,098.79 29 80 34
14 L-342 17 $ 83,432.00 $ 17,465,098.67 $ 968,474,522.67 45.16% 1.75% 96.82% 2.78% 95.69% C 0.57% $ 5,749,034.91 $ 957,172,164.41 0.35 $ 167,680.18 2 6 34
L099 15 $ 67,898.00
15 J-702 19 $ 30,868.00 $ 6,996,746.67 $ 6,996,746.67 48.39% 0.70% 97.52% 2.44% 96.20% C 0.50% $ 5,038,992.62 $ 962,211,157.03 0.35 $ 146,970.62 5 7 34
16 D-390 191 $ 2,291.00 $ 5,240,280.67 $ 12,237,027.33 51.61% 0.52% 98.05% 2.17% 96.64% C 0.45% $ 4,452,841.74 $ 966,663,998.77 0.35 $ 129,874.55 57 67 34
17 Z-090 178 $ 1,310.00 $ 2,790,300.00 $ 15,027,327.33 54.84% 0.28% 98.32% 2.11% 97.04% C 0.40% $ 3,963,343.65 $ 970,627,342.41 0.35 $ 115,597.52 88 62 34
18 Y-098 172 $ 1,238.00 $ 2,554,406.67 $ 17,581,734.00 58.06% 0.26% 98.58% 2.04% 97.39% C 0.35% $ 3,550,355.54 $ 974,177,697.95 0.35 $ 103,552.04 84 60 34
19 U-897 178 $ 1,137.00 $ 2,422,568.00 $ 20,004,302.00 61.29% 0.24% 98.82% 1.92% 97.71% C 0.32% $ 3,198,722.04 $ 977,376,419.99 0.35 $ 93,296.06 82 62 34
20 N-490 173 $ 1,040.00 $ 2,156,266.67 $ 22,160,568.67 64.52% 0.22% 99.04% 1.80% 98.00% C 0.29% $ 2,896,863.26 $ 980,273,283.25 0.35 $ 84,491.84 81 60 34
Ilustración 112 - Retiro de referencias e Inventario a mantener - ABC
21 N-672 182 $ 978.00 $ 2,136,604.00 $ 24,297,172.67 67.74% 0.21% 99.25% 1.61% 98.27% C 0.26% $ 2,635,808.15 $ 982,909,091.40 0.35 $ 76,877.74 79 64 34
22 W-002 139 $ 1,084.00 $ 1,808,834.67 $ 26,106,007.33 70.97% 0.18% 99.43% 1.42% 98.51% C 0.24% $ 2,408,519.63 $ 985,317,611.03 0.35 $ 70,248.49 65 49 34
L-090 16 $ 8,749.00
23 M-108 159 $ 637.00 $ 1,212,848.00 $ 1,212,848.00 74.19% 0.12% 99.55% 1.31% 98.73% C 0.22% $ 2,209,414.94 $ 987,527,025.97 0.35 $ 64,441.27 101 56 34
24 R-987 173 $ 561.00 $ 1,164,262.00 $ 2,377,110.00 77.42% 0.12% 99.67% 1.15% 98.93% C 0.20% $ 2,034,019.31 $ 989,561,045.28 0.35 $ 59,325.56 106 61 34
25 R-783 172 $ 552.00 $ 1,140,432.00 $ 3,517,542.00 80.65% 0.11% 99.78% 0.91% 99.12% C 0.19% $ 1,878,712.13 $ 991,439,757.41 0.35 $ 54,795.77 99 60 34
26 S-785 186 $ 382.00 $ 852,369.33 $ 4,369,911.33 83.87% 0.09% 99.87% 0.69% 99.29% C 0.17% $ 1,740,538.51 $ 993,180,295.92 0.35 $ 50,765.71 133 65 34
G-239 3 $ 25,424.00
J-321 1 $ 46,375.00
27 T-190 132 $ 331.00 $ 522,980.00 $ 522,980.00 87.10% 0.05% 99.92% 0.53% 99.45% C 0.16% $ 1,617,067.60 $ 994,797,363.52 0.35 $ 47,164.47 142 46 34
M-063 9 $ 4,564.00
L-786 8 $ 5,435.00
28 Z-232 151 $ 231.00 $ 417,956.00 $ 417,956.00 90.32% 0.04% 99.96% 0.35% 99.60% C 0.15% $ 1,506,284.89 $ 996,303,648.41 0.35 $ 43,933.31 190 53 34
29 Y-789 168 $ 175.00 $ 352,100.00 $ 770,056.00 93.55% 0.04% 100.00% 0.03% 99.74% C 0.14% $ 1,406,509.45 $ 997,710,157.86 0.35 $ 41,023.19 234 59 34
D-395 2 $ 3,432.00
K-982 14 $ 232.00
K-920 19 $ 98.00
30 W-098 159 $ 8.00 $ 15,232.00 $ 15,232.00 96.77% 0.00% 0.00% -100.00% 99.88% C 0.13% $ 1,316,329.80 $ 999,026,487.66 0.35 $ 38,392.95 4799 56 34
31 O-786 194 $ 1.00 $ 2,332.00 $ 17,564.00 100.00% 0.00% 0.00% -100.00% 100.00% C 0.12% $ 1,234,553.68 $ 1,000,261,041.33 0.35 $ 36,007.82 36008 68 34
267
4 - Inventarios
4.2.2. Push
En el caso particular de los artículos tipo Push, en ocasiones los lotes de pedidos a los proveedores son
mayores que el requerimiento, o la capacidad de fabricación de piezas excede la cantidad solicitada
(como el caso contrario que la necesidad está por encima de la capacidad de fabricación) o el poder
adquisitivo es superior a la necesidad; en cualquiera de los eventos anteriores se debe hacer una
reasignación de las cantidades a solicitar por referencia96, la cual se logra al seguir los siguientes pasos:
Determinar los requisitos netos por referencia que se obtienen de adicionar el pronóstico del
período siguiente al error de pronóstico del mes anterior
Establecer los requerimientos netos como la diferencia entre los las cantidades disponibles y
los requisitos totales.
Distribuir los excesos (o defectos) de los requerimientos netos entre el pronóstico de demanda
del siguiente período.
268
Asignar las cantidades a solicitar por cada referencia para el siguiente período a partir de los
excesos.
Definir la demanda o requisito específico y establecer el inventario deseado al final del período
calculado.
La disponibilidad se refiere a la cantidad que se desea tener, consiste en asignar una probabilidad de
disponibilidad a partir de la distribución normal, es el caso hipotético de que si se presentan el 100%
solicitudes posibles de un mismo producto en un determinado instante, cuántos se desea tener de ellos
para responder a esas demandas, por ejemplo si se desea tener una disponibilidad del 98.30 % le
corresponde una Z probabilística de 2.12, se calcula con la distribución normal que se encuentra en el
CD bajo la denominación de Programas\Distribución Normal Z y Probabilidad.xls como también la
puede hallar a partir de la siguiente ilustración.
También con Excel se puede calcular la probabilidad con la función DISTR.NORM.ESTAND(Z), dado Z,
si lo que se tiene es esta última se usa entonces DISTR.NORM.ESTAND.INV(Pobrabilidad en
decimales).
96
Debe ser la misma referencia o en el evento de que se trate de referencias diferentes debe ser calculada bajo la metodología de cantidades equivalentes,
es decir bajo un mismo patrón de medida en términos de dinero, de horas de fabricación u otra escala.
A. Mora G.
4 - Inventarios
Se tienen cuatro referencias equivalentes, para las cuales se tienen las necesidades de demanda del
próximo período, los inventarios del período anterior (actual), se cuenta con la disponibilidad definida
mediante política empresarial y estimada de la curva de distribución normal, se calcula el error del mes
anterior y se posee una capacidad del proveedor de 1329 unidades para todas las referencias.
J-629 989 216 878 85% 1.0364 1126 137 280 416
F-298 365 207 132 92% 1.4051 393 28 269 297
H-876 549 206 278 95% 1.6449 663 114 267 381
F-299 392 167 198 89% 1.2265 410 18 217 234
Capacidad total del
Suma 2295 796 2592 297 1032 1329 proveedor o del
pedido posible
Para el caso particular de las referencias Push del A B C, se tienen las siguientes cantidades ideales a
pedir, junto con su cantidad de pedidos por año y su frecuencia:
A. Mora G.
4 - Inventarios
I S D C Q N T
1 2 28 29 Inventario
R
recomendao
Demanda Cantidad a por política
e Costo de Frecuencia
f Costo promedio pedir Número de la
Manejo y entre
Í e Nuevo Y Almacena-
Unitario año a partir (pedido de
pedidos empresa
t r Tipo A de de la última óptimo por pedidos
e
para A de miento por Costo óptimos a A=1.25 veces,
e 3.85% con Y = B C reponer demanda y el costo) en óptimos a
n unidad en realizar por B=0.75 veces
m X*(1+A)/(A+X) por pronóstico unidades realizar y C=0.35 la D
c porcentaje año, en
pedido próximo de la por año promedio
i del costo meses
a
período referencia
La estimación de la cantidad de pedido óptima en las referencias Push, se realiza mediante la aplicación
de la siguiente fórmula que optimiza los costos de almacenamiento y manejo del inventario.
Ecuación 27 - Cantidad óptima a pedir, con el mínimo costo para reponer inventarios.
D I *C *Q
Costo Total de Pedir = *S +
Q 2 , donde
Q = tamaño del pedido a realizar para reponer el inventario deseado, de la referencia requerida
D = Demanda anual del artículo en reposición, el cual sucede a una tasa promedio conocida o que se puede pronosticar
con series temporales
A. Mora G.
4 - Inventarios
S = Costo de adquirir, es decir es el costo de lanzar un pedido, en unidades monetarias por pedido
C = Costo de una unidad del artículo en estudio, también se puede definir también como el valor de una unidad de la
referencia en reposición, en unidades monetarias por artículo
I = Costo del manejo de la referencia en las bodegas o almacenes, se define normalmente como un porcentaje del valor
del artículo, se trabaja en porcentaje costo por año
El término D/Q es el número de veces que se colocan pedidos de esa referencia en un año
La expresión Q/2 representa la cantidad promedio del inventario disponible de la referencia en reposición
Si se deriva la expresión anterior contra el costo, buscando optimizar el valor para determinar la cantidad óptima Q*
a pedir, se encuentra matemáticamente la expresión:
2* D * S
Pedido óptimo con al mínimo costo = Q * = ,
I *C
D
el número óptimo de pedidos por año es N = y
Q*
Q*
el tiempo óptimo entre pedidos es T * = , dado en unidades de tiempo de años
D
Fuente Bibliográfica: Ballou,2004b,345
De esta forma se dejan sentadas las bases para estimar las cantidades a Push pedir por referencia, la
frecuencia de pedidos que se debe hacer periódicamente, el tiempo recomendado para revisar y hacer
nuevos cálculos es cada mes (pero depende en sí del sistema de producción y/o de aprovisionamiento
y/o de distribución, de la empresa en especial), cuando en los cálculos por asignación no se tiene entrega
inmediata, se deben tener en cuenta los pedidos en tránsito y la demanda durante el tiempo de espera
(lead time) mediante la adición de las cifras respectivas a los volúmenes a pedir. 271
En síntesis los volúmenes a pedir en Push por asignación, deben ser como mínimo iguales o superiores,
al volumen estimado a solicitar por el sistema de Q óptimo (en función de los costos).
Para realizar su propio ejercicio puede utilizar la ayuda de la plantilla Excel, que se encuentra en el CD
adjunto bajo el nombre de Programas/Plantilla Inventarios PUSH.xls.
4.2.3. Pull
En los artículos Pull el control de inventarios se hace a partir del tipo de demanda especial, que se da en
el caso particular. A tal efecto se presentan a continuación, varios casos especiales de ellos.
4.2.3.1. Demanda una sola vez en el tiempo
Es una situación particular que se da mucho en las empresas y las industrias, por ejemplo la cantidad
de perfiles que se extruyen en aluminio para un constructor quien los usa en ventanas, puertas, etc., en
una construcción de una urbanización particular; un fabricante de vidrios para la urbanización
mencionada, la cantidad de viandas a preparar para un evento especial, repuestos que son únicos y no
sirven en otros equipos, es importante tener en cuenta que no deben quedar remanentes que se pierdan,
piezas que se fabrican bajo pedidos especiales una sola vez para equipos especiales, etc.
En cualquiera de los eventos anteriores para estimar la cantidad a pedir, se deben tener en cuenta las
siguientes expresiones para realizar dicha aproximación.
A. Mora G.
4 - Inventarios
272 En ocasiones en ingeniería donde el consumo es interno, dentro de la misma organización, el precio de
venta no existe, pues la demanda sucede en la misma la compañía, en estos casos se asume como precio
de venta el valor integral que obtiene al tener en cuenta los siguientes parámetros tácitos, en que se
incurre por tener el producto dentro de un inventario y que se surgen como consecuencia de la función
de costos de los inventarios, definida en la ecuación anterior, que se denomina Cantidad óptima a pedir,
con el mínimo costo para reponer inventarios:
• Costo de manejo o almacenamiento (I), se define como un porcentaje del costo del producto por
período anual, en el caso de algunos meses, se define entonces proporcional al tiempo
almacenado; lo habitual puede ser entre el 0.01 y el 25% del costo de la referencia por año.
• Costo de adquirir (S): cada producto que existe en el inventario, conlleva intrínseco el costo de
solicitar la referencia al fabricante o proveedor; por lo cual esta se debe incorporar al estimado
del precio de venta.
• Costo de compra (C): este se incorpora neto al precio estimado (tácito) de venta.
• Costo financiero (F): se refiere en países donde la inflación o las tasas de interés son altas, se
debe agregar, solo en estas situaciones, como un sobreprecio del producto en este caso
desfavorable y se puede tomar como el costo de oportunidad de tener el dinero invertido en
inventarios y no en el flujo circulante de la empresa.
En otras palabras, se debe asumir siempre que el costo real actual de la referencia siempre es mayor que
el costo de costo de adquirir, una vez se compra y se almacena el repuesto, referencia o artículo. Para el
caso de salvamento con demanda única, siempre se asume que el precio estimado de venta (tácito,
A. Mora G.
4 - Inventarios
aunque no ocurre en los documentos internos de la empresa) siempre es mayor que el valor de la
compra.
Una máquina requiere unos amortiguadores especiales que solo son fabricados por un proveedor en el
mundo, el pronóstico de la demanda esperada para el tiempo útil de la máquina es de 34 espirales, el
comportamiento de la demanda se asimila a una distribución normal con una desviación estándar de 8
elementos de amortiguación, el precio de adquisición son 12 unidades monetarias, el costo de
salvamento se estima en 4 unidades monetarias, el precio estimado de venta (I + S + C + F) (tácito, no
real) actual es de 37 unidades monetarias (u.m.) (incluyendo todos los conceptos de compra).
Utilidad unitaria= Venta ( Costo Total ) − Pr ecio unitariode adquisión del proveedor = 37 − 12 = 25 u .m.
Pérdida unitaria = Pr ecio de adquisión unitario del proveedor − Costo de Salvamento = 12 − 4 = 8 u .m.
Utilidad 37 − 12 25
Pr obabilidad = = = = 75.75 % , lo que implica
Utilidad + Pérdida (37 − 12) + (12 − 4) 25 + 8
una Z de la distribución normal de 0.6983
273
Cantidad única a pedir = Q * = Pr onóstico de la demanda total + Z * S d = 34 + 0.6983* 8 = 39.58 amortiguadores
para toda la existencia de la máquina.
De esta forma se optimiza la compra del repuesto que se requiere, en el evento de que queden algunos
remanentes.
Las expresiones matemáticas de este tipo de demanda continua con abastecimiento instantáneo, son las
mismas que se declaran en ecuación anterior, que se titula como Cantidad óptima a pedir, con el mínimo
costo para reponer inventarios.
A. Mora G.
4 - Inventarios
Ilustración 115 - Cantidades y frecuencias en Push con aprovisionamiento inmediato y demanda continua
2* D*S
Q*= I S D C Q* Cantidad de
I *C Tiempo óptimo
veces a pedir
entre pedidos =
Demanda promedio por año = D / Q*
Demanda Costo de Manejo y Costo Cantidad a pedir Q* / D
Costo total de año a partir de la (unidades es
Promedio Mes Almacenamiento por Unitario de (pedido óptimo por (unidades en
Ítem # Referencia en unidades
adquisición del
unidad en porcentaje reponer por
última demanda y el Costo costo) en unidades
pedidos por
años)
proveedor pronóstico próximo de la referencia año)
monetarias del costo pedido
período
1 GHJ-980 $ 3,415,070.00 $ 33,428.00 0.00120% $ 768.00 1226 $ 33,428.00 2170 0.5650 1.77
2 GFJ-980 $ 1,722,720.00 $ 6,724.00 0.00595% $ 768.00 3074 $ 6,724.00 3436 0.8948 1.12
3 LKJ-567 $ 1,543,950.00 $ 19,783.00 0.00202% $ 768.00 937 $ 19,783.00 1896 0.4939 2.02
4 MVC-342 $ 1,125,109.25 $ 760.00 0.05263% $ 768.00 17765 $ 760.00 8259 2.1509 0.46
5 CVD-904 $ 928,110.00 $ 4,345.00 0.00921% $ 768.00 2563 $ 4,345.00 3137 0.8170 1.22
6 AKJ-093 $ 809,030.00 $ 10,727.00 0.00373% $ 768.00 905 $ 10,727.00 1864 0.4855 2.06
7 JUS-435 $ 664,099.70 $ 3,922.00 0.01020% $ 768.00 2032 $ 3,922.00 2793 0.7274 1.37
8 REM-982 $ 531,618.75 $ 9,960.00 0.00402% $ 768.00 641 $ 9,960.00 1568 0.4084 2.45
9 WOC-327 $ 510,030.00 $ 3,232.00 0.01238% $ 768.00 1894 $ 3,232.00 2697 0.7022 1.42
10 LKM-786 $ 3,234,444.00 $ 12,756.00 0.00314% $ 768.00 3043 $ 12,756.00 3418 0.8902 1.12
11 NAO-983 $ 361,622.40 $ 33,243.00 0.00120% $ 768.00 131 $ 33,243.00 708 0.1844 5.42
12 HJS-381 $ 360,720.00 $ 323.00 0.12384% $ 768.00 13401 $ 323.00 7174 1.8681 0.54
13 GVS-789 $ 210,898.85 $ 22,370.00 0.00179% $ 768.00 113 $ 22,370.00 659 0.1716 5.83
14 WRQ-392 $ 203,470.00 $ 123.00 0.32520% $ 768.00 19851 $ 123.00 8731 2.2736 0.44
15 ESR-783 $ 82,545.20 $ 1,435.00 0.02787% $ 768.00 690 $ 1,435.00 1628 0.4240 2.36
16 DFE-132 $ 82,479.00 $ 213.00 0.18779% $ 768.00 4647 $ 213.00 4224 1.1000 0.91
17 WOP-439 $ 68,650.20 $ 2,325.00 0.01720% $ 768.00 354 $ 2,325.00 1166 0.3038 3.29
18 HSO-782 $ 51,618.00 $ 4,534.00 0.00882% $ 768.00 137 $ 4,534.00 724 0.1886 5.30
19 ZSQ-327 $ 42,080.40 $ 2,134.00 0.01874% $ 768.00 237 $ 2,134.00 953 0.2482 4.03
20 XQR-324 $ 35,067.00 $ 8,155.00 0.00490% $ 768.00 52 $ 8,155.00 445 0.1159 8.63
2* D*S
Q*=
I *C
El pedido debe lanzarse, donde el nivel del inventario que se tiene, permite atender la demanda durante
el tiempo de espera (lead time) del pedido que lanza.
4.2.3.3. Demanda muchas veces en el tiempo, con entrega no inmediata
Cuando la entrega no se hace en forma instantánea en demanda conocida y continua, sino que requiere
de un tiempo de espera (lead time), se utilizan las mismas expresiones del caso anterior, solo que el
pedido debe lanzarse en un nivel NPE (Nivel Pedido con Espera) del inventario de tal manera que el
274 volumen que existe, sea suficiente para atender la demanda durante el tiempo que transcurre entre el
instante en que se lanza el pedido y el momento en que este llega y está disponible, para ello se calcula
el NPE con la siguiente fórmula:
Ecuación 31 - Tiempo de espera (lead time) con ajuste cuando producción es mayor a demanda
A. Mora G.
4 - Inventarios
Ejercicio 11 - Tiempo de espera (lead time) con ajuste cuando producción es mayor a demanda
Se tiene el elemento anterior MVC-342, el cual posee las siguientes características: su demanda anual es
D: 17765 unidades por año (demanda mes: 1480.41 unidades mensuales), su costo de pedir es S: $ 768,
su costo de manejo es I: 0.05263%, su costo es de C: $ 760 la unidad; la capacidad de producción es
2500 unidades por mes. Las unidades de tiempo de producción y demanda en el factor multiplicativo
deben ser similares.
2*D*S Producción
NPE ajustado P D = * =
I*C Producción − Demanda
2 * 17765 * 768 2500
* = 12933.14 unidades
0.05263* 760 2500 − 1480.41
Fuente Bibliográfica: Ballou, 2004b,347
A continuación se muestran algunas situaciones donde la demanda es desconocida, esto desde la óptica
de pronósticos es poco probable que suceda, solo se acepta en casos donde los registros son muy pocos
y no se puede hallar previsiones dada la falta de historia, pero conceptualmente desde la práctica y la
teoría de pronósticos, no deja de ser un supuesto que no tiene sentido; en general toda demanda de la
cual se tenga un registro de datos históricos es susceptible de aplicársele el MUP; más sin embargo se
presentan a manera de cultura general, pero en la práctica no debe ocurrir que la demanda o los tiempos
de espera futuros, sean desconocidos.
4.2.3.5. Demanda continua, entrega no inmediata y velocidad de producción menor al
flujo de demanda
En los eventos en que la demanda es superior al flujo de producción, con demanda continua y conocida, 275
se debe agregar una cantidad suficiente al momento de estimar el NPE, de tal forma que la demora que
se genera por la diferencia entre fabricación y consumo, que se determina con la siguiente expresión:
Q* óptimo
Nivel de pedido con espera P D = NPE PD = * Demanda
Flujo de Producción
Del ejercicio anterior con el elemento MVC-342, el cual posee las mismas características ya descritas,
pero en este caso la capacidad de producción es de 1000 unidades por mes, menor que la demanda, que
está en 1480.41 unidades mensuales; a tal efecto se debe compensar ese tiempo adicional de espera que
se genera por la lentitud de la fabricación, así:
Se observa que tiene un incremento con relación al ejemplo anterior, dado que se debe pedir con mayor
antelación, cuando el NPE ajustado se encuentre en 15200 unidades, de tal manera que el inventario
alcance durante el tiempo en que la fabricación alcanza el Q* y se adiciona otra suma extra que compense
la diferencia entre la velocidad de la producción y de la demanda.
A. Mora G.
4 - Inventarios
Los datos de una referencia, en la cual se requiere establecer el NP Nivel de Pedido, donde se desea tener
una probabilidad del 82% de poder atender cualquier demanda durante el tiempo de espera, son:
Demanda
Mes - Año Datos
histórica
Mes 1 - Año 1 4219 Pronóstico futuro de demanda mensual 6798
Mes 1 - Año 2 1475 Media 4525
Mes 1 - Año 3 9746 Desviación estándar 2671
Mes 1 - Año 4 5379 Tiempo espera (meses) 0.5
276 Mes 1 - Año 5 2915 Costo del producto - C $786.00
Mes 1 - Año 6 4546 Costo de pedir - S $1,300.00
Mes 1 - Año 7 2814 Costo de almacenamiento - I 11.50%
Mes 1 - Año 8 1545 Demanda anual promedio 54303
Mes 1 - Año 9 2704
2* D*S Q* óptimo
Mes 1 - Año 10 8676
Q*=
Mes 1 - Año 11 3502 I *C 1249.793876
Mes 1 - Año 12 6782
El valor de significación Z para una probabilidad del 82% (de la tabla de distribución normal) es de
0.9153, en este caso. Por lo tanto su estimación se logra con:
54303
NPD = * 0.5 + 0.9153 * 1888.68 = 3991.33 unidades
12
Con lo cual se deduce, que cuando el nivel del inventario alcance el valor de 4707 unidades, se debe
lanzar un pedido con el Q* óptimo de 1249.79 elementos.
A. Mora G.
4 - Inventarios
1249
Pr omedio del inventario = + 0.9153 * 1888.68 = 2353.21 unidades
2
Al evaluar la función de costo total e involucrar el costo de no tener mercancía cuando es solicitada
(agotados) genera la siguiente expresión:
Demanda anual
Costo total = * Costo de un pedido
Q óptimo
Q óptimo
+ Costo de almacenar * + Nivel significación * Desviación estándar corregida
2
D
+ Costo de agotados ( k )* Número de pedidos por año anual *
Q 277
Cantidad unidades agotadas
(Desviación estándar censurada * Unidad normal de pérdida int egral)
La unidad normal de pérdida integral se puede estimar con la expresión:
Si el costo de cada unidad agotada es de $3.78 unidades económicas, el valor total del inventario incluido
el concepto de falta de mercancía, con la Unidad de normal de pérdida con un valor de 0.0984 para un
Z de 0.9153, se estima así:
54303
Costo total = * 1300
1249.79
1249.79
+ 11.50% * $ 786.00 * + 0.9153* 1888.68
2
54303
+ $ 3.78* * 1888.68 * 0.0984 =
1249.79
$ 56484.61 + 0.1150* $ 786* 2353.60 + $ 30523.24 =
el cos to total incuido el valor de agotados es $ 299749.75 unidades monetarias
97
Para otros valores se puede consultar el Apéndice B del libro de Ronald Ballou (2004b,763-765).
A. Mora G.
4 - Inventarios
Para calcular el Nivel de servicio al cliente en demanda desconocida con presencia de agotados, se
recurre a la ecuación original y luego se transforma, para precisar el volumen de demandas insatisfechas.
De esta forma finaliza el ejercicio 13, con demanda desconocida y con agotados.
4.2.3.7. Demanda y tiempo de espera (lead time), desconocidos
En el evento de que no se tenga seguridad en los valores estimados de demanda (ausencia de pronósticos
o imposibilidad técnica de poder realizarlos) y los tiempos de espera sean aleatorios y poco confiables,
se recurre entonces a nuevas estimaciones, que se fundamentan en la siguiente expresión de desviación
278 estándar censurada (por las incertidumbres acumuladas):
Ecuación 34 - Desviación estándar censurada para demanda y tiempo de espera, desconocidos
Se toma el mismo caso anterior del último ejemplo, en el cual se adiciona una información que permite
estimar en el evento de que se desconozcan la demanda y el tiempo real de espera.
A. Mora G.
4 - Inventarios
El tiempo de espera depende de tres etapas que la conforman, los datos históricos de estos valores son:
Tiempos de espera -
Etapa 1 Etapa 2 Etapa 3 Datos
Históricos
Valor mes 1 0.048 0.089 0.059
Pronóstico futuro de demanda mensual 6798.00
Valor mes 2 0.100 0.102 0.097
Valor mes 3 0.043 0.096 0.097
Media 6066.17
Valor mes 4 0.056 0.043 0.069
Valor mes 5 0.098 0.037 0.086
Desviación estándar de la demanda 2247.13
Valor mes 6 0.097 0.113 0.096
Valor mes 7 0.087 0.045 0.062
Tiempo espera (meses) 0.5
Valor mes 8 0.070 0.083 0.069
Valor mes 9 0.113 0.096 0.096
Costo del producto - C 786
Valor mes 10 0.055 0.096 0.107
Valor mes 11 0.054 0.092 0.085
Costo de pedir - S 1300
Valor mes 12 0.097 0.100 0.096
Valor mes 13 0.081 0.079 0.072
Costo de almacenamiento - I 0.115
Valor mes 14 0.102 0.101 0.081
Valor mes 15 0.097 0.105 0.104
Demanda anual promedio 72794
Datos en meses
Media 0.0798 0.0852 0.0851
Q* óptimo 1447.02
Media Total (Suma) 0.2500
72794
D = es la demanda promedio = = 6066.16 unidades promedio por mes
12
S 2 TE de la desviación estándar del tiempo de espera = 0.023212 + 0.024202 + 0.0155532 = 0.001365
Q óptimo
Inventario promedio = + Z * Desviación estándar censurada
2
Fuente Bibliográfica: Ballou, 2004b,355-357
Z para el caso particular de una probabilidad del 95% en una distribución normal es de 1.6448.
A. Mora G.
4 - Inventarios
2 * 72794* 1300
0.115 * 786
Inventario promedio = + 1.6448 * 1145.69 = 2607.94 unidades mes
2
4.2.3.8. Control de inventarios en productos Pull, con sistemas Q, T-P, T-M y T-R-M
Existen varias alternativas para el manejo de control de inventarios de productos tipos Pull donde prima
la demanda, entre ellos, sobresalen:
Sistema Q, se pide una cantidad fija Q en períodos de tiempo variable, es útil para pedidos
únicos.
Sistema P o T, se solicita una cantidad Q variable, con revisión en períodos de tiempo T fijos.
Sistema T-R-M, es exactamente igual al anterior R-M, solo que adiciona revisiones en
períodos de tiempos constantes T, el pedido se lanza cuando se dé alguna de las dos
situaciones (NP (o NPE) o T) primero que la otra, garantizando aún más la estabilidad del
280 inventario (Ballou,2004b,340-350).
Ilustración 116 - Parámetros relevantes en reposición Pull
M = Inventario Máximo
q = nivel del inventario actual
Nivel má
máximo de reposició
reposición M
Inventario q q
q
promedio
NP – Nivel NP
Lead
de Pedido Lead Time
Time
Tiempo
Perí
Período P Perí
Período P Perí
Período P
o T fijo o T fijo o T fijo
A. Mora G.
4 - Inventarios
El sistema Q con reabastecimiento instantáneo, funciona en forma normal bajo la premisa de reposición
inmediata con lead time cero.
constante
Nivel má
máximo M
Demandas
M = Inventario Máximo
q = nivel del inventario actual
d = demanda diaria
Q = pedido óptimo
ROP = nivel de reposición
puntos donde se pide Q
fija
ROP – nivel
mínimo de ROP
reposició
reposición =
tiempo de espera Tiempo entre
por demanda pedidos, es
promedio diaria variable
Tiempo
Nivel má
máximo
Demandas
d = demanda diaria
Q = pedido óptimo
NP = nivel de pedido
p = capacidad de producción
o entrega del proveedor
momentos en que se
Tiempo entre
lanza el pedido
pedidos, es
NP – Nivel de Pedido variable
mínimo de NP
reaprovisionamiento
= tiempo de espera Momentos en que
por demanda se lanza un pedido
promedio diaria Q constante
A. Mora G.
4 - Inventarios
Cuando existe un lead time positivo o sea que la reposición no es inmediata, se estima el pedido óptimo
igual que el anterior pero multiplicándolo por un factor de corrección, como se explica en párrafos
anteriores.
Ilustración 119 - Sistema T o P en Pull
Sistema T o P
Nivel de
Momentos
Unidades en
en que llega
Inventario el pedido Q
fijo o
variable
M igual a M - q
Nivel má
máximo
M = Inventario Máximo
q = nivel del inventario actual
d = demanda diaria
Q = pedido óptimo
NP = nivel de pedido
q q
NP – Nivel de
Pedido mímínimo de NP
Lead
reaprovisionamiento
Time o q
= tiempo de espera
Tiempo
por demanda
de
promedio diaria
espera
282 Los sistemas Q y T-P conllevan riesgo y no son muy seguros, en el Q se tiene la posibilidad de que la
demanda no repita en los volúmenes establecidos y puede generar remanente y el T-P tiene la
incertidumbre de que el inventario se rompa o alcance su valor cero, antes de que se cumpla el período
de revisión constante; por eso son más seguros y confiables los sistemas R-M y T-R-M.
Sistema R M
Nivel de
Momentos en
Unidades en
que llega el
Inventario pedido Q
variable que es
igual a M - q
Nivel má
máximo
Demandas
q = nivel de inventario
disponible en el instante en
que la demanda pasa o toca
el ROP
d = demanda diaria
Q = pedido óptimo
ROP = nivel de reposición
Tiempo entre
pedidos, es p = capacidad de producción
NP – Nivel de variable o entrega del proveedor
NP
ROP
Pedido mímínimo de
reaprovisionamiento momentos en que se
= tiempo de espera
lanza el pedido
por demanda
promedio diaria
Tiempo
Lead Lead
Time Time
A. Mora G.
4 - Inventarios
La referencia Pull J-980, tiene una demanda promedio diaria de D=365 unidades por año, con una
desviación estándar de Sd = 9 artículos, el proveedor vende al almacén de repuestos a razón de $ 34
unidades monetarias cada unidad, el valor de realizar un pedido por parte del almacén es de $ 8.56
unidades monetarias, los costos de manejo anual de la referencia es el 23% y el lead time del proveedor
es de LT = 8 días calendario; se desea que la probabilidad de tener siempre artículos disponibles en
inventarios sea como mínimo del 90%; la demanda promedio diaria es de 1 artículo y el máximo déficit 283
esperado DE (o se toma por la desviación estándar histórica de los últimos dieciocho meses) se estima
en 2 unidades.
La Z de la distribución normal para una probabilidad del 90% es de 1.2816, con lo cual
Nivel de Pedido NP = 1* 8 + 1.2816* 9 + 2 = 21.53 unidades,como nivel mínimo de inventario
2* D* S 2* 365* 8.56
Q* = = = 28.26 unidades
I*C 0.23* 34
M = NP + Q* − DE = 21.53 + 28.26 − 2 = 47.79 unidades
De esta forma se puede estimar en cualquier instante el pedido a lanzar, mediante la expresión M - q,
donde M se calcula con las ecuaciones definidas y q se mide en la realidad el día del pedido. El sistema
R-M, minimiza la posibilidad de que se rompa el inventario o se agote la referencia, esto solo sucede en
el evento en el que la demanda supere el lead time.
Con el fin de asegurar más la garantía de existencia permanente, se hacen controles de revisión
periódicos a tiempos constantes, lo que da lugar al sistema T-R-M.
A. Mora G.
4 - Inventarios
Sistema T R M
q = nivel de inventario
Nivel de Momentos en disponible en el instante
Unidades en que llega el en que la demanda pasa
pedido Q o toca el ROP
Inventario
variable que es
d = demanda diaria
igual a M - q
Nivel má
máximo Q = pedido óptimo
NP = nivel de pedido
p = capacidad de
Demandas producción o entrega del
proveedor
momentos en que se
lanza el pedido
Tiempo entre
pedidos, es
variable
NP – Nivel de Pedido NP
mínimo de
reaprovisionamiento
= tiempo de espera
por demanda
promedio diaria
Tiempo
Lead Lead
Time Time
284
De los conceptos que se esbozan sobre las referencias tipo Pull, se deduce que:
Ilustración 122 - Combinaciones posibles Q de demanda y Q de reposición
Comportamiento de la Cantidad a pedir para Al utilizar los diferentes sistemas de los artículos
Demanda reposición Pull, se puede recomendar, para diferentes
Variable Fija
productos tipo (de la clasificación ABC):
Fija Variable
• Tipo A, la utilización de los sistemas T-R-M
Variable Variable o T-M
Fija Fija
• Tipo B, el uso de sistemas tipo T-M
El proceso Pull tiene en cuenta varios parámetros para definir la cantidad Q a pedir y los tiempos de
pedido, entre ellos sobresalen: el costo de salvamento de los excedentes (dado que en Pull solo se pide
cuando existe una demanda y dado que los artículos son muy específicos y no son genéricos utilizables
en otros equipos, lo más seguro es que haya remanentes, lo que eventualmente puede generar
A. Mora G.
4 - Inventarios
excedentes) y el lead time o tiempo de espera entre el momento de pedir y recibir el pedido del
proveedor.
En todos los casos enunciados sobre definición y cálculo de la demanda o estimado para Push y/o Pull,
debe hacerse con la metodología de pronósticos (forecast) bajo el esquema MUP de series temporales
(donde sean aplicables) del capítulo anterior.
Los conceptos que se enuncian en el manejo y gestión de inventarios son de fundamentación y solo
pretenden ilustrar de una forma básica al lector, en el evento de que se desee profundizar se puede
recurrir a la bibliografía recomendada (u otra) para ampliar temas y conceptos (Ballou, Díaz, Árbones,
entre otros), como a la diversa literatura universal que existe sobre este tópico.
De alguna manera los indicadores buscan mediar la eficacia de las actividades de inventarios como la
eficiencia de los diferentes procesos que se llevan a cabo en la operación integral logística de inventarios.
A. Mora G.
4 - Inventarios
Los beneficios de los indicadores son innumerables, entre los más importantes, se pueden mencionar:
proporcionan información para detectar y erradicar fallas en los sistemas de inventarios, permiten
elevar el nivel del servicio al cliente al determinar sus factores claves, sirven para desarrollar e incorporar
mejores prácticas logísticas, generan correcciones inmediatas donde se registran problemas, aumento
de la rentabilidad y competitividad de la empresa, mejoras notables en la organización de los factores y
los recursos de producción, etc. (INDICADORES@,2004).
A. Mora G.
Bibliografía
5. Bibliografía98.
Abraham, Bovas - Ledolter, Johannes - Statistical methods for forecasting - Serie Wiley sobre Estadística y Probabilidades - Editorial
Wiley, John & Sons - USA - Septiembre de 2005 - ISBN: 0471769878 - 445 páginas - pp. completo99 - Citado por Enric Bas (1999)
Arjona Torres, Miguel - Dirección Estratégica: un enfoque práctico. Principios y aplicaciones de la gestión del rendimiento - Editorial Diaz
de Santos - Madrid - España - 1999 - ISBN: 84-7978-386-9
Árbones Malinasi, Eduardo A. – Logística Empresarial – Editorial Alfaomega Marcombo – Boixerau Editores – Prodúctica – Barcelona –
España – 1999 – ISBN: 970-682127-7
Ballou, Ronald H - Business Logistics/Supply Chain Management and Logware CD Package: International Edition100 - 5th Edition -
Paper and CD - Editorial Prentice Hall - USA - Julio de 2004 - ISBN: 0-13-1429286-1 - Escrito a
Ballou, Ronald H. – Logística: Administración de la cadena de suministro - Traducido por Carlos Mendoza Barraza y María Jesús Herrero
Díaz - Editorial Pearson Educación – México D.F. – México – 2004 – ISBN: 970-26-0540-7 - Escrito b
Ballou, Ronald H. – Logística Empresarial: control y planeación – Traducido por Ramón Pérez y Pilar Rubio de Lemus – Editorial Díaz
de Santos, S.A. – Madrid – España – 1991- ISBN: 84-87189-68-7
Bas, Enric - Prospectiva: Herramientas para la gestión estratégica del cambio - Primera edición - Editorial Ariel Practicum - Barcelona -
España - Septiembre de 1999 - ISBN: 84-344-2853-9 - 158 páginas
Berger, Gaston - Existentialism and literature in action (The University of Buffalo Studies) - Edit. University of Buffalo - Enero 1 de 1948
- Buffalo - USA - ISBN: B0007DVR9S
Berger, Gaston - Questionnaire caractérologique - Edit. Preses Universitaires de France - Doceava edición - París - Francia - Marzo 1 de
1992 - ISBN: 2130443729
Bertalanffy, Ludwig von – Teoría General de los Sistemas – Fondo de Cultura Económica Ltda. – Bogotá – Colombia – 1994 – ISBN: 958-
38-0011-2 - 312 páginas
Bierman, Harold – Bonini, Charles p. – Hausman, Warren H. – Morales Peake, Ernesto – Análisis cuantitativo para la toma de decisiones
– Editorial Elsevier S.A. – Madrid – España – 1996 – ISBN 978-84-8086-273-8 – 776 páginas
Bitar Yances, Antonio – González, Luis Fernando – Asmar, Abraham – Mora Gutiérrez, Luis Alberto – Estudio de Implementación en
CORELCA SA ESP de mejora y rediseño de procesos, bajo la metodología de cuadros de control con el sistema Vital Signs Performance de
la casa Arthur Andersen – CORELCA SA ESP Corporación Eléctrica de la Costa Atlántica Empresa generadora de energía eléctrica & COLDI
Limitada – Barranquilla – Colombia – 2000 a 2003.
Carlsson, Bo - Industrial Dynamics: Technological, Organizational, and Structural Changes in Industries and Firms - Editorial Springer-
Verlag - New York - USA - Abril de 2002 - ISBN: 079239044X - 332 páginas
Carrión García, Andrés101 - Aportes sobre AR.I.MA. hechos al autor, por diferentes medios de comunicación – Universidad Politécnica de
Valencia – Valencia - España – Enero de 2007
Carrión García, Andrés - Disertación y conversación temática sobre pronósticos - Diplomatura Internacional de Logística Hotel Tour
Points Sheratton - Escuela de Ingeniería de Antioquia - Medellín - Colombia - Septiembre de 2006
287
Carrión García, Andrés - Pronósticos con series temporales - Memorias, ensayo y documento publicado por el área de publicaciones de la
Universidad Politécnica de Valencia - Valencia - España - 1999
CeDerFeLLeA - Centro Dermatológico Federico Lleras Acosta - Pronóstico de demanda de medicamento para la piel - Apoyo de Doctora
Química Farmacéutica Amanda Lucía Moreno del centro Federico Lleras Acosta a efectos académicos - COLDI Limitada - Junio de 2004 -
Bogotá - Colombia
Cetron, Marvin J. - Industrial applications of technological forecasting; Its utilization in R&D management - Editorial John Wiley & Sons
- New York - USA - 1971 - ISBN: 0471142808 - 563 páginas
CORELCA SA ESP – Estudio futurístico de planeación estratégica comercial y tecnológica en CORELCA SA ESP, con fases de desarrollo e
implementación - CORELCA SA ESP Corporación Eléctrica de la Costa Atlántica - Empresa generadora de energía eléctrica & realizado por
COLDI Limitada – Barranquilla – Colombia – 1999 a 2003
CUIO-88-OIT - Clasificación Internacional Uniforme de Ocupaciones - Descrita por la OIT Oficina Internacional del Trabajo – Ginebra –
Suiza – 1991 - ISBN: 92-2-306438-4
Decouflé, André-Clement - Le France en l'an 2000: Une esquisse (Les Visages de l'avenir) - Editorial Seghers - Francia - 1980 - ISBN:
2221501098 - 297 páginas - Otra obra del mismo autor es La Prospective de la Editorial Press Universitaries - París - Francia - 1980 -
Citado por los autores Miklos y Telo en su obra de 1977 en la página 196
De La Escosura, D. P. - Manual de mitología - Editorial Librería de Rosa - París - Francia - 1842 - Tiene 587 páginas.
De Miguel Fernández, Enrique – Introducción a la Gestión “Management” - Volumen I y II Departamento de Organización de Empresas,
Economía Financiera y Contabilidad. – E.T.S.I. Industriales. Universidad Politécnica de Valencia – Servicio de Publicaciones de la UPV -
Valencia – España – 1990 - ISBN: 84-7721-127-2 - más de 920 páginas
Delbecq, André L. - Gustafson, David H. - Van de Ven, Andrew - Group techniques for program planning: A guide to nominal group and
Delphi processes (Management applications series) - Editorial Green Briar Press -
- USA - Junio de 1986 - ISBN: 0961451114
Delbecq, André L. - Van de Ven, Andrew H. - A group process model for problem identification and program planning - Journal of Applied
Behavioral Science - Volumen 7 - Número 3 - USA - 1971 - páginas 605 a 621
Duperrin, J.C. - Godet, Michel - Méthode de hierarchisation des elements d’ un systeme, rapport économique du CEA - R-45-41 -
Comunidad Europea - Francia - 1973
98
Los títulos de las diferentes obras o libros, se coloca en Cursiva inclinada a la derecha para facilidad de reconocimiento.
99
El autor usa la expresión pp. completo cuando al citarlo recomienda su lectura total para el tema referenciado y citado al interior.
100
Información de este libro y del software Logware en la web en 2006:
http://www.pearson.ch/pageid/34/artikel/49286PH1/PrenticeHall/0131492861/BusinessLogisticsSupplyChain.aspx
101
Director del Departamento de Estadística e Investigación Operativa de la Universidad Politécnica de Valencia - Valencia - España -
acarrion@eio.upv.es - 2003 a la fecha.
A. Mora G.
Bibliografía
Duque Orozco, Diana Felisa - Mora Gutiérrez, Luis Alberto (Director) - Análisis del método de planeación por escenarios en la gerencia de
generación de energía de las Empresas Públicas de Medellín E.S.P. - Proyecto de Investigación del Magister de Administración – Escuela
de Administración - Universidad EAFIT – Medellín – Colombia - Agosto de 2002
Escorsa Castells, Pere - Tecnología e innovación en la empresa - Editorial AlfaOmega Editores - Barcelona - España - Noviembre 10 de
2005 - ISBN: 970150996X - 344 páginas
Escorsa Castells, Pere - De la Puerta, Enrique - La estrategia tecnológica de la empresa de la empresa: una visión de conjunto - Revista
Economía Industrial - - Bimestre septiembre octubre 1991 - Barcelona - España - páginas 91-107
Fildes, R. - Makridakis, Spyros G. - Andersen, A - Carbone, R. - Hibon, M. - Lewandowski, R. - Newton, J. - Parzen, R. - Winkler, R. - The
Forecasting Accuracy of Major Time Series Methods - Editorial John Wiley and Sons Limited - USA - Mayo 25 de 1984 - ISBN: 0471903272
Fisher, J.C. – Pry, R.H. – A Simple Substitution Model of Technological Change – TF & SC. – Volumen 3 - USA - 1971 - Citado por Enrique
De Miguel en su obra de 1990.
Forrester, Jay Wright - Industrial Dynamics - Editorial Pegasus Communications - USA - 1961 - ISBN: 1883823366 - Reeditado como
Dinámica Industrial por Editorial El Ateneo - Buenos Aires - Argentina - 1972 - Citado por Enrique De Miguel en su obra de 1990 en la
página 273
Godet, Michel - De la anticipación a la acción - Editorial Alfaomega Marcombo Boixerau Editores - Editorial Alfaomega - Bogotá Colombia
- 1999 - ISBN: 958-682-004-1
Godet, Michel - Prospective et planification stratégique - Editorial Económica - París - Francia - 1985 - ISBN: 2717809392 - 335 páginas -
Citado por Enrique De Miguel (1990,306)
Gordon A., Robert Aaron - Business fluctuations - Editorial Harper - New York - USA 1952 - ISBN: B0006AT09Q
HACEB S.A. - Estudios de pronósticos de demanda de diferentes series de tiempo - Grupo Primario Logístico Dr. Carlos Gutiérrez - Ing.
Jorge González - Ing. Diego Cataño - Empresa de electrodomésticos HACEB S.A. - COLDI Limitada - Medellín - Colombia - 2006
Hair, Joseph F. – Anderson, Ralph - Tatham, Ronald - Multivariate data analysis - Editorial Prentice-Hall - New York - USA - Octubre 28
del 2005 - ISBN: 0130329290 - 928 páginas
Hanke, John E. - Reitsch, Arthur G. - Pronósticos en los Negocios - Editorial Prentice Hall Hispanoamericana - Cd. de México - México -
1996 - ISBN: 968-880-681-1 - 605 páginas - Versión en inglés: Business Forecasting - Editorial Upper Saddle - New Jersey - USA - 1998
- ISBN 0-13-760745-8 - 581 páginas - pp. completo
Helmer, Olaf - The Rand Corporation Santa Mónica California USA - Systematic use of expert opinions - P-3721 - Noviembre de 19767 -
pp. 9 - 10 - Citado por Jon Landeta (1999)
Hronec, Steven M. – Signos Vitales. El empleo de las medidas del rendimiento, de la calidad, el tiempo y el coste para proyectar el futuro
de la empresa – Arthur Andersen - McGraw Hill & Interamericana de España, S.A. – Madrid – España – 1995 - ISBN: 0-8144-5073-3 -
300 páginas
Iñíguez, César Martín - Prospectiva - Revista Ciencia y tecnología, n. 39 SECAB Secretaría Ejecutiva del Convenio Andrés Bello - Santa
Fe de Bogotá - Septiembre 1994
Jones, Harry - Twist, Brian C. - Forecasting technology for planning decisions - Ediorial Petrocelly Books - Nueva York- USA - Enero de
1978 - ISBN: 0894330780 - 263 páginas
Kanh, Hernan - Wiener, Anthony J. - The year 2000: a framework for speculation on the next thirty-three years - Editorial MacMillan
Publishing Company - New York - USA - Octubre de 1967 - ISBN: 0025604406
288 Kaplan, Robert S. – Norton, David – El cuadro de mando integral – Edición Especial KPGM Latinoamérica – Ediciones Gestión 2000,
S.A. – Barcelona – España – 1997 – ISBN: 84-8088-175-5 - 321 páginas
Koshi, T - Trend and development forecast of diversified coating technology - Patents & Licensing - USA - 1974 - Citado por Enrique De
Miguel (1990,267)
Landeta Rodríguez, Jon - El método Delphi - Editorial Ariel - Barcelona - España - 1999 - ISBN: 84-344-2836-9 - 223 páginas.
Lefebvre, Jean-François - L’ analyse structurelle, methods et développements - Tesis de tercer ciclo para obtener el Doctorado -
Universidad de París - IX Dauphine - París - Francia - 1978 - Citado por Michel Godet (1999,355)
Levin, Richard- Estadística para administradores – Editorial Prentice-Hall – New Jersey – USA – March – 1997 - ISBN: 9688806757
Makridakis, Spyros - Wheelwright, Steven C. - Métodos de Pronósticos - Editorial Limusa - Cd. de México - México - 1998 - ISBN: 968-18-
4879-9 - 482 páginas - pp. completo
Masini, Eleodora - Why Futures Studies? - Editorial Grey Seal - Londres - Inglaterra - Enero 1 de 1993 - ISBN: 1856400182 – Citado por
Enrique Bas, 1999.
Miklos, Tomás – Telo, María Elena – Planeación prospectiva: una estrategia para el desarrollo del futuro – Limusa Noriega Editores –
Cd. de México – México – 1997 - ISBN 968-18-3848-3
Mojica Sastoque, Francisco - La Prospectiva - Editorial LEGIS Editores S.A. - Bogotá - Colombia - 1991 - ISBN 958-653-016-7
Mora Gutiérrez, Luis Alberto - Pronósticos de demanda - Artículo en Revista Zona Logística - Número 32, 33 y 34 - Agosto a septiembre
de 2006 – Octubre a diciembre de 2006 – Enero a marzo de 2007 - Bogotá - Colombia - ISSN: 1657-2432 - Páginas 30 a 41 (No. 32) – 29
a 35 (No. 33)
Mora Gutiérrez, Alberto – Mantenimiento estratégico para empresas industriales o de servicios – Editorial AMG – Envigado – Colombia
– 2006 – ISBN 958-33-8218-3
Mora Gutiérrez. Luis Alberto, Pérez. Anastasi y Ríos. Álvaro. - Patrones y estructuras importantes para aplicar un conjunto lógico de
métodos proyectivo-prospectivos para planear tecnológicamente las organizaciones. Aproximación a un caso real de la empresa energética
de transmisión eléctrica más grande y estratégica en el desarrollo industrial actual de Colombia - Congreso Ibero Latinoamericano de Alta
tecnología - ALTEC 2001 - San José de Costa Rica - Octubre 10 y 11 de 2001. - Escrito a
Mora Gutiérrez, Luis Alberto – Pérez, Anastasi – Sistema de métodos futurísticos Proyectiva Turbulencia y Prospectiva – Congreso
Internacional de Ingeniería de Producción Universidad EAFIT – Medellín – Colombia – Septiembre 2001 - Escrito b
Mora Gutiérrez, Luis Alberto – Ríos Ramírez, Álvaro - Auditoría de un método de planeación Shell-Elf Aquitania en una empresa
transportadora de energía – Medellín – Colombia – 2000 - Escrito a
Mora Gutiérrez, Luis Alberto - Pérez Peral, Anastasio - Determinación de los factores claves de éxito y estrategias para el fortalecimiento
de las relaciones empresa-universidad–empresa, mediante el análisis estructural prospectivo MICMAC en Europa y Latinoamérica. –
Grupo Internacional de Gestión de Tecnología Comunidad Europea Gestec II – Ponencia IV Encuentro latinoamericano de Prospectiva –
Universidad Externado de Colombia – Bogotá – Colombia – Agosto – 2000 – Escrito b
Mora Gutiérrez, Luis Alberto – Sistemas futurísticos – Congreso Internacional de Prospectiva – Universidad Externado de Colombia -
Bogotá- Colombia - 2000 - Escrito c
Mora Gutiérrez, Luis Alberto - Análisis estructural prospectivo y competitivo de la gestión del mantenimiento en industrias de alta
tecnología en la ciudad de Medellín (Colombia).- Ensayo de Tesis Doctoral de tercer ciclo Ingeniería Industrial – Universidad Politécnica
de Valencia – Valencia - España – Diciembre - 1998
A. Mora G.
Bibliografía
Mora Gutiérrez, Alberto – Pronósticos – CAMACOL – Revista CAMACOL Antioquia Cámara Colombiana de la Construcción – Número
0001 – Medellín – Colombia – Junio - 1998 - ISSN: 0123-6830 - Páginas 14 a 19 –
Mora Gutiérrez, Alberto – Planeación estratégica de alta dirección en empresas de mantenimiento - ACIEM – Revista ACIEM Asociación
Colombiana de Ingenieros Electricistas, Mecánicos, Electrónicos y Afines – Número 077 – Bogotá – Colombia - Marzo - 1995 - ISSN: 0121-
9715 - Páginas 43 a 47
Pearson, W. M. - Argument of W.M. Person: The crucifixion of the tax-payers of North Carolina, in the Supreme court of North Carolina -
Editorial desconocida - North Carolina - USA - Enero 1 de 1921 - ISBN: B00089M9WK
Santesmases Mestre, Miguel – DYANE 2 Diseño y análisis de encuestas en investigación social y de mercados – Ediciones Pirámide –
Grupo Editorial Anaya – Madrid – España – 2001 – ISBN: 84-368-1557-2
Steiner, George A. – Planeación estratégica – Compañía Editorial Continental – Cd. de México – México – Febrero - 1985 - ISBN 0-02-
931110-1
SGBW, Sotfware - Software Statgraphics bajo Windows - Plus Versión 5.0 - Statgraphics®Plus - Copyright 1994-2000 - By Statistical
Graphics Corporation - Professional Edition - Serial Number 53672091045796- Licencia a Universidad EAFIT de Medellín en Colombia -
USA - 2003
Turban, Efraim - Aronson, Jay E. - Liang, Ting-Peng - Decision support systems and intelligent systems - Editorial Prentice Hall - USA -
Abril 8 de 2004 - ISBN: 0130461067 - 960 páginas
Uexcüll, J. Von – Unwelt und Innenwelt der tiere – Segunda Edición – Berlín – Alemania – Springer – 1920 - Referenciado por
Bertalanffy,1994
Yih-Long, Chang - WinQSB Decision support Software for MS/OM - Yih-Long es Profesor del Georgia Institute of Technology - Editorial
John Wiley and Son, Inc. - New York - USA - 1998 - ISBN: 0-471-24812-6
Vinader Zurbano, Rafael - Teoría de la decisión empresarial - Biblioteca Deusto de Dirección y organización - Ediciones Deusto - España
- 1978 - ISBN: 842340370X - 416 páginas
Whorf, Benjamin Lee – Collected Papers on Metalinguistic – Foreign Service Institute – Department of State – Washington – USA – 1952
- Referenced por Bertalanffy, 1994
Whorf, Benjamín Lee – Language, Thought and reality: selected writings of B.L. Whorf – Por John Caroll, Ed. John Wiley & Sons –
Nueva York – USA – 1953 – Reimpreso en 2003 por Editorial Textbook Publisher con ISBN: 0758132220 - Referenciado por Bertalanffy,
1994
5.1. Internet
AB@,2006
Análisis Bayesiano - Conceptos, desarrollos, ejemplos y aplicaciones - http://dxsp.sergas.es/ApliEdatos/Epidat/Ayuda/9-Ayuda%20An%E1lisis%20bayesiano.pdf#search=%22an%C3%A1lisis%20bayesiano%22 - España - 2006 - Consultada en 2006
ALCEING@,2006
Molinero, Luis M. – Análisis de series temporales – estadistica@alceingenieria.net - Asociación de la Asociación Española de Hipertensión - http://www.seh-lelha.org/tseries.htm -
España - Consultada en 2006
BACON@,2006
Biografía y hechos relevantes de Francis Bacon - Wikipedia® Internet - http://es.wikipedia.org/wiki/Francis_Bacon - USA - Consultada en noviembre de 2006
CARPI@,2003
289
Carpi, Anthony, Ph.D. - El método científico - http://www.visionlearning.com/library/module_viewer.php?mid=45&l=s&c3 - Arlington - Virginia - USA - 2003
CASANDRA@,2006
Historia de Casandra – Orígenes griegos de las profecías - http://www.todohistoria.com/mitologia/letrac.htm - USA - 2006
CPFR@,2007
Syncra Systems – Introducción al CPFR – Asociación VICS - http://www.techexchange.com/thelibrary/introduction_to_cpfr.html - USA - 2007
DICCIONARIOS@,2006
Diccionarios múltples disponibles en la web - http://www.diccionarios.com/consultas.php - Citado en noviembre de 2006 - Plataforma informática Larousse - © 2000-2006 Larousse
Editorial, SL - España - 2006
EUMEDNET@,2007
Enciclopedia Multiactiva Interactiva y Biblioteca Virtual de las Ciencias Sociales, Económica y Jurídicas - El análisis de series temporales – Grupo EUMED – Reconocido por Junta de
Andalucía bajo número SEJ 309 – Facultad de Derecho – Universidad de Málaga – http://www.eumed.net/cursecon/libreria/lgc/0106.htm - España 2007
GODET&MULTIPOL@,2000
Godet, Michel - La caja de herramientas de la prospectiva estratégica - Colaboraron en esta obra Juanjo Gabiña, Régine Monti, Francis Meunier, Fabrice Roubelat y la participación
de Prospektiker - Laboratoire d'Investigation Prospective et Stratégique - CNAM - 2 rue Conté - 75003 Paris - Francia - Prospektiker —Instituto Europeo de Prospectiva y Estrategia—
D. Leandro, 3 - 20800 Zarautz (Gipuzkoa) - - País Vasco - España - Disponible en http://www.cnam.fr/lipsor/spa/data/bo-lips-
esp.pdf#search=%22La%20caja%20de%20herramientas%20de%20la%20prospectiva%20estrat%C3%A9gica%22 - España - 2000 - Consultado en noviembre de 2006
GOODNESSOFFIT@,2006
Dolado, Javier - JavierDolado©dolado@si.ehu.es - Validez de las predicciones en la estimación de costes - http://www.sc.ehu.es/jiwdocoj/remis/docs/validez/validez.htm - Email
dolado@si.ehu.es - Universidad del País Vasco - Campus de Gipuzcoa - Gipuzcoa - España - Enero 5 de 1999 - Consultada en 2007
INDICADORES@,2004
Benites López, Erick Oscar – Gestión de out-sourcing logístico para almacén de productos farmacéuticos - http://sisbib.unmsm.edu.pe/Bibvirtual/Tesis/Ingenie/benites_le/benites_le.htm - Universidad Mayor de San Marcos – Facultad de Ingeniería
Industrial – Tesina – Lima – Perú – 2004 – Consultada en 2007
IPE@,2006
Instituto de Prospectiva Estratégica - Prospectiva Estratégica - Disponible en http://www.prospecti.es/ - http://www.prospecti.es/estrateg/concepto.htm -
http://www.prospecti.es/estrateg/aproxima.htm - http://www.prospecti.es/estrateg/aproxima2.htm - http://www.prospecti.es/estrateg/metodolo.htm -
http://www.prospecti.es/estrateg/cambios.htm - Creadas en 1995 - Zaragoza - España - 2006
KALMAN@,2003
Solera Ramírez, Álvaro – El filtro de Kalman – Banco Central de Costa Rica – http://www.bccr.fi.cr/ndie/Documentos/DIE-02-2003-NT-FILTRO%20DE%20KALMAN.pdf - Costa
Rica - 2003 - Véase documento completo en CD adjunto en Programas, en el archivo Filtro de Kalman en pdf.
MAQUIAVELO@,2006
Hechos, biografía y desarrollo intelectual de Nicolás Maquiavelo - Disponible en http://www.monografias.com/trabajos13/nicomaq/nicomaq.shtml - Monografías.com por autoría de
Claudia Liliana Luna - España - 2006
PARADA@,2006
Parada, Carlos - Genealogical Guide to Greek Mythology - http://homepage.mac.com/cparada/GML/000Spanish/Paginas.html - Yahoo - USA - 1997 - Consultada en 2006
PARZEN@,2006
Parzen, E – Modelos ARARMA - ARARMA models for time series analysis and forecasting - Journal of Forecasting, vol. 1, pp. 67--82, 198 -
http://citeseer.ist.psu.edu/context/1415062/0 - USA – Consultada en la web en 2006
PII-FE@,2007
Software Forecast Expert 5.3 - Descarga libre - http://www.freedownloadscenter.com/Business/Applications/Forecast_Expert.html - USA - 2007 - Disponible en la web
RAE@, 2007
Diccionario de la Real Academia Española - http://www.rae.es/ - Consultada en 2006 - Madrid - España - 2006.
RELIASOFT@,2006
A. Mora G.
Bibliografía
ReliaSoft - Life Data Analysis On-Line Reference - System Reliability On-Line Reference - http://www.weibull.com/lifedatawebcontents.htm o en web
http://www.weibull.com/systemrelwebcontents.htm - Páginas web consultadas en 2006
SAVILE-HALIFAX@,2006
Vida y obras de George Sabile, Marqués de Halifax - Disponible en http://www.biografiasyvidas.com/biografia/h/halifax_george_savile.htm - Web de Biografía y vidas -
www.biografias.com - Barcelona - España - Consultada en noviembre de 2006 - 1996
UAMARIMA@,2006
Universidad Autónoma de Madrid – Curso de predicción económica y empresarial, modelos ARIMA - http://www.uam.es/docencia/predysim/ -
http://www.uam.es/docencia/predysim/prediccion_unidad3/unidad3.htm - Madrid - España – 2006
WMC@,2006
Enciclopedia internet WIKIPEDIA - Método científico - http://es.wikipedia.org/wiki/M%C3%A9todo_cient%C3%ADfico - USA - 2006 - Consultada en noviembre de 2006.
290
A. Mora G.
Índice Alfabético
Índice Alfabético
282, 283, 284, 285, 287, 288, 289, 292, 293, 294, 297,
298, 299
A demanda conocida, 283
Ábaco de Régnier. demanda Desconocida, 285
ABC, 264, 271, 272, 273, 274, 275, 276, 294 desviación estándar, 86, 88, 89, 97, 99, 105, 124, 136, 167,
ACF, 109, 189, 211, 212, 213, 214, 215, 216, 218, 219, 220, 169, 242, 282, 285, 287, 292
244, 245 Disponibilidad, 277, 278
agotados, 263, 265, 266, 267, 270, 286, 287
aleatoriedad, 35, 55, 79, 97, 99, 101, 126, 151, 153, 167, E
215, 219, 242, 250
Alfa de Cronbach, 54, 264 Error Cuadrado Medio, 165, 212
análisis estructural de impacto cruzado, 52, 72 estacional, 77, 85, 86, 97, 110, 111, 112, 113, 116, 118, 125,
AR.I.MA, 16, 56, 74, 77, 79, 89, 125, 129, 134, 165, 166, 159, 160, 161, 169, 170, 182, 183, 185, 189, 196, 197, 198,
168, 183, 188, 189, 196, 200, 201, 202, 220, 233, 235, 200, 207, 208, 211, 212, 213, 214, 216, 245, 246
237, 238, 239, 254, 255 estacionalidad, 55, 57, 111, 112, 113, 114, 116, 117, 120, 124,
AR.I.MA., 77, 109, 165, 166, 167, 169, 182, 183, 196, 200, 137, 138, 157, 160, 169, 170, 189, 200, 223, 225, 246,
201, 202, 207, 210, 211, 213, 219, 220, 221, 223, 224, 250, 256
225, 230, 232, 250, 251, 255, 261, 263, 297 Estrategia, 275
auto correlación, 57, 168, 187, 188, 189, 197, 199, 200, estructura horizontal, 99, 104, 126, 153, 158
204, 214, 220 estructura tendencial, 101, 105, 106, 109, 137, 169
auto correlación parcial, 168, 187, 188, 189, 200, 204, 214, Estructura vertical, 97, 241
220 Excel, 96, 100, 103, 106, 108, 111, 112, 113, 118, 119, 139,
auto regresivos, 197, 198, 200, 232 151, 155, 165, 202, 203, 242, 243, 244, 245, 246, 247,
Auto Regressive, 56, 211 254, 278, 280
excesos, 265, 277, 278
B
F 291
banda de confianza, 169, 216, 217, 218, 220
bondad de ajuste, 91, 97, 126, 196, 201, 221, 239, 260, 261 futurología, 39, 41, 44, 45, 46, 49, 51, 54, 56, 69, 72, 73,
Bondad de Ajuste, 260 76, 83, 96
Box - Jenkins, 238
Brown, 79, 125, 126, 153, 165, 254
G
C Goodness of Fit, 260
CD, 3, 98, 112, 113, 119, 165, 254, 277, 280, 297, 301
ciclicidad, 122, 137, 138, 157, 160, 247, 248, 250, 256 H
CMD, 30, 35 heteroscedasticidad.
coeficiente de determinación muestral, 137, 251, 254 hipótesis, 35, 58, 60, 61, 71, 77, 78, 79, 80, 81, 82, 83, 84,
coeficientes, 109, 167, 169, 170, 176, 178, 183, 185, 188, 96, 129, 169, 220, 221, 250, 251, 256, 259
189, 196, 198, 200, 207, 211, 212, 213, 214, 215, 216, Holt, 125, 157, 158, 159, 160, 162, 163, 164, 165, 167, 254
217, 219, 220, 244, 256 homoscedasticidad, 169
coeficientes de auto correlación, 167, 176, 188, 212, 213, Hronec, 24, 298
244
coeficientes de correlación, 109
coherencia intelectual, 39, 52, 69, 72 I
Conferencia de encuentro, 51
Confiabilidad, 137 intervalo de confianza, 109, 169, 187, 219
Consenso, 34, 260 inventario, 263, 266, 268, 271, 272, 274, 275, 277, 279,
correlación, 54, 109, 136, 137, 167, 168, 170, 185, 187, 188, 280, 281, 283, 285, 286, 287, 289, 292, 293
189, 200, 204, 207, 211, 212, 213, 214, 219, 220, 221, inventarios, 56, 78, 79, 260, 261, 263, 264, 265, 266, 267,
264 268, 269, 270, 271, 272, 275, 276, 278, 279, 280, 281,
correlograma, 189, 200, 216, 220 282, 289, 290, 292, 293, 294, 295, 296, 305
costos, 265, 266, 269, 279, 280, 281, 282, 292
L
D lead time, 271, 280, 283, 284, 287, 290, 291, 292, 293,
datos irregulares, 124, 125, 249 294
demanda, 56, 78, 82, 110, 259, 260, 261, 263, 264, 265,
267, 268, 269, 271, 272, 273, 275, 277, 278, 280, 281,
A. Mora G.
Bibliografía
M R
mantenibilidad, 137 regular, 53, 169, 170, 180, 183, 185, 189, 197, 206, 207,
Mantenimiento, 24, 264, 299 211, 212, 225, 263, 275
Mean Square Error, 126, 212 repetibilidad, 39, 52, 72, 83
media, 61, 62, 86, 87, 88, 89, 94, 97, 98, 99, 100, 101, 103, residuos, 167, 196, 212, 213, 214, 215, 216, 218, 219, 220,
104, 105, 109, 125, 127, 136, 137, 152, 160, 161, 167, 168, 221
169, 182, 183, 198, 199, 207, 210, 220, 242 ruido, 55, 79, 97, 99, 101, 103, 104, 126, 137, 138, 151, 153,
media móvil, 99, 100, 101, 103, 104, 152, 160, 161, 198, 154, 157, 158, 159, 160, 165, 167, 201, 242, 250, 256
199
medias móviles, 77, 151, 153, 189, 198, 200, 201, 225, 232,
256 S
método científico, 18, 20, 21, 30, 35, 44, 45, 46, 49, 56, 79, serie temporal, 77, 78, 83, 84, 99, 129, 135, 153, 165, 169,
80, 81, 82, 83, 84, 96, 300 187, 263
metodología científica, 49, 80, 83 series temporales, 17, 21, 36, 50, 53, 54, 55, 56, 57, 74, 77,
MIC MAC, 59, 69, 71 78, 79, 83, 84, 87, 89, 91, 96, 97, 129, 134, 153, 157, 167,
Moving Average, 56, 104, 198, 211 201, 232, 251, 261, 277, 280, 294, 297, 300
MUP, 77, 96, 126, 127, 129, 138, 151, 239, 240, 259, 261 Sistema Q.
Sistema T o P, 291
N sistema T-M, 293
Sistema T-R-M, 293
nivel, 20, 22, 23, 25, 31, 32, 35, 44, 48, 50, 53, 55, 59, 73, SMIC, 49, 71
88, 89, 91, 97, 98, 99, 105, 138, 220, 232, 241, 242, 265, Statgraphics, 100, 101, 103, 108, 111, 114, 116, 117, 118, 119,
267, 268, 269, 271, 275, 277, 292 120, 121, 122, 123, 124, 127, 146, 148, 154, 155, 157, 162,
Nivel de Pedido, 283, 284, 285, 289 163, 183, 186, 202, 221, 233, 235, 245, 246, 248, 249,
Nivel de servicio, 267, 287 251, 253, 254, 256, 300
normal, 77, 78, 85, 87, 111, 113, 118, 124, 125, 169, 170, Statgraphics bajo Window, 100, 111, 114, 117, 120, 146,
180, 182, 183, 185, 196, 197, 206, 211, 221, 242, 246, 202, 221, 245, 246, 248, 249, 251, 254, 300
249, 263, 275, 277, 278, 282, 290 Statgraphics MSDOS, 157, 162, 186, 235, 251, 253
NPE, 283, 284, 285, 289 suavización, 56, 79, 99, 100, 101, 103, 104, 125, 126, 151,
153, 154, 158, 160, 161, 166, 242, 254, 256
292 O
obsoletos, 265
T
Tendencia, 135, 243
Tendencial, 243
P Tiempo de espera, 283, 284
PACF, 189, 211, 212, 213, 214, 215, 216, 218, 219, 220 transición, 39, 41, 45, 48, 75, 78, 264, 305
patrón, 77, 99, 125, 127, 128, 166, 167, 169, 249, 250, 277 transparencia, 39, 52, 72
pertinencia, 39, 52, 69, 72
planeación estratégica, 39, 45, 46, 49, 50, 51, 56, 59, 72, U
269, 297
previsiones, 21, 23, 89, 125, 137, 138, 151, 169, 241, 250, universal, 44, 77, 81, 82, 83, 84, 294
256, 260, 261, 264
Prob-Expert, 49, 71
pronósticos, 50, 53, 54, 56, 77, 78, 79, 82, 83, 84, 85, 86, V
87, 89, 91, 93, 94, 96, 97, 98, 104, 125, 126, 127, 128, variables, 39, 44, 45, 46, 48, 49, 51, 52, 53, 54, 58, 59, 60,
135, 137, 138, 141, 150, 154, 160, 161, 165, 167, 169, 196, 61, 63, 64, 65, 66, 67, 68, 69, 70, 71, 78, 81, 83, 84, 86,
198, 223, 230, 232, 239, 241, 251, 254, 255, 256, 259, 136, 137, 167, 188, 196, 264
260, 261, 263, 264, 266, 268, 269,꯸270, 275, 284, 287, ventas, 55, 56, 70, 78, 260, 263, 269, 270, 272
294, 297, 298, 305 verificación, 82, 96, 254
Pronósticos, 3, 16, 21, 77, 96, 130, 134, 137, 160, 161, 165, verosimilitud, 39, 52, 72
222, 230, 297, 298, 299
prospectiva, 20, 21, 22, 23, 28, 30, 39, 41, 44, 45, 46, 49,
77, 78, 299, 300, 305 W
proyectiva, 21, 22, 23, 30, 41, 55, 77, 96, 261
Pull, 271, 281, 282, 290, 291, 292, 293, 294 WinQSB, 104, 141, 154, 157, 159, 163, 251, 256, 259, 300
Push, 271, 277, 278, 279, 284 Winter, 125, 145, 157, 159, 160, 162, 163, 164, 165, 167, 254
A. Mora G.
Curriculum Vitae Autor
Experiencia Laboral:
• Industrias Alimenticias NOEL - Galletas, dulces, alimentos y conservas - Medellín – Colombia – Jefe Mantenimiento Seccional
• Industrias Alimenticias Lara Carabobo - INLACA - Lácteos, jugos y conservas – Valencia - Venezuela - Subdirector nacional de Ingeniería de
Mantenimiento y Proyectos
• Pasteurizadora Guayana - INLACA - Lácteos, quesos, jugos, bebidas y conservas – Ciudad Bolívar – Venezuela – Gerente General
• Industrias Alimenticias del Yocoima - INLAYOSA hoy Parmalat - Jugos, lácteos, quesos y afines - Upata - Estado Bolívar - Venezuela - Gerente General
• Gaseosas Postobón, Lux y Pepsi-Cola - Alimentos, bebidas y gaseosas - Barranquilla – Colombia - Gerente General.
• Lloreda Grasas - División Plásticos – Cali y Barranquilla – Colombia – Gerente de División
• ADM Limitada - Alimentos y plásticos - Medellín - Colombia – Gerente General
• COLDI Limitada - Gestora y Operadora internacional de Mantenimiento – Medellín – Colombia - Gerente General
• COLMASU SA - Empresa Multinacional Andina - Asesorías en Mantenimiento Industrial - Guayaquil – Ecuador - Presidente
• CIMPRO SAS - Empresa de Inventarios – Ingeniería de Mantenimiento – Pronósticos – Estadística – Fundador - Presidente - Gerente Técnico
• Universidad EAFIT - Medellín - Colombia - Profesor, Jefe de la Carrera y el Departamento de Ingeniería Mecánica, Jefe de PET (Prácticas
Profesionales). Coordinador de la Especialización en Mantenimiento Industrial, Director del Grupo GEMI - Grupo de Estudios e Investigación en
Mantenimiento Industrial. Profesor Investigador en pregrado y postgrado. Asesor y Consultor Empresarial.
Algunas experiencias relevantes del autor en pronósticos, inventarios, estudios de manejo de materiales, producción y repuestos:
Otros:
Asesor, consultor, facilitador, desarrollador, conferencista, profesor universitario, etc. en prospectiva, pronósticos, inventarios, métodos futurísticos, inteligencia
de mercados, estadística y mantenimiento industrial - En países como Colombia, Venezuela, Perú, Ecuador, Chile, México, Costa Rica, Honduras, República
Dominicana, Panamá, Guatemala, Nicaragua, Puerto Rico, España, Estados Unidos. Escritor de diferentes libros.
A. Mora G.
Otras Obras del Autor A. Mora G.
• Stock Cero - Inventarios MTS MTO MTF - CIMPRO SAS Editores - ISBN 978-958-58361-05
• Mantenimiento - Planeación - Ejecución y Control - Editorial Alfaomega Grupo Editor - ISBN 978-958-
682-769-0
• Mantenimiento Industrial Efectivo - Editorial COLDI Limitada - ISBN 978-958-989-02-0-2
• Mantenimiento Estratégico Empresarial - Fondo Editorial EAFIT - ISBN 978-958-828-14-6-9
• Mantenimiento Estratégico para Empresas de Servicio o Industriales - AMG Editores - ISBN
978-958-33-8213-5
• Inventarios Cero - ¿Cuánto y Cuándo Pedir? - Editorial Alfaomega Grupo Editor - ISBN 978-958-778-
069-7
294
Pedidos
A. Mora G.