Está en la página 1de 295

PDF created with pdfFactory Pro trial version www.softwarelabs.

com
Pronósticos de Demanda
e Inventarios
Prospectiva &
Métodos Futurísticos
CD con ejemplos y desarrollos en computador

Autor © Alberto Mora Gutiérrez ®


Reserva de derechos de autor ®
©Primera edición agosto de 2007 en Medellín – Colombia - 2300 ejemplares
©Segunda re-edición junio de 2012 en Medellín – Colombia - 1000 ejemplares
©Tercera re-edición enero 2019 en Medellín – Colombia - 3500 ejemplares
Edición Limitada

Prohibida su reproducción parcial o total©


a menos que se tenga autorización escrita previa del
Autor con firma autenticada legalmente.

Ilustración y edición Medellín - Antioquia - Colombia


Teléfono 57 4 5789465
Móvil 57 312 28745586

ISBN 978-958-44-0233-2
Radicación 2956 de la Cámara Colombiana del Libro

Depósito Legal 1415 del 17 de abril de 2007, de la Biblioteca Nacional de Colombia

Edición del 2020


Copyright ©2020®
cimpro@mail.com

Portada diseñada por Carolina Monsalve Acevedo -Teléfono 57 4 2774305 - carothecates@gmail.com

Impreso en Editorial - Medellín - Antioquia - Colombia - Julio de 2020


Agradecimientos al Doctor Andrés Carrión García, España, por su gran colaboración

2020

PRONOSTICAR………………… ES www.rae.es.................
predecir algo futuro a partir de indicios.

PREDECIR………………… es según www.rae.es.................


Anunciar por revelación, conocimiento fundado, intuición o conjetura algo que ha de suceder.

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

2.2.3. Criterios básicos de los métodos futurísticos ................................................................................................................. 38


2.2.3.1. Cualitativo ................................................................................................................................................................... 38
2.2.3.1.1. Brainstorming o tormenta de ideas ........................................................................................................................... 40
2.2.3.1.2. Analogías .................................................................................................................................................................. 40
2.2.3.1.3. El modelo o mapa contextual ................................................................................................................................... 40
2.2.3.1.4. El análisis morfológico ............................................................................................................................................. 40
2.2.3.1.5. El análisis de vacíos ................................................................................................................................................. 40
2.2.3.1.6. Vigilancia del entorno .............................................................................................................................................. 40
2.2.3.1.7. Planeación por Escenarios – Método modificado cuantitativo ................................................................................ 41
2.2.3.1.8. Técnicas de consenso ............................................................................................................................................... 41
2.2.3.1.9. Técnicas de grupo nominal....................................................................................................................................... 41
2.2.3.1.10. Mini-Delphi ............................................................................................................................................................ 42
2.2.3.1.11. EDSIM (Educational Simulation) .......................................................................................................................... 42
2.2.3.1.12. COMPASS ............................................................................................................................................................. 42
2.2.3.1.13.
Ábaco de Régnier® ....................................................................................................................................................... 42
2.2.3.1.14. Conferencia de encuentro y búsqueda de futuribles ............................................................................................... 42
2.2.3.2. Cuantitativo ................................................................................................................................................................. 43
2.2.3.3. Temporalidad............................................................................................................................................................... 43
2.2.3.4. Probabilidad................................................................................................................................................................. 44
2.2.3.4.1. Curvas de aprendizaje .............................................................................................................................................. 44
2.2.3.4.2. Curvas de sustitución................................................................................................................................................ 44
2.2.3.4.3. Analogías cuantificadas ............................................................................................................................................ 45
2.2.3.4.4. Modelos dinámicos o Dinámica de sistemas ............................................................................................................ 45
2.2.3.4.5. Técnicas compuestas ................................................................................................................................................ 45
2.2.3.4.6. Análisis de tendencias de impactos .......................................................................................................................... 46
2.2.3.4.7. Análisis Bayesiano ................................................................................................................................................... 46
2.2.3.4.8. Árboles de decisión - Árbol de relevancia - Método PATTERN............................................................................. 46
2.2.3.4.9. Series temporales ...................................................................................................................................................... 46
2.2.3.4.10. Análisis del espectro de frecuencias temporales .................................................................................................... 47
4 2.2.3.4.11. Técnica Delfos con cuartiles .................................................................................................................................. 48
2.2.3.4.12. Método del Vaticano .............................................................................................................................................. 49
2.2.3.4.13. Análisis estructural de impactos cruzados.............................................................................................................. 49
2.2.3.4.14. Tablero de influencias de J. F. Lefebvre ................................................................................................................ 60
2.2.3.4.14.1. Comentarios estratégicos a cinco años vista ............................................................................... 60
2.2.3.4.15. SMIC y Prob-Expert® ............................................................................................................................................. 62
2.2.3.4.16. Tablero de poderes de Ténière-Buchot - Diagrama de Djambi.............................................................................. 62
2.2.3.4.17. J. W. Forrester ........................................................................................................................................................ 63
2.2.3.4.18. MACTOR ............................................................................................................................................................... 63
2.2.3.4.19. MULTIPOL ............................................................................................................................................................ 64
2.3. Parámetros avanzados de clasificación de los métodos futurísticos......................................................... 64
2.3.1. Clases de métodos futurísticos según el tiempo a evaluar ............................................................................................. 65
2.3.2. Características ............................................................................................................................................................... 66
3. Proyectiva - Pronósticos de series temporales................................................................................................. 69
3.1. Método científico en las series temporales ................................................................................................. 71
3.1.1. Observación.................................................................................................................................................................... 71
3.1.2. Hipótesis ......................................................................................................................................................................... 71
3.1.3. Experimentación ............................................................................................................................................................. 71
3.2. Metodología universal estandarizada de pronósticos ............................................................................... 74
3.2.1. Análisis previo ................................................................................................................................................................ 74
3.2.1.1. Condiciones de entrada de una serie de datos en el tiempo ........................................................................................ 75
3.2.1.1.1. Cualitativas ............................................................................................................................................................... 75
3.2.1.1.1.1. Observaciones cualitativas relevantes para la aplicación .............................................................. 75
3.2.1.1.2. Temporales ............................................................................................................................................................... 75
3.2.1.1.3. Cuantitativas ............................................................................................................................................................. 75
3.2.1.1.3.1. Observaciones cuantitativas y temporales, relevantes para la aplicación ..................................... 75
3.2.1.1.4. Probabilísticas .......................................................................................................................................................... 80
3.2.1.1.4.1. Observaciones probabilísticas para la aplicación .......................................................................... 80
3.2.1.2. Pasos a realizar del análisis previo .............................................................................................................................. 87
A. Mora G.
Contenido

3.2.1.2.1. Síntesis ......................................................................................................................................................................87


3.2.1.2.2. Verificación de datos ................................................................................................................................................ 87
3.2.1.2.3. Estructura vertical - Nivel .........................................................................................................................................88
3.2.1.2.3.1. Detección de cambios de nivel.......................................................................................................88
3.2.1.2.4. Estructura horizontal- Ruido o aleatoriedad .............................................................................................................90
3.2.1.2.4.1. Detección de ruido o aleatoriedad ..................................................................................................90
3.2.1.2.5. Estructura tendencial ................................................................................................................................................. 96
3.2.1.2.5.1. Detección de la estructura tendencial ............................................................................................. 97
3.2.1.2.6. Estructura estacional y/o cíclica .............................................................................................................................. 101
3.2.1.2.6.1. Detección de la estructura estacional con Excel y Statgraphics .................................................. 102
3.2.1.2.6.2. Detección de la estructura cíclica con Excel y Statgraphics ........................................................ 108
3.2.1.2.7. Componentes irregulares.........................................................................................................................................114
3.2.1.2.8. Patrón estructural .................................................................................................................................................... 116
3.2.1.2.9. Otros ........................................................................................................................................................................120
3.2.2. Hipótesis........................................................................................................................................................................120
3.2.2.1. Modelos Clásicos - Casos específicos de los AR.I.MA. ............................................................................................ 125
3.2.2.1.1. Características de los clásicos .................................................................................................................................125
3.2.2.1.2. Descripción de los tipos de modelos clásicos .........................................................................................................125
3.2.2.1.3. Modelos clásicos de Ajuste por Tendencia lineal ...................................................................................................126
3.2.2.1.3.1. Criterios de calidad del ajuste de la tendencia ............................................................................. 127
3.2.2.1.4. Modelos clásicos de Ajuste por Tendencias no lineales ......................................................................................... 128
3.2.2.1.5. Modelos clásicos de suavización pura .................................................................................................................... 143
3.2.2.1.6. Modelos clásicos de suavización exponencial – Brown ......................................................................................... 145
3.2.2.1.7. Modelos clásicos por descomposición – Holt y Holt - Winter ............................................................................... 149
3.2.2.1.7.1. Holt............................................................................................................................................... 149
3.2.2.1.7.2. Holt – Winter ............................................................................................................................... 151
3.2.2.2. Modelos AR.I.MA – Metodología Box - Jenkins ......................................................................................................157
3.2.2.2.1. Características de los modelos AR.I.MA. ............................................................................................................... 157
3.2.2.2.2. Descripción de los modelos AR.I.MA. (Modernos) ............................................................................................... 158 5
3.2.2.2.2.1. Metodología Box – Jenkins..........................................................................................................159
3.2.3. Verificación ...................................................................................................................................................................231
3.2.3.1. Aplicación Integral de MUP ......................................................................................................................................232
3.3. Conclusión de pronósticos ........................................................................................................................ 253
4. Inventarios ..................................................................................................................................................... 255
4.1. Gestión y manejo de materias primas, insumos, bienes en proceso o terminados, repuestos, etc. ..... 256
4.1.1. Costos ............................................................................................................................................................................257
4.1.1.1. Costos de pedir ........................................................................................................................................................... 257
4.1.1.2. Costos de sostener ...................................................................................................................................................... 258
4.1.1.3. Costos de agotar ......................................................................................................................................................... 258
4.1.2. Nivel de servicio ............................................................................................................................................................ 258
4.2. Categorización de las diferentes referencias de un inventario ............................................................... 260
4.2.1. Clasificación ABC ......................................................................................................................................................... 262
4.2.2. Push ............................................................................................................................................................................... 268
4.2.3. Pull ................................................................................................................................................................................ 271
4.2.3.1. Demanda una sola vez en el tiempo ........................................................................................................................... 271
4.2.3.2. Demanda muchas veces en el tiempo, con entrega inmediata ................................................................................... 273
4.2.3.3. Demanda muchas veces en el tiempo, con entrega no inmediata .............................................................................. 274
4.2.3.4. Demanda continua, entrega no inmediata y velocidad de producción mayor a demanda .........................................274
4.2.3.5. Demanda continua, entrega no inmediata y velocidad de producción menor al flujo de demanda ........................... 275
4.2.3.6. Demanda desconocida................................................................................................................................................ 276
4.2.3.7. Demanda y tiempo de espera (lead time), desconocidos ........................................................................................... 278
4.2.3.8. Control de inventarios en productos Pull, con sistemas Q, T-P, T-M y T-R-M ........................................................ 280
4.3. Indicadores de gestión y operación de inventarios .................................................................................. 285
4.3.1. Servicio..........................................................................................................................................................................285
4.3.2. Gestión logística de inventarios ....................................................................................................................................286
5. Bibliografía. ................................................................................................................................................... 287
5.1. Internet....................................................................................................................................................... 289
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

Ecuación 1 - Función del Modelo Brown ..........................................................................................................................................................117


Ecuación 2 - Ecuación de modelo de ajuste por tendencia lineal .................................................................................................................... 126
Ecuación 3 - Análisis de mínimos cuadrados .................................................................................................................................................. 126
Ecuación 4 - Definición matemática de la pendiente y del intercepto de la recta alineada estimada. .......................................................... 127
Ecuación 5 - Ajuste de la recta alineada .......................................................................................................................................................... 127
Ecuación 6 - Error estándar del estimado de la recta alineada ...................................................................................................................... 127
Ecuación 7 - Coeficiente de determinación muestral r2 de la recta alineada .................................................................................................. 128
Ecuación 8 - Coeficiente de determinación muestral r2 ajustado de la recta alineada .................................................................................. 128
Ecuación 9 - Definición matemática del coeficiente de correlación múltiple.................................................................................................. 128
Ecuación 10 - Modelos clásicos de ajuste por tendencia no lineal .................................................................................................................... 129
Ecuación 11 - Medias móviles............................................................................................................................................................................. 145
Ecuación 12 - Otras medias móviles avanzadas con otros softwares ............................................................................................................... 145
Ecuación 13 - Expresión para los modelos clásicos de alisamiento exponencial .............................................................................................. 145
Ecuación 14 - Expresiones del modelo de suavización exponencial y descomposición Holt ............................................................................ 150
Ecuación 15 - Expresiones de cálculo y estimación de Holt – Winter ............................................................................................................... 152
Ecuación 16 - Forma lineal de la variable en función del pasado y de una variable aleatoria........................................................................188
Ecuación 17 - Expresión base de auto correlación ............................................................................................................................................188
Ecuación 18 - Forma lineal de la variable en función del pasado y de una variable aleatoria ....................................................................... 189
Ecuación 19 - Modelos SAR (Seasonal Auto-Regressive) - Estacionales auto regresivos ................................................................................ 189
Ecuación 20 - Modelos MA (Moving Average) – Medias Móviles .................................................................................................................... 189
Ecuación 21 - Modelos de medias móviles estacionales – SMA ........................................................................................................................ 190
Ecuación 22 - Invertibilidad y estacionariedad ................................................................................................................................................190
Ecuación 23 - Expresión típica de modelos AR.I.MA. ....................................................................................................................................... 192
Ecuación 24 - Expresión general de los AR.I.MA., tanto en regulares como en estacionales ........................................................................ 193
Ecuación 25 - Fórmulas de A, Y y X para Clasificación A B C de Inventarios ............................................................................................... 263
Ecuación 26 - Demanda promedio en función del pronóstico ......................................................................................................................... 266
Ecuación 27 - Cantidad óptima a pedir, con el mínimo costo para reponer inventarios. ............................................................................... 270
Ecuación 28 - Estimadores de cantidades únicas especiales en Pull. ...............................................................................................................272
Ecuación 29 - Precio estimado de venta en demanda interna ..........................................................................................................................273
Ecuación 30 - Tiempo de espera (lead time) .....................................................................................................................................................274
Ecuación 31 - Tiempo de espera (lead time) con ajuste cuando producción es mayor a demanda .................................................................274
Ecuación 32 - Nivel de Pedido con Espera cuando producción es inferior a la demanda ................................................................................ 275
Ecuación 33 - Nivel de pedido con demanda desconocida – NPD ....................................................................................................................276
Ecuación 34 - Desviación estándar censurada para demanda y tiempo de espera, desconocidos ................................................................. 278
8 Ecuación 35 - Estimación del nivel máximo M de inventarios en R M de Pull. ............................................................................................... 283
Ecuación 36 - Indicadores de servicio de inventarios ...................................................................................................................................... 285
Ecuación 37 - Indicadores logísticos de inventarios ........................................................................................................................................ 286

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,

Andrés Carrión García,


PhD. en Ingeniería Industrial
Director del
Departamento de Estadística, Confiabilidad e Investigación Operativa
Universidad Politécnica de Valencia - Valencia - España

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.

0.1.1. Estructura, novedades y concepción del libro:

El texto se desenvuelve en cuatro capítulos:


0.1.1.1. Uno – Introducción

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.

Ilustración 1 - Dios Apolo, que aprende el don de la profecía. Oráculo de Delfos.

El culto a Apolo se extiende rápidamente y se le adora en


muchos templos, entre los cuales resaltan el del templo
Délos, donde también se celebran los juegos Pitios
14 llamados así por ser allí donde Apolo da muerte a la
serpiente Pitón; el del monte Soracto, cuyos sacerdotes
pueden caminar descalzos sobre brasas ardientes y el de
Delfos en donde la sibila interpreta la voz del oráculo y
los adolescentes le consagran sus cabelleras (86).

Se narra en la mitología griega que Apolo aprende y


desarrolla el arte de la profecía de Pan (Parada@,2006)
y luego de acabar con Pitón se apodera del oráculo de
Delfos (viene de Delphi)7, dominado hasta ese momento
por Temis.

Sibila, es la mujer que se encarga de hacer los


cuestionamientos humanos al dios y es quien responde a
estos, las preguntas realizadas a los dioses, según Séneca
se denomina oráculo a la voluntad de los dioses
proclamada por los humanos, en este caso la sibila, a
quien se describe también como pitonisa, debido a que
pronuncia los oráculos sentada en un trípode de oro
macizo cubierto con la piel de la serpiente Piton (De La
Escosura, 1842,86).

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

Ilustración 2 - Figura alusiva a la mitología griega

El templo de Delfos recibe su nombre luego de que Apolo designa a unos


marineros cretenses como sus primeros sacerdotes. Apolo avista un
barco que navega en el Peloponeso, se convierte en Delfín y lleva el barco
hasta el golfo de Crisaea. Los marineros son llevados por Apolo al monte
Parnaso para convertirlos en sus primeros sacerdotes. Estos marineros
bautizan a la ciudad Delfos, pues el dios que se les aparece, tiene la
forma de un delfín (Parada, 1999).

En general desde la era de los griegos el porvenir es una preocupación


importante del ser humano, sin embargo, Michel Godet enuncia que
toda persona que pretenda predecir o prever el futuro es un impostor,
ya que el futuro no está prescrito sino que hace falta desarrollarlo y se
puede construir (1999,1).

Ilustración 3 - Casandra, con dotes adivinatorios es violada por Ajax.

“Casandra hija de Príamo y Hécuba, reyes de Troya. Según una


versión Casandra y su hermano gemelo Héleno (Ἕλενος)
poseían dotes adivinatorias por haber sido lamidos por una
serpiente. Otra versión cuenta que Casandra se ofreció a Apolo
a cambio del don, pero cuando le fue concedido ella le rechazó,
por lo que Apolo se vengó escupiéndola en la boca. Esto
significaba que a pesar de ser una gran adivina nadie creía sus
profecías. Y aunque siempre predijo cosas acertadas, nunca fue
creída, cosa que la llevó a su propia muerte y a la caída de Troya” 15
(copia textual de CASANDRA@,2006).

1.1.1. Principales rasgos de los mitos griegos


Dado que muchos de los métodos futurísticos se basan en mitos o
leyendas, los que suceden en Grecia en la era mitológica, se pueden dividir en procedentes de los dioses
y los derivados de hechos heroicos (o de guerras).

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

1.2. Terminología sobre previsión y análogas

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.

Futurología, se explica como el conjunto de estudios que se proponen predecir científicamente


el futuro del hombre o de sus actos.

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).

Otros términos como proyectos, prospectos, prospectiva, predicciones, series temporales8 y


otros más, se asocian a la posibilidad de plantear o conjeturar sobre el futuro a partir de unos
datos presentes o pasados, que es parte esencial de este libro.

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).

La necesidad de proyectar crece en la medida que la administración trata de disminuir la dependencia


del azar y se vuelve más científica en el manejo de su entorno.

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.

Ilustración 4 - Tipos de actividad

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

Ilustración 5 - Estructura empresarial


La sencillez de una estructura organizacional por procesos permite
la fácil identificación de los mismos en cuanto a su criticidad y por
Macroproceso: es un ende, permite de una manera más sencilla la ubicación de las
conjunto ordenado de actividades claves que los afectan, de manera más influyente.
procesos
La metodología para optimizar un macro-proceso y por lógica los
Proceso es un grupo procesos críticos que lo conforman, como las actividades claves que
lógico y coherente de constituyen los procesos, sigue unos pasos en forma sistémica, entre
los métodos estandarizados que más se conocen de las distintas
Actividades casas internacionales líderes en este campo, resaltan: el de Vital
Signs - Performance (Signos Vitales del Quantum Performance)
(Hronec,1995) y el de Balanced ScoreCard11 (Cuadros y Tableros de
Control) (Kaplan y otro,1997).

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

Fuente Bibliográfica: Bitar y otros,2003,43

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.

Ilustración 8 - Elaboración moderna de estrategias decisionales y futurísticas

Consideraciones comerciales

Estrategia Estrategia tecnológica con enfoque


clá
clásica de la moderno de mejora por procesos
empresa con herramientas futurísticas

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

Ilustración 9 - Elaboración de las estrategias corporativa y tecnológica

Fuente Bibliográfica: adaptado de Escorsa y otro, 1991,100

22 La verdadera planeación estratégica tecnológica, involucra de por sí a la clásica, su proceso se lleva a


cabo en seis etapas, bien delimitadas entre sí, cada una conlleva la utilización de métodos propios que
permiten a la empresa hacer un diagnóstico integral, en un contexto mundial, para visualizar su futuro
en el presente.

Ilustración 10 - Pasos de la planeación estratégica tecnológica

Función Descripción Herramienta


Conocer tecnologías propias, de otras empresas y Matriz Tecnología / Productos o Servicios
Inventariar usadas por la competencia

Definir la competitividad y el potencial tecnológico Matriz atractivo / posición tecnológica


Evaluar futuro de la empresa
Árbol tecnológico dual
Emplear eficazmente los recursos disponibles e Racimos o Árboles tecnológicos
Optimizar importados

Aumentar el patrimonio tecnológico de la empresa Matriz de accesos a la tecnología


Enriquecer
Vigilar a nivel mundial el progreso de otras y nuevas Función de alerta tecnológica
Vigilar tecnologías

Desarrollar políticas de patentes y de registro de Patentar y registrar


Proteger propiedad industrial e intelectual

Fuente Bibliográfica: adaptado de Escorsa,1999

En especial la planeación estratégica tecnológica, se fundamenta estructural y principalmente en


metodologías futurísticas (Escorsa y otro, 1991,100), tanto de orden prospectivo (Mora,1998), como de
turbulencia y de orden proyectivo.
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 elementos estratégicos a los procesos de planeación y toma de decisiones.

Impulsar la planeación abierta y creativa fundamentada en una visión compartida de futuro.

Proporcionar el impulso requerido, para transformar la potencialidad en capacidad.

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

¿Beneficios de ¿Tiempo y ¿Atractivos,


estar en esta recursos que riesgos y
condición? demanda el beneficios de
proceso de alcanzar el
cambio? nuevo estado
futuro?

SEGURIDAD DESCONOCIMIENTO VISIÓN


Estado conocido Riesgos y temores Estado deseado
futuro
El proceso de cambio, es un asunto tecnoló
tecnológico.
La administració
administración del proceso de cambio es el có
cómo alcanzar con éxito
el futuro deseado.

La determinación de la visión de la empresa en su planeación estratégica clásica con componente


tecnológico implica la determinación precisa de su estado futuro (Hronec,1995,133), tal como se muestra
en ilustración anterior.

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.

Los elementos estructurales de un enfoque sistémico kantiano se caracterizan en tres actores


principales: personas, artefactos y entorno.
25
Ilustración 13 - Elementos estructurales de una herramienta sistémica kantiana futurista

Los métodos futurísticos se aplican a personas que desean


conocer su estado futuro en un determinado entorno, es decir
Personas son aplicados a la dupla Personas-Entorno, existen métodos
proyectivos dedicados exclusivamente a personas en cuanto a
que quieren conocer su desarrollo, las metodologías de
futurología se emplean a variables del entorno, por ejemplo
cuando se desea prospectar la situación política de una región o
de un país, en general se utilizan también para herramientas o
Entorno Artefactos artefactos de uso natural en las empresas, por ejemplo la
detección temprana de necesidades de maquinaria, o de factores
productivos o de inventarios o de cualquier otro insumo de una
organización.
Lo que sí es común es que siempre son aplicados por las personas, lo que permite afirmar que los
métodos futurísticos pueden ser, de los siguientes tipos:

Personas los emplean a personas


Personas los utilizan en artefactos
Personas los usan en el estudio futuro del entorno

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

Personas lo aplican a otras personas & entorno & artefactos


Los niveles que se pueden alcanzar, en las diferentes aplicaciones de las disímiles herramientas
futurísticas a los distintos elementos estructurales de un sistema, se pueden organizar en cuatro etapas,
con diferentes avances de desarrollo en cada una de ellas, en cuanto al método en sí y de lo que es capaz
de lograr, al desarrollar la previsión que se realiza.

Ilustración 14 - Estructura previsiva Sistémica Kantiana futurista

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

herramientas futurísticas donde se define el conjunto de métodos a utilizar


en función de las necesidades particulares de la
Plazo inmediato
empresa o entidad estudiada y de las
circunstancias que la rodean, es el tercer nivel el más importante de todos pues dependiendo del diseño
del conjunto se tendrá el éxito deseado que se evalúa en el nivel cuatro, en esta fase estratégica es donde
se toman las grandes decisiones derivadas de los resultados de los tres primeros niveles y se aplican a
las organizaciones, en procura de los cambios que conlleven en el futuro, a la mejora de sus procesos y
26 resultados.

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

1.5. Validez de las predicciones


Los procesos de planeación basada en el estado futuro, conllevan por su propia naturaleza largos
períodos de tiempo y diferentes metodologías a desarrollar por parte de los funcionarios internos de la
empresa evaluada y de los expertos externos que participan en las diferentes etapas; tanto los métodos
utilizados como el período de tiempo a auscultar, las formas que se obtengan, la profundidad científica
y la seriedad metodológica como se realice, el alcance y el grado de participación de los actores del
proceso, determinan el grado de éxito del proceso.
1.5.1. Criterios de éxito
En general para que un proceso futurístico alcance cierto grado suficiente de éxito, debe cumplir los
parámetros de:
1.5.1.1. Pertinencia
Consiste en que el tema, el entorno y las personas evaluadas, sean de actualidad y realmente necesarios
y relevantes en el futuro de la empresa, que aporten cambios positivos y se puedan integrar a la
organización en el tiempo.
1.5.1.2. Coherencia intelectual
Se trata de que los participantes sean adecuados al proceso y que aporten ideas y datos significativos al
mismo, que tengan elementos comunes entre ellos y que las metodologías utilizadas, propendan el
pensar común de las personas para lograr su coherencia intelectual.
1.5.1.3. Importancia
Se refiere a que la temática estudiada y la empresa evaluada, que realmente sean aceptadas por todos
los participantes, como necesarias en el mejor futuro de la organización. Es aquí donde se resalta un
comentario del autor expresado anteriormente, los métodos futurísticos y en especial los de turbulencia 27
y los prospectivos funcionan más eficazmente cuando se trabaja bajo métodos de planeación estratégica
(que abarcan la totalidad de empleados, trabajadores, proveedores, clientes, etc.) con la participación
total de la organización, a diferencia de los procesos prospectivos que se aplican bajo la metodología de
direccionamiento estratégico (donde solo participa la cúpula directiva de la organización) que
normalmente terminan sin grandes logros y con la oposición, o al menos la no aceptación del resto del
personal de la empresa, sobre todo en las personas que no participan.
1.5.1.4. Verosimilitud
Es el más delicado de los criterios de éxito, pues es el que mayor componente tecnológico requiere, el
factor más importante en este punto es la experiencia y el conocimiento del experto, dado que debe
interpretar exactamente las necesidades de temporalidad y organización que la empresa requiere, tiene
que conocer detalladamente en forma precisa todas las expectativas de la empresa y saber qué elementos
deben ser prospectados o proyectados (personas, entorno, artefactos), con el fin de seleccionar el (los)
método (s) adecuado que responda a esos intereses; es en este punto donde se centra un alto porcentaje
del éxito estratégico del proceso, cabe recordar que si bien existen cientos de métodos, todos presentan
serias limitaciones y sus usos son muy concretos para ciertos actores y circunstancias del entorno, es
muy importante la selección previa de los modelos y metodologías futurísticas con el fin de aclarar con
el cliente, sus ventajas y limitaciones al usarlas.
1.5.1.5. Transparencia
Se entiende como que los procesos futurísticos deben ser difundidos en forma clara a toda la
organización, antes, durante y después de su realización. El éxito de ellos se basa en la participación
colectiva, con alto grado de aceptación y motivación de los funcionarios de la empresa en el proceso. En
la medida que sea posible involucrar a mayor cantidad de personas, más alto es el beneficio que alcanzar.

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

Criterios de éxito estraté


estratégico en 1.5.1.2. Cultural
los mé
métodos futurí
futurísticos o en el
proceso integral de futurologí
futurología Son los que algunas organizaciones con bastante esfuerzo y tiempo de
Pertinencia
dedicación pueden desarrollar, en muchas ocasiones llegan a ser muy
Coherencia intelectual exitosos sobre todo los que emulan de alguna manera el método
Importancia científico. Está comprobado que algunos de ellos, son muy buenos en
Verosimilitud sus resultados de predicción, su mayor inconveniente es que solo
Transparencia tienen validez en la empresa donde se realizan y en ocasiones en el
Contenido cientí
científico sector empresarial donde se desenvuelven, presentan el inconveniente
Continuidad de que no son comparables a otras empresas ubicadas en otros
Repetibilidad espacios del mundo y su replicación13, está condicionada a que los
Consenso actores que participan conserven su entorno estable. La
Representatividad recomendación es tratar de convertir estos métodos en universales
bajo el método científico, está demostrado que con poco esfuerzo se
logra darles el nivel internacional de aceptación mundial.
1.5.1.3. Universales o científicos de validez internacional
Por último, está la categoría más elevada de aceptación mundial, estos procesos presentan la gran
ventaja de que pueden sustituir tanto a los subjetivos como a los culturales, pero a la inversa es
imposible, los subjetivos ni los culturales pueden adoptar el orden de validez universal. Son
mundialmente aceptados y siguen rigurosamente el método científico: observación, análisis,
planteamiento de hipótesis, evaluación de alternativas, selección de una solución, demostración de la
hipótesis para convertirla en tesis de aceptación universal, siempre replican su solución como tesis y
casi siempre arrojan resultados exitosos. Su gran ventaja estriba en que permiten comparaciones de
espacio y tiempo, en cualquier organización de la tierra y en cualquier tiempo de las mismas. Otra 29
característica ventajosa es que tienen aceptación internacional. Los métodos de validez universal
cumplen todos los criterios estratégicos de éxito de los métodos futurísticos: coherencia intelectual,
continuidad, contenido científico, verosimilitud, importancia, transparencia, repetibilidad, pertinencia,
representatividad y consenso. Los conceptos, ejercicios y procesos descritos en este libro sobre
pronósticos, solo trabajan en el ámbito universal, basados en forma rigurosa en el método científico, los
casos subjetivos y culturales no se tratan.

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).

Ilustración 16 - Escalas de categorías de validez de los métodos futurísticos


Validez

Nivel 3 Universales de
método científico
Nivel 2
Culturales

Nivel 1 Subjetivos

1.6. Actualidad de aplicación


La previsión de la demanda es una de las actividades generales de mayor importancia para cualquier
empresa, ya que proporciona los datos básicos de entrada para la planificación y el control de todas las

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 la siguiente ilustración se presenta un estudio futurístico con la estructura real de aplicación de


métodos integrales de planeación estratégica clásica y tecnológica, que se realiza en una empresa
generadora de electricidad, donde se aplican durante varios años, muchos métodos tanto de orden
proyectivo, de transición y de prospectiva de distinto orden, organizados de una forma lógica y
coherente, de tal manera que permiten garantizar la mayoría de parámetros de éxito en la futurología
como: coherencia intelectual, importancia, verosimilitud, transparencia, pertinencia, contenido
científico, continuidad (se aplica en un período tiempo relativamente largo), repetibilidad (se aplican
similarmente en diferentes épocas del tiempos y ubicaciones en el espacio (en varias ciudades y
poblaciones)), consenso (participa, un altísimo porcentaje de empleados y trabajadores, proveedores,
clientes, etc.; diferentes representantes de la cadena de agregación de valor en la empresa, generadora
de electricidad); organizados así, para que los productos de unos métodos sean los insumos de otros, de
tal forma que se obtiene la validez científica requerida en un proceso largo y con un alto grado de uso de
diferentes métodos futurísticos complejos de corto, mediano y largo plazo; con el fin de garantizar los
mejores resultados a futuro.

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

2.1. Aproximaciones de clasificación de los métodos futurísticos


Los grupos que resaltan en la futurología son: de proyectiva, de turbulencia (o transición) y los de
prospectiva; sus diferencias son muy significativas y persiguen objetivos muy disímiles, en lo único que
coinciden es que visualizan el futuro, en el estado presente.

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).

A continuación, se muestra un diseño de un proceso integral de métodos futurísticos desarrollado y


aplicado por el autor, que permite la combinación coherente de técnicas de los tres campos (proyectiva,
turbulencia y prospectiva)

Ilustración 18 - Plan integral de futurología

Fase 1 Fundamentación técnica del proceso prospectivo día 1 Año 00

Etapa 1 – Fase 1: Selección de Funcionarios y determinación del tamaño muestral estadístico

Etapa 2 – Fase 1: Representatividad

Etapa 3 – Fase 1: Límites del sistema

Etapa 4 – Fase 1: Patrones y estructuras de planes prospectivos por escenarios 33


Etapa 5 – Fase 1: Plan estratégico tecnológico

Etapa 6 – Fase 1: Gestión estratégica basada en el estado futuro

Etapa 7 – Fase 1: Delimitación en años del plan LP global y de sus procesos

Etapa 8 – Fase 1: Entrenamiento y capacitación prospectiva a los Funcionarios

Fase 2 Proyectiva – Caracterización del Año Base 02

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 4 – Fase 2: análisis mediante métodos de transición o turbulencia mediante correlaciones,


co-varianzas, varianzas, coeficiente alfa de cronbach, redes neuronales, componentes principales,
métodos eigen-vector y eigen-value

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 1 – Fase 5: Establecimiento de todos los niveles (verticales) y departamentos (horizontales de la


organización, definición de los proveedores y clientes a participar hasta en dos generaciones directas,
descripción de otras Instituciones que tengan acciones directas en la cadena productiva de La Empresa a
proyectar , a aplicarle métodos de transición y/o a prospectar

Etapa 2 – Fase 5: Selección de Actores mediante la determinación del tamaño óptimo estadístico y de la
34 representatividad de los mismos

Etapa 3 – Fase 5: Inicio y conocimiento del Método MACTOR®

Etapa 4 – Fase 5: Establecimiento del Rol de los Actores en el método MACTOR®

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 7 – Fase 5: Establecimiento de los Diagramas de estrategias de los Actores

Etapa 8 – Fase 5: Identificación de los retos estratégicos y los objetivos relacionados

Etapa 9 – Fase 5: Ubicación de los objetivos asociados a los Actores

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 12 – Fase 5: Definición de Matrices: de Alianzas, de Conflictos y conjuntas de divergencia-


convergencia

Etapa 13 – Fase 5: Elaboración de los primeros gráficos completos y de la matriz de posicionamiento de


valoraciones de actores frente a objetivo; para identificar las tácticas posibles a realizar

Etapa 14 – Fase 5: Establecimiento y cálculos de relaciones de fuerza y peso; con el de realizar


propuestas y recomendaciones estratégicas

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

Etapa 14 – Fase 5: Establecimiento y cálculos de relaciones de fuerza y peso; con el de realizar


propuestas y recomendaciones estratégicas
2 - Métodos
Etapa 15 – Fase 5: Entornos y escenarios más probables, sus limitaciones, Futurísticos
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

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)

Fase 7 Análisis de resultados en los entornos, organización y recursos mediante la proyectiva

Etapa 1 – Fase 7: Establecimiento de factores claves en cada entorno (escenario)

Etapa 2 – Fase 7: Definiciones de causa-efecto en 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

Fase 8 Medición de transparencia, verosimilitud, importancia, coherencia y pertinencia en los escenarios


(entornos, organización y recursos) hallados

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 9: Implementación de un sistema de gestión estratégica clásica y tecnológica a partir de


los estados futuros

Fase 10 Medición, monitoreo y entrega de informe final del proceso proyectivo-prospectivo

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

propio de realizar la futurología, en diferentes etapas que incluyen: determinar cualitativa y


cuantitativamente los desiguales futuribles posibles, analizar de forma causal las relaciones de las
distintas variables en los diferentes entornos factibles o pensables, seleccionar los entornos deseables y
rechazables a futuro, con el fin orientar las acciones y las decisiones hacia los que se desea alcanzar en
el porvenir. Clasifican en este grupo: la planeación estratégica clásica y tecnológica, la prospectiva
propiamente dicha, la innovación y reingeniería de procesos (32-33), los métodos de turbulencia o
transición. Se basa en la investigación y se puede afirmar que la mayoría de métodos individuales que
usa, se aproximan al método científico, es el que más usa de los cuatro grupos; se constituye por métodos
secuenciales en etapas, como los descritos e ilustrados al inicio de este capítulo.
2.2.2. Enfoques prospectivos
La manera de acercarse al futuro, diferencia a la prospectiva, de otras aproximaciones sistemáticas a la
investigación sobre el porvenir. El estudio del futuro es una caja de herramientas, en donde tienen
cabida diferentes metodologías que aún al ser compatibles, persiguen distintos objetivos, y utilizan
diferentes técnicas de recolección y análisis de la información. La utilización de una técnica en particular
está caracterizada por la manera en que se entiende el futuro, como objeto de estudio y por la percepción
de la predicción como herramienta para el análisis, gestión y diseño de los procesos de cambio
(Bas,1999,35-38) (IPE@,2006) (Duque y otro,2002). Desde esta óptica se pueden agrupar las
herramientas Futurísticas bajo diferentes enfoques:
2.2.2.1. Determinista
El futuro se puede entender de una manera lógica y determinista, y como tal es único y no puede ser
cambiado ni repetido en las mismas circunstancias por el hombre (Iñíguez,1994,34). La visión
determinista implica resignación y utopía, porque hay que prepararse para el futuro, pero éste es
esperanzador y puede ser construido. Los estudios de carácter hermenéutico y técnico están dentro de
la visión determinista del futuro (Bas,1999,35-37).
37
2.2.2.2. Estructuralista o sistemático
La visión estructuralista permite percibir el futuro como el producto de la suma de las acciones
individuales de los hombres y no como un porvenir inexorable (Iñíguez,1994,34). La actitud desde una
visión estructuralista es escéptica y relativa, porque para ella nada es seguro, pero todo es posible. Los
estudios del futuro de carácter emancipador obedecen a una visión estructuralista, que si bien no los
libera del todo del determinismo, sí les permite interpretarlo, para descartar la existencia de un solo
futuro y explorar todas las alternativas posibles (Bas,1999,36).
2.2.2.3. Descriptivo
Los estudios del futuro, según John McHale (Masini,1993,16), pueden ser descriptivos, que consisten
en cierta extrapolación del pasado y del presente para obtener valores posibles del futuro, a la vez que
analizan las estructuras de los cambios significativos, para establecer las tendencias predominantes en
los procesos de variación en el tiempo. Los estudios descriptivos de orden extrapolativo, se enmarcan
dentro de las metodologías emancipatoria y técnica, porque parten del conocimiento que se tiene del
pasado y del presente para proyectar un futuro probable. Se basan en que el futuro pueden ser una
consecuencia importante del pasado y del estado actual, utiliza métodos cuantitativos similares a los de
los estudios econométricos y puede decirse que posee ciertas características del método científico
(Bas,1999,36-39).
2.2.2.4. Prescriptivo
Este enfoque se fundamenta, en que es posible considerar las oportunidades como elementos
fundamentales de estructuras específicas de referencia, de las que son proyectadas las posibles
situaciones del futuro. Estos estudios suelen ser de órdenes normativos, los cuales imaginan en el
presente futuros deseables, y a partir de ello articulan las actuaciones presentes, con el fin de alcanzarlos.
Es una posición optimista que intenta desligar el pasado y el presente del futuro, está más influenciada
por valores y trata de construir un porvenir ajeno a los vicios del pasado. Aquí tienen cabida la

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.

Un diseño esquemático de cualquier futurología (conjunto de estudios que muestran el futuro, en el


presente) se fundamenta en una estructura global, con un patroneado de subsistemas.

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

Ilustración 19 - Esquema de conjunto y sub-conjuntos de 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

Métodos de turbulencia o transició


transición de mediano plazo aplicados a
cada subconjunto, a varios de ellos o a todo el conjunto en sí

Contiene elementos:
cualitativos y/o
cuantitativos y/o
temporales y/o

39
probabilí
probabilísticos

Prospectiva global de largo 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

Productos de hoy obtenidos en el tiempo


y espacios futuros, que se hallan bajo el
concurso coherente y secuencial de los
diferentes mé
métodos proyectivos, de
transició
transición y prospectivos

A. Mora G.
2 - Métodos Futurísticos

Entre algunos de estos métodos están:


2.2.3.1.1. Brainstorming o tormenta de ideas
Esta técnica se le atribuye inicialmente a Osborn21, quien en 1938 la utiliza para reflexiones en grupo.
La tormenta de ideas es una deliberación en grupo, de la que se suprime cualquier tipo de crítica a los
participantes. La cantidad de ideas es la clave del éxito de este método, entre más pensamientos se
generen, es más probable llegar a mejores resultados. La principal ventaja es que las reuniones de grupo
estimulan la generación de ideas, su mejoramiento y la transformación de las de los demás, lo que hace
que el producto final esté enriquecido.

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).

2.2.3.1.5. El análisis de vacíos


El método consiste en analizar los huecos o vacíos (diferencia entre el nivel de actividad que busca la
empresa y el que obtendría sin cambios en las estrategias o políticas de la misma) que tiene el mercado
o la planificación de la empresa, a fin de cubrirlos y lograr la buena marcha de la organización. Una
muestra de estas técnicas son los números Fibonacci, donde el siguiente elemento se construye con la
suma de los dos anteriores; si los dos primeros son la unidad, el conjunto construido está conformado
por: 1, 1, 2, 3, 5, 8, 13, 21, etc.; otro caso es que se descubre al planeta Urano al aplicar los números de la
ley de Bode, esta falla para encontrar a Neptuno en el siglo XVIII, aunque el cálculo con Fibonacci para
este caso es correcto en ese instante (243-245).
2.2.3.1.6. Vigilancia del entorno
Consiste en tomar datos permanentes de variables claves, por ejemplo dentro de un proceso integral
futurístico, permite la recolección de datos de los fenómenos que se pronostican para luego construir el
año base22 (que normalmente es dos años más tarde que el actual inicial), con estos datos y con hechos

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.

Se utiliza en métodos de planeación y con la ayuda de componentes cuantitativos, se usa en procesos


futurísticos más sofisticados. Es rápido, mejora la motivación, facilita el intercambio de información,
mantiene el anonimato de las ideas, etc. Su empleo ideal es a nivel empresarial donde no se dispone de
tiempo y donde se desea la interacción anónima de los participantes (Helmer,1967) (Landeta, 1999,194-
196).

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

(Bas,1999,138-150), Imágenes alternativas, TKJ o KJ, Intuiciones sistémicas, simulación de Montecarlo


(muy usada en cálculo de confiabilidad, mantenibilidad, estadística, etc.), Matriz de decisión,
Conferencia, Foro, Market testing, Promoción de ideas y muchos otros (Miklos y otra,1998,161-187)
(probablemente algunos de los mencionados pueden alcanzar jerarquías superiores de orden
cuantitativo, probabilístico y temporal como parte de su desarrollo y evolución contemporánea).
2.2.3.2. Cuantitativo
Una vez se logran determinar los artefactos o las variables del entorno mediante los procesos
cualitativos, se seleccionan y se definen los parámetros de calificación cuantitativa que evalúan los
rendimientos de dichas variables. Las variables se cuantifican para poder empezar a ensamblar un
modelo exhaustivo de planeación estratégica tecnológica basada en el estado futuro, con el fin de tener
una futurología integral basada en metodologías de carácter científico.

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).

Normalmente la medición, parametrización o cuantificación de variables requiere necesariamente la


condición del tiempo, es decir, esta valoración exige la condición de temporalidad y en ocasiones del
espacio.
2.2.3.3. Temporalidad
43
El enfoque kantiano presupone que la esencia en sí de los métodos futurísticos consiste en poder
trasladar mentalmente todos los sucesos factibles de ocurrir en el porvenir en los elementos de un
sistema (personas, artefactos y entorno) en términos de espacio y/o tiempo a otras coordenadas
distintas a las actuales. Como tal, son sucesos mentales tanto los de tiempo como los de espacio, por lo
cual todas las técnicas que se usan son de carácter mental e intelectual, las cuales adquieren la calidad
de valederas, en la medida en que los traslados en el tiempo sean lo suficientemente consistentes y
secuenciales, que generen coherencia intelectual en cada una de sus etapas.

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 civilizaciones indoeuropeas23 crean parámetros de tiempo y espacio; mediante el establecimiento de


características de lugar y de dinamismo ordenado de sus actividades para poder comprender sus
actuaciones, sus relaciones y sus estructuras (Whorf,1952).

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.

El modelo consiste en simular la conducta pasada de un fenómeno apoyándose en la relación


matemática que gobierna a sus variables, mediante la variación de una o varias de ellas, se pueden
simular la sensibilidad de las demás. El modelo se usa mucho en el campo de la experimentación, en 45
electrónica, en robótica, etc. Es algo similar a los modelos de series temporales, sólo que relaciona varias
variables y no busca el modelo que sea más análogo con lo real como en las series, sino que encuentra
realmente la ecuación que simula perfectamente el fenómeno real (Hair y otros,2005) (Carlsson,2002)
(De Miguel,1990,272-274) (Forrester,1961) (Bas,1999,135-138).

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

2.2.3.4.6. Análisis de tendencias de impactos


Califica como un método cualitativo, temporal y cuantitativo; su producto futuro consiste en detectar
los estados posibles que se pueden lograr, al proyectar con la extrapolación de sucesos pasados, la
tendencia29 natural de un fenómeno, sin fenómenos exógenos, es decir libre de sorpresas. Este método
es útil para construir ciertos imaginarios en determinadas ocasiones, en áreas empresariales como
ventas y mercadeo (27730). De alguna manera se usan en estas técnicas los métodos de regresión y ciertos
modelos dinámicos.
2.2.3.4.7. Análisis Bayesiano
Es una técnica probabilística y cualitativa, asume una serie de eventos futuros y les calcula sus
probabilidades de ocurrencia bajo unos paradigmas de sucesión de hechos condicionados a ocurrir, es
de orden cuantitativo cuando evalúa financieramente los beneficios esperados (277-278) (Ibrahim y
otros,2005) (AB@,2006).
2.2.3.4.8. Árboles de decisión - Árbol de relevancia - Método PATTERN
Es una herramienta futurística de carácter científico que posee características cuantitativas, cualitativas,
temporales y probabilísticas, trabaja sobre la base de la incertidumbre de que no se dispone de datos del
pasado sobre los cuales predecir el porvenir. Los expertos que participan en ellas pueden analizar,
estructurar y resolver problemas mediante análisis gráficos, probabilísticos y económicos.

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).

Es importante resaltar que casi siempre el iniciador de un proceso cuantitativo, temporal o


probabilístico es un método cualitativo, estas técnicas subjetivas son las que constantemente dan origen
a las metodologías avanzadas, es decir se parte de la base de inspiración humana sobre un fenómeno o
variable que se desea evaluar en el tiempo, ese instante de inicio es el motor de cualquier método
cuantitativo, probabilístico o temporal. A la inversa se puede afirmar que antes de cualquier estudio
futurístico de orden científico su inicio es una idea subjetiva humana o un proceso cualitativo; lo que
permite deducir que probablemente los métodos cualitativos de grado subjetivo, por sí solo no otorgan
el carácter científico a una futurología, pero que siempre que se alcanza el carácter científico en un
proceso futurístico, este tiene en su origen uno cualitativo, que permite el desencadenamiento hacia los
cuantitativos, temporales o probabilísticos.
2.2.3.4.10. Análisis del espectro de frecuencias temporales
Es una derivación de las series temporales, por medio de esta técnica se demuestra que cualquier proceso
periódico se puede modelar, con la precisión deseada, mediante series de términos de funciones
sinusoidales (seno y coseno), lo que se conoce como series de Fourier, y se denomina espectro a la
representación de las amplitudes, en el eje de las Y, que constituyen los diferentes términos de la serie
para toda la gama de frecuencias (eje de las X).

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.

Ilustración 20 - Método de análisis del espectro de frecuencias temporales

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

Las etapas que sigue, se pueden sintetizar en:

Escogencia del tema o fenómeno del cual se desea estudiar su futuro

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.

Validación de las variables encontradas y asignación de probabilidades con sus fechas de


ocurrencia por parte de los expertos, análisis global de los eventos (con sus variables
influyentes, dadas unas probabilidades con sus respectivos tiempos futuros de ocurrencia)
para ratificar la integralidad del estudio.

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 describe a continuación un ejemplo simple de aproximación al análisis estructural de impactos


cruzados.

Ejercicio 1 - Prospectiva a criterios de compra en los próximos 7 años a nivel nacional

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.

Favor entonces enuncie al menos diez criterios relevantes en Criterios


relevantes para el consumidor del país en cinco años vista en el territorio
nacional.

Escriba cada renglón con máximo cuatro palabras.

1 ______________________________________________
2 ______________________________________________
51
3 ______________________________________________
4 ______________________________________________
5 ______________________________________________
6 ______________________________________________
7 ______________________________________________
8 ______________________________________________
9 ______________________________________________
10 _________________________________________

Otros
1) ___________________________________________
2) ___________________________________________
3) ___________________________________________
4) ___________________________________________
5) ___________________________________________

Agradeciéndole su atención y participación.

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

Criterios relevantes para el consumidor del país en cinco


Frecuencia
años vista en el territorio nacional.
1 IN Innovación 34
2 IN Tecnología 32
3 EX Rapidez comunicacional 30
4 EX Precio 24
5 IN E-business 24
6 IN Internet 22
7 CN Diversidad 19
8 IN Medio Ambiente - Conservar naturaleza 18
9 EX M-business 18
10 EX Calidad 12
11 EX Funcionalidad 12
12 CN Nutrición y productos orgánicos 11
13 CP Globalización y competencia internacional 10
14 CP Practicidad 9
15 IN Rapidez - Distribución 9
16 IN Información Técnica 9
22 Novedad 7
23 Alternativas mismos productos 7
24 Uso de tecnología 7
25 Grandes mercados 7
26 Knowledge 6
27 Creatividad 6
28 Demanda 6
29 Salud 6
52 30 Bienestar 6
31 Transporte 6
32 Inversión 5
33 Publicidad 5
34 Prevención 5
35 Servicio 5
36 Domicilio 4
37 Oportunidad 4
38 No perdurables 4
39 Portafolio 3
40 Satisfacción 3
41 Masivos 3
42 Facilidad de pago 3
43 Aplicaciones distribuidas 2
44 Movilidad tecnológica 2
45 Competencia internacional. 2
Media 9

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

Dependencia Promedio 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

Un sistema es sensible a la prospección (o futurición) cuando en los mapas estratégicos directo e


indirecto, cada uno de los cuatro grupos de variables38 contiene al menos a varias de ellas, pero lo más
importante es que haya traslado entre los cuatro grupos de al menos varias variables (entre los mapas
directo e indirecto); en caso de que las variables no se desplacen entre los cuatro cuadrantes del mapa
directo al indirecto, se puede afirmar que el sistema es inerte, o que no se deja influenciar y va a ser
constante en el tiempo; por lo tanto no es posible de prospectar.

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

Motricidad Sistema inestable donde no se puede influenciar,


sus variables no se pueden influenciar organizadamente en el tiempo, el
sistema es dual tiene mucha dependencia y a la vez bastante motricidad

Motrices Refuerzo o Espejo

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.

Con lo cual se obtienen los siguientes valores en la matriz indirecta.

38
Motrices, inestables de refuerzo, dependientes e independientes.
A. Mora G.
2 - Métodos Futurísticos

Matriz Indirecta de orden 3.3699E+66


Variables 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Motricidad
1 0.03233% 0.04041% 0.03064% 0.03999% 0.02982% 0.02340% 0.02930% 0.01110% 0.02770% 0.03319% 0.04061% 0.00514% 0.04312% 0.03933% 0.03064% 0.02326% 0.4800%
2 0.04118% 0.05148% 0.03903% 0.05093% 0.03798% 0.02981% 0.03732% 0.01413% 0.03529% 0.04228% 0.05172% 0.00655% 0.05493% 0.05010% 0.03903% 0.02963% 0.6114%
3 0.02515% 0.03144% 0.02383% 0.03111% 0.02319% 0.01820% 0.02279% 0.00863% 0.02155% 0.02582% 0.03159% 0.00400% 0.03354% 0.03059% 0.02383% 0.01810% 0.3734%
4 0.03121% 0.03901% 0.02958% 0.03860% 0.02878% 0.02259% 0.02828% 0.01071% 0.02674% 0.03204% 0.03920% 0.00497% 0.04163% 0.03797% 0.02958% 0.02246% 0.4633%
5 0.02987% 0.03733% 0.02830% 0.03694% 0.02754% 0.02162% 0.02706% 0.01025% 0.02559% 0.03066% 0.03751% 0.00475% 0.03983% 0.03633% 0.02830% 0.02149% 0.4433%
6 0.03371% 0.04213% 0.03194% 0.04169% 0.03108% 0.02440% 0.03054% 0.01157% 0.02888% 0.03460% 0.04233% 0.00536% 0.04495% 0.04100% 0.03194% 0.02425% 0.5004%
7 0.02303% 0.02879% 0.02182% 0.02849% 0.02124% 0.01667% 0.02087% 0.00790% 0.01973% 0.02364% 0.02892% 0.00366% 0.03072% 0.02802% 0.02182% 0.01657% 0.3419%
8 0.01905% 0.02381% 0.01805% 0.02356% 0.01756% 0.01378% 0.01726% 0.00654% 0.01632% 0.01955% 0.02392% 0.00303% 0.02540% 0.02317% 0.01805% 0.01370% 0.2827%
9 0.02924% 0.03655% 0.02771% 0.03617% 0.02697% 0.02117% 0.02650% 0.01004% 0.02506% 0.03002% 0.03673% 0.00465% 0.03900% 0.03557% 0.02771% 0.02104% 0.4341%
10 0.02743% 0.03428% 0.02599% 0.03392% 0.02529% 0.01985% 0.02485% 0.00941% 0.02350% 0.02816% 0.03445% 0.00436% 0.03658% 0.03337% 0.02599% 0.01974% 0.4072%
11 0.02303% 0.02879% 0.02182% 0.02849% 0.02124% 0.01667% 0.02087% 0.00790% 0.01973% 0.02364% 0.02892% 0.00366% 0.03072% 0.02802% 0.02182% 0.01657% 0.3419%
12 0.00464% 0.00580% 0.00440% 0.00574% 0.00428% 0.00336% 0.00421% 0.00159% 0.00398% 0.00477% 0.00583% 0.00074% 0.00619% 0.00565% 0.00440% 0.00334% 0.0689%
13 0.03903% 0.04879% 0.03699% 0.04827% 0.03599% 0.02825% 0.03537% 0.01339% 0.03344% 0.04007% 0.04902% 0.00621% 0.05206% 0.04748% 0.03699% 0.02808% 0.5794%
14 0.03636% 0.04545% 0.03446% 0.04497% 0.03353% 0.02632% 0.03295% 0.01248% 0.03116% 0.03733% 0.04567% 0.00579% 0.04850% 0.04424% 0.03446% 0.02616% 0.5398%
15 0.02885% 0.03605% 0.02733% 0.03568% 0.02660% 0.02088% 0.02614% 0.00990% 0.02471% 0.02961% 0.03623% 0.00459% 0.03847% 0.03509% 0.02733% 0.02075% 0.4282%
16 0.02938% 0.03672% 0.02784% 0.03634% 0.02709% 0.02127% 0.02662% 0.01008% 0.02517% 0.03016% 0.03690% 0.00468% 0.03919% 0.03574% 0.02784% 0.02114% 0.4362%
Dependencia 0.4535% 0.5668% 0.4297% 0.5609% 0.4182% 0.3282% 0.4109% 0.1556% 0.3886% 0.4655% 0.5695% 0.0722% 0.6048% 0.5517% 0.4297% 0.3263% 6.732%

Con los siguientes valores de motricidad y dependencia.

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

Mapa arquitectónico estratégico directo

Asp
De Refuerzo rele
MOTRICIDAD

RELACIÓN DIRECTA CRUZADA


0.600% 02

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%

Promedio Intersección Directa Dependencia 0.3939%


Motricidad 0.3906%

Mapa arquitectónico estratégico indirecto


58
0.0070
RELACIÓN INDIRECTA CRUZADA De Refuerzo
MOTRICIDAD

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%

Promedio Intersección Indirecta Dependencia 0.4207%


Motricidad 0.4160%

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

4 Reflejo Precio Cuatro semestre uno


15 Dependiente Rapidez - Distribución Cuatro semestre dos Medir el efecto
10 Dependiente Calidad Cinco semestre uno logrado de las
motrices
11 Dependiente Funcionalidad Cinco semestre dos

7 Independiente Diversidad NUNCA en los próximos cinco años

9 Independiente M-business NUNCA en los próximos cinco años

8 Independiente Medio Ambiente - Conservar naturaleza NUNCA en los próximos cinco años

12 Independiente Nutrición y productos orgánicos NUNCA en los próximos cinco años

La lectura del tiempo en los mapas se realiza de la siguiente manera


59

Tiempo inicial 2
1

Variables motrices Variables de refuerzo

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

2.2.3.4.14.1. Comentarios estratégicos a cinco años vista


Motrices: son las variables, por medio de las cuales se influye y se activa el sistema en general, se
caracterizan por ser las variables por donde se inician las acciones en todo sistema.

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 6 Internet: indudablemente que el mercado de los próximos años se centra en


internet, como tal se debe culturizar a los clientes hacia este medio y las empresas deben
concentrar su esfuerzo en publicitar y comercializar por este canal de comunicación41. Actuar
en el año 1 en el cuatrimestre 1.

Variable 16 Información técnica: la información en la web debe ser lo suficientemente técnica,


clara y convincente para que el cliente pueda decidir pronto. Actuar en el año 1 en el
cuatrimestre 2.

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.

Variable 13 Globalización y competencia internacional: el mundo en la actualidad y en los


próximos años vistas se mueve en esta dirección. Actuar en el año 2 en el cuatrimestre 4.
Variable 4 Precio: este por ser e-business no deja de ser relevante para el cliente al momento,
aunque existan otros criterios prioritarios. Actuar en el año 4 en el semestre 1.

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 15 Rapidez en Distribución: esta característica indica si el sistema opera con


prontitud y oportunidad. Actuar en el año 4 en el semestre 2.

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.

Su fundamentación es netamente probabilística.

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

Fortalezas de Aumentar las Planeació


Verdad Acción Planeación
la empresa oportunidades Estraté
Estratégica

Falsos Será
Serán las Proceso
Publica problemas debilidades Juicio

Validez en el tiempo
Verbo Nada Ya Futuro Salida Metas

Independientes Dependientes Dependencia


63
La cantidad de estrategias y acciones que se pueden elaborar a partir de estos cinco criterios de Ténière-
Buchot y/o Djambi son abundantes y exquisitas, realmente esto induce a pensar que el análisis
estructural de impacto cruzado al ser interpretado y leído con estas técnicas, permite construir una
verdadera planeación estratégica clásica y tecnológica, que contenga prácticamente todos los
parámetros de éxito de los métodos futurísticos: coherencia intelectual, continuidad, contenido
científico, verosimilitud, importancia, transparencia, repetibilidad, pertinencia, representatividad y
consenso.

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.

Su gran aporte, es que contribuye fundamentalmente a la toma de decisiones mediante criterios


múltiples, a partir del manejo de conceptos y procedimientos múltiples de cierto grado de complejidad
(GODET&MULTIPOL@,2000,101-103) (Godet,1999,302-308).

2.3. Parámetros avanzados de clasificación de los métodos futurísticos


64
Es posible clasificar de una manera práctica los diferentes métodos que existen para estimar el futuro
empresarial o social de una organización, teniendo en cuenta sus parámetros de insumos, procesos y
productos que generan, solos o combinados con otras herramientas de futurología.

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

Ilustración 21 - Clasificación y caracterización de los 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

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

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

2.3.1. Clases de métodos futurísticos según el tiempo a evaluar


Las tres grandes categorías que se establecen a la luz de esta óptica de parámetros de uso y aplicación,
son:

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.

Estudios prospectivos, son metodologías de largo plazo, habitualmente combina muchos


métodos, solo se deben usar en entornos cambiantes de orden inestable; trabajan casi siempre
a partir de ideas.
2.3.2. Características
Las principales cualidades y condiciones de los métodos se describen en la siguiente ilustración.

Ilustración 22 - Fundamentos de los métodos proyectivos, de transición o prospectivos

Tipo
Transición o
Proyectiva Prospectiva
Turbulencia

La utilización de uno o varios


Sus aplicaciones son de corto plazo,
métodos prospectivos es netamente
se utilizan de cero a dos meses, se
Se aplican normalmente para de largo plazo, lo común es que
Tiempo de recomienda hasta un tope del 10%
períodos que van de dos meses a trabajen entre dos a veintidós años
aplicación de los datos históricos que se
dos años vista. Se recomienda para procesos
tengan siempre y cuando no pase
de diez o más años, repetirlos cada
de dos meses.
tres (Godet,1999)

El entorno donde se realiza el


pronóstico con series temporales
debe ser totalmente estable, aún
Son muy útiles cuando se enfrenta Básicamente su entorno presenta
cuando la variación de la variable
un proceso de cambio en el entorno, cambios en el tiempo, por lo cual
Entorno sea alta, se requiere esta condición
cuando se pasa de un entorno exclusivamente se usa en entornos
para que cumpla su buen
estable a inestable o viceversa inestables de mediano o largo plazo
desempeño. Bajo ninguna condición
se deben aplicar a sistemas
inestables
66

En el caso de la mayoría de ellos Su base de partida son ideas,


parten de variables cualitativas que conceptos o contribuciones de
Trabajan básicamente con números
se les asignan valores, su materia expertos, se basa en las
y algo de ideas, sirven para
prima base de cálculos son percepciones, intuiciones,
Materia prima establecer modelos matemáticos
netamente números, así haya conocimientos, etc. aunque
fuente nuevos con correlaciones diferentes
estado precedido de selección posteriormente en su desarrollo use
a las originales cuando estaban en
cualitativa. En el caso de series el aporte de rigurosos métodos
condición de estables o a la inversa
temporales normalmente es matemáticos, probabilísticos,
univariado estadísticos o estocásticos
Criterios y
parámetros de
clasificación de los
métodos
Trabaja básicamente con la
Casi siempre permanecen en el posibilidad de que el entorno donde
Sirven para espacios iguales o con
mismo espacio, sobretodo dadas se evalúa el estado futuro sea otro,
Espacio sus características de corto plazo en
leves cambios de sitio de las
aunque trabaja perfectamente
organizaciones
el tiempo cuando es el mismo espacio o este
solo tiene cambios moderados

La exigencia para lograr el


Normalmente pocas, en el caso de Mediano, ya empiezan a converger consenso o la validez estadística
Número de series temporales intervienen el mayor número de actores, trabajan exige en estos métodos la
personas que pronosticador y dos o tres asesores en un punto intermedio de personas, participación de muchas personas o
intervienen especialistas en la variable entre pocas de la proyectiva y expertos, en la medida que recoja
pronosticada bastantes de la prospectiva las ideas de más individuos mayor
es su calidad y veracidad científica

Casi siempre son números Normalmente se inicia con métodos


históricos de series temporales que cualitativos, para luego concursar
Inician con un proceso cualitativo se proyectan ante una situación de con la intervención de métodos
para seleccionar las (s) variable (s) cambio, es decir dos o más matemáticos complejos o simples,
Procedimiento a pronosticar pero posteriormente variables que eran estables se dependiendo de lo que se desee,
base de inicio su proceso central de cálculo es vuelven una sola situación de habitualmente participan muchos
matemático y/o estadístico y/o fusión, también aplica en escisión métodos de todos los órdenes
estocástico cuando se tenía un modelo estable (cualitativos, cuantitativos,
de una variables y se abre en varias temporales, probabilísticos,
cambiando su entorno estadísticos, estocásticos, etc.)

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

Etapa Actividad Tiempo efectivo real Tiempo real calendario


Horas de trabajo Semanas con Expertos
Fase de escenarios
Limites del sistema Selección entrenamiento expertos 12 2
Brainstorming 8 2
T.L.C. 2 1
Clasificación de variables 12 1
Histograma Frecuencial 3 1
Conclusiones de caracterización 4 2
Análisis entornos: económico, global, etc. 18 2
Especificación de variables M.I.C. M.A.C.s 60 2
Susbsistemas 12 2
Análisis Ténière-Buchot y W. Forrester 12 2
Estrategia de Actores retrospectiva Método MACTOR® 20 4
Establecimiento de actores 20 2
Localización de metas, objetivos, motivaciones 12 1
Recursos de los actores y medios de acción 12 1
Diagrama de estrategias 12 1
Identificación retos estratégicos 12 1
Ubicar objetivos asociados a actores. 14 1
Ubicación de actores en objetivos 12 1
Jerarquización de objetivos 8 3
Método T.L.C. 4 1
Convergencias 10 2
Divergencias 10 2
Matriz de posicionamiento 8 2
Matriz de convergencias y divergencias 8 2
Gráficos completos de convergencias y divergencias 16 2
Matriz de posiciones valoradas frente a objetivos 18 2
Matriz de divergencia frente a posiciones valoradas. 26 3
Calculo de relaciones de fuerza y peso 26 2
Recomendaciones estratégicas de actores a objetivos 30 2
Medios para alcanzar los objetivos 16 2
Matriz de medios de acción directos 18 2
Matriz de relaciones indirectas valoradas 16 2
Matriz ponderada de ubicaciones calificadas 22 2
Matriz de alianzas y conflictos, ponderada. 22 3
Influencias de las relaciones de fuerza en las matrices. 10 1
Gráficos de orden tres de convergencia
Gráficos tres de actores y objetivos frente a conflictos.
12
12
1
1 67
Escenarios mas probables, limitaciones 12 3
Constitución de escenarios
Análisis Morfológico Análisis, interacciones y condiciones. 24 2
Métodos de Expertos Delphi 28 3
Abaco de Regnier® 30 3
Método de impactos cruzados 36 3
Modelo SMIC Definición de objetivos 24 2
Determinación de coherencia objetivos escenarios 36 2
Manejo de probabilidades condicionales y abiertas. 36 2
Condiciones de las configuraciones 38 1
Jerarquía de los escenarios. 24 2
Análisis de sensibilidad de cada escenario resultado 48 2
Elección de imágenes finales. 48 2
Limitantes y Desarrollo de los escenarios. 24 2
Evolución de los escenarios. 24 2
Análisis de resultados. Conclusiones. 20 1
Posibles y posibilidades de los eventos y escenarios. 26 3
Interacciones de escenarios. 36 2
Análisis global de resultados. 48 3
Unión e interacción de escenarios. 30 2
Area de previsiones
Establecimiento de factores claves de cada escenario. 12 3
Definiciones de causas efectos. 36 3
Declaración de no relaciones entre variables. 12 2
Calculo de series temporales clásicos y modernos en cada una de las variables. 170 5
Estimación matemática de las variables no históricas en datos. 50 3
Análisis y causalidad de resultados. 36 3
Influencias de los valores proyectados en cada escenario 50 2
Análisis, recomendaciones y conclusiones de las previsiones. 60 2
Método de Planeación Estratégica
Detalle analítico y procedimental de cada acción en cada evento de cada escenario. 24 4
Plan conjunto de acciones. 24 3
Prioridades, amenazas y oportunidades futuras. 24 2
Influencias en la organización. 24 2
Deberes y responsabilidades de acciones de cada actor e Institución. 48 2
Monitoreo del proceso. 12 2
Impacto y culturización en proveedores, empleados, distribuidores y clientes. 80 6
Roles de todos los estamentos en el futuro de la empresa. 80 5
Estudio Global y conclusiones finales
Escritura, sustentación y exposición de todos los resultados 90 4
Análisis de los resultados con todos los estamentos de la Organización 120 4
Margen de error 147 5

Total 2240 170

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

3. Proyectiva - Pronósticos de series temporales


Los métodos proyectivos se caracterizan por ser aplicaciones de corto plazo44 (Bas,1999,84), se
desarrollan en entornos estables aun cuando la variable oscile fuertemente alrededor de una media, son
de orden probabilístico y en especial se definen por ser temporales, como su mismo nombre los describe.
Lo normal es que intervengan pocas personas en sus desarrollos (por un lado, el (los) pronosticador (es)
y por el otro el (los) experto (s) en el tema que se pronostica).

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).

Los pronósticos son generalmente probables, es decir la probabilidad de ocurrencia es la misma


propiedad de que ocurran en el tiempo, si se sigue la metodología universal MUP46, descrita más
adelante por el autor, lo más posible es que los pronósticos se acerquen bastante a los valores reales,
esto presupone entonces que la proyectiva es condicionada, es decir que el pasado explica el futuro, a
diferencia de la prospectiva donde el futuro explica el pasado.

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.

Previsiones demográficas, tales como: tasas de natalidad, de nupcialidad, volúmenes de


enfermedades, etc.; tienen interés para pronosticar las demandas de la sociedad en productos
o servicios, ejemplos de estos son los cupos en las universidades o los artículos para bebés.

Previsión de recursos humanos, es una conjetura sobre las necesidades futuras de personal en
las empresas en sus diferentes áreas (De Miguel, 1990,215).

Previsiones diferentes, existe una amplia gama de aplicaciones sociales y empresariales.

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

Ilustración 24 - Comprobación de la gravedad desde la Torre de Pisa, por Galileo Galilei

“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?

Los dos diferentes objetos caen exactamente a la misma


velocidad. El experimento de Galileo probó que su hipótesis era
correcta, las fuerzas que influyen sobre un objeto son
independientes del peso del mismo. ¿Por qué? Galileo había
descubierto que la fuerza de la gravedad (que no sería definida
hasta varias décadas más tarde por el científico llamado Sir
Isaac Newton) era constante. A pesar de sus pesos diferentes,
dos objetos caerán (en realidad los objetos son jalados) al suelo
exactamente a la misma velocidad.” (CARPI@,2003).

72 La metodología científica se basa en dos pilares: la reproducibilidad


(que sea replicable o repetible), que consiste en la posibilidad de
cualquier persona indiferente del lugar donde se encuentre o en el
tiempo en que esté, repita el experimento con resultados similares, este
primer pilar se basa, esencialmente en la divulgación y comunicación
de los resultados obtenidos; el segundo es la falsabilidad48, es decir, que
toda proposición científica tiene que ser susceptible de ser falsada
(falsacionismo49), esto consiste en que se puedan hacer experimentos
que generen resultados diferentes a los postulados inicialmente con lo
cual se demuestra la negación de la validez de la hipótesis puesta a
prueba, con lo cual esta no se convierte en tesis, ni en ley, ni en ciencia,
ni en conocimiento de aceptación universal (WMC@,2006).
.
“La falsabilidad no es otra cosa que el modus tollendo tollens
del método hipotético deductivo experimental. Según James B.
Conant no existe un método científico. El científico usa
métodos definitorios, métodos clasificatorios, métodos
estadísticos, métodos hipotético-deductivos, procedimientos
de medición, etc. Según esto, referirse a el método científico es
referirse a este conjunto de tácticas empleadas para constituir el conocimiento,
sujetas al devenir histórico, y que pueden ser otras en el futuro” (WMC@,2006).

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:

1. Observación: consiste en analizar y prestar atención mediante la aplicación los sentidos a un


objeto o a un fenómeno, para estudiarlos tal como se presentan en la realidad.

2. Inducción: es la acción y el efecto de extraer, a partir de determinadas observaciones o


experiencias particulares, el principio general que en ellas está implícito.

3. Hipótesis: plantea supuestos que se buscan comprobar o refutar mediante la observación


siguiendo las normas establecidas por el método científico.

4. Experimentación: es validar las hipótesis mediante procesos de experimentación y evaluación,


por razón de la comprobación de que la hipótesis seleccionada es válida, denominada hipótesis
cumple con las respuestas planteadas en la pregunta de la hipótesis, además de que siempre que
se repita en cualquier circunstancia tenga los mismos resultados veraces.

5. Demostración o refutación de la hipótesis

6. Conclusiones

“Así queda definido el método científico tal y como es normalmente entendido, es


decir, la representación social dominante del mismo. Esta definición se corresponde
sin embargo únicamente a la visión de la ciencia denominada positivismo en su 73
versión más primitiva. Empero, es evidente que la exigencia de la experimentación
es imposible de aplicar a áreas de conocimiento como la vulcanología, la astronomía,
la física teórica, etc. En tales casos, es suficiente la observación de los fenómenos,
producidos naturalmente.

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.

De forma que el concepto de método científico ha de ser repensado, acercándose más


a una definición como la siguiente: "proceso de conocimiento caracterizado por el
uso constante e irrestricto de la capacidad crítica de la razón, que busca establecer
la explicación de un fenómeno ateniéndose a lo previamente conocido, resultando
una explicación plenamente congruente con los datos de la observación"
(WMC,2006).

En resumen, se sintetizan en tres etapas los pasos del método científico:

Observar y analizar.

Postular una hipótesis.

Validación mediante la verificación y el cumplimento.

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Ilustración 25 - Analogías entre método científico y metodología universal de pronósticos de demanda

METODOLOGÍA UNIVERSAL DE PRONÓSTICOS MÉTODO CIENTÍ


CIENTÍFICO

Paso 1- Análisis previo de la serie de demanda

1.1 Síntesis descriptiva


1.2 Calidad y cantidad de datos
1.3 Cumplimiento de estabilidad del entorno
1.4 Análisis previo de la serie completa
1.4.1 Estructura Vertical, determinación de Nivel Paso 1 – Observació
Observación y aná
análisis de la
demanda o fenó
fenómeno
1.4.2 Estructura Horizontal, análisis de Ruido o Aleatoriedad
1.4.3 Estructura Tendencial, estimación de forma lineal y/o no lineal
1.4.4 Estructura Estacional y/o Cíclica
1.5 Valoración de datos irregulares
1.6 Encuentro de fenómenos exógenos
1.7 Determinación del patrón estructural gráfico y numérico
1.8 Resultado del análisis integral previo

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

Paso 3 – Validación de la Hipótesis

3.1 Doble recorte de la serie


3.2 Corrida de todos los modelos con primer recorte
3.3 Selección de los tres mejores modelos acertados con la realidad
3.4 Aplicación de los tres mejores clásicos o modernos al segundo recorte
3.5 Selección del mejor modelo
Paso 3 – Validació
Validación real de la Hipó
Hipótesis
3.6 Cálculo de pronósticos de demanda con el mejor modelo y sus parámetros Conversió
Conversión de Hipó
Hipótesis en tesis
3.7 Comparación de la realidad y el pronóstico calculado en período anterior

74 3.8 Estimación del Goodness of Fit o Bondad de Ajuste


3.9 Consenso con ventas, comercialización, inventarios, mercadeo, etc.
3.10 Estrategias y acciones de mercadeo, producción, inventarios, etc. en función del
área temática del pronóstico.

Paso 4 – Nuevo cálculo de pronóstico de demanda en próximo período

3.2. Metodología universal estandarizada de pronósticos


El propósito fundamental de este libro es aportar a los empresarios, ejecutivos, analistas y estudiosos
del tema una metodología de valor universal, que garantice la repetibilidad50 de los procesos de
pronósticos, además de contener los pasos básicos51 de la metodología científica aplicada a las series
temporales, lo cual garantiza la calidad científica de la aplicación, aparte de que su realización sea fácil
y metodológica.
3.2.1. Análisis previo
El primer paso del método científico obliga a desarrollar un proceso de observación, análisis y estudio
de los datos que se tienen para ser proyectados, esto obliga a tener en cuenta todos los parámetros
relevantes que inciden en el comportamiento del fenómeno evaluado, para esto es necesario primero
definir las características básicas de la información antes del proceso de pronósticos.

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

3.2.1.1. Condiciones de entrada de una serie de datos en el tiempo


Las principales características de una serie antes de someterla a un proceso de pronósticos, se resumen
en cuatro, que se explican a continuación.
3.2.1.1.1. Cualitativas
Los procesos de pronósticos de series temporales, como muchos otros, se preceden habitualmente con
un estudio de orden cualitativo, fase en la cual se adopta el interés por unas determinadas variables o
fenómenos que son susceptibles de aplicarles futurología52, para detectar el futuro en el estado presente.
El componente cualitativo se impone mediante la demostración de la hipótesis lanzada en el paso 2 de
la metodología universal de pronósticos, descrita en la ilustración anterior, en ella se demuestra la
estabilidad del entorno, el cual debe poseer una estructura y unos patrones conductuales de valores
similares o análogos a los del presente y del pasado (Carrión,1999,5) (2006).

3.2.1.1.1.1. Observaciones cualitativas relevantes para la aplicación


Aunque cualidad53 y calidad54, expresan significados diferentes, ambas se refieren en común a las
características propias de algo, una en su contexto y la otra en su valor, no está por demás aprovechar la
ocasión para recordar que la calidad de la información que se recobra del pasado y del presente es vital
en el proceso, se requiere que esta sea verificada al menos de dos o más formas, de tal manera que se
asegure su veracidad, dado que si se entran datos confiables al proceso, los valores de salida tienen
confiabilidad, más no en el evento de que sean datos que no concuerden con la realidad histórica o
actual.

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.

3.2.1.1.3.1. Observaciones cuantitativas y temporales, relevantes para la aplicación


Existen hechos que ocurren periódicamente en el tiempo, en ciertos fenómenos, esto implica que se
requiera tener al menos una cantidad significativa de datos, si se desea tener la posibilidad de que esos
hechos que ocurren a intervalos de tiempo, aparezcan en el pronóstico o puedan ser detectados en los
valores futuros estimados.

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.

Milímetros Efecto Valor total Milímetros Efecto Valor total


Mes - Año de agua, adicional de mms. Mes - Año de agua, adicional de mms.
naturales por el Niño H2O naturales por el Niño H2O
Enero - Año uno 57 0 57 Enero - Año tres 29 0 29
76 Febrero - Año uno 20 0 20 Febrero - Año tres 73 0 73
Marzo - Año uno 76 0 76 Marzo - Año tres 23 0 23
Abril - Año uno 41 431% 218 Abril - Año tres 33 0 33
Mayo - Año uno 22 416% 114 Mayo - Año tres 77 0 77
Junio - Año uno 60 382% 289 Junio - Año tres 63 0 63
Julio - Año uno 45 0 45 Julio - Año tres 77 0 77
Agosto - Año uno 30 0 30 Agosto - Año tres 67 0 67
Septiembre - Año uno 65 427% 343 Septiembre - Año tres 37 0 37
Octubre - Año uno 29 423% 152 Octubre - Año tres 31 0 31
Noviembre - Año uno 39 371% 184 Noviembre - Año tres 30 0 30
Diciembre - Año uno 28 0 28 Diciembre - Año tres 40 0 40
Enero - Año dos 52 0 52 Enero - Año cuatro 30 0 30
Febrero - Año dos 51 0 51 Febrero - Año cuatro 50 0 50
Marzo - Año dos 44 0 44 Marzo - Año cuatro 31 0 31
Abril - Año dos 38 0 38 Abril - Año cuatro 38 0 38
Mayo - Año dos 24 0 24 Mayo - Año cuatro 26 0 26
Junio - Año dos 63 0 63 Junio - Año cuatro 25 0 25
Julio - Año dos 59 0 59 Julio - Año cuatro 76 0 76
Agosto - Año dos 80 0 80 Agosto - Año cuatro 79 0 79
Septiembre - Año dos 58 0 58 Septiembre - Año cuatro 41 0 41
Octubre - Año dos 28 0 28 Octubre - Año cuatro 71 0 71
Noviembre - Año dos 33 0 33 Noviembre - Año cuatro 37 0 37
Diciembre - Año dos 20 0 20 Diciembre - Año cuatro 70 0 70

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 agua totales


130.00
con solo 3 años de historia

Milímetros de lluvia
110.00
Pronósticos

90.00

70.00

50.00

30.00

10.00
Mes - Año

s s s s s s s s s s s s ro ro ro ro ro ro nco nco nco nco nco nco


-10.00 do do do do do do tre tre tre tre tre tre uat at at at at at ci ci ci ci
ño Año Año Año Año Año Año Año Año Año o o c cu cu cu cu cu ci ci
-A - - - - - - - - - - Añ - Añ ño ño ñ o ño ño ño ño Año Año Año Año Año
ro zo yo lio re re ro zo yo li o re re - A - A - A - A - A - A -A - - - - -
e ar a Ju b b e ar a Ju b b ro zo ayo ulio e e ro zo ayo ulio br
e
br
e
En M M iem viem En M M iem viem Ene ar J br br Ene ar M J m m
pt pt M M iem viem
M tie ovie
Se No Se No pt o ep N
S e N S

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.

Ilustración 26 - Teoría de cola caída

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

Ilustración 27 - Teoría de cola parada

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.

Ilustración 28 - Estimación de medias y desviaciones, en serie con nivel a la baja

Criterio de estimación media y desviación estándar en series de diferentes niveles


1300

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

600 Zona total, curva completa con dos zonas

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%.

Ilustración 29 - Datos para la estimación de medias y desviaciones, en serie nivel a la baja

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.

3.2.1.1.4.1. Observaciones probabilísticas para la aplicación


Por principio natural entre más lejos sea el tiempo que se calcula por previsiones, menor es la
probabilidad de acierto, se recomienda no pronosticar más del 10% de los datos que se tengan, dado que

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

La serie evaluada, tiene 53 datos y


el por naturaleza asigna por defecto
5 pronó
pronósticos a realizar, o sea el
10% de los datos histó
históricos (53 en
este caso).

Fuente Bibliográfica: PII-FE@,2007

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

Cantidad de pronósticos sugeridos a realizar


Especulativo de uso
Cierto y cuantitativo Estimado meramente gráfico, sin
aportar valores
Minutos 90 90 270
Horas 12 12 96
Unidad de Días hábiles de trabajo 7 7 28
tiempo de Días calendario 10 10 20
la serie Semanales 1 1 12
Mensuales 1 1 3
Anuales 1 1 3

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.

El proceso de las series temporales se basa en la construcción de un modelo matemático, estadístico o


82 estocástico que se asemeje al comportamiento natural de la serie en el pasado y el presente; una vez este
se logra esto, se procede a extrapolarlo hacia el futuro, pero por su misma limitación de estabilidad de
muy corto plazo de la inmovilidad del entorno, los pronósticos basados en esta metodología, no se
pueden llevar de manera indefinida hasta el futuro, sino que existe un límite específico en el tiempo (De
Miguel,1990,262-264), descrito en los párrafos anteriores y en la ilustración preliminar, por lo cual en
la medida que el tiempo sea relativamente largo, la probabilidad de cumplimiento decrece
sustancialmente.

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

MAPE por categorías de modelos - 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 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

Fuente Bibliográfica: Fildes y otros,1984


citado por Makridakis y otro,1998,312-317

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.

La mejor funcionalidad no depende en sísí de De lo anterior se desprende que el secreto no


los diferentes modelos, sino de otros es usar modelos sencillos o complejos,
pará
parámetros, es decir en ocasiones sino usar en simultá
simultáneo la mayor cantidad
ciertos modelos complejos funcionan posible de ellos.
mejor que los sencillos, pero a la
inversa tambié
también sucede.

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.

En la tabla final (la tercera) de la siguiente Esta metodologí


metodología tá
táctica de Fildes y otros
ilustració
ilustración se practica un modelo de (1998) parece dar excelentes resultados en
ajuste por recorte, a la vez que utiliza la constitució
constitución de un modelo factible
mediante el uso de predicció
predicción ingenua universal de pronó
pronósticos - MUP. Inclusive
2, en la tercera fase de la tabla con el para un mejor ajuste, como se menciona
menor error cuadrá
cuadrático porcentual en el estudio descrito de 1994, en el MUP
medio MAPE. del autor se hace doble recorte, lo cual
ratifica una mejor calidad del proceso MUP

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.

Ilustración 34 - Situación con tres niveles - se descarta y se esperan más datos -

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

Fuente Bibliográfica: CeDerFeLLeA,2004,1

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

Jul-05 13.33% 20.00% 18.33% 48.33% 51.67%


Ago-05 21.67% 13.33% 25.00% 40.00% 60.00%
Sep-05 20.00% 8.33% 18.33% 53.33% 46.67%
Oct-05 23.33% 13.33% 15.00% 48.33% 51.67%
Nov-05 18.33% 18.33% 26.67% 36.67% 63.33%
Dic-05 26.67% 16.67% 16.67% 40.00% 60.00%
Ene-06 11.67% 10.00% 25.00% 58.33% 46.67%
Feb-06 11.67% 25.00% 18.33% 45.00% 55.00%
Mar-06 22.00% 20.00% 22.00% 37.00% 64.00%
Abr-06 10.00% 25.00% 15.00% 50.00% 50.00%
May-06 25.00% 20.00% 20.00% 35.00% 65.00%
Jun-06 25.00% 18.33% 6.67% 50.00% 50.00%
Jul-06 16.67% 13.33% 11.67% 58.33% 41.67%
Promedio a la
fecha
18.52% 17.27% 20.03% 44.73% 54.28%

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

Ago-05 13.33% 18.33% 10.00% 58.33% 41.67%


Sep-05 18.33% 18.33% 23.33% 40.00% 60.00%
Oct-05 20.00% 18.33% 18.33% 43.33% 56.67%
Nov-05 21.67% 13.33% 13.33% 51.67% 48.33%
Dic-05 15.00% 16.67% 21.67% 46.67% 53.33%
Ene-06 15.00% 16.67% 21.67% 46.67% 53.33%

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

Bondad de ajuste de pronósticos a dos meses vista


Mes - Año
40.00%
Jul-05 Ago-05 Sep-05 Oct-05 Nov-05 Dic-05 Ene-06 Feb-06 Mar-06 Abr-06 May-06 Jun-06 Jul-06

Fuente Bibliográfica: HACEB,2006

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

3.2.1.2. Pasos a realizar del análisis previo


El objetivo del estudio previo (paso 1 del método científico) implica el analizar profundamente la serie,
mediante elementos exploratorios que permitan detectar sus características, con el fin de poder abordar
el paso 2 del lanzamiento de la hipótesis. Con el pleno conocimiento de las características de la serie se
puede encontrar el (los) modelo (s) más adecuado (s) que se acomode (n) a dichas propiedades, que es
el punto 2 del MUP58 .

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

3.2.1.2.3. Estructura vertical - Nivel


Es la forma horizontal que adopta la serie en su comportamiento histórico y actual, en el caso donde se
presenten varios niveles, es necesario solo tomar el período más reciente, como se explica en párrafos
anteriores de las secciones nombradas como Observaciones probabilísticas para la aplicación y en la
ilustración intitulada Situación con tres niveles - se descarta y se esperan más datos - de este mismo
capítulo.

3.2.1.2.3.1. Detección de cambios de nivel


Los cambios de nivel básicamente lo que reflejan es una variación de las condiciones del entorno, al
cambiar lo que expresa es que se está en un ambiente diferente al natural de la serie, lo que conlleva a
afirmar que la metodología de pronósticos con series temporales no trabaja bien, por lo cual se deben
descartar los distintos niveles anteriores diferentes al actual, una forma de descubrir estos cambios de
nivel es mediante la observación de la gráfica y otra forma un poco más rigurosa es calcular la relación
de la desviación estándar de toda la serie entre la media total, si esta es superior al 50%61 lo más probable
es que los cambios de nivel afecten la calidad de los pronósticos y la precisión de la bondad de ajuste
entre pronósticos y realidad, en síntesis para relaciones entre Media / Desviación estándar superiores
al 50% no es recomendable pronosticar, antes de eliminar los diferentes niveles distintos al último más
reciente.

Ilustración 36 - Series con cambios de nivel

1400
Estructura vertical
88 Serie con varios niveles
1200

Media…………………………………………. 377
1000 Desviación estándar…………………………310

Relación Desviación / Media……………. 82.20%


Valores

800

600 Nivel 2

400 Media total 377

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

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

Ilustración 37 - Series sin cambios de nivel

1400
Estructura vertical
1200
Serie con nivel único
Media………………………………….. 574
Desviación estándar……….………. 187

1000 Relación Desviación / Media……… 32.56%

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).

Ilustración 38 - Software de pronósticos Logware que revisa Nivel


89

Información disponible en la web en


http://www.pearson.ch/pageid/34/artikel/49286PH1/PrenticeHall/0131492861/BusinessLogisticsSupplyChain.aspx

Logware de Ronald Ballou


tiene la posibilidad de
analizar cambios de nivel y
pronosticar series cuya
estructura vertical es
relevante.

Fuente Bibliográfica: Ballou,2004b,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

3.2.1.2.4. Estructura horizontal- Ruido o aleatoriedad


Se habla de un patrón o estructura horizontal cuando la serie es neutra (o tiende a cero) y posee una
desviación estándar pequeña y constante a lo largo de toda ella, a este fenómeno se le denomina
estacionariedad, en estos casos se enuncia que la serie permanece estable dentro de cierto rango o
desviación estándar de valores; cuando esto ocurre en las series estacionarias en media, existe una
probabilidad igual de que el siguiente valor esté por encima como por debajo de la media (o sea que hay
ausencia de ruido o alternatividad de valores alrededor de la media) (Makridakis y otro,1998,73).

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.

Ilustración 39 - Series sin estructura horizontal (sin 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

3.2.1.2.4.1. Detección de ruido o aleatoriedad


El principio básico para determinar la existencia de una estructura horizontal, ruido o aleatoriedad es
mediante la suavización, cuya finalidad es minimizar la desviación estándar (oscilaciones alternadas
alrededor de una serie) de la serie mediante la supresión del componente de ruido para eliminar las
incidencias estocásticas o aleatorias, que a la larga son las que generan el ruido.

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

Serie recta lineal suavizada


70
Suavización con móvil de 6 períodos
60 Valores originales

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

Fuente Bibliográfica: SGBW,2003,Sotfware

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.

Ilustración 42 - Pasos para suavizar con Statgraphics bajo MSDOS

STATGRAPHICS Statistical Graphics System


DATA MANAGEMENT AND SYSTEM UTILITIES TIME SERIES PROCEDURES
A. Data Management L. Forecasting
B. System Environment M. Quality Control
C. Report Writer and Graphics Replay N. Smoothing
D. Graphics Attributes O. Time Series Analysis

PLOTTING AND DESCRIPTIVE STATISTICS ADVANCED PROCEDURES


E. Plotting Functions P. Categorical Data Analysis
F. Descriptive Methods Q. Multivariate Methods
G. Estimation and Testing R. Nonparametric Methods
H. Distribution Functions S. Sampling
I. Exploratory Data Analysis T. Experimental Design

ANOVA AND REGRESSION ANALYSIS MATHEMATICAL AND USER PROCEDURES


J. Analysis of Variance U. Mathematical Functions
K. Regression Analysis V. Macros and User Functions

Use cursor keys to highlight desired section. Then press ENTER.


1Help 2Edit 3Savscr 4Prtscr 5 6Go 7Vars 8Cmd 9Device 10Quit
INPUT 12/18/ 6 02:11 STATGRAPHICS Vers.5.0 Display

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

SMOOTHING

1. Simple Moving Average


2. Weighted Moving Averages
3. Polynomial Smoothing
4. Open and Closed Q-Splines
5. Poisson Rate Function Estimation

Simple Moving Average

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

STATGRAPHICS Statistical Graphics System

DATA MANAGEMENT AND SYSTEM UTILITIES TIME SERIES PROCEDURES


A. Data Management L. Forecasting
B. System Environment M. Quality Control
C. Report Writer and Graphics Replay N. Smoothing
Posteriormente, grafique y obtenga el
D. Graphics Attributes O. Time Series Analysis
comportamiento.

Para introducir los datos, utilice en la pantalla 93


original del programa, la opció
opción Data
Management y luego seleccione File Operations,
dele un nombre al archivo que desea, use
numeral C, luego utilice F6 y copie los datos
directamente de Excel o de otra fuente, salva
con F6, en MSDOS Stag el enter es el F6, en la
Use cursor keys to highlight desired section. Then press ENTER.
barra roja le van apareciendo todas las opciones
1Help 2Edit 3Savscr 4Prtscr 5 que 6Godebe7Vars 8Cmd 9Device 10Quit
realizar.
INPUT 12/18/ 6 02:11 STATGRAPHICS Vers.5.0 Display

DATA MANAGEMENT

1. Display Data Directory


2. File Operations
3. Import Data Files
4. Export Data Files

File Operations

STATGRAPHICS file name:

Operations: A. Copy D. Erase G. Recode J. Update


B. Create E. Join H. Rename
C. Edit F. Print I. Split

Desired operation: C

Files on Data Drive - C:\STATG\DATA\

ABC AG ANOVA ARIMA ARIMAR BROWN C02 C03


C09 CA4 CA4TODA CA5 CA5KAREA CA6 CA6FULL CA6TODA
CA7 CA8 CA9 CA9FULL CA9TODA CACEROLA CALIDAD CARDATA
CC1 CC2 CC3 CC3FULL CC3KAREA CC3TODA CC3TODO CE5……..

Complete input fields and press F6.

1Help 2Edit 3Savscr 4Prtscr 5 6Go 7Vars 8Cmd 9Device 10Quit

INPUT 12/19/ 6 05:36 STATGRAPHICS Vers.5.0 Display FILE

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

200 No coinciden los puntos originales con los


suavizados, se puede afirmar que hay estructura
horizontal o sea existe un ruido importante que incide
100 en los pronósticos.

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

Smoothed Time Series Plot for Serie con ruido


630
data
Serie con ruido

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

Fuente Bibliográfica: Yih-Long,1998,272 – Software

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).

Ilustración 46 - Series con estructura tendencial creciente y decreciente

Serie con estructura tendencial creciente


2600.00

Serie con estructura tendencial creciente


2100.00
Lineal (Serie con estructura tendencial creciente)
Valores

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

46.00 Serie con estructura tendencial decreciente


41.00 Serie con estructura tendencial decreciente
Lineal
36.00 Lineal (Serie con estructura tendencial decreciente)

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

La presencia de una estructura tendencial se visualiza fácilmente en primera instancia mediante la


aplicación de un ajuste por tendencia lineal, de la forma y = a + b * t , donde a es el intercepto de la
alineación y b es la tendencia, en ambos casos tanto creciente como decreciente se observa que la
pendiente no es cero; en el evento de serie decreciente la ecuación lineal es y = 21.4938 - 0.22268 * t ,

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.

3.2.1.2.5.1. Detección de la estructura tendencial


La primera opción es visual en la representación gráfica, allí se puede observar la presencia de una
tendencia (creciente o decreciente) lineal o no lineal, la segunda forma es mediante la aplicación de un
ajuste de tendencia lineal del modo y = a + b * t, donde el valor de b, en primera instancia denota, si es
o no diferente de cero o sea tendencia neutral (horizontal). Por ejemplo, la tendencia de una línea
horizontal o valor constante de los datos de la serie implica una tendencia con b = 0  0.25 .

Con Excel se puede determinar el comportamiento lineal de las series, al seguir los pasos descritos en la
siguiente figura.

Ilustración 47 - Serie para analizar su tendencia con Excel

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

En 3 seleccione como Y los valores de la serie y como


X los valores ordinales de los datos en el tiempo: 1, 2,
3, etc.
Al darle aceptar le aparece una Hoja nueva de Excel,
donde aparece la pendiente como Variable X1

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:

Ilustración 49 - Evaluación de tendencia con auto correlación - ACF

Evaluación de tendencia con auto correlación ACF


Lower 95% Upper 95% Fuera de
Lag Autocorrelation Standard Error
Prob. Limit Prob. Limit rango
0
1 0.580978 0.102062 -0.200038 0.200038 Sí Sí
2 0.461995 0.132093 -0.258899 0.258899 Sí
3 0.354146 0.147971 -0.290018 0.290018 Sí
4 0.422867 0.156551 -0.306835 0.306835 Sí
5 0.487799 0.168029 -0.329330 0.329330 Sí
100 6 0.420966 0.182184 -0.357074 0.357074 Sí
7 0.39829 0.192049 -0.376410 0.376410 Sí
8 0.339466 0.200469 -0.392912 0.392912 Sí
9 0.226093 0.206370 -0.404478 0.404478 Sí
10 0.236334 0.208934 -0.409504 0.409504 Sí
11 0.255522 0.211700 -0.414926 0.414926 Sí
12 0.203627 0.214889 -0.421175 0.421175 Sí
13 0.287839 0.216890 -0.425097 0.425097 Sí
14 0.190632 0.220833 -0.432825 0.432825 No
15 0.226164 0.222540 -0.436172 0.436172 Sí
16 0.158293 0.224922 -0.440840 0.440840 No
17 0.134321 0.226079 -0.443108 0.443108 No
18 0.166419 0.226909 -0.444735 0.444735 No
19 0.0978648 0.228177 -0.447220 0.447220 No
20 0.111993 0.228614 -0.448076 0.448076 No
21 0.130415 0.229185 -0.449194 0.449194 No
22 0.0858823 0.229956 -0.450707 0.450707 No
23 0.0559603 0.230290 -0.451361 0.451361 No
24 0.0487494 0.230432 -0.451639 0.451639 No
Los valores se obtienen con el software Statgraphics bajo Window
Intervalo de confianza  1 
0 ± 1.96 *  
Inferior Superior  N 
-0.200041662 0.200041662 donde N es el número total de datos
para un intervalo de confianza del 95 %
Número de datos 96

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

3.2.1.2.6. Estructura estacional y/o cíclica


Las series que poseen estructuras repetitivas en el tiempo influenciadas por factores estacionales (o
cíclicos), denotan una repetición iterativa (inferior a doce meses para las estacionales y superior a un
año para las cíclicas) de sus comportamientos, como ya se menciona anteriormente ejemplos de estas
series estacionales son los fenómenos climáticos como el verano o el invierno, la demanda de objetos
para navidad, la utilización de servicios de playa o descanso en períodos de vacaciones, etc.; en general

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.

3.2.1.2.6.1. Detección de la estructura estacional con Excel y Statgraphics


Es casi imposible determinar a simple vista, mediante la observación detallada de la serie no se puede
analizar si existe un comportamiento estructural estacional, por eso se requiere de la ayuda de
programas de ordenador, como el Excel o el software Statgraphics.

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.

En la siguiente ilustración con una serie normal es imposible determinar la existencia o no de un


fenómeno estructural estacional, cuando se grafican con Excel en la ilustración posterior cada año en
forma horizontal y en forma porcentual, se observa que hay un muy buen paralelismo entre las líneas de
los diferentes años.
Ilustración 50 - Serie Normal

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

Ilustración 51 - Serie Normal con análisis estacional en Excel67

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

Use esta herramienta de


graficació
graficación de excel,
disponiendo los meses
verticales y añ
años horizontal, la
media como última columna a la
derecha

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

Ilustración 54 - Serie revisada con Excel para detectar su estacionalidad

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.

Ilustración 55 - Pasos para detectar estacionalidad con Statgraphics de 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

Fuente Bibliográfica: SGBW,2003,Sotfware

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.

Ilustración 56 - Serie con estructura estacional detectada con Statgraphics

107

Ilustración 57 - Serie que no posee estructura estacional, detectada con Statgraphics

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.

Ilustración 58 - Pasos en Statg MSDOS para estacionalidad

STATGRAPHICS Statistical Graphics System


DATA MANAGEMENT AND SYSTEM UTILITIES TIME SERIES PROCEDURES
A. Data Management L. Forecasting
B. System Environment M. Quality Control
C. Report Writer and Graphics Replay N. Smoothing
D. Graphics Attributes O. Time Series Analysis
1
PLOTTING AND DESCRIPTIVE STATISTICS ADVANCED PROCEDURES
E. Plotting Functions P. Categorical Data Analysis
F. Descriptive Methods Q. Multivariate Methods
Pantalla original de Statg MSDOS,
G. Estimation and Testing R. Nonparametric
seleccioneMethods
Time Series Analysis,
Analysis, letra
H. Distribution Functions S. Sampling O y hunda F6. este programa en la
I. Exploratory Data Analysis barra roja
T. Experimental horizontal inferior muestra
Design
siempre, lo que se ha de hacer

ANOVA AND REGRESSION ANALYSIS MATHEMATICAL AND USER PROCEDURES


J. Analysis of Variance U. Mathematical Functions
K. Regression Analysis V. Macros and User Functions

Use cursor keys to highlight desired section. Then press ENTER.


1Help 2Edit 3Savscr 4Prtscr 5 6Go 7Vars 8Cmd 9Device 10Quit

108 INPUT 12/18/ 6 02:11 STATGRAPHICS Vers.5.0 Display

TIME SERIES ANALYSIS

1. Horizontal Time Sequence Plot


2. Vertical Time Sequence Plot
3.
4.
Seasonal Subseries Plot
Autocorrelation Function
2 Seleccione Seasonal
Subseries Plot
5. Partial Autocorrelation Function
6. Cross-Correlation Function
7. Simple or Seasonal Differencing
8. Mean or Trend Removal
9. Box-Cox Transformation
10. Periodogram
11. Integrated Periodogram
12. Data Tapering
13. Plotting vs. Fourier Frequencies
14. Box-Jenkins ARIMA Modeling
15. Cross-Correlation Matrix Plot

Seasonal Subseries Plot Hunda F7 para seleccionar la


base de datos
3 C02
C03
.FORECASTS
.FORECASTS
Data vector: Seleccione ahora la Longitud de la C09 .FORECASTS
Estacionalidad ( Length of seasonality)
seasonality) que CA4 .ca4
desea, normalmente 12 para denotar que CA4 .FORECASTS
Length of seasonality: 12 5 inferior a doce meses es estacional y mayor a
un añ
año es cí
cíclica.
CA4TODA .FORECASTS
CA5
CA5
.ca5
.FORECASTS
CA5KAREA.FORECASTS
Season of the first data point: 1 CA6
CA6
.ca6
.FORECASTS
CA6FULL .FORECASTS
Una vez definidas las caracterí
características hunda F6 y CA6TODA .FORECASTS
CA7 .ca7
aparece la imagen analizada, con la estructura de
6 los iconos y sus palotes, la forma de analizarla es
similar al Statgraphics bajo Window.
CA7
CA8
CA8
.FORECASTS
.ca8
.FORECASTS

Hunda F6 encima del archivo

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

3.2.1.2.6.2. Detección de la estructura cíclica con Excel y Statgraphics


La detección de fenómenos repetitivos con frecuencias superiores a 12 meses, se logra de forma similar
que en la estacional con Excel o con el Statgraphics, en el primero simplemente se grafican todos los
años en forma horizontal y si la gráfica presenta cruces o no paralelismo entre ellas se puede afirmar
que no hay estructura cíclica; este criterio también es válido para Statgraphics.

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

Ciclo de 24 meses Ciclo de 60 meses


90000 40000 Años 6 a 10

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.

El proceso de detección en Excel y en Statgraphics, consiste en valorar con diferentes ciclos, el


comportamiento de la serie, en aquella figura donde se encuentre un verdadero paralelismo de las
diferentes líneas horizontales se puede afirmar la presencia de una estructura cíclica; recuérdese que se
debe probar ciclos de 12, 24 , 36, 48, etc. meses hasta tener siquiera dos líneas de graficación (esto para

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.

Ilustración 60 - Serie con estructura cíclica revisada con Excel

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

Se tiene una serie con


500.00 tres ciclos similares 1000

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

2200 Año 2 4000


Año 3
Año 4
Años

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

Ciclo de 48 meses Años 9 a 12 Ciclo de 60 meses


3500 Años 6 a 10
3500
Años 5 a 8

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

112 Fuente Bibliográfica: SGBW,2003,Sotfware


Ilustración 62 - Serie con estructura cíclica revisada con Statgraphics

Annual Subseries Plot for Serie con estructura cíclica Annual Subseries Plot for Serie con estructura cíclica
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

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.

Ilustración 63 - Otra opción de análisis estructural cíclico con Statgraphics

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.

Ilustración 64 - Análisis estructural cíclico a serie sin estructura cíclica

Annual Subseries Plot for Serie sin estructura cíclica


Serie sin estructura cíclica

(X 100000)
5 Cycle
1
4 2
3
3 4

0
0 10 20 30 40
Season con ciclo de 36

3.2.1.2.7. Componentes irregulares


El Statgraphics tiene un módulo que permite revisar la calidad de los datos de una serie, se encuentra
114 en el paso 9 de la detección de estacionalidad o de estructura cíclica, se denomina Irregular Component.
En el evento de que exista uno a más datos fuera de una desviación estándar normal, la gráfica es
diferente, el método es básicamente de observación cualitativa.

Ilustración 65 - Instrucción para encontrar datos irregulares, con Statgraphics

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.

Fuente Bibliográfica: SGBW,2003,Sotfware


Ejercicio 3 - Verificación de datos irregulares

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

La tabla de datos originales de la serie, se describe como:


Datos Año 1 Año 2 Año 3 Año 4 Año 5 Año 6 Año 7 Año 8 Año 9 Año 10
Enero 972 3027 3027 1532 2651 3433 1945 3474 4963 936
Febrero 1532 5249 5249 4113 1557 2384 4734 2533 2518 3708
Marzo 3824 2599 2599 5148 3433 4755 1197 1333 3307 3271
Abril 1477 3647 3647 5042 2384 4492 4167 1103 4883 4177
Mayo 2837 731 731 2659 4755 3506 4122 1832 1516 4206
Junio 4692 3250 3250 1999 4492 4996 5383 3983 1462 4585
Julio 1412 4739 4739 3491 3506 1001 679 4299 3188 4983
Agosto 5192 2624 2624 2018 4996 1588 5112 4466 4710 3410
Septiembre 2015 4505 4505 3008 1001 2452 4288 3947 1421 1471
Octubre 950 3361 3361 3366 1588 1473 716 2713 1602 2231
Noviembre 2932 1909 1909 747 2452 4190 5060 5294 4326 3519
Diciembre 1479 3242 3242 2393 1473 3035 2652 4619 5378 4767

La gráfica normal de componentes irregulares

Irregular Component Plot for Verificación de datos


240

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

Y la serie se transforma gráficamente en

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Componentes irregulares para la serie alterada en tres valores

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

La serie que se pronostica posee los siguientes datos.

Datos Año 1 Año 2 Año 3 Año 4 Año 5


Enero 118 140 120 130 45
Febrero 22 37 125 106 62
Marzo 160 47 157 25 133
Abril 71 28 59 122 35
Mayo 89 12 29 54 34
Junio 66 88 94 126 47
Julio 107 139 16 79 66
Agosto 37 10 107 148 21
Septiembre 125 37 32 136 24
Octubre 98 20 126 96 101
Noviembre 40 138 43 114 114
Diciembre 98 144 95 12 11

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

Ecuación 1 - Función del Modelo Brown

Pr onóstico del tiempo t = Pr onóstico t −1 +  * ( Re alidad t −1 − Pr onóstico t −1 ) , donde se valora en el rango


permisible de αlfa de 0.000001 a 0.35, mediante el criterio de minimización de MSE. 117
La gráfica de pronósticos y datos históricos muestra el siguiente comportamiento

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

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

Los resultados de pronósticos lineales, no son útiles al pronosticador (analista, empresario,


administrador, mercadotécnico, expertos, etc.) pues son una simple media, que la puede hallar sin
necesidad de entrar a realizar el proceso riguroso del MUP. Aparece entonces el patrón estructural como
una metodología que puede darle una forma natural propia al fenómeno evaluado con los pronósticos
obtenidos, mediante la desalineación de los mismos con el patrón histórico natural de la serie, que se
calcula partir la utilización de este módulo en el software Statgraphics, cuyos pasos se describe a
continuación para obtener los valores o la gráfica del patrón estructural natural de la serie:

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.

Seasonal Index Plot for Patrón


141
seasonal index

121
119
101

81

61

41
0 3 6 9 12 15
season

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

140

Valores, con pronósticos transformados con el patrón


120

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.

Ejercicio 5 - Características previas de la serie temporal analizada

Análisis Previo Alto Regular Bajo Muy leve Inexistente


Nivel X
Ruido X
Tendencia Lineal X
Tendencia No lineal X
Estacionalidad Xmensual
Ciclicidad X
Fenómenos exógenos X

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

Ilustración 66 - Tipos, criterios y usos de los diferentes Modelos de Pronósticos

Modelos Subgrupo Aplicació


Aplicación

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

aleatoriedad (o ruido), no considera


Exponential Smoothing Donde αlfa es el factor de modelación (o constante de suavizado) de Brown (o modelo clásico de suavización exponencial) y
la presencia de tendencia, ni de
Brown exponential smoothing va desde 0.00001 a 0.35, entre más bajo denota la presencia de más estructura horizontal de ruido, se estima mediante la
estacionalidad ni ciclicidad, ni
valoración del MSE - Mean Square Error – Error Cuadrado Medio (que es la suma de las diferencias de los cuadrados, entre
cambios de nivel.
lo pronosticado y la realidad de cada valor de t). Existe en varias formas: simple, lineal, cuadrática, doble, etc.
Para calcular el modelo se puede inicializar asumiendo Pronóstico 1 y 2 igual a la Realidad 1
Exponential Smoothing
Brown exponential smoothing

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:

Clásicos Uno - T t+M = S t + M * b t con Dos - Pronó


Pronóstico t + M = E t + T t + M
Donde X t + M es el pronóstico para el período t + M realizado desde t.
El término Tt +M es el pronóstico sin estacionalidad (previsión de la tendencia).
La expresión Et es el Factor Estacional
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.
Al sustituir la expresión dos en uno queda:
Pronóstico t + M = ( S t + M *bt ) + E t
X t + M = Pronó
La estimación de los valores escalonados en cada tiempo t, se realizan con las ecuaciones:
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 (γ (γ) ) * E t - L
(γ)* ( Z t - S t ) + ( 1 – Gamma (γ
Fuente Bibliográfica: Yih-Long,1998,273
Es ideal en series con
donde αlfa, ßeta y Gamma (γ) son factores de modelación o constantes de suavizado, correspondientes así: αlfa al componente de suavización St, ßeta al
presencia obligatoria de
componente tendencial b t y Gamma (γ) al factor temporal (cíclico o estacional). En las expresiones enunciadas L es la longitud del ciclo, M es el número de
estructuras estacionales y/o
Holt-Winter Aditivo períodos futuros a pronosticar (Yih-Long,1998,273).
cíclicas; la presencia de ruido
Descomposición
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 en forma respectiva; (o aleatoriedad) o tendencia
Holt Winter Additive
en cambio Gamma (γ) se desempeña entre 0.65 y 0.999999 y entre más alta, denota una mayor existencia del fenómeno temporal repetitivo. es opcional no impositiva, aún
Exponential smoothing
sin estas dos últimas es un
Seasonal decomposition Los valores de Et, St y Bt se inicializan con las siguientes fórmulas y condiciones: modelo que se acomoda bien
S0 es la media móvil de los primeros L datos reales Z t con t = 1, 2,….., L. a series con fenómenos
temporales repetitivos.
B 0 es igual a cero.
E t = Z t - S 0 , para los primeros L valores con t = 1, 2, 3, …., L.
Modelos de descomposición Los Pronósticos de los X t + M valores se calculan con M = 1, cuando t + M aún son valores reales históricos.
Seasonal Decomposition
Exponential Smoothing
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.
Por otro lado al momento de estimar los pronósticos con la ecuación
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.

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

Holt - Winter Exponential Smoothing


Holt - Winter seasonal decomposition
123
124
Modelos Subgrupo Aplicació
Aplicación Criterios té
técnicos
Usos

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 .

Holt - Winter Exponential Smoothing Multiplicative


Clásicos
Su cálculo se realiza mediante la expresión:

Tres - T t+M = S t+M * b t con Cuatro - Pronó


Pronóstico t + M = E t * T t + M

Donde X t +M es el pronóstico para el período t + M realizado desde t.

El término Tt + M es el pronóstico sin estacionalidad (previsión de la tendencia).

La expresión Et es el Factor Estacional

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.

Al sustituir la expresión tres en cuatro queda:


Pronóstico t + M = ( S t + M *bt ) * E t
X t + M = Pronó

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

Los valores de Et, St y Bt se inicializan con las siguientes fórmulas y condiciones:

S0 es la media móvil de los primeros L datos reales Z t con t=1,2,…..,L.

B0 es igual a cero.

Et = Zt / S0 , para los primeros L valores con t = 1, 2, 3, …., L.

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.

Por otro lado al momento de estimar los pronósticos con la ecuación

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.

Holt - Winter Exponential Smoothing


Holt - Winter seasonal decomposition
3 - Proyectiva - Pronósticos de series temporales

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.

Fenómenos exógenos: estos se involucran en la serie, la perturban durante un tiempo y luego


se marchan.

Simple vista: se puede predecir su tendencia con la simple observación humana.


125
Ilustración 67 - Fenómeno exógeno en un modelo clásico

Valor de la La serie busca su


variable proyección natural

Fenómeno
exógeno, llega,
altera y se retira

t
iempo

3.2.2.1.2. Descripción de los tipos de modelos clásicos


Se basan exclusivamente en la extrapolación de datos, por lo cual se deben usar con prudencia ya que
esta premisa se cae en el corto plazo, por norma es mejor no extrapolar a estados futuros superiores al
10% de los datos históricos, siempre y cuando no sobrepase los dos meses (o en función de la unidad de
tiempo, en lo descrito en la Ilustración presentada anteriormente denominada Cantidad de pronósticos
prudentes a realizar en función de la unidad de tiempo) (Enric Bas recomienda no extrapolar a más de
un año vista (1999,87)).
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

3.2.2.1.3. Modelos clásicos de Ajuste por Tendencia lineal


El modelo clásico de ajuste por tendencia lineal se acomoda a la forma de la expresión:
Ecuación 2 - Ecuación de modelo de ajuste por tendencia lineal

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).

Ilustración 68 - Ajuste de una línea recta en los ejes t o Y

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.

Minimiza las distancias en Y

Minimiza las distancias en t

a es la intersecció
intersección o intercepto de la lí
línea estimada con el eje Y

tiempo Eje t

Ecuación 3 - Análisis de mínimos cuadrados

 (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.

Fuente Bibliográfica Ecuación: adaptada de RELIASOFT@,2006

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Ecuación 4 - Definición matemática de la pendiente y del intercepto de la recta alineada estimada.

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. Criterios de calidad del ajuste de la tendencia


Los criterios que permiten medir la calidad de la alineación lograda son varios, entre los más relevantes,
se encuentran: el ajuste, el error estándar del estimado, el coeficiente muestral de determinación r 2 y
coeficiente de correlación r .

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.

Ecuación 5 - Ajuste de la recta alineada


127
Ajuste =  Y j − Yˆj =

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.

3.2.2.1.3.1.2. Error típico o Variación o Error Estándar del Estimado


Mide la confianza de la ecuación de estimación, es similar a la desviación estándar, ya que ambos son
medidas de dispersión. El error estándar también evalúa la variabilidad o dispersión de los puntos en Y
alrededor de la recta alineada.
Ecuación 6 - Error estándar del estimado de la recta alineada
N

 (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.

Fuente Bibliográfica Ecuación: Levin,1997,342

3.2.2.1.3.1.3. Coeficiente de Determinación Muestral r2 y Ajustado


Evalúa la fuerza, extensión o grado de asociación que existe entre los puntos correspondientes de las dos
variables Y y t. Debe acercarse a uno (1) y se permite como aceptable entre un rango de 0.9025 y 1.0000.

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Ecuación 7 - Coeficiente de determinación muestral r2 de la recta alineada


N

( 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:

Ecuación 8 - Coeficiente de determinación muestral r2 ajustado de la recta alineada


N 
  ( Y j − Yˆ j )  * ( N − 1 )
2

Coeficiente de Determinación Muestral Ajustado = r 2 Ajustado = 1 −  


j =1 , donde N es el
N 
 ( Y j − Y )  * ( N − i )
2

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.

3.2.2.1.3.1.4. Coeficiente de Correlación r


128
Es una medida que evalúa lo bien que el modelo se ajusta en la regresión lineal, e indica la correlación
existente entre los datos y el estimador de no confiabilidad o de mantenibilidad, denota el valor de la
correlación y el signo informa sobre el sentido inverso o directo de la correlación entre la variables Y y
X. Los valores cercanos a uno o menos uno, presentan una alta correlación, en tanto que los valores
cercanos a cero no tienen ninguna correlación con el modelo lineal. Se considera aceptable cuando se
está entre 0.95 y 1.

Ecuación 9 - Definición matemática del coeficiente de correlación múltiple

 (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.

3.2.2.1.4. Modelos clásicos de Ajuste por Tendencias no lineales


Existen diversos modelos de tendencia no lineal, en la ilustración donde se describen los diferentes
métodos de previsión, se esbozan algunos de ellos, entre otros:

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Ecuación 10 - Modelos clásicos de ajuste por tendencia no lineal

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

Ilustración 69 - Ajustes por tendencia lineal con Excel de Office

1
Hunda la
opció
opción
Herramientas

3
Cargue Herramientas
para aná
análisis, de
aceptar y el Office se la
carga sola

Para cargar la funció


función
de Regresió
Regresión de
tendencia lineal abra 2
primero complementos

130
4
Hunda la opció
opción
Herramientas

Seleccione la opció
opción
6 regresió
regresión

Cargue los valores


reales de la serie en la
casilla Y Rango Y de
entrada
7

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

9 Esta es la Hoja nueva

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

Modelo Tendencial lineal

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

Previsión 60 Año 5 - Mes 12 5363.32 ( Y


j =1
j − Yj )2

Media Real 5390.67 r2 0.00001933

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

Ilustración 70 - Ajuste por tendencia lineal con FC de WinQSB

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

4 3 Aquí se obtiene el r2 que


Aquí
coincide con las dos
Pronó
Pronósticos opciones ya descritas de
Excel

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

Ilustración 71 - Ajustes tendenciales (lineales y no) por Statgraphics Windows

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

De doble click izquierdo


en este recuadro

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

De doble click click derecho en su mouse


(rató
(ratón) y aparece este recuadro, tome la
En la pantalla Model van apareciendo los
diferentes resultados en forma de
elecció
elección Opciones de Aná
Análisis 9
expresiones matemá
matemáticas

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

Para ver los resultados de pronó


pronósticos en
cada caso, opte la opció
opción de la segunda
tableta de izquierda a derecha de color
amarillo en el software y tome la opció
opción
12 Forecast Table para que le vayan
apareciendo cada uno de los resultados

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

Forecast Table for Serie de tendencia

Model: Linear trend = 5409.54 + -0.770191 t


Period Data Forecast Residual
------------------------------------------------------------------------------
1/50 9529.0 5408.77 4120.23
2/50 7753.0 5408.0 2345.0
3/50 2602.0 5407.23 -2805.23
4/50 1829.0 5406.46 -3577.46
5/50 6193.0 5405.69 787.315
6/50 8741.0 5404.92 3336.08
7/50 3775.0 5404.15 -1629.15
8/50 3341.0 5403.37 -2062.37
9/50 2399.0 5402.6 -3003.6
10/50 4776.0 5401.83 -625.834
11/50 6956.0 5401.06 1554.94
12/50 4999.0 5400.29 -401.294
1/51 7990.0 5399.52 2590.48
2/51 4901.0 5398.75 -497.754
3/51 5832.0 5397.98 434.017
4/51 1667.0 5397.21 -3730.21
5/51 3929.0 5396.44 -1467.44
6/51 4467.0 5395.67 -928.673
7/51 5786.0 5394.9 391.097
8/51 7126.0 5394.13 1731.87
9/51 8328.0 5393.36 2934.64
10/51 4789.0 5392.59 -603.592
11/51 8782.0 5391.82 3390.18
136 12/51 5905.0 5391.05 513.948
1/52 8703.0 5390.28 3312.72
2/52 3944.0 5389.51 -1445.51
3/52 3913.0 5388.74 -1475.74
4/52 7907.0 5387.97 2519.03
5/52 3963.0 5387.2 -1424.2
6/52 2443.0 5386.43 -2943.43
7/52 8999.0 5385.66 3613.34
8/52 2016.0 5384.89 -3368.89
9/52 4874.0 5384.12 -510.12
10/52 1973.0 5383.35 -3410.35
11/52 2487.0 5382.58 -2895.58
12/52 8682.0 5381.81 3300.19
1/53 6462.0 5381.04 1080.96
2/53 8912.0 5380.27 3531.73
3/53 6594.0 5379.5 1214.5
4/53 1901.0 5378.73 -3477.73
5/53 1482.0 5377.96 -3895.96
6/53 3791.0 5377.19 -1586.19
7/53 8043.0 5376.42 2666.58
8/53 3286.0 5375.65 -2089.65
9/53 4780.0 5374.88 -594.878
10/53 5855.0 5374.11 480.892
11/53 9332.0 5373.34 3958.66
12/53 6015.0 5372.57 642.433
------------------------------------------------------------------------------

Lower 95.0% Upper 95.0%


Period Forecast Limit Limit
------------------------------------------------------------------------------
1/54 5371.8 171.989 10571.6
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

2/54 5371.03 158.241 10583.8


3/54 5370.26 144.008 10596.5
4/54 5369.49 129.294 10609.7
5/54 5368.72 114.102 10623.3
6/54 5367.95 98.4371 10637.5
7/54 5367.18 82.3026 10652.0
8/54 5366.41 65.7028 10667.1
9/54 5365.64 48.6418 10682.6
10/54 5364.87 31.1238 10698.6
11/54 5364.1 13.1531 10715.0
12/54 5363.32 -5.26593 10731.9
------------------------------------------------------------------------------

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

Model RMSE RUNS RUNM AUTO MEAN VAR


-----------------------------------------------
(A) 2478.86 OK OK OK OK OK
(B) 2501.69 OK OK OK OK OK
(C) 2559.86 OK OK OK OK OK
(D) 2505.44 OK OK OK OK OK
(E) 2578.18 OK OK OK OK OK

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

Ilustración 72 - Otros métodos no lineales con Statgraphics bajo Windows

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

Ilustración 73 - Ajustes lineales o no con Statgraphics bajo MS-DOS

STATGRAPHICS Statistical Graphics System

DATA MANAGEMENT AND SYSTEM UTILITIES TIME SERIES PROCEDURES


A. Data Management L. Forecasting 1 Adopte la opción L -
Forecasting
B. System Environment M. Quality Control
C. Report Writer and Graphics Replay N. Smoothing
D. Graphics Attributes O. Time Series Analysis

PLOTTING AND DESCRIPTIVE STATISTICS ADVANCED PROCEDURES


E. Plotting Functions P. Categorical Data Analysis
F. Descriptive Methods Q. Multivariate Methods
G. Estimation and Testing R. Nonparametric Methods
H. Distribution Functions S. Sampling
I. Exploratory Data Analysis T. Experimental Design

ANOVA AND REGRESSION ANALYSIS MATHEMATICAL AND USER PROCEDURES


140
J. Analysis of Variance U. Mathematical Functions
K. Regression Analysis V. Macros and User Functions

Use cursor keys to highlight desired section. Then press ENTER.


1Help 2Edit 3Savscr 4Prtscr 5 6Go 7Vars 8Cmd 9Device 10Quit
INPUT 12/18/ 6 02:11 STATGRAPHICS Vers.5.0 Display

FORECASTING

1. Brown ` s Exponential Smoothing


2. Holt ` s Linear Exponential Smoothing
3. Winter `s Seasonal Smoothing
4. Trend Analysis 2 Adopte la opción 4 – Trend Analysis

5. Seasonal Decomposition

Use CURSO Keys to highlight desired procedure. Then press ENTER


1 Help - 2 Edit - 3 Savscr - 4 Prtscr -5 - 6 Go - 7 Vars - 8 Cmd - 9 Device - 10 Quit

INPUT 12/ 17 / 2006 12:02 STATGRAPHICS Version 5.0 Display

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

Summary percentage: 100

Complete input fields and press F6.


1Help 2Edit 3Savscr 4Prtscr 5 6Go 7Vars 8Cmd 9Device 10Quit
INPUT 12/18/ 6 02:29 STATGRAPHICS Vers.5.0 Display TREND

Trend Analysis
═══════════════════════════════════════════════════
Time series: DOLARTRM.trm

Type of trend: Linear 141

Number of forecasts: 12

Summary percentage: 100

Summary percentage: 100 Para ver los pronósticos o la gráfica


puede optar por las elecciones de este
5 recuadro
Fitted model: 2684.48-0.514114*T
Acá le aparece la ecuación del modelo seleccionado. Display summary stats
4 Plot forecasts
Save smoothed data
Save forecasts

Complete input fields and press F6.


1Help 2Edit 3Savscr 4Prtscr 5 6Go 7Vars 8Cmd 9Device 10Quit
INPUT 12/18/ 6 02:29 STATGRAPHICS Vers.5.0 Display TREND

Por la opción K de análisis de regresión se encuentran otros modelos no lineales en MSDOS.

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Ilustración 74 - Ajustes lineales o no con software Vanguard Decisión Pro

1 2
3

142

Una vez obtiene los resultados, en


la gráfica, mediante la opción
Graph Properties, puede
seleccionar el modelo deseado,
posteriormente le aparecen los
valores pronosticados y su
función. En Vanguard encuentra
muchas opciones de no lineales y
por supuesto el lineal.

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

3.2.2.1.5. Modelos clásicos de suavización pura


El sistema de medias móviles o simples promedios, es muy útil (como se enuncia anteriormente) para
determinar la existencia o no de estructuras horizontales de aleatoriedad o ruido en las series, durante
el análisis previo o fase I del MUP, una vez se logra controlar o eliminar el componente de ruido se puede
observar mejor la presencia o no de elementos tendenciales o estacionales. No se las recomienda para
realizar previsiones por su carácter de inferencia o de asumir que todos los elementos se comportan de
una forma similar a la calculada. En ellas, es importante determinar la móvil o cantidad de elementos
que se toman como base de suavización y definir a la vez si es una móvil izquierda, centrada o derecha
en términos del tiempo. Se demuestra que al tener diferente móvil, los valores obtenidos son disímiles.

Ilustración 75 - Medias Móviles o Suavización Pura con Excel

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

1 Año 1 - Mes 1 9529


2 Año 1 - Mes 2 7753 8641.00
3 Año 1 - Mes 3 2602 5177.50 6628.00
4 Año 1 - Mes 4 1829 2215.50 4061.33 5428.25
5 Año 1 - Mes 5 6193 4011.00 3541.33 4594.25 5581.20
6 Año 1 - Mes 6 8741 7467.00 5587.67 4841.25 5423.60 6107.83
7 Año 1 - Mes 7 3775 6258.00 6236.33 5134.50 4628.00 5148.83 5774.57
8 Año 1 - Mes 8 3341 3558.00 5285.67 5512.50 4775.80 4413.50 4890.57 5470.38
9 Año 1 - Mes 9 2399 2870.00 3171.67 4564.00 4889.80 4379.67 4125.71 4579.13 5129.11
10 Año 1 - Mes 10 4776 3587.50 3505.33 3572.75 4606.40 4870.83 4436.29 4207.00 4601.00 5093.80
11 Año 1 - Mes 11 6956 5866.00 4710.33 4368.00 4249.40 4998.00 5168.71 4751.25 4512.44 4836.50 5263.09
12 Año 1 - Mes 12 4999 5977.50 5577.00 4782.50 4494.20 4374.33 4998.14 5147.50 4778.78 4561.10 4851.27 5241.08

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

Introduzca la serie temporal con datos reales y


modelación αlfa que desea evaluar
el factor de modelació
2 5
3 6

A. Mora G.
2

3 - Proyectiva - Pronósticos de series temporales

Ilustración 76 - Medias Móviles o Suavización Pura con WinQSB

2
3
3

1 Llenar datos
4
WinQSB 5
4
5

Tome una de las


cuatro opciones
que brinda, en todo
caso se recomienda
siempre, trabajar el
mismo ejercicio con
la misma media
móvil de 6 ó 12 o
múltiplo o
submú
submúltiplo de la
estacionalidad de la
serie que se anlaiza
6

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

Ecuación 11 - Medias móviles


F

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.

Ecuación 12 - Otras medias móviles avanzadas con otros softwares

Statgraphics bajo Window


1

2 4
3

145

3.2.2.1.6. Modelos clásicos de suavización exponencial – Brown


El modelo clásico Brown de suavización exponencial se usa exclusivamente para series temporales, que
tienen una estructura horizontal de ruido o aleatoriedad.

Su expresión matemática viene expresada en los siguientes términos:

Ecuación 13 - Expresión para los modelos clásicos de alisamiento exponencial

Pronósticoins tan te t = Pronósticot −1 + α lfa * ( Realidad t −1 − Pronóstico t −1)

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

Ilustración 78 - Modelo de alisamiento exponencial con Statgraphics Windows

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

Introduzca la serie temporal con datos reales y


modelación αlfa que desea evaluar
el factor de modelació
2 5
3 6

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Ilustración 80 - Alisado exponencial con Statgraphic MSDOS

STATGRAPHICS Statistical Graphics System

DATA MANAGEMENT AND SYSTEM UTILITIES TIME SERIES PROCEDURES


A. Data Management L. Forecasting
B. System Environment M. Quality Control
C. Report Writer and Graphics Replay N. Smoothing
D. Graphics Attributes O. Time Series Analysis
Brown's Exponential Smoothing
FORECASTING
Time series:

1. Brown's Exponential Smoothing Type of smoothing: Simple


2. Holt's Linear Exponential Smoothing
3. Winter's Seasonal Smoothing Number of forecasts: 12
4. Trend Analysis Con la barra
5. Seasonal Decomposition Summary percentage: 100
espaciadora logra
las tres opciones Smoothing constant alpha: 0.1
Brown's Exponential Smoothing Brown's Exponential Smoothing

Time series: Time series:

Type of smoothing: Quadratic Type of smoothing: Linear

Number of forecasts: 12 Number of forecasts: 12

Summary percentage: 100 Summary percentage: 100

Smoothing constant alpha: 0.1 Smoothing constant alpha: 0.1

Use cursor keys to highlight desired section. Then press ENTER.


1Help 2Edit 3Savscr 4Prtscr 5 6Go 7Vars 8Cmd 9Device 10Quit
INPUT 12/18/ 6 02:11 STATGRAPHICS Vers.5.0 Display

Ilustración 81 - Ajuste por Alfa en Alisamiento exponencial


148
Dato Valor de la Dato Valor de
Fecha Fecha Valores obtenidos con Statgraphic DOS
No. serie No. la serie
1 Año 1 - Mes 1 9529 25 Año 3 - Mes 1 8703 αlfa MSE Error Cuadrado Medio Pronóstico 49
2 Año 1 - Mes 2 7753 26 Año 3 - Mes 2 3944 0.00 23496100 9527.01
3 Año 1 - Mes 3 2602 27 Año 3 - Mes 3 3913 0.01 17398100 7945.15
4 Año 1 - Mes 4 1829 28 Año 3 - Mes 4 7907 0.02 13986100 6961.33
5 Año 1 - Mes 5 6193 29 Año 3 - Mes 5 3963 0.03 11983600 6355.84
6 Año 1 - Mes 6 8741 30 Año 3 - Mes 6 2443 0.04 10746300 5988.16
7 Año 1 - Mes 7 3775 31 Año 3 - Mes 7 8999 0.05 9942270 5769.64
8 Año 1 - Mes 8 3341 32 Año 3 - Mes 8 2016 0.06 9394890 5644.64
9 Año 1 - Mes 9 2399 33 Año 3 - Mes 9 4874 0.07 9006640 5578.33
10 Año 1 - Mes 10 4776 34 Año 3 - Mes 10 1973 0.08 8721520 5549.00
11 Año 1 - Mes 11 6956 35 Año 3 - Mes 11 2487 0.09 8506090 5543.12
12 Año 1 - Mes 12 4999 36 Año 3 - Mes 12 8682 0.10 8339530 5552.25
13 Año 2 - Mes 1 7990 37 Año 4 - Mes 1 6462 0.11 8208400 5571.13
14 Año 2 - Mes 2 4901 38 Año 4 - Mes 2 8912 0.12 8103730 5596.42
15 Año 2 - Mes 3 5832 39 Año 4 - Mes 3 6594 0.13 8019310 5625.98
16 Año 2 - Mes 4 1667 40 Año 4 - Mes 4 1901 0.14 7950770 5658.43
17 Año 2 - Mes 5 3929 41 Año 4 - Mes 5 1482 0.15 7894930 5692.84
18 Año 2 - Mes 6 4467 42 Año 4 - Mes 6 3791 0.16 7849410 5728.56
19 Año 2 - Mes 7 5786 43 Año 4 - Mes 7 8043 0.17 7812430 5765.12
20 Año 2 - Mes 8 7126 44 Año 4 - Mes 8 3286 0.18 7782620 5802.19
21 Año 2 - Mes 9 8328 45 Año 4 - Mes 9 4780 0.19 7758870 5839.50
22 Año 2 - Mes 10 4789 46 Año 4 - Mes 10 5855 0.20 7740350 5876.85
23 Año 2 - Mes 11 8782 47 Año 4 - Mes 11 9332 0.21 7726340 5914.06
24 Año 2 - Mes 12 5905 48 Año 4 - Mes 12 6015 0.22 7716270 5951.00
25 Año 3 - Mes 1 8703 0.23 7709690 5987.56
26 Año 3 - Mes 2 3944 0.24 7706180 6023.63
27 Año 3 - Mes 3 3913 0.25 7705420 6059.13
28 Año 3 -WinQSB
Con Mes 4 7907
se obtiene mediante una 0.26 7707120 6094.00
29 Año 3 - Mes 5 3963 0.27 7711050 6128.18
30 Suavización
Año 3 - Mes 6 Exponencial
2443 Simple un alfa 0.28 7716990 6161.60
31 óptimo
Año 3 - Mesde
7 0.25 con MSE 7705419 y un
8999 0.29 7724760 6194.23
32 Año 3 - Mes 8 2016 49 de 6059.13
pronóstico 0.30 7734200 6226.01
33 Año 3 - Mes 9 4874 0.31 7745180 6256.93
34 Año 3 - Mes 10 1973 0.32 7757580 6286.94
35 Año 3 - Mes 11 2487 0.33 7771290 6316.01
36 Año 3 - Mes 12 8682 0.34 7786230 6344.12
37 Año 4 - Mes 1 6462 0.35 7802300 6371.26

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.

Ilustración 82 - Holt con Statgraphics MSDOS

149
STATGRAPHICS Statistical Graphics System

DATA MANAGEMENT AND SYSTEM UTILITIES TIME SERIES PROCEDURES


A. Data Management L. Forecasting
B. System Environment M. Quality Control
C. Report Writer and Graphics Replay N. Smoothing
D. Graphics Attributes O. Time Series Analysis

Holt's Linear Exponential Smoothing


FORECASTING
Time series: DOLARTRM.trm

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

Se introduce la serie ya almacenada con Enter,


Enter,
luego se van colocando en forma manual los
estimación de αlfa y ßeta,
valores deseados de estimació
hasta valorar todas las opciones deseadas

Use cursor keys to highlight desired section. Then press ENTER.


1Help 2Edit 3Savscr 4Prtscr 5 6Go 7Vars 8Cmd 9Device 10Quit
INPUT 12/18/ 6 02:11 STATGRAPHICS Vers.5.0 Display

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Dando mouse a la derecha en la barreta de


Statg MSDOS, aparece esta opció
opción, que le
permite copiar desde Statg y llevar a Office y
viceversa

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

Data: DOLARTRM.trm Percent: 100


Forecast summary M.E. M.S.E. M.A.E. M.A.P.E. M.P.E.

Holt: 1E-5 1E-5 -327.998 135098. 327.999 13.9010 -13.9009


Valor del MSE

Period Period Period Period Period


913 914 915 916 917
Pronó
Pronósticos
150
2775.21 2775.21 2775.21 2775.21 2775.21

Su cálculo se realiza mediante la expresión:


Ecuación 14 - Expresiones del modelo de suavización exponencial y descomposición Holt

Pronóstico t + m = S t + m * b t

Donde St es el término referido a la suavización de la estructura horizontal de ruido, bt es el valor asignado 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:

S t = Nivel de suavizado= αlfa * Realidad t + ( 1 - αlfa )* ( S t - 1 + b t - 1 )

b t = Tendencia en el instantet = ßeta* ( S t - S t - 1 ) + ( 1 - ßeta )* b t - 1


donde αlfa y ßeta son factores de modelación o constantes de suavizado, correspondientes al componente de
suavización St y tendencial bt, respectivamente.

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

Ilustración 83 - Holt con WinQSB

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.

3.2.2.1.7.2. Holt – Winter


El modelo se utiliza cuando se tiene en la serie una estructura estacional o cíclica, debido a fenómenos
repetitivos temporales.

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.

Ecuación 15 - Expresiones de cálculo y estimación de Holt – Winter

X t+M = Pronóstico t + M = ( S t + M * bt ) + E t
Aditiva

Multiplicativa X t+M = Pronóstico t + M = ( S t + M * bt )* E t


La estimación para el aditivo se realiza con los siguientes parámetros:

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).

Los valores de Et, St y Bt se inicializan con las siguientes fórmulas y condiciones:

S0 es la media móvil de los primeros L datos reales Z t con t = 1, 2,….., L.

B 0 es igual a cero.

E t = Z t - S 0 , para los primeros L valores con t = 1, 2, 3, …., L.

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.

Por otro lado al momento de estimar los pronósticos con la ecuación

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

La estimación para el multiplicativo se realiza con los siguientes parámetros:

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,1998,273-4

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 valores de Et, St y Bt se inicializan con las siguientes fórmulas y condiciones:

S0 es la media móvil de los primeros L datos reales Z t con t = 1, 2,….., L.

B 0 es igual a cero. 153

E t = Z t - S 0 , para los primeros L valores con t = 1, 2, 3, …., L.

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.

Por otro lado, al momento de estimar los pronósticos con la ecuación

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

Ilustración 84 - Holt - Winter con Statgraphics MSDOS

STATGRAPHICS Statistical Graphics System

DATA MANAGEMENT AND SYSTEM UTILITIES TIME SERIES PROCEDURES


A. Data Management L. Forecasting
B. System Environment M. Quality Control
C. Report Writer and Graphics Replay N. Smoothing
D. Graphics Attributes O. Time Series Analysis

Winter's Seasonal Smoothing

FORECASTING Time series: DOLARTRM.trm

Number of forecasts: 12

Summary percentage: 100


1. Brown's Exponential Smoothing
Smoothing constant alpha: .00001
2. Holt's Linear Exponential Smoothing
3. Winter's Seasonal Smoothing Smoothing constant beta: .00001

4. Trend Analysis Smoothing constant gamma: .65


5. Seasonal Decomposition Length of seasonality: 12

Se introduce la serie ya almacenada con Enter,


Enter, luego se
van colocando en forma manual los valores deseados de
estimación de αlfa, ßeta y Gamma, hasta valorar todas las
estimació
opciones deseadas

Use cursor keys to highlight desired section. Then press ENTER.


154
1Help 2Edit 3Savscr 4Prtscr 5 6Go 7Vars 8Cmd 9Device 10Quit
INPUT 12/18/ 6 02:11 STATGRAPHICS Vers.5.0 Display

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

Data: DOLARTRM.trm Valor del MSE Percent: 100


Forecast summary M.E. M.S.E. M.A.E. M.A.P.E. M.P.E.

Winter: 1E-5 1E-5 0.65 139.838 47718.5 141.213 5.88356 5.82659

Period Period Period Period Period


913 914 915 916 917
Pronó
Pronósticos
1546.93 1524.33 1508.39 1483.26 1457.18

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Ilustración 85 - Holt – Winter Aditivo y Multiplicativo con WinQSB

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

Ilustración 86 - Holt’s Winter aditivo y multiplicativo con Statgraphics Windows 155

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):

Ilustración 88 - Opciones de factores de modelación en Holt – Winter

Gamma Valor de Valor de Valor de


Alfa ßeta
(γ) αlfa ßeta Gamma (γ)
Mínimo Mínimo Mínimo 0.00001 0.00001 0.65000
Máximo Mínimo Mínimo 0.35000 0.00001 0.65000
Mínimo Máximo Mínimo 0.00001 0.35000 0.65000
Máximo Máximo Mínimo 0.35000 0.35000 0.65000
Mínimo Mínimo Máximo 0.00001 0.00001 0.99999
Máximo Mínimo Máximo 0.35000 0.00001 0.99999
Mínimo Máximo Máximo 0.00001 0.35000 0.99999
Máximo Máximo Máximo 0.35000 0.35000 0.99999

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.

Simple vista: no es factible predecir el comportamiento futuro de la serie con la simple


observación humana, en los modelos modernos.

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.

Ilustración 89 - Fenómeno exógeno en un modelo moderno

Valor de la
variable

Serie natural, sin


fenómeno exógeno

Fenómeno
exógeno, llega,
altera y se queda

La serie cambia su
trayectoria natural
por la del
fenómeno exógeno

158
t iempo

3.2.2.2.2. Descripción de los modelos AR.I.MA. (Modernos)


Así como los modelos clásicos tienen su inicio antes de 1950 y de ahí en adelante gozan de un gran
desarrollo, específicamente los avances más notables se dan en los modelos Brown en 1950, en los Holt
en 1952, en los Winters en 1960 y en los modelos de descomposición se sucede entre 1957 y 1961 (con
Shiskin, del Census Bureau de los Estados Unidos de América); con la aparición de computadores más
eficaces y mayor cantidad de aplicaciones estadísticas, ocurren varios desarrollos relevantes en todos los
métodos existentes hasta ese momento, más sin embargo entre las décadas de 1950 y 1960 se busca la
unificación e integración de todos estos avances, lo cual sucede gracias a que es puesta al servicio de la
humanidad bajo la metodología de Box y Jenkins una técnica integradora, sus desarrolladores en 1976,
involucran una práctica sistemática para el análisis de cualquier tipo de estructura de series de tiempo
de una forma general (Makridakis y otro,1998,36-37), de donde se deduce que es un método genérico
que sirve para analizar cualquier conjunto temporal de datos, con las estructuras y formas que posea,
sea cual fueren.

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).

3.2.2.2.2.1. Metodología Box – Jenkins


Nace en 1976 con la publicación del libro “Time Series Analysis: Forecasting and Control” de los autores
G. E. P. Box, Profesor de la asignatura Estadística de la Universidad de Wisconsin (Estados Unidos de
América) y del Profesor G. M. Jenkins de la Universidad de Lancaster (Inglaterra) de la materia
Ingeniería de Sistemas; quienes generan un proceso novedoso en el análisis de series temporales en la
realización de un trabajo sobre contaminación en la bahía de San Francisco (Estados Unidos), a fin de
lograr mejores herramientas de procesos y control de pronósticos; el modelo que desarrollan alcanza un
gran éxito y se constituye en la metodología conocida como Box - Jenkins de AR.I.MA.
(UAMARIMA@,2006).

La metodología Box – Jenkins de pronósticos es bastante particular y muy diferente de la mayoría de


los demás métodos de previsiones, ella no asume ningún patrón específico de los valores de la serie que
se pronostica, utiliza un modelo basado en iteraciones que permite identificar el mejor modelo a partir
de patrones de tipo general. El modelo se ajusta siempre y cuando los residuos entre el modelo real y el
seleccionado sean bajos y se distribuyan de una forma aleatoria e independiente, a lo largo del tiempo; 159
este proceso se repite sucesivamente hasta alcanzar el modelo que más se ajuste a estas especificaciones.
Son especialmente apropiados para series estacionarias en media, denominación esta que se otorga a
las series históricas cuyo promedio no varía significativamente a través del tiempo.

La selección del modelo apropiado se realiza mediante la comparación de la distribución de los


coeficientes de auto correlación (simple) (ACF) y parcial (PACF) con los modelos teóricos que se
presentan más adelante en la Ilustración definida como Diferentes correlagramas para identificar a p,
q, P o Q (Hanke y otro,1998,431-432).

La metodología Box – Jenkins se lleva a cabo en tres etapas:

• Identificación del modelo


• Estimación del modelo y prueba de su ajuste
• Previsiones con el modelo ajustado que se selecciona (439-441).

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

Ilustración 90 - Metodología AR.I.MA. Box – Jenkins

Aná
Análisis general
de la serie original con AR.I.MA.

Lanzamiento de una hipó


hipótesis
que describa el modelo general.
Transformació
Transformación y determinació
determinación de d y D.

Describir el modelo tentativo a


utilizar en sus pará
parámetros p, q, P y Q

Seleccionar y calcular los pará


parámetros
p, q, P y Q con d y D ya definidos

No cumple

Resultados no llóógicos ni coherentes


Realizar pruebas de verificació
verificación
propias de Box – Jenkins y exó
exógenas

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

Fin del proceso Box – Jenkins, retorna a


proceso MUP de pronó
pronósticos con los clá
clásicos.

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

La palabra estacionariedad se refiere específicamente a que la media sea aproximadamente invariable


en el tiempo y que la varianza (o dispersión) sea constante a lo largo de la historia de la serie. Esto
conlleva a pensar que si la serie se subdivide en pequeños segmentos y se tienen infinitos intervalos de
tiempo la media y la varianza deben ser aproximadamente iguales en cada intervalo minúsculo; esto
garantiza que su estructura es incólume en el tiempo y por lo tanto se pueden generar pronósticos o
previsiones sobre ella.

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.

Cuando la serie es heteroscedástica75 (que se refiere a la variación en varianza, no en media), se puede


arreglar de una forma adecuada mediante la aplicación de la función Logaritmo a la serie original; ya
que esta realización de Logaritmo tiene la propiedad de disminuir la variabilidad de la varianza, casi
siempre sin generar cambios en el patrón de comportamiento original de la variable. En la mayoría de
casos la ejecución de la función Logaritmo es suficiente para que la heteroscedasticidad deje de ser una
molestia.

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)

Valores originales de la serie natural con tendencia


Dato Mes - Año Valor Dato Mes - Año Valor Dato Mes - Año Valor
1 Año 1 - Mes 1 2523.60 49 Año 5 - Mes 1 2944.80 97 Año 9 - Mes 1 3912.00
2 Año 1 - Mes 2 1644.80 50 Año 5 - Mes 2 3541.20 98 Año 9 - Mes 2 3381.60
3 Año 1 - Mes 3 168.00 51 Año 5 - Mes 3 3541.20 99 Año 9 - Mes 3 610.00
4 Año 1 - Mes 4 1961.20 52 Año 5 - Mes 4 3541.20 100 Año 9 - Mes 4 3163.20
5 Año 1 - Mes 5 2102.40 53 Año 5 - Mes 5 3541.20 101 Año 9 - Mes 5 3730.00
6 Año 1 - Mes 6 1889.20 54 Año 5 - Mes 6 3541.20 102 Año 9 - Mes 6 3116.40
7 Año 1 - Mes 7 2019.20 55 Año 5 - Mes 7 3541.20 103 Año 9 - Mes 7 3626.00
8 Año 1 - Mes 8 2352.00 56 Año 5 - Mes 8 3541.20 104 Año 9 - Mes 8 3600.00
9 Año 1 - Mes 9 2372.80 57 Año 5 - Mes 9 3541.20 105 Año 9 - Mes 9 4213.60
10 Año 1 - Mes 10 2752.40 58 Año 5 - Mes 10 3541.20 106 Año 9 - Mes 10 4130.40
11 Año 1 - Mes 11 2284.40 59 Año 5 - Mes 11 3541.20 107 Año 9 - Mes 11 4088.80
12 Año 1 - Mes 12 2279.20 60 Año 5 - Mes 12 3541.20 108 Año 9 - Mes 12 3584.40
13 Año 2 - Mes 1 2565.20 61 Año 6 - Mes 1 3541.20 109 Año 10 - Mes 1 4281.20
14 Año 2 - Mes 2 1655.20 62 Año 6 - Mes 2 3541.20 110 Año 10 - Mes 2 3376.40
15 Año 2 - Mes 3 194.00 63 Año 6 - Mes 3 3541.20 111 Año 10 - Mes 3 849.20
16 Año 2 - Mes 4 2147.20 64 Año 6 - Mes 4 3541.20 112 Año 10 - Mes 4 3470.00
17 Año 2 - Mes 5 2185.60 65 Año 6 - Mes 5 3541.20 113 Año 10 - Mes 5 3802.80
18 Año 2 - Mes 6 2305.20 66 Año 6 - Mes 6 3541.20 114 Año 10 - Mes 6 3568.80
19 Año 2 - Mes 7 2201.20 67 Año 6 - Mes 7 3541.20 115 Año 10 - Mes 7 4218.80
20 Año 2 - Mes 8 2414.40 68 Año 6 - Mes 8 3541.20 116 Año 10 - Mes 8
21 Año 2 - Mes 9 2471.60 69 Año 6 - Mes 9 3541.20 117 Año 10 - Mes 9
22 Año 2 - Mes 10 2757.60 70 Año 6 - Mes 10 3541.20 118 Año 10 - Mes 10
23 Año 2 - Mes 11 2627.60 71 Año 6 - Mes 11 3541.20 119 Año 10 - Mes 11
24 Año 2 - Mes 12 2694.80 72 Año 6 - Mes 12 3541.20 120 Año 10 - Mes 12
25 Año 3 - Mes 1 2726.40 73 Año 7 - Mes 1 3541.20 121 Año 11 - Mes 1
26 Año 3 - Mes 2 2320.80 74 Año 7 - Mes 2 3541.20 122 Año 11 - Mes 2
27 Año 3 - Mes 3 287.60 75 Año 7 - Mes 3 3541.20 123 Año 11 - Mes 3
28 Año 3 - Mes 4 2237.60 76 Año 7 - Mes 4 3541.20 124 Año 11 - Mes 4
29 Año 3 - Mes 5 2846.00 77 Año 7 - Mes 5 3541.20 125 Año 11 - Mes 5
30 Año 3 - Mes 6 2872.00 78 Año 7 - Mes 6 3541.20 126 Año 11 - Mes 6
31 Año 3 - Mes 7 2440.00 79 Año 7 - Mes 7 3541.20 127 Año 11 - Mes 7
32 Año 3 - Mes 8 2565.20 80 Año 7 - Mes 8 3541.20 128 Año 11 - Mes 8
33 Año 3 - Mes 9 2939.60 81 Año 7 - Mes 9 3541.20 129 Año 11 - Mes 9
34 Año 3 - Mes 10 3267.20 82 Año 7 - Mes 10 3541.20 130 Año 11 - Mes 10
35 Año 3 - Mes 11 2840.80 83 Año 7 - Mes 11 3541.20 131 Año 11 - Mes 11
36 Año 3 - Mes 12 2695.20 84 Año 7 - Mes 12 3541.20 132 Año 11 - Mes 12
37 Año 4 - Mes 1 3158.00 85 Año 8 - Mes 1 3541.20 133 Año 12 - Mes 1
38 Año 4 - Mes 2 2138.80 86 Año 8 - Mes 2 3541.20 134 Año 12 - Mes 2
162 39 Año 4 - Mes 3 251.20 87 Año 8 - Mes 3 3541.20 135 Año 12 - Mes 3
40 Año 4 - Mes 4 2258.40 88 Año 8 - Mes 4 3541.20 136 Año 12 - Mes 4
41 Año 4 - Mes 5 2643.20 89 Año 8 - Mes 5 3541.20 137 Año 12 - Mes 5
42 Año 4 - Mes 6 2695.20 90 Año 8 - Mes 6 3541.20 138 Año 12 - Mes 6
43 Año 4 - Mes 7 2721.20 91 Año 8 - Mes 7 3541.20 139 Año 12 - Mes 7
44 Año 4 - Mes 8 2939.60 92 Año 8 - Mes 8 3541.20 140 Año 12 - Mes 8
45 Año 4 - Mes 9 3069.60 93 Año 8 - Mes 9 3541.20 141 Año 12 - Mes 9
46 Año 4 - Mes 10 3282.80 94 Año 8 - Mes 10 3541.20 142 Año 12 - Mes 10
47 Año 4 - Mes 11 3038.40 95 Año 8 - Mes 11 3541.20 143 Año 12 - Mes 11
48 Año 4 - Mes 12 2840.80 96 Año 8 - Mes 12 3541.20 144 Año 12 - Mes 12

3000

Valores naturales de serie con tendencia


2500 Valores
Lineal (Valores)

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

Lower 95% Upper 95%


Lag Autocorrelation Standard Error Fuera de rango
Prob. Limit Prob. Limit
0
1 -0.258984 0.093659 -0.183568 0.183568 No
2 -0.328218 0.099743 -0.195493 0.195493 No
3 0.182381 0.108805 -0.213255 0.213255 Sí
4 0.0155261 0.111455 -0.218448 0.218448 Sí
5 -0.130986 0.111474 -0.218485 0.218485 Sí
6 0.0369277 0.112816 -0.221115 0.221115 Sí
7 -0.116076 0.112922 -0.221323 0.221323 Sí
8 0.0208469 0.113964 -0.223365 0.223365 Sí
9 0.164651 0.113997 -0.223430 0.223430 Sí
10 -0.298066 0.116064 -0.227482 0.227482 No
11 -0.2055 0.122595 -0.240283 0.240283 No
12 0.831922 0.125581 -0.246134 0.246134 No
13 -0.187961 0.167070 -0.327452 0.327452 No
14 -0.293517 0.168915 -0.331068 0.331068 No
15 0.143928 0.173331 -0.339724 0.339724 Sí
16 0.0197142 0.174376 -0.341772 0.341772 Sí
17 -0.116853 0.174396 -0.341811 0.341811 Sí
18 0.0436553 0.175081 -0.343154 0.343154 Sí
19 -0.10759 0.175177 -0.343341 0.343341 Sí
20 0.0180114 0.175756 -0.344475 0.344475 Sí
21 0.133886 0.175772 -0.344507 0.344507 Sí
22 -0.248446 0.176664 -0.346256 0.346256 No
23 -0.19431 0.179703 -0.352212 0.352212 No
24 0.727307 0.181537 -0.355806 0.355806 No
25 -0.141057 0.205513 -0.402800 0.402800 Sí
26 -0.267714 0.206361 -0.404461 0.404461 No
27 0.122492 0.209385 -0.410389 0.410389 Sí
28 0.0334541 0.210013 -0.411619 0.411619 Sí
29 -0.127776 0.210060 -0.411710 0.411710 Sí
30 0.0411202 0.210740 -0.413044 0.413044 Sí
31 -0.0852026 0.210811 -0.413182 0.413182 Sí
32 0.00896352 0.211113 -0.413774 0.413774 Sí
33 0.121214 0.211116 -0.413781 0.413781 Sí
34 -0.220411 0.211726 -0.414975 0.414975 No
35 -0.157335 0.213729 -0.418902 0.418902 Sí
36 0.634857 0.214742 -0.420888 0.420888 No
37 -0.128253 0.230619 -0.452006 0.452006 Sí
38 -0.244914 0.231244 -0.453231 0.453231 No
Los valores se obtienen con el software Statgraphics bajo Window

164 El ligero patrón de tendencia de la parte normal desaparece en este


Banda de confianza proceso al quedar más dispersos los valores alrededor del cero
distribuidos al menos los de la parte normal en forma aleatoria. Al
aplicar la diferencia de la parte normal del ARIMA (0,1,0) se
observan unos 14 coeficientes fuera de la banda de confianza, pero
Inferior Superior en especial 3 de ellos significativamente diferentes de 0 y
justamente correponden a los retrasos múltiplos de s (en este caso
particular se trabaja con s=12 períodos, estacionalidad); lo que da
pie a pensar que es necesario aplicar una Diferencia en la parte
estacional. Se puede decir que la serie estacionaria en la parte
-0.182770942 0.182770942 normal, más no en la estacional. Si después de aplicar la diferencia
d=1, el valor del coeficiente 24 se acercase a cero, no sería
necesario en este caso aplicar la Diferencia D=1 estacional, con lo
que se puede concluir en ese supuesto, de que los datos con una
Número de datos 115 diferencia normal d=1 hubiesen sido estacionarios. Como esto no
ocurre se procede ahora a D=1.

Gráfica de auto correlaciones con d=1 y D=0

Estimated Autocorrelations for adjusted Exer


1
Autocorrelations

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

Lower 95% Upper 95%


Lag Autocorrelation Standard Error Fuera de rango
Prob. Limit Prob. Limit
0
1 -0.546114 0.099015 -0.194066 0.194066 No
2 0.0229132 0.125107 -0.245206 0.245206 Sí
3 0.0711596 0.125148 -0.245286 0.245286 Sí
4 0.0183766 0.125544 -0.246063 0.246063 Sí
5 -0.107915 0.125571 -0.246114 0.246114 Sí
6 0.0135742 0.126477 -0.247890 0.247890 Sí
7 0.0788417 0.126491 -0.247918 0.247918 Sí
8 -0.0491482 0.126972 -0.248861 0.248861 Sí
9 0.00799032 0.127158 -0.249226 0.249226 Sí
10 -0.0102377 0.127163 -0.249235 0.249235 Sí
11 0.237972 0.127171 -0.249251 0.249251 No
12 -0.450056 0.131464 -0.257666 0.257666 No
13 0.286943 0.145789 -0.285742 0.285742 No
14 -0.0330279 0.151225 -0.296396 0.296396 Sí
15 -0.0347127 0.151295 -0.296534 0.296534 Sí
16 -0.0757405 0.151373 -0.296687 0.296687 Sí
17 0.143554 0.151745 -0.297414 0.297414 Sí
18 -0.0819438 0.153070 -0.300013 0.300013 Sí
19 0.0313868 0.153500 -0.300854 0.300854 Sí
20 -0.0323441 0.153563 -0.300978 0.300978 Sí
21 -0.0088022 0.153629 -0.301109 0.301109 Sí
22 0.048326 0.153634 -0.301118 0.301118 Sí
23 -0.0408409 0.153783 -0.301410 0.301410 Sí
24 0.0404059 0.153890 -0.301619 0.301619 Sí
25 -0.0934733 0.153994 -0.301822 0.301822 Sí
26 0.115766 0.154549 -0.302911 0.302911 Sí
27 -0.0439719 0.155397 -0.304572 0.304572 Sí
28 -0.0318277 0.155519 -0.304811 0.304811 Sí
29 0.0708008 0.155582 -0.304936 0.304936 Sí
30 -0.0813621 0.155898 -0.305555 0.305555 Sí
31 -0.0393228 0.156314 -0.306370 0.306370 Sí
32 0.151887 0.156411 -0.306560 0.306560 Sí
33 -0.0262526 0.157850 -0.309381 0.309381 Sí
34 -0.099766 0.157893 -0.309465
Los valores se obtienen con el software Statgraphics bajo Window
0.309465 Sí
165
Banda de confianza Para disminuir la tendencia estacional (s=12) se aplica la
Diferenciación D=1 (además de la d=1 ya existente), al observar lo
Inferior Superior que se logra con esto, se ven los retrasos 1, 11, 12 y 13 fuera de la
banda de confianza con valores diferentes de cero, los demás se
-0.182770942 0.182770942
dispersan aleatoriamente alrededor del 0 a lo largo de la serie, lo
Número de datos 115 cual permite pensar que la serie aparentemente ya es estacionaria.

Gráfica de auto correlaciones con d=1 y D=1


(0,1,0) (0,1,0)
Estimated Autocorrelations for adjusted Serie con tendencia
1
Autocorrelations

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

Time Series Plot for Serie con tendencia


(X 1000)
5
Serie con tendencia
Serie natural sin diferenciació
diferenciación, se nota la tendencia positiva

0
1/01 1/03 1/05 1/07 1/09 1/11

Time Series Plot for adjusted Serie con tendencia


3200
adjusted Serie con tendencia

Serie natural con diferenciació


diferenciación d=1 en su parte normal, se nota la
atenuació
atenuación de la tendencia.
2200
1200
166 200
-800
-1800
-2800
1/01 1/03 1/05 1/07 1/09 1/11

Time Series Plot for adjusted Serie con tendencia


5700 Serie natural con diferenciació
diferenciación d=2 en su parte normal, no se nota mejora
adjusted Serie con tendencia

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

Time Series Plot for adjusted Serie con tendencia


adjusted Serie con tendencia
1400 Serie natural con diferenciació
diferenciación d=1 en su parte normal y en la estacional
D=1; se observa un nuevo centramiento con mejor atenuació
atenuación de la
tendencia.
1000
600
200
-200
-600
-1000
1/01 1/03 1/05 1/07 1/09 1/11

Time Series Plot for adjusted Serie con tendencia


adjusted Serie con tendencia

2300 Por último a manera de ilustració


ilustración, se presenta
Serie con diferenciació
diferenciación d=1 en su parte normal
y en la estacional D=2.
1300 167

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

A. Mora G. Serie natural con diferenciació


diferenciación d=2 en su parte normal, no se nota mejora
en la disminució
disminución de tendencia, mámás bien su media gana un poco mámás de
variació
variación, frente a una de d=1.
3 - Proyectiva - Pronósticos de series temporales

Ilustración 92 - Resultados de coeficientes de auto correlación en una serie sin tendencia

Valores originales de la serie natural sin tendencia


Dato Mes - Año Valor Dato Mes - Año Valor Dato Mes - Año Valor
1 Año 1 - Mes 1 17.00 49 Año 5 - Mes 1 942 97 Año 5 - Mes 1 700
2 Año 1 - Mes 2 246.00 50 Año 5 - Mes 2 948 98 Año 5 - Mes 2 645
3 Año 1 - Mes 3 155.00 51 Año 5 - Mes 3 863 99 Año 5 - Mes 3 798
4 Año 1 - Mes 4 498.00 52 Año 5 - Mes 4 635 100 Año 5 - Mes 4 446
5 Año 1 - Mes 5 639.00 53 Año 5 - Mes 5 902 101 Año 5 - Mes 5 600
6 Año 1 - Mes 6 942.00 54 Año 5 - Mes 6 700 102 Año 5 - Mes 6 248
7 Año 1 - Mes 7 948.00 55 Año 5 - Mes 7 645 103 Año 5 - Mes 7 637
8 Año 1 - Mes 8 863.00 56 Año 5 - Mes 8 798 104 Año 5 - Mes 8 263
9 Año 1 - Mes 9 635.00 57 Año 5 - Mes 9 446 105 Año 5 - Mes 9 483
10 Año 1 - Mes 10 902.00 58 Año 5 - Mes 10 600 106 Año 5 - Mes 10 419
11 Año 1 - Mes 11 700.00 59 Año 5 - Mes 11 248 107 Año 5 - Mes 11 758
12 Año 1 - Mes 12 645.00 60 Año 5 - Mes 12 637 108 Año 5 - Mes 12 672
13 Año 2 - Mes 1 798.00 61 Año 6 - Mes 1 263 109 Año 6 - Mes 1 801
14 Año 2 - Mes 2 446.00 62 Año 6 - Mes 2 483 110 Año 6 - Mes 2 845
15 Año 2 - Mes 3 600.00 63 Año 6 - Mes 3 419 111 Año 6 - Mes 3 264
16 Año 2 - Mes 4 248.00 64 Año 6 - Mes 4 758 112 Año 6 - Mes 4 391
17 Año 2 - Mes 5 637.00 65 Año 6 - Mes 5 672 113 Año 6 - Mes 5 837
18 Año 2 - Mes 6 263.00 66 Año 6 - Mes 6 801 114 Año 6 - Mes 6 599
19 Año 2 - Mes 7 483.00 67 Año 6 - Mes 7 845 115 Año 6 - Mes 7 555
20 Año 2 - Mes 8 419.00 68 Año 6 - Mes 8 264 116 Año 6 - Mes 8 343
21 Año 2 - Mes 9 758.00 69 Año 6 - Mes 9 391 117 Año 6 - Mes 9 544
22 Año 2 - Mes 10 672.00 70 Año 6 - Mes 10 837 118 Año 6 - Mes 10 513
23 Año 2 - Mes 11 801.00 71 Año 6 - Mes 11 599 119 Año 6 - Mes 11 706
24 Año 2 - Mes 12 845.00 72 Año 6 - Mes 12 555 120 Año 6 - Mes 12 444
25 Año 3 - Mes 1 264.00 73 Año 7 - Mes 1 343 121 Año 6 - Mes 13 611
26 Año 3 - Mes 2 391.00 74 Año 7 - Mes 2 544 122 Año 6 - Mes 14 749
27 Año 3 - Mes 3 837.00 75 Año 7 - Mes 3 513 123 Año 6 - Mes 15 289
28 Año 3 - Mes 4 599.00 76 Año 7 - Mes 4 706 124 Año 6 - Mes 16 483
29 Año 3 - Mes 5 555.00 77 Año 7 - Mes 5 444 125 Año 6 - Mes 17 630
30 Año 3 - Mes 6 343.00 78 Año 7 - Mes 6 611 126 Año 6 - Mes 18 481
31 Año 3 - Mes 7 544.00 79 Año 7 - Mes 7 749 127 Año 6 - Mes 19 323
32 Año 3 - Mes 8 513.00 80 Año 7 - Mes 8 289 128 Año 6 - Mes 20 419
33 Año 3 - Mes 9 706.00 81 Año 7 - Mes 9 483 129 Año 6 - Mes 21 441
34 Año 3 - Mes 10 444.00 82 Año 7 - Mes 10 630 130 Año 6 - Mes 22
35 Año 3 - Mes 11 611.00 83 Año 7 - Mes 11 481 131 Año 6 - Mes 23
36 Año 3 - Mes 12 749.00 84 Año 7 - Mes 12 323 132 Año 6 - Mes 24
37 Año 4 - Mes 1 289.00 85 Año 8 - Mes 1 419 133 Año 6 - Mes 25
38 Año 4 - Mes 2 483.00 86 Año 8 - Mes 2 441 134 Año 6 - Mes 26
168 39 Año 4 - Mes 3 630.00 87 Año 8 - Mes 3 17 135 Año 6 - Mes 27
40 Año 4 - Mes 4 481.00 88 Año 8 - Mes 4 246 136 Año 6 - Mes 28
41 Año 4 - Mes 5 323.00 89 Año 8 - Mes 5 155 137 Año 6 - Mes 29
42 Año 4 - Mes 6 419.00 90 Año 8 - Mes 6 498 138 Año 6 - Mes 30
43 Año 4 - Mes 7 441.00 91 Año 8 - Mes 7 639 139 Año 6 - Mes 31
44 Año 4 - Mes 8 17.00 92 Año 8 - Mes 8 942 140 Año 6 - Mes 32
45 Año 4 - Mes 9 246.00 93 Año 8 - Mes 9 948 141 Año 6 - Mes 33
46 Año 4 - Mes 10 155.00 94 Año 8 - Mes 10 863 142 Año 6 - Mes 34
47 Año 4 - Mes 11 498.00 95 Año 8 - Mes 11 635 143 Año 6 - Mes 35
48 Año 4 - Mes 12 639.00 96 Año 8 - Mes 12 902 144 Año 6 - Mes 36

Time Series Plot for Serie sin tendencia


1000
Serie sin tendencia

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

Lower 95% Upper 95%


Lag Autocorrelation Standard Error Fuera de rango
Prob. Limit Prob. Limit
0
1 -0.0233144 0.088045 -0.172566 0.172566 No
2 -0.0451784 0.088093 -0.172659 0.172659 No
3 0.016128 0.088272 -0.173011 0.173011 No
4 -0.0776894 0.088295 -0.173056 0.173056 No
5 0.0136652 0.088824 -0.174091 0.174091 No
6 0.00349547 0.088840 -0.174123 0.174123 No
7 0.130011 0.088841 -0.174125 0.174125 No
8 -0.212051 0.090304 -0.176992 0.176992 Sí
9 -0.00124065 0.094085 -0.184403 0.184403 No
10 0.0352892 0.094085 -0.184403 0.184403 No
11 -0.271136 0.094187 -0.184604 0.184604 Sí
12 0.14034 0.100055 -0.196105 0.196105 No
13 0.146298 0.101569 -0.199073 0.199073 No
14 -0.122147 0.103190 -0.202249 0.202249 No
15 -0.0696488 0.104305 -0.204434 0.204434 No
16 0.0174478 0.104665 -0.205140 0.205140 No
17 0.0760203 0.104687 -0.205184 0.205184 No
18 0.0152944 0.105114 -0.206021 0.206021 No
19 0.11944 0.105132 -0.206055 0.206055 No
20 -0.209782 0.106178 -0.208106 0.208106 Sí
21 -0.234682 0.109344 -0.214311 0.214311 Sí
22 0.115575 0.113181 -0.221832 0.221832 No
23 -0.0681438 0.114093 -0.223618 0.223618 No
24 -0.0741525 0.114408 -0.224235 0.224235 No
25 0.0940797 0.114780 -0.224964 0.224964 No
26 -0.0398691 0.115376 -0.226133 0.226133 No
27 -0.0809277 0.115483 -0.226342 0.226342 No
28 -0.0329184 0.115921 -0.227202 0.227202 No
29 0.0183897 0.115994 -0.227344 0.227344 No
30 -0.00198415 0.116016 -0.227388 0.227388 No
31 0.16798 0.116017 -0.227389 0.227389 No
32 0.0649077 0.117887 -0.231055 0.231055 No
33 -0.180582 0.118164 -0.231597 0.231597 Sí
34 -0.0353716 0.120284 -0.235753 0.235753 No
35 0.139554 0.120365 -0.235911 0.235911 No
36
37
-0.0245419
-0.0511776
0.121612
0.121651
-0.238356
-0.238432
0.238356
0.238432
No
No
169
38 -0.070821 0.121818 -0.238759 0.238759 No
Los valores se obtienen con el software Statgraphics bajo Window

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

En ocasiones, se presentan algunas situaciones especiales con la diferenciación, donde el


comportamiento presenta una fuerte tendencia, como el caso que se muestra en la siguiente ilustración.

Ilustración 93 - Caso con fuerte tendencia y coeficientes de autocorrelación decrecientes

Valores originales de la serie natural con fuerte


tendencia y auto correlación decreciente
Dato Mes - Año Valor Dato Mes - Año Valor
1 Año 1 - Mes 1 103.19 49 Año 5 - Mes 1 121
2 Año 1 - Mes 2 103.22 50 Año 5 - Mes 2 121
3 Año 1 - Mes 3 103.58 51 Año 5 - Mes 3 121
4 Año 1 - Mes 4 104.04 52 Año 5 - Mes 4 121
5 Año 1 - Mes 5 104.32 53 Año 5 - Mes 5 121
6 Año 1 - Mes 6 104.58 54 Año 5 - Mes 6 121
7 Año 1 - Mes 7 104.96 55 Año 5 - Mes 7 121
8 Año 1 - Mes 8 105.58 56 Año 5 - Mes 8 122
9 Año 1 - Mes 9 106.18 57 Año 5 - Mes 9 122
10 Año 1 - Mes 10 106.58 58 Año 5 - Mes 10 122
11 Año 1 - Mes 11 106.76 59 Año 5 - Mes 11 123
12 Año 1 - Mes 12 107.26 60 Año 5 - Mes 12 123
13 Año 2 - Mes 1 108.35 61 Año 6 - Mes 1 123
14 Año 2 - Mes 2 108.39 62 Año 6 - Mes 2 123
15 Año 2 - Mes 3 108.74 63 Año 6 - Mes 3 123
16 Año 2 - Mes 4 109.17 64 Año 6 - Mes 4 123
17 Año 2 - Mes 5 109.39 65 Año 6 - Mes 5 123
18 Año 2 - Mes 6 109.51 66 Año 6 - Mes 6 124
19 Año 2 - Mes 7 109.94 67 Año 6 - Mes 7 124
170
20 Año 2 - Mes 8 110.65 68 Año 6 - Mes 8 124
21 Año 2 - Mes 9 110.99 69 Año 6 - Mes 9 124
22 Año 2 - Mes 10 111.23 70 Año 6 - Mes 10 124
23 Año 2 - Mes 11 111.42 71 Año 6 - Mes 11 124
24 Año 2 - Mes 12 111.91 72 Año 6 - Mes 12 125
25 Año 3 - Mes 1 113.07 73 Año 7 - Mes 1 125
26 Año 3 - Mes 2 113.63 74 Año 7 - Mes 2 125
27 Año 3 - Mes 3 114.29 75 Año 7 - Mes 3 126
28 Año 3 - Mes 4 114.90 76 Año 7 - Mes 4 126
29 Año 3 - Mes 5 114.94 77 Año 7 - Mes 5 126
30 Año 3 - Mes 6 115.05 78 Año 7 - Mes 6 126
31 Año 3 - Mes 7 115.07 79 Año 7 - Mes 7
32 Año 3 - Mes 8 115.39 80 Año 7 - Mes 8
33 Año 3 - Mes 9 115.85 81 Año 7 - Mes 9
34 Año 3 - Mes 10 116.06 82 Año 7 - Mes 10
35 Año 3 - Mes 11 116.37 83 Año 7 - Mes 11
36 Año 3 - Mes 12 116.75 84 Año 7 - Mes 12
37 Año 4 - Mes 1 117.46 85 Año 8 - Mes 1
38 Año 4 - Mes 2 117.78 86 Año 8 - Mes 2
39 Año 4 - Mes 3 118.20 87 Año 8 - Mes 3
40 Año 4 - Mes 4 118.87 88 Año 8 - Mes 4
41 Año 4 - Mes 5 119.28 89 Año 8 - Mes 5
42 Año 4 - Mes 6 119.18 90 Año 8 - Mes 6
43 Año 4 - Mes 7 119.34 91 Año 8 - Mes 7
44 Año 4 - Mes 8 119.68 92 Año 8 - Mes 8
45 Año 4 - Mes 9 119.97 93 Año 8 - Mes 9
46 Año 4 - Mes 10 120.13 94 Año 8 - Mes 10
47 Año 4 - Mes 11 120.14 95 Año 8 - Mes 11
48 Año 4 - Mes 12 120.50 96 Año 8 - Mes 12

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

130.00

Serie con fuerte tendencia

Valores de la serie con fuerte tendencia


125.00

120.00

115.00

Análisis:

110.00 La serie presenta una fuerte


tendencia, por lo cual parece que
requiere del trabajo con el operador
diferencia (normal y/o estacional).
105.00

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

Estimated Autocorrelations for Caso con fuerte tendencia


1
Autocorrelations

0.6 171

0.2

-0.2

-0.6

-1
0 5 10 15 20 25
lag

Estimated Partial Autocorrelations for Caso con fuerte tendencia


Partial Autocorrelations

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

Lower 95% Upper 95%


Lag Autocorrelation Standard Error Fuera de rango
Prob. Limit Prob. Limit
0
1 0.962029 0.113228 -0.221923 0.221923 Sí No
2 0.922023 0.191184 -0.374714 0.374714 Sí No
3 0.88156 0.241556 -0.473442 0.473442 Sí
4 0.84196 0.279779 -0.548358 0.548358 Sí
5 0.802786 0.310569 -0.608705 0.608705 Sí
6 0.762995 0.336122 -0.658788 0.658788 Sí
7 0.724196 0.357638 -0.700959 0.700959 Sí
8 0.686671 0.375969 -0.736887 0.736887 Sí
9 0.648981 0.391718 -0.767754 0.767754 Sí
10 0.611036 0.405268 -0.794313 0.794313 Sí
11 0.572506 0.416912 -0.817134 0.817134 Sí
12 0.534922 0.426872 -0.836656 0.836656 Sí
13 0.5003 0.435381 -0.853333 0.853333 Sí
14 0.464392 0.442691 -0.867659 0.867659 Sí
15 0.428809 0.448893 -0.879815 0.879815 Sí
16 0.393895 0.454114 -0.890049 0.890049 Sí
17 0.358077 0.458473 -0.898593 0.898593 Sí
18 0.320405 0.462045 -0.905593 0.905593 Sí
19 0.283626 0.464885 -0.911159 0.911159 Sí
20 0.248651 0.467098 -0.915497 0.915497 Sí
21 0.213835 0.468792 -0.918817 0.918817 No
22 0.178419 0.470041 -0.921264 0.921264 No
23 0.144156 0.470908 -0.922964 0.922964 No
24 0.111837 0.471473 -0.924073 0.924073 No
25 0.0828068 0.471813 -0.924739 0.924739 No
26 0.0547787 0.472000 -0.925104 0.925104 No
Los valores se obtienen con el software Statgraphics bajo Window

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:

Time Series Plot for adjusted Caso con fuerte tendencia


adjusted Caso con fuerte tendencia

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

Estimated Autocorrelations for adjusted Caso con fuerte tendencia


1

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

Lower 95% Upper 95%


Lag Autocorrelation Standard Error Fuera de rango
Prob. Limit Prob. Limit
0
1 0.266313 0.113961 -0.223359 0.223359 Sí No
2 -0.085485 0.121775 -0.238675 0.238675 No
3 0.121759 0.122552 -0.240198 0.240198 No
4 0.172375 0.124113 -0.243257 0.243257 No
5 -0.00659177 0.127184 -0.249277 0.249277 No
6 -0.12111 0.127189 -0.249286 0.249286 No
7 0.114374 0.128678 -0.252204 0.252204 No
8 0.278488 0.129991 -0.254778 0.254778 Sí
9 0.0493757 0.137521 -0.269537 0.269537 No
10 -0.135999 0.137751 -0.269988 0.269988 No
11 0.0689263 0.139484 -0.273385 0.273385 No
12 0.461219 0.139926 -0.274250 0.274250 Sí
13 0.0899632 0.158444 -0.310545 0.310545 No
14 -0.119051 0.159106 -0.311843 0.311843 No
15 0.152488 0.160259 -0.314102 0.314102 No 173
16 0.26413 0.162132 -0.317774 0.317774 Sí
17 0.020576 0.167627 -0.328544 0.328544 No
18 -0.0577036 0.167660 -0.328608 0.328608 No
19 0.130923 0.167918 -0.329114 0.329114 No
20 0.214609 0.169238 -0.331702 0.331702 No
21 -0.0309557 0.172737 -0.338558 0.338558 No
22 -0.208139 0.172809 -0.338699 0.338699 No
23 -0.0716777 0.176034 -0.345021 0.345021 No
24 0.158339 0.176413 -0.345763 0.345763 No
25 -0.164465 0.178249 -0.349362 0.349362 No
Los valores se obtienen con el software Statgraphics bajo Window

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

Diferencia d = 2 y D = 0 ACF Simple

Lower 95% Upper 95%


Lag Autocorrelation Standard Error Fuera de rango
Prob. Limit Prob. Limit
0
1 -0.254289 0.114708 -0.224824 0.224824 Sí
2 -0.367742 0.121900 -0.238920 0.238920 Sí
3 0.105526 0.135714 -0.265995 0.265995 No
4 0.141321 0.136790 -0.268103 0.268103 No
5 -0.0261495 0.138697 -0.271842 0.271842 No
6 -0.238838 0.138762 -0.271969 0.271969 Sí
7 0.0320806 0.144070 -0.282372 0.282372 No
174 8 0.270378 0.144164 -0.282556 0.282556 Sí
9 -0.0356282 0.150688 -0.295344 0.295344 No
10 -0.250437 0.150799 -0.295561 0.295561 Sí
11 -1.03E-01 0.156176 -0.306099 0.306099 No
12 0.477454 0.157074 -0.307860 0.307860 Sí
13 -0.0982373 0.175132 -0.343253 0.343253 No
14 -0.32549 0.175855 -0.344671 0.344671 Sí
15 0.0936227 0.183611 -0.359872 0.359872 No
16 0.230509 0.184238 -0.361101 0.361101 Sí
17 -0.0816912 0.187995 -0.368464 0.368464 No
18 -0.173609 0.188461 -0.369378 0.369378 No
19 0.0557911 0.190554 -0.373480 0.373480 No
20 2.15E-01 0.190769 -0.373901 0.373901 No
21 -0.0255259 0.193923 -0.380082 0.380082 No
22 -0.209085 0.193967 -0.380169 0.380169 No
23 -0.0519803 0.196910 -0.385937 0.385937 No
24 0.353344 0.197090 -0.386291 0.386291 Sí
25 -0.174912 0.205256 -0.402296 0.402296 No
Los valores se obtienen con el software Statgraphics bajo Window

Banda de confianza Ya en este momento se puede aceptar la serie como estacionaria, a


pesar de que aún persisten algunos coeficientes fuera del intervalo
Inferior Superior de confianza, ya no son significativamente diferentes de cero, se
puede entonces aceptar de alguna manera que existe
-0.221926299 0.221926299 estacionariedad en media en la parte regular; nótese que los
coeficientes 12 y 24 se atenúan, por lo cual se descarta la opción
Número de datos 78 diferenciación estacional de D=1 o D=2.

En síntesis, para el manejo de la estacionariedad, se recurre a la función Logaritmo para atenuar la


variabilidad de la serie (no requerido en la última Ilustración, de serie con fuerte tendencia), si el
problema es de varianza no constante (heteroscedasticidad) y a la diferenciación (d en la parte normal
y/o D en la sección estacional) en el tratamiento de la tendencia, para trabajar la variación en media e
intentar de que esta no varíe a lo largo de la serie, como se ilustra anteriormente (AR.I.MA. (0,d,0)
(0,D,0). Lo habitual es que se use inicialmente la función Logaritmo (cuando se requiere) con el fin de

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).

Ilustración 94 - Utilización de la función Logaritmo del Statgraphics Windows 175

Para lograr la transformación, se ubica en la barreta


de la tabla de valores de la serie y hunde mouse
1 derecho donde dice Col_2 o donde estén sus datos

3
Acepte y de OK

Seleccione de estas opciones la función Logaritmo


2

4
5

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

6
7
8

9
Acepte y de OK

Ilustración 95 - Tratamiento de diferenciación d y D, con Statgraphics bajo Windows

Para generar la funció


función
Logaritmo, de mouse
derecho sobre la
barreta Col_2
1 2

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

STATGRAPHICS Statistical Graphics System


DATA MANAGEMENT AND SYSTEM UTILITIES TIME SERIES PROCEDURES
A. Data Management L. Forecasting
B. System Environment M. Quality Control
C. Report Writer and Graphics Replay N. Smoothing
D. Graphics Attributes O. Time Series Analysis 1
Seleccione O, de
PLOTTING AND DESCRIPTIVE STATISTICS ADVANCED PROCEDURES
aceptar y en la
E. Plotting Functions P. Categorical Data Analysis
F. Descriptive Methods siguiente
Q. Multivariate Methods pantalla
G. Estimation and Testing seleccione
R. Nonparametric la opció
Methods opción 14
H. Distribution Functions S. Sampling
I. Exploratory Data Analysis T. Experimental Design

ANOVA AND REGRESSION ANALYSIS MATHEMATICAL AND USER PROCEDURES


J. Analysis of Variance U. Mathematical Functions
K. Regression Analysis V. Macros and User Functions

Use cursor keys to highlight desired section. Then press ENTER.


1Help 2Edit 3Savscr 4Prtscr 5 6Go 7Vars 8Cmd 9Device 10Quit
INPUT 12/18/ 6 02:11 STATGRAPHICS Vers.5.0 Display

178

Box-Jenkins ARIMA Modeling

Time series: LOG(PAPELER.papel) 2


Order of nonseasonal AR factor: 1 Order of seasonal AR factor: 0
Order of nonseasonal difference: 0 Order of seasonal difference: 0
Order of nonseasonal MA factor: 0 Order of seasonal MA factor: 0

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

Complete input fields and press F6.

1Help 2Edit 3Savscr 4Prtscr 5Opts 6Go 7Vars 8Cmd 9Device 10Quit

INPUT 12/19/ 6 07:18 STATGRAPHICS Vers.5.0 Display ARIMA

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.

3.2.2.2.2.1.2. Identificación de los Modelos ARIMA: Funciones de auto correlación y auto


correlación parcial.
La fase de identificación del modelo (p,q) (P,Q) utiliza dos funciones estadísticas que mediante sus
características permiten la detección del tipo de modelo en cuanto a AR., MA. o AR.MA. Son las
funciones de auto correlación (simple) y la de auto correlación parcial. Con el fin de obtener los valores
de p y q, se realiza una comparación entre las características de las dos funciones de auto correlación:
simple (para los MA.) y parcial (para los AR.). La función mide la correlación entre los valores de la serie
distanciados un período de tiempo k, si existe un conjunto de datos de N pares de combinaciones de Y y
X, sucede que la valoración de auto correlación se logra mediante:
Ilustración 97 - 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:

Ilustración 98 - Coeficiente de auto correlación

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.

Ilustración 99 - Ejemplo de auto correlación parcial con intervalos de confianza

180 1

Función de autocorrelación parcial


0.8

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.

El valor de q se estudia en la función de auto correlación (simple) en el ACF.

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

Ilustración 100 - Diferentes correlagramas para identificar a p, q, P o Q

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


1.1 1
1
0.9 0.8
0.8
Coeficientes de autocorrelaciones - AR (1) Coeficientes de autocorrelaciones - AR (1)
0.7
Con Φ1 > 0 0.6
0.6 Con Φ1 > 0
0.5
0.4
0.4
Valores de autocorrelación

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

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


1.1 1
1
0.9 0.8
0.8
Coeficientes de autocorrelaciones - AR (1) Coeficientes de autocorrelaciones - AR (1)
0.7
0.6
0.6
0.5
0.4
0.4
Valores de autocorrelación

0.3 Valores de autocorrelación


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 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

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


1

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

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


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

MA (1) Simple
-0.4

-0.6 -0.6

-0.8 -0.8

-1 -1

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


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

MA (1) Simple
-0.4

-0.6 -0.6

-0.8 -0.8

-1 -1

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


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

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


1 1

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

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

-0.8
-0.6

-0.8
AR (2) Parcial
-1 -1

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


1.1 1

0.9 0.8

Coeficientes de autocorrelaciones - AR (2) Coeficientes de autocorrelaciones - AR (2)


0.7 0.6

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

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


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

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


1 1

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

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

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


1 1

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

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


1 1

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 -0.6

-0.8 MA. (2) Simple -0.8

-1 -1

185

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


1 1

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

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


1 1

0.8 0.8

Coeficientes de autocorrelaciones - AR.MA. (1,1) Coeficientes de autocorrelaciones - AR.MA. (1,1)


0.6 0.6
Con Φ > 0 y θ < 0 Con Φ > 0 y θ < 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

-0.8 AR.MA. (1,1) Simple -0.8 AR.MA. (1,1) Parcial


-1 -1

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


1 1

0.8 0.8

Coeficientes de autocorrelaciones - AR.MA. (1,1) Coeficientes de autocorrelaciones - AR.MA. (1,1)


0.6 0.6
Con Φ < 0 y θ > 0 Con Φ < 0 y θ > 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

-0.8 AR.MA. (1,1) Simple -0.8 AR.MA. (1,1) Parcial


-1 -1

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


1 1

0.8 0.8

Coeficientes de autocorrelaciones - AR.MA. (1,1) Coeficientes de autocorrelaciones - AR.MA. (1,1)


0.6 0.6
Con Φ > 0 y θ > 0 Con Φ > 0 y θ > 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

-0.8 AR.MA. (1,1) Simple -0.8 AR.MA. (1,1) Parcial


-1 -1

186
Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial
1 1

0.8 0.8

Coeficientes de autocorrelaciones - AR.MA. (1,1) Coeficientes de autocorrelaciones - AR.MA. (1,1)


0.6 0.6

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

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


1 1

0.8 0.8

Coeficientes de autocorrelaciones - AR.MA. (1,1) Coeficientes de autocorrelaciones - AR.MA. (1,1)


0.6 0.6

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

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


1 1

0.8 0.8

Coeficientes de autocorrelaciones - AR.MA. (1,1) Coeficientes de autocorrelaciones - AR.MA. (1,1)


0.6 0.6
Con Φ < 0 y θ > 0 Con Φ > 0 y θ < 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

-0.8 AR.MA. (1,1) Simple -0.8 AR.MA. (1,1) Parcial


-1 -1

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


1 1

0.8 0.8

Coeficientes de autocorrelaciones - AR.MA. (1,1) Coeficientes de autocorrelaciones - AR.MA. (1,1)


0.6 0.6

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 AR.MA. (1,1) Simple -0.8 AR.MA. (1,1) Parcial


-1 -1

187

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


1 1

0.8 0.8

Coeficientes de autocorrelaciones - AR.MA. (1,1) Coeficientes de autocorrelaciones - AR.MA. (1,1)


0.6 0.6

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

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


1 1

0.8 0.8

Coeficientes de autocorrelaciones - AR.MA. (1,1) Coeficientes de autocorrelaciones - AR.MA. (1,1)


0.6 0.6

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.

3.2.2.2.2.1.3. Transformación, inversión y pronósticos


Una vez se tiene un modelo ajustado y suficientemente válido con la serie estacionaria, se procede a
deshacer la transformación originalmente realizada para estabilizar estadísticamente la serie (para
lograr una dispersión incólume en el tiempo (varianza constante)) y se estiman los pronósticos, los
cuales se deben evaluar, para ver si se adecuan a la realidad original de la serie, en caso negativo se
procede con otro modelo hasta alcanzar un buen grado de ajuste y unos pronósticos coherentes con la
serie original; este procedimiento es iterativo hasta alcanzar los dos objetivos de ajuste del modelo y
unos pronósticos válidos a la luz de la serie inicial (ALCEING@,2006).

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

X t = 0 + 1 * Z t −1 +  t , donde 0 es un término independiente y 1 es un parámetro que multiplica el valor


de la variable en un tiempo t – 1.
Mediante la utilización de métodos estadísticos adecuados se puede llegar a estimar con cierta precisión
los valores de 0 y 1 , con la condición de que cumplan propiedades estadísticas adecuadas para lograr
una apropiada estimación de X, con base en esto se puede expresar que:
Ecuación 17 - Expresión base de auto correlación

X t = ˆ0 + ˆ1 * Z t −1 +  t , que se usa a efectos de la previsión deseada.

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

X t = 0 + 1 * Z t −1 +  t , que es un modelo que se denota como AR (1).


X t = 0 + 1 * Z t −1 + 2 * Z t − 2 +  t , que es un modelo que se denota como AR (2).
X t = 0 + 1 * Z t −1 + 2 * Z t − 2 + 3 * Z t − 3 +  t , que es un modelo que se denota como AR (3).

Y en general se puede aproximar la expresión general de los modelos auto regresivos (Auto-Regressive) de orden p78
a:

X t = 0 + 1 * Z t −1 + 2 * Z t − 2 + 3 * Z t − 3 +3 * Z t − 3 + ...... +  p * Z t − p +  t , para AR (p)


En general los modelos AR se presentan de bajo orden (hasta el 2 y en ocasiones especiales 3), valores superiores se
dan muy poco.

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)

X t = 0 + 1 * Z t − S + 2 * Z t − 2 S +  t , es la modelación de un SAR (2).

Una fórmula para cualquier orden estacional de orden P79 , viene dada por:

X t = 0 + 1 * Z t −1*S + 2 * Z t − 2*S + 3 * Z t − 3*S +P * Z t − P *S + ..... +  p * Z t − p +  t , para cualquier


SAR (P). En general para frecuencias trimestrales se usa S=4, para mensuales se utiliza S=12, con datos históricos
mensuales.

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).

Ecuación 21 - Modelos de medias móviles estacionales – SMA

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.

X t =  +  t +1 *  t −1*S +  2 *  t − 2*S , es un SMA (2).

X t =  +  t +1 *  t −1*S +  2 *  t − 2*S +  3 * t − 3*S , es como se denota un SMA(3).

La expresión general de los modelos de medias móviles estacionales SMA (Q) se representa, así:

X t =  +  t +1 *  t −1*S +  2 *  t − 2*S +  3 * t − 3*S + ....... +  Q *  t − Q*S

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.

Ilustración 101 - Acotaciones sobre invertibilidad, estacionariedad y correlogramas de auto correlación

Correspondencias entre modelos AR y MA

Concepto Auto Regresivos Medias Móviles


Sigla AR (p) MA (q)
Expresión  p (B) Zt = αt Zt = q ( B) αt

Condición Raíces de  p (B) en


de módulos mayores Siempre
estacionariedad que 1
Condición Raíces de  q (B) en
de Siempre módulos mayores 191
invertibilidad que 1
Infinitos valores no
Correlograma nulos, según una
Coeficientes no nulos
mezcla de
hasta el retardo q, el
exponenciales y
Simple resto nulos
sinusoidales
amortiguadas
Infinitos valores no
Correlograma nulos, según una
Coeficientes no nulos
mezcla de
hasta el retardo p, el
exponenciales y
Parcial resto nulos
sinusoidales
amortiguadas
Modelo Dual MA (∞) AR (∞)

Fuente Bibliográfica: Carrión,1999,52

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 .

La letra I de los modelos AR.I.MA., corresponde a la Integración y así se completa la nomenclatura


AR.I.MA. (ALCEING@,2006).

Ecuación 23 - Expresión típica de modelos AR.I.MA.

X t =  + 1 * Z t −1 + 2 * Z t − 2 + ...... +  p * Z t − p +  t + 1 * t −1 +  2 * t − 2 + ....... + q * t − q , que


no es sino la unión de un modelo auto regresivo de orden p con un modelo de medias móviles de orden q.

AR ( p )  MA (q )
Fuente Bibliográfica Ecuación: UAMARIMA@,2006

Se puede generalizar aún más, mediante la expresión:

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.

Ecuación 24 - Expresión general de los AR.I.MA., tanto en regulares como en estacionales

P (B)*P ( BSeasonal )*V D


V Seasonal
D
Z t = Q (B)* P ( BSeasonal ) * At , donde V es el equivalente al
símbolo del operador Diferencia ( triángulo invertido).

Fuente Bibliográfica Ecuación: Carrión,1999,59

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).

3.2.2.2.2.1.4. Aplicación AR.I.MA.


La realización de un ejercicio bajo la metodología de modelos modernos con la aplicación de la
metodología Box – Jenkins, se lleva a cabo en el siguiente ejemplo con el software Statgraphics bajo
Windows y Excel de Microsoft.
Ejercicio 6 - Aplicación AR.I.MA.

Se cuenta con los siguientes datos originales de la serie a analizar:

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Valores originales de la serie natural para


análisis AR.I.MA. con Box - Jenkins
Dato Mes - Año Valor Dato Mes - Año Valor
1 Año 1 - Mes 1 85.06 49 Año 5 - Mes 1 97.27
2 Año 1 - Mes 2 95.60 50 Año 5 - Mes 2 105.79
3 Año 1 - Mes 3 105.02 51 Año 5 - Mes 3 112.00
4 Año 1 - Mes 4 97.42 52 Año 5 - Mes 4 110.44
5 Año 1 - Mes 5 106.02 53 Año 5 - Mes 5 116.10
6 Año 1 - Mes 6 100.45 54 Año 5 - Mes 6 112.72
7 Año 1 - Mes 7 100.53 55 Año 5 - Mes 7 114.68
8 Año 1 - Mes 8 103.70 56 Año 5 - Mes 8 121.87
9 Año 1 - Mes 9 98.49 57 Año 5 - Mes 9 118.69
10 Año 1 - Mes 10 106.46 58 Año 5 - Mes 10 119.07
11 Año 1 - Mes 11 106.18 59 Año 5 - Mes 11 122.72
12 Año 1 - Mes 12 95.08 60 Año 5 - Mes 12 110.11
13 Año 2 - Mes 1 84.51 61 Año 6 - Mes 1 100.40
14 Año 2 - Mes 2 93.08 62 Año 6 - Mes 2 110.28
15 Año 2 - Mes 3 90.68 63 Año 6 - Mes 3 120.63
16 Año 2 - Mes 4 103.27 64 Año 6 - Mes 4 105.62
17 Año 2 - Mes 5 101.70 65 Año 6 - Mes 5 119.96
18 Año 2 - Mes 6 97.98 66 Año 6 - Mes 6 112.76
19 Año 2 - Mes 7 102.66 67 Año 6 - Mes 7 113.97
20 Año 2 - Mes 8 102.81 68 Año 6 - Mes 8 118.32
21 Año 2 - Mes 9 101.69 69 Año 6 - Mes 9 119.53
22 Año 2 - Mes 10 109.26 70 Año 6 - Mes 10 126.53
23 Año 2 - Mes 11 108.61 71 Año 6 - Mes 11 128.87
24 Año 2 - Mes 12 99.41 72 Año 6 - Mes 12 114.18
25 Año 3 - Mes 1 89.55 73 Año 7 - Mes 1 124.02
26 Año 3 - Mes 2 100.71 74 Año 7 - Mes 2 139.89
27 Año 3 - Mes 3 105.27 75 Año 7 - Mes 3 143.79
28 Año 3 - Mes 4 97.63 76 Año 7 - Mes 4 135.99
29 Año 3 - Mes 5 108.35 77 Año 7 - Mes 5 144.77
194 30 Año 3 - Mes 6 107.50 78 Año 7 - Mes 6 136.05
31 Año 3 - Mes 7 112.32 79 Año 7 - Mes 7 140.61
32 Año 3 - Mes 8 106.32 80 Año 7 - Mes 8 138.17
33 Año 3 - Mes 9 113.66 81 Año 7 - Mes 9 135.73
34 Año 3 - Mes 10 116.41 82 Año 7 - Mes 10 141.31
35 Año 3 - Mes 11 115.43 83 Año 7 - Mes 11 140.64
36 Año 3 - Mes 12 106.72 84 Año 7 - Mes 12 132.69
37 Año 4 - Mes 1 93.95 85 Año 8 - Mes 1 124.40
38 Año 4 - Mes 2 104.76 86 Año 8 - Mes 2 132.39
39 Año 4 - Mes 3 111.72 87 Año 8 - Mes 3 129.98
40 Año 4 - Mes 4 102.74 88 Año 8 - Mes 4 141.04
41 Año 4 - Mes 5 112.05 89 Año 8 - Mes 5 143.42
42 Año 4 - Mes 6 110.62 90 Año 8 - Mes 6 137.29
43 Año 4 - Mes 7 110.23 91 Año 8 - Mes 7 146.22
44 Año 4 - Mes 8 109.46 92 Año 8 - Mes 8 137.51
45 Año 4 - Mes 9 115.19 93 Año 8 - Mes 9 144.61
46 Año 4 - Mes 10 117.86 94 Año 8 - Mes 10 152.06
47 Año 4 - Mes 11 119.68 95 Año 8 - Mes 11 152.65
48 Año 4 - Mes 12 105.97 96 Año 8 - Mes 12 145.05

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Paso 1 - Análisis de Estacionariedad

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

Logaritmo a la serie ARIMA


2.1500
Valor

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

La función de auto correlación (simple) a la serie natural, es:

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

Lower 95% Upper 95%


Lag Autocorrelation Standard Error Fuera de rango
Prob. Limit Prob. Limit
0
1 0.860058 0.102062 -0.200038 0.200038 Sí No
2 0.769293 0.160708 -0.314983 0.314983 Sí
3 0.733481 0.195337 -0.382854 0.382854 Sí
4 0.687937 0.222182 -0.435469 0.435469 Sí
5 0.674974 0.243360 -0.476978 0.476978 Sí
6 0.644086 0.262137 -0.513780 0.513780 Sí
7 0.599352 0.278134 -0.545133 0.545133 Sí
196 8 0.564317 0.291277 -0.570893 0.570893 Sí
9 0.527109 0.302451 -0.592794 0.592794 Sí
10 0.50842 0.311873 -0.611262 0.611262 Sí
11 0.557873 0.320391 -0.627955 0.627955 Sí
12 0.59775 0.330354 -0.647484 0.647484 Sí
13 0.507679 0.341435 -0.669202 0.669202 Sí
14 0.446422 0.349210 -0.684440 0.684440 Sí
15 0.401825 0.355105 -0.695994 0.695994 Sí
16 0.377038 0.359810 -0.705216 0.705216 Sí
17 0.362293 0.363902 -0.713236 0.713236 Sí
18 0.331708 0.367640 -0.720563 0.720563 Sí
19 0.296982 0.370745 -0.726647 0.726647 Sí
20 0.260801 0.373214 -0.731488 0.731488 Sí
21 0.218939 0.375108 -0.735200 0.735200 Sí
22 0.177596 0.376437 -0.737804 0.737804 No
23 0.197399 0.377309 -0.739513 0.739513 No
24 0.208391 0.378383 -0.741618 0.741618 Sí
25 0.132589 0.379576 -0.743958 0.743958 No
26 0.0741786 0.380059 -0.744903 0.744903 No
27 0.045297 0.380209 -0.745198 0.745198 No
28 0.0262696 0.380266 -0.745308 0.745308 No
29 0.0190446 0.380285 -0.745345 0.745345 No
30 0.00943751 0.380294 -0.745365 0.745365 No
31 0.00149056 0.380297 -0.745370 0.745370 No
32 -0.013827 0.380297 -0.745370 0.745370 No
Los valores se obtienen con el software Statgraphics bajo Window

Banda de confianza Se observan la mayoría de coeficientes fuera de la banda de


confianza, 21 de ellos tienen diferencias significativamente
diferentes de cero, lo que augura que hay una relación importante
Inferior Superior entre ellos y por ende lo más probable es la presencia de
tendencia; los 31 primeros coeficentes son positivos, lo que da
lugar a creer en la existencia de una posible tendencia, al igual en
-0.200041662 0.200041662 el parcial se observa un coeficiente fuera y los demás tendiendo a
cero. Esto da pie a pensar que se requiere diferenciar y que la serie
en su estado actual no es estacionaria en media, por lo cual lo más
Número de datos 96 seguro es que tiene tendencia.

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

Lower 95% Upper 95%


Lag Autocorrelation Standard Error Fuera de rango
Prob. Limit Prob. Limit
0
1 0.860058 0.102062 -0.200038 0.200038 Sí No
2 0.113692 0.102062 -0.200038 0.200038 No
3 0.191822 0.102062 -0.200038 0.200038 No
4 0.0196568 0.102062 -0.200038 0.200038 No
5 0.154767 0.102062 -0.200038 0.200038 No 197
6 -0.0184721 0.102062 -0.200038 0.200038 No
7 -0.0209226 0.102062 -0.200038 0.200038 No
8 -0.0120091 0.102062 -0.200038 0.200038 No
9 -0.0193816 0.102062 -0.200038 0.200038 No
10 0.0471791 0.102062 -0.200038 0.200038 No
11 0.288593 0.102062 -0.200038 0.200038 Sí
12 0.158464 0.102062 -0.200038 0.200038 No
13 -0.388022 0.102062 -0.200038 0.200038 Sí
14 -0.0938753 0.102062 -0.200038 0.200038 No
15 -0.0857305 0.102062 -0.200038 0.200038 No
16 0.0659418 0.102062 -0.200038 0.200038 No
17 -0.0561767 0.102062 -0.200038 0.200038 No
18 0.0241172 0.102062 -0.200038 0.200038 No
19 -0.0139898 0.102062 -0.200038 0.200038 No
20 -0.000929413 0.102062 -0.200038 0.200038 No
21 -0.00548432 0.102062 -0.200038 0.200038 No
22 -0.147132 0.102062 -0.200038 0.200038 No
23 -0.00578598 0.102062 -0.200038 0.200038 No
24 0.0130508 0.102062 -0.200038 0.200038 No
25 -0.101217 0.102062 -0.200038 0.200038 No
26 -0.066682 0.102062 -0.200038 0.200038 No
27 0.0746227 0.102062 -0.200038 0.200038 No
28 -0.00961823 0.102062 -0.200038 0.200038 No
29 0.0158362 0.102062 -0.200038 0.200038 No
30 0.0393548 0.102062 -0.200038 0.200038 No
31 0.0551495 0.102062 -0.200038 0.200038 No
32 -0.0402305 0.102062 -0.200038 0.200038 No
Los valores se obtienen con el software Statgraphics bajo Window

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

Lower 95% Upper 95%


Lag Autocorrelation Standard Error Fuera de rango
Prob. Limit Prob. Limit
0
1 -0.225557 0.102598 -0.201088 0.201088 Sí No
2 -0.212878 0.107691 -0.211071 0.211071 Sí
198 3 0.0390314 0.112033 -0.219581 0.219581 No
4 -0.0718376 0.112176 -0.219862 0.219862 No
5 -0.000199292 0.112659 -0.220809 0.220809 No
6 0.112162 0.112659 -0.220809 0.220809 No
7 -0.0680128 0.113829 -0.223101 0.223101 No
8 -0.0117953 0.114256 -0.223938 0.223938 No
9 0.0149256 0.114269 -0.223963 0.223963 No
10 -0.346872 0.114289 -0.224003 0.224003 Sí
11 0.0227472 0.124880 -0.244761 0.244761 No
12 0.511747 0.124924 -0.244847 0.244847 Sí
13 -0.140586 0.145325 -0.284832 0.284832 No
14 -0.104773 0.146750 -0.287624 0.287624 No
15 0.00306218 0.147535 -0.289163 0.289163 No
16 -0.0765137 0.147535 -0.289165 0.289165 No
17 0.0348918 0.147953 -0.289982 0.289982 No
18 0.0669204 0.148039 -0.290152 0.290152 No
19 -0.0473086 0.148357 -0.290775 0.290775 No
20 0.0643953 0.148516 -0.291087 0.291087 No
21 -0.0083727 0.148810 -0.291662 0.291662 No
22 -0.281565 0.148815 -0.291672 0.291672 Sí
23 0.0736592 0.154320 -0.302463 0.302463 No
24 0.411382 0.154690 -0.303188 0.303188 Sí
25 -0.107026 0.165807 -0.324976 0.324976 No
26 -0.10736 0.166532 -0.326398 0.326398 No
27 -0.0567618 0.167259 -0.327823 0.327823 No
28 0.00815462 0.167462 -0.328220 0.328220 No
29 0.0279454 0.167466 -0.328228 0.328228 No
30 0.0241075 0.167515 -0.328324 0.328324 No
31 -0.0431424 0.167552 -0.328396 0.328396 No
Los valores se obtienen con el software Statgraphics bajo Window

Banda de confianza Ya los valores de coeficientes en la parte regular no son


significativamente diferentes de cero y están dispersos a lo largo
Inferior Superior de la serie, tendiendo a cero, desaparecen al aplicar diferencia d=1;
más sin embargo se ven ahora claramente los múltiplos de
-0.200041662 0.200041662 estacionalidad s=12; o sea los coeficientes de los retrasos 12 y 24
con valores fuera de la banda de confianza y significativamente
Número de datos 96 diferentes de cero; lo que propende una diferenciación estacional.

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

Diferencia d=1 y D=0 Parcial


199
Lower 95% Upper 95%
Lag Autocorrelation Standard Error Fuera de rango
Prob. Limit Prob. Limit
0
1 -0.225557 0.102598 -0.201088 0.201088 Sí
2 -0.277892 0.102598 -0.201088 0.201088 Sí
3 -0.0970608 0.102598 -0.201088 0.201088 No
4 -0.168907 0.102598 -0.201088 0.201088 No
5 -0.0951088 0.102598 -0.201088 0.201088 No
6 0.0340662 0.102598 -0.201088 0.201088 No
7 -0.0538879 0.102598 -0.201088 0.201088 No
8 -0.0152755 0.102598 -0.201088 0.201088 No
9 -0.0204619 0.102598 -0.201088 0.201088 No
10 -0.412183 0.102598 -0.201088 0.201088 Sí
11 -0.324003 0.102598 -0.201088 0.201088 Sí
12 0.298695 0.102598 -0.201088 0.201088 Sí
13 0.07472 0.102598 -0.201088 0.201088 No
14 -0.0108606 0.102598 -0.201088 0.201088 No
15 -0.0526234 0.102598 -0.201088 0.201088 No
16 -0.0542003 0.102598 -0.201088 0.201088 No
17 -0.087527 0.102598 -0.201088 0.201088 No
18 -0.100511 0.102598 -0.201088 0.201088 No
19 -0.0786003 0.102598 -0.201088 0.201088 No
20 -0.0614812 0.102598 -0.201088 0.201088 No
21 -0.00219819 0.102598 -0.201088 0.201088 No
22 -0.0199578 0.102598 -0.201088 0.201088 No
23 -0.0599101 0.102598 -0.201088 0.201088 No
24 0.198267 0.102598 -0.201088 0.201088 No
25 0.111576 0.102598 -0.201088 0.201088 No
26 -0.0443141 0.102598 -0.201088 0.201088 No
27 -0.146053 0.102598 -0.201088 0.201088 No
28 0.0237909 0.102598 -0.201088 0.201088 No
29 0.000827355 0.102598 -0.201088 0.201088 No
30 -0.0123148 0.102598 -0.201088 0.201088 No
31 -0.0071068 0.102598 -0.201088 0.201088 No
32 -0.0402305 0.102062 -0.200038 0.200038 No
Los valores se obtienen con el software Statgraphics bajo Window

Banda de confianza Se visualizan 5 coeficientes fuera de rango: 1 y 2 correspondientes


a los dos primeros retrasos (después de los cuales los valores de
Inferior Superior los coeficientes de los retrasos siguientes caen a cero), 10 y 11 con
valores mediamente diferentes de cero y el coeficiente 12 que se
-0.200041662 0.200041662
debe transformar con la siguiente diferenciación en D=1,
Número de datos 96 estacional, que se realiza a continuación.

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Con D=1, la diferenciación estacional de orden 1 que se consigue, es:

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

Lower 95% Upper 95%


Lag Autocorrelation Standard Error Fuera de rango
Prob. Limit Prob. Limit
0
1 -0.391552 0.109764 -0.215134 0.215134 Sí No

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

Los coeficientes que están fuera de la banda de confianza y que


Banda de confianza son diferentes de cero de una forma medianamente notoria, son: el
coeficiente 1 de la parte regular, después de el los valores caen a
cero, están distribuidos aleatoriamente a lo largo de la serie con
valores bajos dentro de la banda de confianza, el coeficiente 15
que está fuera de la banda de confianza por una diferencia
Inferior Superior
pequeña que no es relevante ni significativamente diferente de
cero; otro coeficiente que de alguna manera es medianamente
diferente de cero es el coeficiente 12 estacional (aunque ya no es
tan alto como antes 0.51 con D=0, baja a 0.29 con D=1), teniendo en
-0.200041662 0.200041662 cuenta la parte estacional y al observar como el segundo
coeficiente estacional (el 24) está dentro la banda de confianza y no
es significativamente de cero, se puede concluir que se alcanza la
estacionariedad en media en la parte estacional. Con lo cual se
Número de datos 96 logra la estacionariedad total tanto en lo regular como en lo
estacional.

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Auto correlación parcial

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

Lower 95% Upper 95%


Lag Autocorrelation Standard Error Fuera de rango
Prob. Limit Prob. Limit
0
1 -0.391552 0.109764 -0.215134 0.215134 Sí No
2 -0.193627 0.109764 -0.215134 0.215134 No
3 0.0151354 0.109764 -0.215134 0.215134 No 201
4 0.0739908 0.109764 -0.215134 0.215134 No
5 0.0743368 0.109764 -0.215134 0.215134 No
6 0.0534421 0.109764 -0.215134 0.215134 No
7 -0.0381161 0.109764 -0.215134 0.215134 No
8 -0.116873 0.109764 -0.215134 0.215134 No
9 -0.168746 0.109764 -0.215134 0.215134 No
10 -0.178294 0.109764 -0.215134 0.215134 No
11 0.0673024 0.109764 -0.215134 0.215134 No
12 -0.233861 0.109764 -0.215134 0.215134 Sí
13 -0.24507 0.109764 -0.215134 0.215134 Sí
14 -0.0964998 0.109764 -0.215134 0.215134 No
15 0.0978748 0.109764 -0.215134 0.215134 No
16 -0.154869 0.109764 -0.215134 0.215134 No
17 -0.0394679 0.109764 -0.215134 0.215134 No
18 0.0282145 0.109764 -0.215134 0.215134 No
19 0.0132535 0.109764 -0.215134 0.215134 No
20 -0.0931086 0.109764 -0.215134 0.215134 No
21 -0.0213332 0.109764 -0.215134 0.215134 No
22 -0.0901358 0.109764 -0.215134 0.215134 No
23 0.168681 0.109764 -0.215134 0.215134 No
24 -0.166464 0.109764 -0.215134 0.215134 No
25 -0.222536 0.109764 -0.215134 0.215134 Sí
26 -0.0884723 0.109764 -0.215134 0.215134 No
27 0.0357661 0.109764 -0.215134 0.215134 No
Los valores se obtienen con el software Statgraphics bajo Window

Banda de confianza Con esta diferenciación de orden 1 estacional, se logran atenuar


las auto correlaciones estacionales 12 y 24, que ya no son
Inferior Superior significativamente diferentes de cero y no son tan altas como
antes. La auto correlación 12 pasa de 0.29 a 0.23 y la 24 pasa de
-0.200041662 0.200041662 0.19 a 0.16. Las auto correlaciones 12, 13 y 25 están fuera de la
banda pero no son muy altas ni significativamente diferentes de
Número de datos 96 cero.

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Al tener ya, la estacionariedad en media lograda y la variación de la varianza aproximadamente


constante, se tiene en este momento un AR.I.MA. (p,1,q) (P,1,Q)12. A continuación se vislumbran las
diferentes gráficas de la variación de media, para observar la tendencia, al evolucionar en d y D,
muestran:

T im e Series Plot for Serie para ARIMA


164
Serie para ARIMA

144

124

d=0 y D=0
104

84
1/01 1/03 1/05 1/07 1/09 1/11

Time Series Plot for adjusted Serie para ARIMA


adjusted Serie para ARIMA

24

14
202

-6
d=1 y D=0
-16
1/01 1/03 1/05 1/07 1/09 1/11

Time Series Plot for adjusted Serie para ARIMA


adjusted Serie para ARIMA

29

19

-1

-11 d=1 y D=1

-21
1/01 1/03 1/05 1/07 1/09 1/11

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Paso 2 - Identificación de parámetros p, q, P y Q

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).

Correlograma de autocorrelación (simple) Correlograma de autocorrelación parcial


1 1

0.8 0.8

Coeficientes de autocorrelaciones - AR.MA. (1,1) Coeficientes de autocorrelaciones - AR.MA. (1,1)


0.6 0.6
Con Φ < 0 y θ > 0 Con Φ > 0 y θ < 0

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

-0.8 AR.MA. (1,1) Simple -0.8 AR.MA. (1,1) Parcial


-1 -1

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.

Paso 3 – Valoración de los parámetros AR y MA

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

• Valores de estimación significativamente diferentes de cero (sirve para aceptar o rechazar el


modelo que se postula).

• 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

1 (1,1,0) (0,1,0) AR(1) -0.391346 0.101596 -3.851970 0.000232 Sí Aceptado


AR(1) -0.462699 0.098942 -4.676460 0.000012 Sí
2 (1,1,0) (1,1,0) Aceptado
SAR(1) -0.659172 0.101011 -6.525780 0.000000 Sí
3 (0,1,1) (0,1,0) MA(1) 0.420176 0.100356 4.186860 0.000071 Sí Aceptado
MA(1) 0.481659 0.097124 4.959220 0.000004 Sí
4 (0,1,1) (0,1,1) Aceptado
SMA(1) 0.844713 0.038148 22.143300 0.000000 Sí
5 (0,1,0) (1,1,0) SAR(1) -0.574458 0.102170 -5.622550 0.000000 Sí Aceptado
6 (0,1,0) (0,1,1) SMA(1) 0.836242 0.037800 22.122600 0.000000 Sí Aceptado

SAR(1) -0.081172 0.147774 -0.549295 0.584315 No


7 (0,1,0) (1,1,1) Rechazado
SMA(1) 0.825254 0.054758 15.070900 0.000000 Sí
AR(1) -0.154775 0.240349 -0.643960 0.521421 No
8 (1,1,1) (0,1,0) Rechazado
MA(1) 0.306943 0.231762 1.324390 0.189099 No
204 AR(1) -0.183515 0.200531 -0.915146 0.362865 No
9 (1,1,1) (1,1,0) MA(1) 0.406436 0.187052 2.172850 0.032751 Sí Rechazado
SAR(1) -0.705773 0.100905 -6.994430 0.000000 Sí
AR(1) -0.195467 0.215123 -0.908629 0.366275 No
10 (1,1,1) (0,1,1) MA(1) 0.338113 0.205282 1.647070 0.103467 No Rechazado
SMA(1) 0.844742 0.041854 20.183000 0.000000 Sí
AR(1) -0.193364 0.217652 -0.888413 0.377016 No
MA(1) 0.350064 0.206340 1.696540 0.093721 No
11 (1,1,1) (1,1,1) Rechazado
SAR(1) -0.146302 0.142397 -1.027420 0.307356 No
SMA(1) 0.823112 0.053081 15.506700 0.000000 Sí

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.

Paso 3 - 2 - Verificación del MSE

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

No. Modelo Mean Square Error Puesto menor Nota


1 (1,1,0) (0,1,0) 6.31154 6
2 (1,1,0) (1,1,0) 5.50843 3
3 (0,1,1) (0,1,0) 6.23834 5
4 (0,1,1) (0,1,1) 4.65014 1
5 (0,1,0) (1,1,0) 6.14099 4
6 (0,1,0) (0,1,1) 5.19285 2
7 (0,1,0) (1,1,1) 5.22039 Fue rechazado en la etapa anterior
8 (1,1,1) (0,1,0) 6.25950 Fue rechazado en la etapa anterior
9 (1,1,1) (1,1,0) 5.39191 Fue rechazado en la etapa anterior
10 (1,1,1) (0,1,1) 4.66567 Fue rechazado en la etapa anterior
11 (1,1,1) (1,1,1) 4.67638 Fue rechazado en la etapa anterior

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:

• Modelo (1,1,0) (0,1,0)12

• Modelo (1,1,0) (1,1,0)12

• Modelo (0,1,1) (0,1,0)12

• Modelo (0,1,1) (0,1,1)12

• Modelo (0,1,0) (1,1,0)12

• Modelo (0,1,0) (0,1,1)12

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:

1) Modelo (1,1,0) (0,1,0)12

Residual Autocorrelations for adjusted Serie para ARIMA


ARIMA(1,1,0)x(0,1,0)12 with constant
1

0.6
Autocorrelations

0.2

-0.2

-0.6

-1
0 5 10 15 20 25
lag
206

Residual Partial Autocorrelations for adjusted Serie para ARIMA


ARIMA(1,1,0)x(0,1,0)12 with constant
1
Partial Autocorrelations

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

2) Modelo (1,1,0) (1,1,0)12

Residual Autocorrelations for adjusted Serie para ARIMA


ARIMA(1,1,0)x(1,1,0)12
Autocorrelations 1

0.6

0.2

-0.2

-0.6

-1
0 5 10 15 20 25 30
lag

Residual Partial Autocorrelations for adjusted Serie para ARIMA 207


ARIMA(1,1,0)x(1,1,0)12
Partial Autocorrelations

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

3) Modelo (0,1,1) (0,1,0)12

Residual Autocorrelations for adjusted Serie para ARIMA


ARIMA(0,1,1)x(0,1,0)12
1
Autocorrelations

0.6

0.2

-0.2

-0.6

-1
0 5 10 15 20 25 30
lag
208

Residual Partial Autocorrelations for adjusted Serie para ARIMA


ARIMA(0,1,1)x(0,1,0)12
Partial Autocorrelations

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

4) Modelo (0,1,1) (0,1,1)12

Residual Autocorrelations for adjusted Serie para ARIMA


ARIMA(0,1,1)x(0,1,1)12
Autocorrelations 1

0.6

0.2

-0.2

-0.6

-1
0 5 10 15 20 25 30
lag

Residual Partial Autocorrelations for adjusted Serie para ARIMA 209

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

5) Modelo (0,1,0) (1,1,0)12

Residual Autocorrelations for adjusted Serie para ARIMA


ARIMA(0,1,0)x(1,1,0)12
1
Autocorrelations

0.6

0.2

-0.2

-0.6

-1
0 5 10 15 20 25 30
lag

210 Residual Partial Autocorrelations for adjusted Serie para ARIMA


ARIMA(0,1,0)x(1,1,0)12
Partial Autocorrelations

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

6) Modelo (0,1,0) (0,1,1)12

Residual Autocorrelations for adjusted Serie para ARIMA


ARIMA(0,1,0)x(0,1,1)12
1
Autocorrelations

0.6

0.2

-0.2

-0.6

-1
0 5 10 15 20 25
lag

Residual Partial Autocorrelations for adjusted Serie para ARIMA


211
ARIMA(0,1,0)x(0,1,1)12
Partial Autocorrelations

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

Paso 3 – 4 – Prueba de estimaciones


Los resultados que se obtienen anteriormente en el Paso 3 – 1, ratifican que las mejores estimaciones
(significativamente diferentes de cero) se dan en los modelos AR.I.MA. (0,1,1) (0,1,1,)12 y en (1,1,0)
(1,1,0) 2; y entre ellos, las estimaciones más altas y que son en mayor grado diferentes de cero, son las
del modelo (0,1,1) (0,1,1)12.

Paso 3 - 5 - Prueba de independencia de los residuos con Box – Pierce

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).

212 La evaluación de todos los modelos planteados, da:

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

Paso 3 – 6 – Prueba de Normalidad de los residuos

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.

Histogram for RESIDUALS


50

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).

Goodness-of-Fit Tests for RESIDUALS

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

Estimated Kolmogorov statistic DPLUS = 0.091913


Estimated Kolmogorov statistic DMINUS = 0.100764
Estimated overall statistic DN = 0.100764
Approximate P-Value = 0.371899

EDF Statistic Value Modified Form P-Value


87
---------------------------------------------------------------------
El Histograma de Residuals, lo puede obtener
Kolmogorov-Smirnov D con Statgraphics bajo Window,
0.100764 al seguir la siguiente secuencia
0.926397 <0.05*de comandos: Describe – Distributions –
Distribution Fitting (Uncensored Data),A^2
Anderson-Darling y luego llena las casillas respectivas 1.47543
1.46174 con los datos Residuals, este0.0008*
archivo de Residuals se obtiene mediante la
grabación en el tablero de Analysis Summary, con la opción de las tabletas en el margen superior izquierdo, con la cuarta de izquierda a derecha que
presenta ---------------------------------------------------------------------
en fondo negro un disquete 3.5 y una flecha roja, al tocarla aparece un tablero con título Save Results Option, allí selecciona la opción Residuals
*Indicates
y queda grabado that
el archivo de the P-Value
los residuales; luego procedehas beenel Histograma,
a construir compared como tose explica
tables of decritical
la inicio esta nota. values
A. Mora G.
specially constructed for fitting the currently selected distribution.
Other P-values are based on general tables and may be very conservative.
3 - Proyectiva - Pronósticos de series temporales

Paso 4 – Pronósticos

Forecast Table for Serie para AR.I.MA.


Model: ARIMA(0,1,1)x(0,1,1)12
Number Period Data Forecast Residual Number Period Data Forecast Residual
Error Error
1 Año 1 - Mes 1 85.06 61 Año 6 - Mes 1 100.4 101.54 -1.13719
2 Año 1 - Mes 2 95.6 62 Año 6 - Mes 2 110.28 110.73 -0.44819
3 Año 1 - Mes 3 105.02 63 Año 6 - Mes 3 120.63 114.68 5.95525
4 Año 1 - Mes 4 97.42 64 Año 6 - Mes 4 105.62 116.34 -10.71580
5 Año 1 - Mes 5 106.02 65 Año 6 - Mes 5 119.96 117.11 2.85480
6 Año 1 - Mes 6 100.45 66 Año 6 - Mes 6 112.76 114.97 -2.20749
7 Año 1 - Mes 7 100.53 67 Año 6 - Mes 7 113.97 116.93 -2.95888
8 Año 1 - Mes 8 103.7 68 Año 6 - Mes 8 118.32 115.07 3.24555
9 Año 1 - Mes 9 98.49 69 Año 6 - Mes 9 119.53 118.29 1.24510
10 Año 1 - Mes 10 106.46 70 Año 6 - Mes 10 126.53 123.51 3.01661
11 Año 1 - Mes 11 106.18 71 Año 6 - Mes 11 128.87 125.92 2.95488
12 Año 1 - Mes 12 95.08 72 Año 6 - Mes 12 114.18 116.71 -2.53248
13 Año 2 - Mes 1 84.51 73 Año 7 - Mes 1 124.02 105.86 18.16320
14 Año 2 - Mes 2 93.08 95.66 -2.57806 74 Año 7 - Mes 2 139.89 125.07 14.82260
15 Año 2 - Mes 3 90.68 98.29 -7.61109 75 Año 7 - Mes 3 143.79 137.89 5.90225
16 Año 2 - Mes 4 103.27 93.68 9.58684 76 Año 7 - Mes 4 135.99 137.41 -1.42190
17 Año 2 - Mes 5 101.7 104.90 -3.20378 77 Año 7 - Mes 5 144.77 144.24 0.52650
18 Año 2 - Mes 6 97.98 98.41 -0.42624 78 Año 7 - Mes 6 136.05 140.34 -4.29262
19 Año 2 - Mes 7 102.66 101.88 0.78159 79 Año 7 - Mes 7 140.61 140.93 -0.31884
20 Año 2 - Mes 8 102.81 100.94 1.87275 80 Año 7 - Mes 8 138.17 141.17 -2.99815
21 Año 2 - Mes 9 101.69 103.01 -1.32155 81 Año 7 - Mes 9 135.73 141.09 -5.36283
22 Año 2 - Mes 10 109.26 108.53 0.72571 82 Año 7 - Mes 10 141.31 143.27 -1.96147
23 Año 2 - Mes 11 108.61 109.31 -0.69719 83 Año 7 - Mes 11 140.64 143.33 -2.68608
24 Año 2 - Mes 12 99.41 98.83 0.58231 84 Año 7 - Mes 12 132.69 130.59 2.10477
25 Año 3 - Mes 1 89.55 90.18 -0.63086 85 Año 8 - Mes 1 124.4 125.14 -0.74315
26 Año 3 - Mes 2 100.71 99.48 1.22862 86 Año 8 - Mes 2 132.39 135.50 -3.10708
27 Año 3 - Mes 3 105.27 103.10 2.17150 87 Año 8 - Mes 3 129.98 138.83 -8.85161
28 Año 3 - Mes 4 97.63 105.62 -7.98926 88 Año 8 - Mes 4 141.04 130.05 10.99400
29 Año 3 - Mes 5 108.35 106.52 1.83509 89 Año 8 - Mes 5 143.42 143.50 -0.08136
30 Año 3 - Mes 6 107.5 102.80 4.69734 90 Año 8 - Mes 6 137.29 138.58 -1.28944
31 Año 3 - Mes 7 112.32 109.08 3.23615 91 Año 8 - Mes 7 146.22 140.99 5.22612
32 Año 3 - Mes 8 106.32 109.65 -3.32734 92 Año 8 - Mes 8 137.51 143.67 -6.15565
33 Año 3 - Mes 9 113.66 108.68 4.97907 93 Año 8 - Mes 9 144.61 141.35 3.26486
34 Año 3 - Mes 10 116.41 117.68 -1.27108 94 Año 8 - Mes 10 152.06 148.09 3.96761
35 Año 3 - Mes 11 115.43 117.26 -1.82641 95 Año 8 - Mes 11 152.65 150.95 1.70012
36 Año 3 - Mes 12 106.72 106.33 0.38583 96 Año 8 - Mes 12 145.05 141.01 4.03967
37 Año 4 - Mes 1 93.95 97.44 -3.49397
38 Año 4 - Mes 2 104.76 105.50 -0.73840
39 Año 4 - Mes 3 111.72 108.34 3.37876
40 Año 4 - Mes 4 102.74 110.09 -7.34473 Pronósticos
41 Año 4 - Mes 5 112.05 112.20 -0.14699 Previsión Lower 95% Upper 95%
42 Año 4 - Mes 6 110.62 108.05 2.57047 Number Period Forecast Limit Limit
43 Año 4 - Mes 7 110.23 113.38 -3.14946 97 Año 9 - Mes 1 136.298 126.658 145.939
44 Año 4 - Mes 8 109.46 109.87 -0.41429 98 Año 9 - Mes 2 146.611 135.752 157.47
45 Año 4 - Mes 9 115.19 111.44 3.75012 99 Año 9 - Mes 3 150.414 138.46 162.367
214 46
47
Año 4 - Mes 10
Año 4 - Mes 11
117.86
119.68
119.23
118.57
-1.37323
1.11294
100
101
Año 9 - Mes 4
Año 9 - Mes 5
148.585
155.507
135.629
141.621
161.541
169.393
48 Año 4 - Mes 12 105.97 109.37 -3.39493 102 Año 9 - Mes 6 150.433 135.675 165.191
49 Año 5 - Mes 1 97.27 97.94 -0.67358 103 Año 9 - Mes 7 154.424 138.843 170.005
50 Año 5 - Mes 2 105.79 107.61 -1.81660 104 Año 9 - Mes 8 153.04 136.677 169.403
51 Año 5 - Mes 3 112 110.47 1.52953 105 Año 9 - Mes 9 154.878 137.769 171.987
52 Año 5 - Mes 4 110.44 109.86 0.57782 106 Año 9 - Mes 10 160.305 142.481 178.128
53 Año 5 - Mes 5 116.1 116.61 -0.50755 107 Año 9 - Mes 11 161.073 142.562 179.584
54 Año 5 - Mes 6 112.72 112.68 0.03665 108 Año 9 - Mes 12 150.752 131.578 169.926
55 Año 5 - Mes 7 114.68 116.02 -1.33857
56 Año 5 - Mes 8 121.87 113.62 8.24671
57 Año 5 - Mes 9 118.69 120.29 -1.60156
58 Año 5 - Mes 10 119.07 124.82 -5.74718
59 Año 5 - Mes 11 122.72 122.16 0.56065
60 Año 5 - Mes 12 110.11 112.06 -1.95051

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.

Paso 5 – 1 – Valores de los pronósticos al natural

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:

Pronóstico t = Realidad t −1 + Realidad t −12 − Realidad t −13 + Errort


− Estimación MA (1) * Error t −1 − Estimación SMA (1) *12 * Error t −12
+ Estimación MA (1) * Estimación SMA (1) *12 * Error t −13

En el evento de tenga constante, simplemente se adiciona la constante k a la expresión que se trae


(Carrión,2007).

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

Estimación MA (1) = 0.481659


Estimación SMA (1) *12 = 0.844713

Pronóstico 97 = 145.05 + 124.40 − 132.69 + 0


− 0.481659 * 4.03967 − 0.844713 * ( −0.74315)
+ 0.481659 * 0.844713 * 2.10477 =
136.298 que es la previsión en el tiempo t = 97

Para estimar el Pronóstico 98, se aplican las mismas expresiones así:

Pronóstico 98 = Realidad 97 + Realidad 86 − Realidad 85 + Error98


− Estimación MA (1) * Error 97 − Estimación SMA (1) *12 * Error 86
+ Estimación MA (1) * Estimación SMA (1) *12 * Error 85
Pronóstico 98 = 136.298359 + 132.3900 − 124.4000 + 0.0000
− 0.481659 * 0 − 0.844713* (−3.10708)
+ 0.481659 * 0.844713* (− 0.74315) =
146.611 que es la previsión 98
La estimación del pronóstico 99, es:

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Pronóstico 99 = Realidad 98 + Realidad 87 − Realidad 86 + Error99


− Estimación MA (1) * Error 98 − Estimación SMA (1) *12 * Error 87
+ Estimación MA (1) * Estimación SMA (1) *12 * Error 86

Pronóstico 99 = 146.611 + 129.98 − 132.39 + 0.0000


− 0.481659 * 0 − 0.844713* (−8.85161)
+ 0.481659 * 0.844713* (− 3.1008) =
150.414 que es la previsión 99

Y así sucesivamente para las demás previsiones factibles.

Para otros casos particulares se presentan algunas de las expresiones más usadas:

En el caso de un AR.I.MA. (1,0,0) (0,0,0)12, con un término constante k88

Pronóstico t = Constante k + Estimación AR (1) * Realidad t −1 , sin constante se realiza así:

Pronóstico t = Realidadt −1 * Estimación AR (1) + Error t , con Error t que debe ser cero.

Cuando ocurre un MA en el AR.I.MA. (0,0,1) (0,0,0)12, con constante, se usa la expresión

Pronóstico t = Constante k − Estimación MA (1) * Error t −1 , sin constante se ejecuta con:


216
Pronóstico t = Error t - Estimación MA(1) * Error t -1 , con el Error t igual a cero.

Para un AR.I.MA. (2,0,0) (0,0,0) 2, cuando se trabaja con una constante k, se estima con:

Pronóstico t = Constante k + Estimación AR (1) * Realidad t −1 + Estimación AR ( 2) * Realidad t −2


Cuando no se use la opción de constant en el Statgraphics bajo Windows, se desarrolla con:
Pronóstico t = Realidadt −1 * Estimación AR (1) + Realidad t −2 * Estimación t − 2 + Error t

Si el orden 2 se da en el MA, se procede así con el AR.I.MA., con el uso de la constante k:


Pronóstico t = Constante k − Estimación MA (1) * Error t −1 − Estimación MA ( 2) * Error t − 2 , sin k es:
Pronóstico t = Error t - Estimación MA(1) * Error t -1 − Estimación MA ( 2) * Error t − 2 , con Error t = 0.
Cuando hay combinaciones de AR y MA, como en AR.I.MA. (1,0,1) (0,0,0)12 se procede con constante k,
así:

Pronóstico t = Constante k + Estimación * Realidad t −1 − EstimaciónMA (1) * Error t −1


AR (1)
, y sin k:
Pronóstico t = Realidadt −1 * Estimación AR (1) − Estimación MA (1) * Error t −1 + Error t , con Error t igual
a cero.

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:

Pronóstico t = Constante k + Estimación AR (1) * Realidad t −1


− Estimación AR (1) * Realidad t − 2 + Realidad t −1

En los eventos en que se trabaje sin la constante k, la expresión para estimar es:

Pronóstico t = Realidadt −1 * Estimación AR (1) + Error t


− Estimación AR (1) * Realidad t − 2 + Realidad t −1

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:

Pronóstico t = Error t - Estimación MA(1) * Error t -1 + Realidad t −1

Para un AR.I.MA. (0,1,1) (0,1,1) 12, sin constante k, se usa la fórmula:

Pronóstico t = Realidad t −1 + Realidad t −12 − Realidad t −12 −1 + Errort


− Estimación MA (1) * Error t −1 − Estimación SMA (1) *12 * Error t −12
+ Estimación MA (1) * Estimación SMA (1) *12 * Error t −12 −1

Con Error t igual a cero y al realizar las operaciones de las restas, queda convertida en:

Pronóstico t = Realidad t −1 + Realidad t −12 − Realidad t −13


− Estimación MA (1) * Error t −1 − Estimación SMA (1) *12 * Error t −12
+ Estimación MA (1) * Estimación SMA (1) *12 * Error t −13

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Ilustración 102 - Algunas ecuaciones típicas de AR.I.MA. sin constante89

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 0 0 0 0 0 Realidad t-1 * Estimación AR(1) + Error t

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

2 0 0 0 0 0 Realidad t-1 * Estimación AR(1) + Realidad t-2 * Estimación AR(2) + 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 * Estimación AR(1) + Realidad t - 2 * Estimación AR(2) + Realidad


t-1 t-3 * Estimación AR(3) + Realidad t - 4 * Estimación AR(4) -
4 1 0 0 0 0 Estimación * Realidad t - 1 - 1 + Realidad t - 1 - Estimación AR(2) * Realidad
AR(1) t-2-1 - Estimación AR(3) * Realidad t - 2 - 2 - Estimación AR(4)
* Realidad t - 2 - 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) +
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

0 0 0 0 0 2 ( 1 ) * Z t = ( 1 - θ12 B12 - θ24 B24) * α t

0 0 0 0 0 3 ( 1 ) * Z t = ( 1 - θ12 B12 - θ24 B24 - θ36 B36) * α t

0 0 0 0 0 4 ( 1 ) * Z t = ( 1 - θ12 B12 - θ24 B24 - θ36 B36 - θ48 B48) * α t

12 12
0 0 0 0 1 1 (1-B ) * Z t = ( 1 - θ12 B )*α t

0 0 0 0 1 2 ( 1 - B12 ) * Z t = ( 1 - θ12 B12 - θ24 B24 ) * α t

0 0 0 0 1 3 ( 1 - B12 ) * Z t = ( 1 - θ12 B12 - θ24 B24 - θ36 B36 ) * 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 1 1 1 ( 1 - Φ12 B12 ) ( 1 - B12 ) * Z t = ( 1 - θ12B12 )* αt

0 0 0 1 1 2 ( 1 - Φ12 B12 ) ( 1 - B12 ) * Z t = ( 1 - θ12B12 - θ24B24 )* αt

0 0 0 1 1 3 ( 1 - Φ12 B12 ) ( 1 - B12 ) * Z t = ( 1 - θ12B12 - θ24B24 - θ36B36 )* αt

0 0 0 2 0 0 ( 1 - Φ12 B12 - Φ24 B24 ) * Z t = 1 * αt

0 0 0 2 1 0 ( 1 - Φ1 B12 - Φ24 B24 ) ( 1 - B12 ) * Z t = 1 * αt

0 0 0 2 1 1 ( 1 - Φ12 B12 - Φ24 B24 ) ( 1 - B12 ) * Z t = ( 1 - θ12B12 )* αt

0 0 0 2 1 2 ( 1 - Φ12 B12 - Φ24 B24 ) ( 1 - B12 ) * Z t = ( 1 - θ12B12 - θ24B24 )* αt

0 0 0 2 1 3 ( 1 - Φ12 B12 - Φ24 B24 ) ( 1 - B12 ) * Z t = ( 1 - θ12B12 - θ24B24 - θ36B36 )* αt

220 0 0 0 3 0 0 ( 1 - Φ12 B12 - Φ24 B24 - Φ36 B36 ) * Z t = 1 * αt

0 0 0 3 1 0 ( 1 - Φ12 B12 - Φ24 B24 - Φ36 B36 ) ( 1 - B12 ) * Z t = 1 * αt

0 0 0 3 1 1 ( 1 - Φ12 B12 - Φ24 B24 - Φ36 B36 ) ( 1 - B12 ) * Z t = ( 1 - θ12B12 )* αt

0 0 0 3 1 2 ( 1 - Φ12 B12 - Φ24 B24 - Φ36 B36 ) ( 1 - B12 ) * Z t = ( 1 - θ12B12 - θ24B24 )* 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 0 4 0 0 ( 1 - Φ12 B12 - Φ24 B24 - Φ36 B36 - Φ48 B48 ) * Z t = 1 * αt

0 0 0 4 1 0 ( 1 - Φ12 B12 - Φ24 B24 - Φ36 B36 - Φ48 B48 ) ( 1 - B12 ) * Z t = 1 * αt

0 0 1 0 0 0 ( 1 ) * Z t = ( 1 - θ1 B1 ) * α t

0 0 1 0 1 2 ( 1- B12 ) * Zt = ( 1 - θ1B1 ) ( 1 - θ12 B12 - θ24 B24 ) * αt

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 1 0 1 1 ( 1- B1 ) ( 1- B12 ) * Zt = ( 1 - θ1B ) ( 1 - θ12 B12 ) * αt

0 1 2 0 0 0 ( 1- B ) * Z t = ( 1 - θ1B1 - θ2B2 ) * αt

0 1 2 0 1 1 ( 1- B1 ) ( 1- B12 ) * Zt = ( 1 - θ1B - θ2B2 ) ( 1 - θ12 B12 ) * αt

0 1 3 0 0 0 ( 1- B ) * Z t = ( 1 - θ1B1 - θ2B2 - θ3B3 ) * αt

0 1 4 0 0 0 ( 1- B ) * Z t = ( 1 - θ1B1 - θ2B2 - θ3B3 - θ4B4 ) * αt

0 1 5 0 0 0 ( 1- B ) * Z t = ( 1 - θ1B1 - θ2B2 - θ3B3 - θ4B4 - θ5B5 ) * αt

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

0 1 6 0 0 0 ( 1- B ) * Z t = ( 1 - θ1B1 - θ2B2 - θ3B3 - θ4B4 -


θ5B5 - θ6B6 ) * αt

0 1 7 0 0 0 ( 1- B ) * Z t = ( 1 - θ1B1 - θ2B2 - θ3B3 - θ4B4 -


θ5B5 - θ6B6 - θ7B7) * αt

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 1 0 1 1 ( 1 - Φ1B1 ) ( 1- B1 ) ( 1- B12 ) * Zt = ( 1 - θ1B ) ( 1 - θ12 B12 ) * αt

1 1 2 0 0 0 ( 1 - Φ1 B1 ) ( 1 - B ) * Z t = ( 1 - θ1B1 - θ2B2 )* αt

1 1 2 0 0 1 ( 1 - Φ1 B1 ) ( 1- B ) * Zt = ( 1 - θ1B - θ2B2 ) ( 1 - θ12 B12 ) * αt

1 1 2 0 1 1 t( 1 - Φ1 B1 ) ( 1- B ) ( 1- B12 ) * Zt = ( 1 - θ1B - θ2B2 ) ( 1 - θ12 B12 ) * αt

1 1 3 0 0 0 ( 1 - Φ1 B1 ) ( 1 - B ) * Z t = ( 1 - θ1B1 - θ2B2 - θ3B3 )* αt

1 1 4 0 0 0 ( 1 - Φ1 B1 ) ( 1 - B ) * Z t = ( 1 - θ1B1 - θ2B2 - θ3B3 - θ4B4 )* 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

( 1 - Φ1 B1 - Φ2 B2 ) ( 1 - B ) * Z = ( 1 - θ1B1 - θ2B2 - θ3B3 )* αt


2 1 3 0 0 0 t
221
2 2 0 0 0 0 ( 1 - Φ1 B1 - Φ2 B2 ) ( 1 - B )2 * Z t = 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

3 1 3 0 0 0 ( 1 - Φ1 B1 - Φ2 B2 - Φ3 B3 ) ( 1 - B ) * Z t = ( 1 - θ1B1 - θ2B2 - θ3B3 )* 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

Φ12 = SAR(1) con estacionalidad igual a 12


θ12 = SMA(1) con estacionalidad igual a 12 períodos.

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:

Sin Con Diferencia Diferencia


Año - Mes constante constante en neta en
k k porcentaje números
Año 9 - Mes 1 136.298 136.999 0.51% 0.70100
Año 9 - Mes 2 146.611 147.82 0.82% 1.20900
Año 9 - Mes 3 150.414 152.129 1.14% 1.71500
Año 9 - Mes 4 148.585 150.845 1.52% 2.26000
Año 9 - Mes 5 155.507 158.271 1.78% 2.76400
Año 9 - Mes 6 150.433 153.719 2.18% 3.28600
Año 9 - Mes 7 154.424 158.231 2.47% 3.80700
Año 9 - Mes 8 153.04 157.354 2.82% 4.31400
Año 9 - Mes 9 154.878 159.716 3.12% 4.83800
Año 9 - Mes 10 160.305 165.662 3.34% 5.35700
Año 9 - Mes 11 161.073 166.945 3.65% 5.87200
Año 9 - Mes 12 150.752 157.145 4.24% 6.39300
Promedio 2.30% 3.54300

Paso 6 – Analizar la lógica de los resultados obtenidos en los pronósticos

Paso 6 – 1 – Sentido de los resultados


222
170.00

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

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

Paso 6 – 2 – Verificación de r2:

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 1- Análisis de Estacionariedad


Paso 1 – 1 – Funciones de auto correlación (simple) y auto correlación parcial
Aplicación de los procesos de transformación y/o Diferenciación

Paso 2 – Identificación de parámetros p y q (P y Q) (iterativo)

Paso 3 – Valoración de los parámetros AR y MA (iterativo)


Paso 3 – 1 - Pruebas del Test T de nulidad de medias con parámetro de probabilidad P value
Paso 3 – 2 - Verificación del MSE
Paso 3 – 3 – Aceptación de las funciones de auto correlación (simple) y auto correlación parcial de los residuos.
Paso 3 – 4 – Prueba de estimaciones
Paso 3 – 5 – Prueba de independencia de los residuos con Box – Pierce
Paso 3 – 6 – Prueba de Normalidad de los residuos

Paso 4 – Pronósticos

Paso 5 – Transformación

Paso 5 – 1 – Valores de los pronósticos al natural


Paso 6 - Pronósticos
Paso 6 – 1 – Analizar la lógica de los resultados obtenidos
Paso 6 – 2 – Verificación de r2

224 De esta forma se concluye el Ejercicio 6.

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.

Entre sus limitaciones están:

• 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.

• Su desarrollo es dispendioso, meticuloso y toma bastante tiempo.

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

Ilustración 103 - Utilización de Statgraphics Windows para el desarrollo de AR.I.MA.

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

Ilustración 104 - Instrucciones de Statgraphics MSDOS para el desarrollo de AR.I.MA.

STATGRAPHICS Statistical Graphics System


DATA MANAGEMENT AND SYSTEM UTILITIES TIME SERIES PROCEDURES
A. Data Management L. Forecasting
B. System Environment M. Quality Control
C. Report Writer and Graphics Replay N. Smoothing
D. Graphics Attributes O. Time Series Analysis 1

TIME SERIES ANALYSIS

1. Horizontal Time Sequence Plot


2. Vertical Time Sequence Plot
3. Seasonal Subseries Plot
4. Autocorrelation Function
5. Partial Autocorrelation Function
6. Cross-Correlation Function
7. Simple or Seasonal Differencing
8. Mean or Trend Removal
9. Box-Cox Transformation
10. Periodogram
11. Integrated Periodogram
12. Data Tapering
13. Plotting vs. Fourier Frequencies
14. Box-Jenkins ARIMA Modeling
15. Cross-Correlation Matrix Plot
2

227
Box-Jenkins ARIMA Modeling

Time series: ARIMA.Aplication

Order of nonseasonal AR factor: 0 Order of seasonal AR factor: 1


Order of nonseasonal difference: 1 Order of seasonal difference: 0
Order of nonseasonal MA factor: 1 Order of seasonal MA factor: 1

Constant: Yes Con F7


Length of seasonality: 12
Number of forecasts: 24 aparece el ANOVA .painkiller
ANOVA .duration
Confidence level: 95 directorio y da ANOVA .time
ANOVA .type

Maximum lag for ACF plots: 24 enter, para ARIMA .Aplicacion


ARIMA .FORECASTS
3
ARIMAR .esiduales
Maximum lag for PACF plots: 16 cargar la serie BROWN .brown
Number of lags for Portmanteau test: 20 C02 .FORECASTS
C03 .FORECASTS
C09 .FORECASTS
CA4 .ca4
Backforecasting: No CA4 .FORECASTS
Maximum iterations: 25 CA4TODA .FORECASTS
CA5 .ca5
Stopping criterion 1: 1E-4 CA5 .FORECASTS
Stopping criterion 2: 1E-3 CA5KAREA.FORECASTS

Box-Jenkins ARIMA Modeling

Time series: ARIMA.Aplication 4


Order of nonseasonal AR factor: 0 Order of seasonal AR factor: 0
Order of nonseasonal difference: 1 Order of seasonal difference: 1
Order of nonseasonal MA factor: 1 Order of seasonal MA factor: 1

Complete input fields and press F6.


1Help 2Edit 3Savscr 4Prtscr 5Opts 6Go 7Vars 8Cmd 9Device 10Quit
INPUT 12/19/ 6 07:18 STATGRAPHICS Vers.5.0 Display ARIMA

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Box-Jenkins ARIMA Modeling

Time series: ARIMA.Aplication

Order of nonseasonal AR factor: 0 Order of seasonal AR factor: 0


Order of nonseasonal difference: 1 5 Order of seasonal difference: 1
Order of nonseasonal MA factor: 1 Order of seasonal MA factor: 1

Constant: Yes Time sequence plot


Length of seasonality: 12 Plot ACF
Plot PACF
Number of forecasts: 24
Periodogram 6
Confidence level: 95 Estimate model
Summarize residuals
Maximum lag for ACF plots: 24 Plot residuals
Maximum lag for PACF plots: 16 Plot residual ACF
Number of lags for Portmanteau test: 20 Plot residual PACF
Residual periodogram
Backforecasting: No Residual int. periodogram
Plot forecasts
Maximum iterations: 25
Save results
Stopping criterion 1: 1E-4
Stopping criterion 2: 1E-3

Complete input fields and press F6.

1Help 2Edit 3Savscr 4Prtscr 5Opts 6Go 7Vars 8Cmd 9Device 10Quit

INPUT 12/19/ 6 07:18 STATGRAPHICS Vers.5.0 Display ARIMA

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

Parameter Estimate Stnd.error T-value P-value 7


MA ( 1) .48529 .09801 4.95153 .00000
SMA( 12) .84153 .08740 9.62850 .00000

Model fitted to differences of order 1


Model fitted to seasonal differences of order 1 with seasonal length = 12
Estimated white noise variance = 25.8862 with 81 degrees of freedom.
Estimated white noise standard deviation (std err) = 5.08785
Chi-square test statistic on first 20 residual autocorrelations = 16.6532
with probability of a larger value given white noise = 0.547058
Backforecasting: no Number of iterations performed: 5
Variable: ARIMAS.Pronostico (length = 24 3)
9
Upper Lower
( 1,1) 135.483 ( 1,2) 125.358 ( 1,3) 145.609
( 2,1) 146.017 ( 2,2) 134.629 ( 2,3) 157.405
( 3,1) 151.442 ( 3,2) 138.918 ( 3,3) 163.966
( 4,1) 147.535 ( 4,2) 133.97 ( 4,3) 161.1 Time sequence plot
( 5,1) 155.165 ( 5,2) 140.634 ( 5,3) 169.697 Plot ACF 8
( 6,1) 149.859 ( 6,2) 134.421 ( 6,3) 165.297 Plot PACF
( 7,1) 152.782 ( 7,2) 136.488 ( 7,3) 169.076 Periodogram
( 8,1) 152.737 ( 8,2) 135.63 ( 8,3) 169.844 Estimate model
( 9,1) 152.698 ( 9,2) 134.815 ( 9,3) 170.582 Summarize residuals
(10,1) 158.649 (10,2) 140.021 (10,3) 177.276 Plot residuals
(11,1) 159.219 (11,2) 139.876 (11,3) 178.562 Plot residual ACF
Plot residual PACF
(12,1) 148.608 (12,2) 128.575 (12,3) 168.64
Residual periodogram
(13,1) 140.914 (13,2) 119.753 (13,3) 162.074
Residual int. periodogram
(14,1) 151.448 (14,2) 129.443 (14,3) 173.453
Plot forecasts
(15,1) 156.872 (15,2) 134.054 (15,3) 179.691 Save results
(16,1) 152.965 (16,2) 129.362 (16,3) 176.569
(17,1) 160.596 (17,2) 136.233 (17,3) 184.96
(18,1) 155.29 (18,2) 130.19 (18,3) 180.39

Press Esc, Cursor keys or Page Number: Page 1.1 of 2.1


1Help 2Edit 3Savscr 4Prtscr 5Prtopt 6Go 7Vars 8Cmd 9Device 10Quit
INPUT 12/19/ 6 15:26 STATGRAPHICS Vers.5.0 Display ARIMA

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Ilustración 105 - AR.I.MA. con Forecast Expert

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

Valores de la serie - Históricos y Pronosticados (1,1,0) (2,1,0)


Aplicación AR.I.MA. con Forecast Pro
190

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


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 3 – 5 – Prueba de independencia de los residuos con Box – Pierce

Paso 3 – 6 – Prueba de Normalidad de los residuos

Paso 4 – Pronó
Pronósticos

Paso 5 – Transformació
Transformación

Paso 5 – 1 – Valores de los pronó


pronósticos al natural
Paso 6 - Pronó
Pronósticos
Paso 6 – 1 – Analizar la ló
lógica de los resultados obtenidos
Paso 6 – 2 – Verificació
Verificación de r2

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).

Ilustración 107 - MUP - Metodología Universal de Pronósticos versus Método Científico

METODOLOGÍA UNIVERSAL DE PRONÓSTICOS MÉTODO CIENTÍ


CIENTÍFICO

Paso 1- Análisis previo de la serie de demanda

1.1 Síntesis descriptiva


1.2 Calidad y cantidad de datos
1.3 Cumplimiento de estabilidad del entorno
1.4 Análisis previo de la serie completa
1.4.1 Estructura Vertical, determinación de Nivel Paso 1 – Observació
Observación y aná
análisis de la
demanda o fenó
fenómeno
1.4.2 Estructura Horizontal, análisis de Ruido o Aleatoriedad
1.4.3 Estructura Tendencial, estimación de forma lineal y/o no lineal
1.4.4 Estructura Estacional y/o Cíclica 231
1.5 Valoración de datos irregulares
1.6 Encuentro de fenómenos exógenos
1.7 Determinación del patrón estructural gráfico y numérico
1.8 Resultado del análisis integral previo

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

Paso 3 – Validación de la Hipótesis

3.1 Doble recorte de la serie


3.2 Corrida de todos los modelos con primer recorte
3.3 Selección de los tres mejores modelos acertados con la realidad
3.4 Aplicación de los tres mejores clásicos o modernos al segundo recorte
3.5 Selección del mejor modelo
Paso 3 – Validació
Validación real de la Hipó
Hipótesis
3.6 Cálculo de pronósticos de demanda con el mejor modelo y sus parámetros Conversió
Conversión de Hipó
Hipótesis en tesis
3.7 Comparación de la realidad y el pronóstico calculado en período anterior
3.8 Estimación del Goodness of Fit o Bondad de Ajuste
3.9 Consenso con ventas, comercialización, inventarios, mercadeo, etc.
3.10 Estrategias y acciones de mercadeo, producción, inventarios, etc. en función del
área temática del pronóstico.

Paso 4 – Nuevo cálculo de pronóstico de demanda en próximo período

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.

3.2.3.1. Aplicación Integral de MUP


Ejercicio 7 - Ejemplo integral real

Se tiene una base de datos con la serie original, descrita en la siguiente tabla:

Tipo de Valor de la Tipo de Valor de la


Dato No. Fecha Dato No. Fecha
dato serie dato serie
Real 1 Año 1 - Mes 1 85.06 Real 61 Año 6 - Mes 1 100.40
Real 2 Año 1 - Mes 2 95.60 Real 62 Año 6 - Mes 2 110.28
Real 3 Año 1 - Mes 3 105.02 Real 63 Año 6 - Mes 3 120.63
Real 4 Año 1 - Mes 4 97.42 Real 64 Año 6 - Mes 4 105.62
Real 5 Año 1 - Mes 5 106.02 Real 65 Año 6 - Mes 5 119.96
Real 6 Año 1 - Mes 6 100.45 Real 66 Año 6 - Mes 6 112.76
Real 7 Año 1 - Mes 7 100.53 Real 67 Año 6 - Mes 7 113.97
Real 8 Año 1 - Mes 8 103.70 Real 68 Año 6 - Mes 8 118.32
Real 9 Año 1 - Mes 9 98.49 Real 69 Año 6 - Mes 9 119.53
Real 10 Año 1 - Mes 10 106.46 Real 70 Año 6 - Mes 10 126.53
Real 11 Año 1 - Mes 11 106.18 Real 71 Año 6 - Mes 11 128.87
Real 12 Año 1 - Mes 12 95.08 Real 72 Año 6 - Mes 12 114.18
Real 13 Año 2 - Mes 1 84.51 Real 73 Año 7 - Mes 1 124.02
Real 14 Año 2 - Mes 2 93.08 Real 74 Año 7 - Mes 2 139.89
Real 15 Año 2 - Mes 3 90.68 Real 75 Año 7 - Mes 3 143.79
Real 16 Año 2 - Mes 4 103.27 Real 76 Año 7 - Mes 4 135.99
Real 17 Año 2 - Mes 5 101.70 Real 77 Año 7 - Mes 5 144.77
Real 18 Año 2 - Mes 6 97.98 Real 78 Año 7 - Mes 6 136.05
Real 19 Año 2 - Mes 7 102.66 Real 79 Año 7 - Mes 7 140.61
Real 20 Año 2 - Mes 8 102.81 Real 80 Año 7 - Mes 8 138.17
Real 21 Año 2 - Mes 9 101.69 Real 81 Año 7 - Mes 9 135.73
Real 22 Año 2 - Mes 10 109.26 Real 82 Año 7 - Mes 10 141.31
Real 23 Año 2 - Mes 11 108.61 Real 83 Año 7 - Mes 11 140.64

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

60.00 Mes - Año


50.00
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

Paso 1 – Análisis Previo

El estudio previo de la serie se realiza con todos los datos, sin ningún recorte. 233

Paso 1 – 1 – Síntesis descriptiva

En esta sección se describe la variable a pronosticar y las características del entorno donde se
desenvuelve.

Paso 1 – 2 – Calidad y cantidad de los datos

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.

Paso 1 – 3 – Cumplimiento de la estabilidad del entorno

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.

Paso 1 – 4 – Análisis previo de la serie completa

Paso 1 - 4 - 1 – Estructura vertical, determinación de nivel


A simple vista en la serie, no se denotan cambios fuertes de nivel; al evaluar sus parámetros de media y
desviación estándar (con todos los datos) dan respectivamente: 118.22 y 18.03; el ratio entre desviación
estándar sobre la media da 15.25% lo que presupone que está dentro de un rango normal (inferior al
A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

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.

Paso 1 - 4 - 2 - Estructura Horizontal, análisis de Ruido o Aleatoriedad

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.

Suavización con Excel

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

En ambas gráficas se corrobora la existencia de ruido en la serie.

235
Paso 1 – 4 – 3 - Estructura Tendencial, estimación de forma lineal y/o no lineal

El cálculo de la pendiente en la serie original, mediante la utilización de la regresión lineal basada en


mínimos cuadrados, permite detectar si existe o no una inclinación en tendencia, positiva o negativa en
la serie; casi todos los softwares traen el método de regresión lineal, como también se puede observar
gráficamente cuando se agrega la tendencia lineal en Excel.

Tendencia lineal graficada con Excel, donde se nota claramente su existencia.

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

Con el fin de asegurar la presencia de tendencia, se recurre a la prueba de independencia de los


coeficientes de auto correlación (simple) mediante la gráfica ACF de los datos; con la cual se obtiene la
siguiente información, al ser procesados los datos (106 en total) de la variable original en Statgraphics
bajo Windows:

Evaluación de tendencia con auto correlación ACF


Lower 95% Upper 95% Fuera de
Lag Autocorrelation Standard Error
Prob. Limit Prob. Limit rango
236 0
1 0.874014 0.097129 -0.190369 0.190369 Sí Sí
2 0.793271 0.154425 -0.302669 0.302669 Sí Sí
3 0.760317 0.188998 -0.370431 0.370431 Sí Sí
4 0.737532 0.215934 -0.423224 0.423224 Sí Sí
5 0.731459 0.238518 -0.467488 0.467488 Sí Sí
6 0.702084 0.258816 -0.507271 0.507271 Sí Sí
7 0.655294 0.276200 -0.541342 0.541342 Sí Sí
8 0.630751 0.290497 -0.569364 0.569364 Sí Sí
9 0.613237 0.303142 -0.594148 0.594148 Sí Sí
10 0.613879 0.314627 -0.616659 0.616659 Sí Sí
11 0.644997 0.325731 -0.638422 0.638422 Sí Sí
12 0.652652 0.337565 -0.661616 0.661616 Sí Sí
13 0.565042 0.349266 -0.684551 0.684551 Sí Sí
14 0.505932 0.357786 -0.701249 0.701249 Sí Sí
15 0.473005 0.364473 -0.714355 0.714355 Sí Sí
16 0.445882 0.370219 -0.725617 0.725617 Sí Sí
17 0.437567 0.375251 -0.735479 0.735479 Sí Sí
18 0.412516 0.380034 -0.744854 0.744854 Sí Sí
19 0.377339 0.384235 -0.753088 0.753088 Sí Sí
20 0.358409 0.387715 -0.759909 0.759909 Sí Sí
21 0.333963 0.390828 -0.766010 0.766010 Sí Sí
22 0.323469 0.393511 -0.771269 0.771269 Sí Sí
23 0.347193 0.396012 -0.776170 0.776170 Sí Sí
24 0.348523 0.398873 -0.781778 0.781778 Sí Sí
Los valores se obtienen con el software Statgraphics bajo Window
 1 
Banda de confianza 0  1.96 *  
 N 
donde N es el número total de datos
Inferior Superior para un int ervalo de confianza del 95 %
Todos se encuentran fuera de la banda de confianza, lo
-0.190372029 0.190372029 que asevera la presencia de tendencia por la no
independencia de los datos entre sí, los cuales se
correlacionan y sus coeficientes son significativamente
Número de datos 106
diferentes de cero.

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

La figura de ACF, muestra que hay tendencia:

Detección de tendencia con ACF


0.9

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

Límite inferior del intervalo de confianza

-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

Paso 1 – 4 – 4 - Estructura Estacional y/o Cíclica

Paso 1 – 4 – 4 - a - Estructura Estacional 237

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

Con Statgraphics bajo Windows se utiliza el procedimiento descrito en la Ilustración anterior


denominada Pasos para detectar estacionalidad con Statgraphics de Windows.

Seasonal Subseries Plot for Ejercicio Integral


164
Ejercicio Integral

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

Con Statgraphics bajo Windows y con un período de 24 meses se obtiene

Annual Subseries Plot for Ejercicio Integral


164 Cycle
Ejercicio Integral 1
2
144
3
4
124 5

104

84
0 5 10 15 20 25
Season
Con s=48 meses

Annual Subseries Plot for Ejercicio Integral


240 164 Cycle
Ejercicio Integral

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

Annual Subseries Plot for Ejercicio Integral


(X 1000)
5 Cycle

Ejercicio Integral
1
4 2
3
3

0
0 10 20 30 40
Season

Paso 1 – 5 – Valoración de datos irregulares

Se logra con el Statgraphics bajo Windows como se describe en la Ilustración anterior intitulada
Instrucción para encontrar datos irregulares, con Statgraphics.

Irregular Component Plot for Ejercicio Integral


110
107 241
irregular

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.

Paso 1 - 6 - Encuentro de fenómenos exógenos

Con base en todas las gráficas presentadas no se ven figuras extrañas en la serie.

Paso 1 - 7 - Determinación del patrón estructural gráfico y numérico

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

Seasonal Index Plot for Ejercicio Integral


108
seasonal index

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.

Paso 1 – 8 – Resultado del análisis integral previo

En síntesis, se pueden definir los resultados del análisis previo, como:

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.

• Modelo AR.I.MA.: en el evento de que el modelo anterior no simule la serie original


adecuadamente, lo más seguro es que trabaje bien un modelo AR.I.MA, dadas las circunstancias
de que en la serie hay de todas las estructuras posibles, esto dada la generalidad de los modelos
AR.I.MA.

Paso 3 – Validación de las hipótesis

Paso 3 – 1 – Doble recorte de 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.

Con el software WinQSB, se trabaja, como se expresa a continuación:

243

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

Y se obtienen los siguientes valores


Forecast Result for Ejercicio Integral
WinQSB
Year Actual Forecast Model
Month Data SA 6-MA 6-WMA 6-MAT SES SEST DES DEST AES LR HWA HWM
1 85.06 90.99581
2 95.6 85.06 85.06 85.06 85.06 85.06 85.06 91.51049
3 105.02 90.33 88.64361 88.71529 86.27843 89.48682 85.06 92.02518
4 97.42 95.22666 94.21159 94.44146 88.97571 96.4756 85.06 92.53986
5 106.02 95.77499 95.30245 95.65697 91.12681 98.02209 85.06 93.05455
6 100.45 97.82399 98.94643 99.4537 93.78548 102.5727 85.06 93.56923
7 100.53 98.26166 98.26166 98.26167 108.3227 99.45764 100.0725 95.71402 103.2254 85.06 94.08392
8 103.7 98.58571 100.84 100.84 102.794 99.82224 100.5112 97.11082 103.5439 85.06 94.5986
9 98.49 99.225 102.19 102.19 101.906 101.1407 101.9003 98.48098 104.9412 85.06 95.11329
10 106.46 99.14333 101.1016 101.1017 100.9487 100.2394 101.0224 99.07886 103.5703 85.06 95.62797
11 106.18 99.875 102.6083 102.6083 102.5574 102.3544 103.1898 100.1926 105.8381 85.06 96.14265
12 95.08 100.4482 102.635 102.635 106.758 103.6551 104.5455 101.3698 107.1632 85.06 96.65734
13 84.51 100.0008 101.74 101.74 100.5561 100.7396 101.6018 101.1555 103.2849 85.06 97.17203 85.06 85.06
14 93.08 98.80923 99.06997 99.07 88.42407 95.22151 95.94894 99.13797 96.06313 85.06 97.68671 95.40926 95.38773
15 90.68 98.4 97.29996 97.3 86.90009 94.49339 95.11237 97.55881 94.64597 85.06 98.20139 104.0177 103.9139
16 103.27 97.88534 95.9983 95.99834 83.12142 93.19684 93.71408 96.07574 92.68448 85.06 98.71608 91.77261 92.16817
17 101.7 98.22188 95.46664 95.46667 93.54876 96.62172 97.13681 96.26137 96.65974 85.06 99.23077 104.2496 104.397
18 97.98 98.42647 94.71997 94.72 103.4181 98.34834 98.89304 96.97094 98.77279 85.06 99.74545 97.76333 98.0202
19 102.66 98.40166 95.20331 95.20334 105.7834 98.2231 98.78114 97.39668 98.65823 85.06 100.2601 97.86904 98.06117
20 102.81 98.62579 98.22831 98.22834 105.0515 99.73165 100.3249 98.19057 100.5224 85.06 100.7748 102.6526 102.7582
21 101.69 98.835 99.84998 99.85001 105.3601 100.7783 101.4116 99.0704 101.8431 85.06 101.2895 97.4818 97.6048
22 109.26 98.97095 101.685 101.685 101.6961 101.0883 101.75 99.75648 102.2396 85.06 101.8042 106.8969 107.0115
23 108.61 99.43863 102.6833 102.6833 107.5915 103.8667 104.5982 101.1539 105.6423 85.06 102.3189 107.4507 107.5071
24 99.41 99.83739 103.835 103.835 111.0182 105.4794 106.2842 102.6246 107.6524 85.06 102.8336 96.78315 96.62056
25 89.55 99.81958 104.0733 104.0733 104.9455 103.4158 104.2223 102.8936 105.0851 85.06 103.3482 87.47646 87.06711
26 100.71 99.4088 101.8883 101.8883 94.50952 98.70142 99.40923 101.4683 99.09138 85.06 103.8629 98.02839 98.07835
27 105.27 99.45885 101.5383 101.5383 94.21553 99.38434 100.0359 100.7597 99.61713 85.06 104.3776 103.726 103.6468
28 97.63 99.67407 102.135 102.135 96.78419 101.3855 102.0354 100.9725 101.9087 85.06 104.8923 107.4042 107.6545
29 108.35 99.60107 100.1967 100.1967 97.58087 100.1086 100.7276 100.6788 100.2782 85.06 105.407 106.6873 106.8947
30 107.5 99.90276 100.1533 100.1533 107.5035 102.9107 103.5611 101.4376 103.6463 85.06 105.9217 102.9131 102.9037
31 112.32 100.156 101.5016 101.5017 112.0049 104.4711 105.1689 102.469 105.5988 85.06 106.4363 106.59 106.679
32 106.32 100.5484 105.2967 105.2967 112.8429 107.1397 107.9176 104.057 108.9255 85.06 106.951 109.8344 109.9298
33 113.66 100.7288 106.2317 106.2317 111.0789 106.861 107.6808 105.0104 108.6315 85.06 107.4657 105.2573 105.0923
34 116.41 101.1206 107.63 107.63 115.5182 109.1727 110.0608 106.4256 111.4288 85.06 107.9804 115.4399 115.8218
35 115.43 101.5703 110.76 110.76 116.0383 111.6334 112.6098 108.1962 114.428 85.06 108.4951 115.1271 115.2753
36 106.72 101.9663 111.94 111.94 117.8663 112.9242 113.9781 109.8037 115.9756 85.06 109.0098 104.9155 104.1562
37 93.95 102.0983 111.81 111.81 112.0183 110.8148 111.8704 110.1475 113.2592 85.06 109.5245 95.20387 93.75887
38 104.76 101.8781 108.7483 108.7483 100.3836 105.0807 106.0156 108.4248 105.9121 85.06 110.0391 104.9747 104.6473
39 111.72 101.9539 108.4883 108.4883 96.4296 104.9717 105.8184 107.2507 105.3395 85.06 110.5538 109.2692 109.1558
40 102.74 102.2044 108.165 108.165 101.3423 107.2661 108.0947 107.256 107.8797 85.06 111.0685 108.476 108.3046
41 112.05 102.2177 105.8867 105.8867 102.123 105.7272 106.5075 106.7362 105.8629 85.06 111.5832 114.1418 114.5331
42 110.62 102.4576 105.3233 105.3233 111.3216 107.877 108.663 107.1241 108.3766 85.06 112.0979 110.4234 110.3999
43 110.23 102.6519 105.9733 105.9733 115.5976 108.8096 109.6128 107.6972 109.5069 85.06 112.6126 113.1459 113.2226
44 109.46 102.8281 108.6867 108.6867 112.023 109.2925 110.1112 108.2396 110.0975 85.06 113.1273 109.474 109.5251
45 115.19 102.9789 109.47 109.47 110.4443 109.3495 110.1739 108.617 110.1486 85.06 113.6419 111.2124 111.0644
46 117.86 103.2502 110.0483 110.0483 115.4577 111.3353 112.1976 109.5412 112.5567 85.06 114.1566 116.6847 116.8885
47 119.68 103.5678 112.5683 112.5683 116.7677 113.5537 114.4796 110.9054 115.2972 85.06 114.6713 116.1397 116.2776
48 105.97 103.9106 113.84 113.84 121.2324 115.6366 116.6399 112.514 117.8849 85.06 115.186 107.6793 107.116
49 97.27 103.9535 113.065 113.065 114.2684 112.35 113.3317 112.4583 113.8208 85.06 115.7007 95.44324 94.36697
50 105.79 103.8171 110.905 110.905 102.2264 107.2228 108.081 110.6782 107.2842 85.06 116.2154 106.7106 106.3162
51 112 103.8566 110.2933 110.2933 98.04572 106.7356 107.4968 109.3377 106.3415 85.06 116.73 111.9071 111.7284
52 110.44 104.0163 109.7617 109.7617 101.7951 108.5255 109.2533 109.0616 108.3371 85.06 117.2447 106.7826 106.5323
53 116.1 104.1398 108.525 108.525 106.5664 109.1764 109.8902 109.1006 109.0888 85.06 117.7594 117.2519 117.6723
54 112.72 104.3655 107.9283 107.9283 117.5657 111.5305 112.2772 109.9268 111.9948 85.06 118.2741 114.8875 114.9545
55 114.68 104.5202 109.0533 109.0533 119.7158 111.9349 112.7065 110.6095 112.5698 85.06 118.7888 115.5076 115.6212
56 121.87 104.7049 111.955 111.955 117.1824 112.8682 113.6696 111.3775 113.7585 85.06 119.3035 113.8415 113.8511
57 118.69 105.0114 114.635 114.635 120.5044 115.9288 116.8056 112.925 117.5609 85.06 119.8181 120.1323 120.1891
58 119.07 105.2514 115.75 115.75 121.8024 116.8676 117.807 114.2655 118.7883 85.06 120.3328 122.6283 122.9327

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.

El software Vanguard Decision Pro aporta de forma automática un resultado de un modelo.


247

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

Los resultados generales, incluidos: pronósticos de primer recorte, coeficientes de determinación


muestral y ubicación en cercanía a la realidad, se muestran en las siguientes páginas. Obsérvese que los
tres más cercanos a la realidad, fueron en su orden:

Modelo Parámetros Puesto r2


Log Theta Moving Average Vanguard Lo selecciona automáticamente con valor 0.39 Log Theta 1 No tiene
Holt-Winters Multiplicative WinQSB Alfa 0.34 - Beta 0.01 - Gamma 0.65 - s=13 2 0.98955
No Lineal Exponential SMSDOS EXP(4.52658+4.38121E-3*T) 3 0.78412

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

Paso 3 – 4 – Aplicación de los tres mejores clásicos o modernos al segundo recorte

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

Pronóstico Realidad Nueva Nuevo


Tipo Parámetros
dato 106 dato 106 Diferencia Puesto
Clásico Lo selecciona automáticamente con valor 0.39 Log Theta 157.66 0.85 2
Clásico Alfa 0.34 - Beta 0.01 - Gamma 0.65 - s=13 157.12 156.81 0.31 1
Clásico EXP(4.52658+4.38121E-3*T) 155.55 1.265 3

Paso 3 – 5 – Selección del mejor modelo

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.

Paso 3 – 6 – Cálculo de pronósticos de demanda con el mejor modelo y sus parámetros


251
La siguiente tabla muestra los valores que se adoptan del HWM del WinQSB con αlfa de 0.34, ßeta de
0.000001 y Gamma de 0.65:

A. Mora G.
3 - Proyectiva - Pronósticos de series temporales

La gráfica, que contiene los datos históricos y las previsiones, es:

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

Paso 3 – 7 – Comparación de la realidad y el pronóstico calculado en período anterior

Paso 3 – 8 – Estimación del Goodness of Fit o Bondad de Ajuste

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).

Paso 3 – 9 – Consenso con ventas, comercialización, inventarios, mercadeo, etc.

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.

3.3. Conclusión de pronósticos


El éxito en los pronósticos se fundamenta en seguir de forma rigurosa la metodología propuesta (MUP),
y en realizar cada uno de los pasos (y detalles) sugeridos y mostrados en los ejercicios resueltos en el
contenido del capítulo 3 del libro. Es importante resaltar y recalcar nuevamente que el éxito en los
pronósticos no se consigue con la adquisición de un software, su victoria radica en el manejo elegante y
riguroso de todos los criterios técnicos y de los pasos enunciados en el MUP.

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).

La utilización de los métodos de previsiones, aparte de generar pronósticos, provee un conocimiento


profundo del fenómeno que se analiza, sobre todo en el análisis previo y en la corrida de los modelos
AR.I.MA., que es muy útil a la hora de analizar la serie en metodologías de consenso.

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.

4.1. Gestión y manejo de materias primas, insumos, bienes en proceso o


terminados, repuestos, etc.
Los inventarios son almacenamientos de materias primas, repuestos, insumos, productos en proceso o
bienes terminados que aparecen a lo largo de la cadena productiva o del proceso logístico de una
empresa. En general el costo de mantener los inventarios puede alcanzar cifras significativas cercanas
hasta del 40% de su valor y representa casi un 15% de la venta total anual de las empresas. De allí la gran
importancia de presentar, al menos los criterios básicos y las estrategias fundamentales de manejo de
los inventarios, insumos, materias primas, repuestos, productos terminados o en proceso.

La existencia de inventarios, se justifica desde dos hechos posibles:

• La velocidad de demanda es más alta que la de producción o aprovisionamiento.


256
• El tiempo de transporte y/o la distancia entre el punto de fabricación o comercialización de
productos y el punto donde se consumen o donde se requieren para ser usados, son muy grandes.

Entre los distintos beneficios que puede representar la existencia de almacenes para el manejo de
inventarios, están:

• Cercanía de los productos con el demandante.

• Prontitud y oportunidad de las necesidades, deseos y requerimientos de los clientes, que


permiten elevar fácilmente el nivel de servicio al cliente interno (o externo).

• La variabilidad en los procesos de producción, almacenamiento y transporte se puede atenuar


con la existencia de inventarios.

• Servir de amortiguador entre los desfases de producción y de demanda.

• 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).

A la hora de plantear alternativas, para emprender el análisis de la gestión de inventarios, se pueden


plantear varias opciones: desde la óptica del tipo de demanda, a partir de la filosofía de manejo que se
le da a las distintas referencias (Pull o Push), mediante el control individual y preciso de cada referencia
(técnica de abajo hacia arriba), por administración de categorías de productos (conjunto de referencias)
(se le denomina también de arriba hacia abajo) y por gestión de múltiples puntos de almacenamiento
en diferentes territorios bajo un sistema de información integrado, en tiempo real.

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

Costo de comprar &


Costo de oportunidad por agotados

Volumen de demanda Q

4.1.1.1. Costos de pedir


Esta cifra se asocia al mismo hecho de solicitar al proveedor o al fabricante una cantidad definida de
referencias, para ser entregadas en un determinado tiempo con unas especificaciones técnicas y de
calidad dadas, esto conlleva costos como: procesamiento del pedido, comunicaciones, elaboración de la
documentación pertinente, el tiempo de los funcionarios que intervienen, el costo en sí de la producción
o de las referencias, transacciones bancarias y financieras, transporte (cuando estos no se incluyen en

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

4.1.2. Nivel de servicio


El segundo gran objetivo de los inventarios es mantener una disponibilidad suficiente de referencias y
volúmenes, que logren satisfacer la demanda que se requiere periódicamente; se calcula a partir de las
probabilidades de disponibilidad de cada una de las referencias posibles que en forma habitual pide el
cliente, también se dan casos de varias referencias en un solo pedido o el caso más complejo es cuando
pueden ocurrir varias demandas de diferentes referencias en distintos pedidos en el tiempo, para el
mismo cliente.
Ejercicio 8 - Estimación del nivel de servicio al cliente

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.

Cantidad no entregada por período


Nivel de Servicio = 100% −
Demanda total del período

A. Mora G.
4 - Inventarios

En el evento de una sola referencia como la HJ-675, se estima así:

Nivel de servicio para un artículo Cantidad Faltante


Demanda No. Fecha Demanda Entregada agotado
1 Año 1 - Mes 1 - Día 12 76 76 0
2 Año 1 - Mes 1 - Día 18 67 66 1
3 Año 1 - Mes 1 - Día 25 84 83 1
4 Año 1 - Mes 2 - Día 09 74 34 40
5 Año 1 - Mes 3 - Día 06 18 18 0
6 Año 1 - Mes 3 - Día 10 42 42 0
7 Año 1 - Mes 5 - Día 3 40 34 6
8 Año 1 - Mes 5 - Día 24 7 7 0
9 Año 1 - Mes 7 - Día 12 23 17 6
10 Año 1 - Mes 8 - Día 11 70 68 2
11 Año 1 - Mes 8 - Día 19 64 64 0
12 Año 1 - Mes 8 - Día 30 26 26 0
13 Año 1 - Mes 9 - Día 26 56 56 0
14 Año 1 - Mes 10 - Día 17 18 18 0
15 Año 1 - Mes 11 - Día 02 90 89 1
16 Año 1 - Mes 11 - Día 14 4 4 0
17 Año 1 - Mes 12 - Día 06 44 23 21
Demanda total 803 Suma agotados 78
Las cantidades agotadas no entregadas, no se envían en el siguiente pedido

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.

4.2. Categorización de las diferentes referencias de un inventario


Las formas más tradicionales de manejar los distintos productos de inventarios, son Push y Pull, existen
diferencias importantes entre ellas, en los Pull lo que interesa es el almacén local (en forma individual),
sin tener en cuenta el resto de los puntos de inventarios de la comercialización o de la cadena productiva,
su reabastecimiento se realiza a partir de las necesidades (no de los pronósticos) individuales de ese
almacén; mientras que en los Push los suministros que se le asignan se basan en el pronóstico (o
demanda estimada por consenso) individual de cada punto de almacenamiento (de la cadena productiva
o del sistema de distribución) vistos y analizados de una manera integral.

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.

Las principales etapas que conlleva un sistema CPFR, son:

• 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.

• Paso 2 – Establecimiento de un plan de negocios y de acciones comunes al sistema logístico: en


este punto se definen las políticas y acciones comunes, como: promociones, publicidades,
categorías, productos y servicios a ofrecer, niveles de servicios y de inventarios, sistemas de
reaprovisionamiento, políticas de inventarios, etc. En general todo lo que se relaciona con la
operación del sistema CPFR logístico.

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).

Ilustración 109 - Sistema integral logístico de manejo de inventarios

Sistema general de manejo de inventarios


261
Definir el grupo primario de manejo de inventarios, con representantes
representantes de todas las áreas funcionales
y procesales de la empresa, con miembros de distintos niveles jer
jerárquicos dentro de la empresa

Revisar todas las referencias, categorí


categorías, almacenes, bodegas, mirar la rotació
rotación de los diferentes productos,
establecer su demanda promedio de al menos los últimos 18 meses, con el fin de validar las referencias
que quedan en el sistema.
Aná
Análisis de la informació
información en tiempo real

Categorizació
Categorización y clasificació
clasificación de todos los productos e insumos en Push, Pull o CPFR acorde al
al manejo deseado

Push CPFR Pull

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

Entrega No Inmediata Control por cantidad Q


Asignació
Asignación Demanda conocida o por Tiempo T o P
debe ser mayor
o igual a
Q óptimo Entrega No Inmediata, Control por inventario
Producció
Producción es mayor Mínimo o y/o Má
Máximo
que Demanda conocida T M

Entrega No Inmediata, Control por inventario


Producció
Producción es menor Mínimo - Máximo
Estimar el Q óptimo que Demanda conocida y Tiempo - T R M

Determinar costos totales

Implementar Indicadores

De Nivel de Servicio De Gestió


Gestión Logí
Logística

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.

Ecuación 25 - Fórmulas de A, Y y X para Clasificación A B C de Inventarios

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

X * (1 + A ) 1+ A A * (Y − 1) , con Y del tipo doble reciprocante


Y= = y a su vez X =
(A + X ) 1+ A (1 − Y )
X
Ilustración 110 - Datos reales - Inventarios - Clasificación A B C

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 10 % de los productos son tipo A y representan el 74.89% de la cantidad monetaria que se


demanda anualmente.

• 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

Demanda o Cantidad Nuevo Nuevo Demanda


Nuevo Demanda
Precio de Cantidad monetaria Cantidad monetaria - Porcentaje Porcentaje - Porcentaje A - Apoyo
X Y Y
mensual usada Nuevo para A CLASIFICACIÓN Porcentaje anual por referencia acumulada anual en
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
promedio en los individual de Monetarias con nuevo Unidades Monetarias
Unitario anual anual acumulada artículos demanda anual demanda anual X*(1-Y)/(Y-X) X*(1+A)/(A+X) A y nuevo Y con nuevo A y nuevo Y
últimos 18 meses demanda anual A y nuevo Y

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

Demanda proyectada Total


Demanda Total Año A actual promedio 2.65% Nuevo A para 10 & 75
Año con A nuevo
vale 3.85%
$ 1,016,980,268.67 $ 1,016,980,268.67
265
4 - Inventarios

La estrategia que se desarrolla con las referencias en función de su clasificación, es:

• 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:

Ecuación 26 - Demanda promedio en función del pronóstico

Demanda promedio = ( Demanda de último período + Pr onóstico períodovenidero ) / 2

• 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).

De alguna manera la clasificación ABC representa el grado de esfuerzo que se da al inventario de la


referencia (A es el más alto y C el más bajo). En la ilustración anterior se observa que el 10% de las
referencias representan el 74.98 % de la demanda total en unidades económicas, el 35% de los artículos
266 corresponde aproximadamente al 94% (menos el 74.98% de las A) de las referencias requeridas, lo cual
es bastante similar a la propuesta Árbones 10 & 75.

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

Nuevo A para 10 & 75 vale Demanda proyectada Total


Demanda Total Año A actual promedio 4.13% 3.85% Año con A nuevo
$ 1,000,261,041.33 $ 1,000,261,041.33
4 - Inventarios

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:

Estimar la demanda para el siguiente período, mediante la técnica de series temporales.

Cuantificar el inventario disponible de la referencia para el período actual.

Calcular el error entre el pronóstico del mes actual y su demanda real.

Asignar el nivel de disponibilidad deseado en las diferentes referencias a estimar el inventario


requerido a final del siguiente período y en el siguiente paso se calcula la Z con la tabla de
distribución normal.

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

Ilustración 113 - Tabla de distribución normal para probabilidades y Z

Segunda cifra decimal del valor de Z


z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.00 50.00% 50.40% 50.80% 51.20% 51.60% 51.99% 52.39% 52.79% 53.19% 53.59%
0.10 53.98% 54.38% 54.78% 55.17% 55.57% 55.96% 56.36% 56.75% 57.14% 57.53%
0.20 57.93% 58.32% 58.71% 59.10% 59.48% 59.87% 60.26% 60.64% 61.03% 61.41%
0.30 61.79% 62.17% 62.55% 62.93% 63.31% 63.68% 64.06% 64.43% 64.80% 65.17%
0.40 65.54% 65.91% 66.28% 66.64% 67.00% 67.36% 67.72% 68.08% 68.44% 68.79%
0.50 69.15% 69.50% 69.85% 70.19% 70.54% 70.88% 71.23% 71.57% 71.90% 72.24%
0.60 72.57% 72.91% 73.24% 73.57% 73.89% 74.22% 74.54% 74.86% 75.17% 75.49%
0.70 75.80% 76.11% 76.42% 76.73% 77.04% 77.34% 77.64% 77.94% 78.23% 78.52%
0.80 78.81% 79.10% 79.39% 79.67% 79.95% 80.23% 80.51% 80.78% 81.06% 81.33%
0.90 81.59% 81.86% 82.12% 82.38% 82.64% 82.89% 83.15% 83.40% 83.65% 83.89%
1.00 84.13% 84.38% 84.61% 84.85% 85.08% 85.31% 85.54% 85.77% 85.99% 86.21%
1.10 86.43% 86.65% 86.86% 87.08% 87.29% 87.49% 87.70% 87.90% 88.10% 88.30%
1.20 88.49% 88.69% 88.88% 89.07% 89.25% 89.44% 89.62% 89.80% 89.97% 90.15%
1.30 90.32% 90.49% 90.66% 90.82% 90.99% 91.15% 91.31% 91.47% 91.62% 91.77%
1.40 91.92% 92.07% 92.22% 92.36% 92.51% 92.65% 92.79% 92.92% 93.06% 93.19%
1.50 93.32% 93.45% 93.57% 93.70% 93.82% 93.94% 94.06% 94.18% 94.29% 94.41%
1.60 94.52% 94.63% 94.74% 94.84% 94.95% 95.05% 95.15% 95.25% 95.35% 95.45%
1.70 95.54% 95.64% 95.73% 95.82% 95.91% 95.99% 96.08% 96.16% 96.25% 96.33%
1.80 96.41% 96.49% 96.56% 96.64% 96.71% 96.78% 96.86% 96.93% 96.99% 97.06%
1.90 97.13% 97.19% 97.26% 97.32% 97.38% 97.44% 97.50% 97.56% 97.61% 97.67%
2.00 97.72% 97.78% 97.83% 97.88% 97.93% 97.98% 98.03% 98.08% 98.12% 98.17%
2.10 98.21% 98.26% 98.30% 98.34% 98.38% 98.42% 98.46% 98.50% 98.54% 98.57%
2.20 98.61% 98.64% 98.68% 98.71% 98.75% 48.78% 98.81% 98.84% 98.87% 98.90%
2.30 98.93% 98.96% 98.98% 99.01% 99.04% 99.06% 99.09% 99.11% 99.13% 99.16%
2.40 99.18% 99.20% 99.22% 99.25% 99.27% 99.29% 99.31% 99.32% 99.34% 99.36%
2.50 99.38% 99.40% 99.41% 99.43% 99.45% 99.46% 99.48% 99.49% 99.51% 99.52%
2.60 99.53% 99.55% 99.56% 99.57% 99.59% 99.60% 99.61% 99.62% 99.63% 99.64%
2.70 99.65% 99.66% 99.67% 99.68% 99.69% 99.70% 99.71% 99.72% 99.73% 99.74%
2.80 99.74% 99.75% 99.76% 99.77% 99.77% 99.78% 99.79% 99.79% 99.80% 99.81%
269
2.90 99.81% 99.82% 99.82% 99.83% 99.84% 99.84% 99.85% 99.85% 99.86% 99.86%
3.00 99.87% 99.87% 99.87% 99.88% 99.88% 99.89% 99.89% 99.89% 99.90% 99.90%
3.10 99.90% 99.91% 99.91% 99.91% 99.92% 99.92% 99.92% 99.92% 99.93% 99.93%
3.20 99.93% 99.93% 99.94% 99.94% 99.94% 99.94% 99.94% 99.95% 99.95% 99.95%
3.30 99.95% 99.95% 99.95% 99.96% 99.96% 99.96% 99.96% 99.96% 99.96% 99.97%
3.40 99.97% 99.97% 99.97% 99.97% 99.97% 99.97% 99.97% 99.97% 99.97% 99.98%

Ejercicio 9 - Ejemplo de asignación de excesos para artículos Push

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.

Nivel de Total Requerido =


Error del Nivel de Z correspondiente Requerimiento Neto = Prorrateo del Excedente =
Referencias Inventarios demanda próximo Asignación =
Pronóstico de Pronóstico = Disponibilidad a la probabilidad total requerido menos Capacidad total del proveedor o
equivalentes en disponible, período más error del requerimiento
la Demanda Demanda real del Inventario, anterior de la inventario disponible del pedido posible (1329 en este
la óptcia de estimado al pronóstico (Z por error neto más el
para el próximo período anterior se calcula de la curva de del período anterior ejemplo), menos Requerimiento
asignación de final del del pronóstico) del excedente
período menos pronóstico distribución distribución (actual en este total neto por porcentaje de la
excedentes período período anterior (actual asignado
período anterior normal normal ejemplo) demanda del Pronóstico
actual en este caso)
A B C D E F H I A

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

Ilustración 114 - Cantidades óptimas a pedir en Push

Nuevo A para 10 &


75 vale 3.85%
Lote Económico Q = √2DS / IC

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

1 H-701 40.89% A 0.00040% $ 768.00 4158 $ 99,997.00 3996 1.04 12 5198


2 C-504 58.67% A 0.00046% $ 768.00 2058 $ 87,909.00 2811 0.73 16 2572
3 I-209 68.62% A 0.00088% $ 768.00 2216 $ 45,678.00 2917 0.76 16 2769
4 J-629 75% A 0.00130% $ 768.00 2095 $ 30,868.00 2836 0.74 16 2619
5 D-321 79.40% B 0.00188% $ 768.00 2110 $ 21,274.00 2847 0.74 16 1583
6 F-298 82.64% B 0.00187% $ 768.00 1543 $ 21,378.00 2434 0.63 19 1157
7 F-320 85.12% B 0.00300% $ 768.00 1893 $ 13,340.00 2696 0.70 17 1420
8 H-876 87.09% B 0.00300% $ 768.00 1497 $ 13,337.00 2397 0.62 19 1123
9 D-343 88.68% B 0.00385% $ 768.00 1556 $ 10,398.00 2444 0.64 19 1167
10 F-299 89.99% B 0.00312% $ 768.00 1043 $ 12,820.00 2001 0.52 23 782
11 A-219 91.10% B 0.00440% $ 768.00 1237 $ 9,089.00 2179 0.57 21 927
12 A-789 92.04% B 0.00500% $ 768.00 1197 $ 8,000.00 2144 0.56 21 898
13 G-564 92.85% B 0.00597% $ 768.00 1232 $ 6,704.00 2175 0.57 21 924
14 L-342 93.56% B 0.00048% $ 768.00 86 $ 83,432.00 576 0.15 80 65
15 L099 94.18% C 0.00059% $ 768.00 93 $ 67,898.00 598 0.16 77 33
16 J-702 94.73% C 0.00130% $ 768.00 182 $ 30,868.00 835 0.22 55 64
17 D-390 95.22% C 0.01746% $ 768.00 2183 $ 2,291.00 2895 0.75 16 764
18 Z-090 95.67% C 0.03053% $ 768.00 3427 $ 1,310.00 3628 0.94 13 1200
19 Y-098 96.06% C 0.03231% $ 768.00 3273 $ 1,238.00 3545 0.92 13 1146
20 U-897 96.43% C 0.03518% $ 768.00 3233 $ 1,137.00 3524 0.92 13 1132
21 N-490 96.75% C 0.03846% $ 768.00 3221 $ 1,040.00 3517 0.92 13 1127
22 N-672 97.06% C 0.04090% $ 768.00 3134 $ 978.00 3469 0.90 13 1097
270 23 W-002 97.33% C 0.03690% $ 768.00 2597 $ 1,084.00 3158 0.82 15 909
24 L-090 97.59% C 0.00457% $ 768.00 297 $ 8,749.00 1067 0.28 43 104
25 M-108 97.82% C 0.06279% $ 768.00 3767 $ 637.00 3803 0.99 12 1318
26 R-987 98.04% C 0.07130% $ 768.00 3967 $ 561.00 3903 1.02 12 1388
27 R-783 98.25% C 0.07246% $ 768.00 3749 $ 552.00 3794 0.99 12 1312
28 S-785 98.44% C 0.10471% $ 768.00 5050 $ 382.00 4404 1.15 10 1768
29 G-239 98.61% C 0.00157% $ 768.00 71 $ 25,424.00 522 0.14 88 25
30 J-321 98.78% C 0.00086% $ 768.00 36 $ 46,375.00 374 0.10 123 13
31 T-190 98.94% C 0.12085% $ 768.00 4788 $ 331.00 4288 1.12 11 1676
32 M-063 99.08% C 0.00876% $ 768.00 327 $ 4,564.00 1120 0.29 41 114
33 L-786 99.22% C 0.00736% $ 768.00 258 $ 5,435.00 996 0.26 46 90
34 Z-232 99.35% C 0.17316% $ 768.00 5736 $ 231.00 4693 1.22 10 2008
35 Y-789 99.47% C 0.22857% $ 768.00 7157 $ 175.00 5242 1.37 9 2505
36 D-395 99.59% C 0.01166% $ 768.00 345 $ 3,432.00 1152 0.30 40 121
37 K-982 99.70% C 0.17241% $ 768.00 4846 $ 232.00 4314 1.12 11 1696
38 K-920 99.81% C 0.40816% $ 768.00 10891 $ 98.00 6467 1.68 7 3812
39 W-098 99.91% C 5.00000% $ 768.00 126832 $ 8.00 22069 5.75 2 44391
40 O-786 100.00% C 40.00000% $ 768.00 965805 $ 1.00 60899 15.86 1 338032
Nuevo A para 10 & 75 vale
3.85%

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

TC = Costo total pertinente anual en unidades monetarias (u.m.)

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

Ecuación 28 - Estimadores de cantidades únicas especiales en Pull.

Cantidad única a pedir = Q * = P + Z * S d , donde

P = Pronóstico calculado de demanda total

S d = desviación estándar de lo hasta ahora demandado

La Probabilidad que permite estimar la Z de la distribución normal se da como


Utilidad unitaria
Probabilidad = , donde
Utilidad unitaria + Pérdida unitaria

Utilidad unitaria = Venta (o costo total) − Precio unitario de adquisición

Pérdida unitaria = Precio adquisicíón unitario del proveedor − Costo de Salvamento

Una vez calculada la Probabilidad se encuentra Z en la tabla pertinente de Distribución Normal

Costo de Salvamento es el precio a que se puede vender o reducir el artículo,


para lograr recuperar la inversión o minimizar pérdidas

Fuente Bibliográfica: Ballou, 2004, 358-360

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.

• Otros (O), en caso de existir.

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.

Ecuación 29 - Precio estimado de venta en demanda interna

Precio Estimado de Venta (demanda interna) = I + S + C + F + O

Ejercicio 10 - Cantidad óptima para pedidos Pull únicos

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.

4.2.3.2. Demanda muchas veces en el tiempo, con entrega inmediata

Cuando la demanda es continua en el tiempo, es conocida y los reaprovisionamientos se pueden


conseguir de una manera instantánea, por proveedores locales o cuando se posee fabricación directa,
para el cálculo de la cantidad a solicitar se tienen en cuenta todos los parámetros que se derivan de la
función de costos de los inventarios, en la cual se plantea la ecuación de costos totales a partir de los
valores básicos de manejo y de solicitar pedidos, de allí se deriva para obtener el Q óptimo y por ende
también se pueden estimar las veces que se piden en un período lectivo, en el caso específico se trabaja
para un año.

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 30 - Tiempo de espera (lead time)

Nivel de pedido con espera = NPE = Demanda en unidades de tiempo 


Tiempo de espera ( lead time ) en tiempo

4.2.3.4. Demanda continua, entrega no inmediata y velocidad de producción mayor a


demanda
En los casos de demanda continua y conocida, con suministro no instantáneo, cuando el sistema de
producción trabaja en simultáneo con la demanda y es mayor que esta última, se tiene un factor de
multiplicación que afecta el volumen NPE (Nivel de Pedido con Espera) en el tiempo entre que se lanza
el pedido y las referencias que se solicitan están disponibles.

Ecuación 31 - Tiempo de espera (lead time) con ajuste cuando producción es mayor a demanda

Nivel de pedido con espera = NPE = Demanda en unidades de tiempo 


Factor Multiplicativo
El factor multiplicativo, es una cifra que denota las veces en que la capacidad de producción supera la velocidad de
demanda.
2*D*S Producción
NPE ajustado P  D = *
I*C Producción − 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:

Ecuación 32 - Nivel de Pedido con Espera cuando producción es inferior a la demanda

Q* óptimo
Nivel de pedido con espera P  D = NPE PD = * Demanda
Flujo de Producción

Ejercicio 12 - Ejemplo de NPE con producción inferior a demanda

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:

2*D*S 2 * 17765 * 768


I*C 0.05263* 760
NPE ajustado P  D = * Demanda = * 1480.41= 15199.94 unidades
Producción 1000

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

4.2.3.6. Demanda desconocida


En ocasiones la demanda no es conocida, por lo cual se debe recurrir al histórico, con lo cual se entra en
una nueva dimensión, que requiere otro tratamiento. Para ello, se trabaja con la siguiente expresión,
con la cual se puede determinar el NPD - Nivel de Pedido con demanda Desconocida.

Ecuación 33 - Nivel de pedido con demanda desconocida – NPD

NPD = demanda (mes) * tiempo de espera (mes)


+ Nivel de significación * Desviación estándar corregida

La desviación estándar corregida es = Desviación estándar * Tiempo de espera

Ejercicio 13 - Tratamiento de pedidos con demanda desconocida

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

La desviación estándar corregida es, entonces: 2671 * (0.5)0.5 = 1888.68

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.

Y cuando se desea promediar el inventario, en cualquier instante, se puede estimar, de la siguiente


forma:
Q
Promedio del inventario = + Nivel de significación Z * Desviación estándar corregida
2

A. Mora G.
4 - Inventarios

Donde el término que se obtiene de la multiplicación de Z * Desviación estándar corregida, se entiende


como un inventario de seguridad (Ballou,2004b,350-352).

La desviación estándar corregida es = Desviación estándar* Tiempo de espera =


2671* 0.5 = 1888.68 unidades por mes

Con lo cual, el promedio del almacenamiento de la referencia, es:

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:

Costo total ( incluye agotados) = Costo de pedir ( S ) + Costo de almacenamiento y manejo ( I * C ) de


inventario normal y de seguridad + Costo de agotados

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:

Unidad normal de pérdida int egral = e ( − 0.92 −1.19* z − 0.37 z )


2

Para Z mayores a cero97 (Ballou,2004b,763-765).

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.

Cantidad no entregada por período , que al ser actualizada, queda:


Nivel de Servicio = 100% −
Demanda total del período

Cantidad no entregada por período


Nivel de Servicio = 100% − =
Demanda total del período
D
* Desviación estándar corregida * Unidad normal de pérdida por agotados
Q
1− =
D
Desviación estándar corregida * Unidad normal de pérdidas
1 − =
Q
1888.68* 0.0984
1− = 0.851286
1249.69
ó 85.1286%

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

Desviación estándar censurada = TE * S 2 d + D 2 * S 2TE ,


donde
TE es el tiempo de espera (lead time)
S d es la desviación estándar de la demanda
D es demanda por unidad de tiempo
STE es la desviación estándar de los diferentes tiempos de espera

Fuente Bibliográfica: Ballou, 2004b,355-357

Ejercicio 14 - Tratamiento de pedidos con 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

Probabilidad de ocurrencia 95%


Desviación estándar 0.02321 0.02420 0.01553

Desviación estándar censurada = TE * S 2 d + D 2 * S 2 TE ,


con
TE es el tiempo de espera (lead time) = 0.0798 + 0.0852 + 0.0851 = 0.25 de mes, que corresponde a 279
la suma de las medias de los históricos de cada una de
las tres etapas del tiempo de espera
S d = es la desviación estándar de la demanda = 2247.13 unidades por mes

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

Desviación estándar censurada = 0.25 * 2247.132 + 6066.162 * 0.001365 =

1145.69 unidades por mes

Con esta cifra, ya se puede estimar el volumen promedio de inventario a mantener:

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 R-M (Mínimo - Máximo), el pedido se lanza cuando el inventario al disminuir en el


tiempo con la demanda alcanza un valor predeterminado denominado NP o NPE (NP - Nivel
de Pedido sin espera y NPE – Nivel de Pedido con Espera), la cantidad que se pide (M-q) es
la diferencia entre un máximo preestablecido y la cantidad disponible q de ese instante, se
garantiza de esta forma que el inventario nunca se debe romper, por debajo del NP o NPE que
se define con antelación y se calcula con los parámetros que se dan en secciones anteriores;
acorde a las expresiones correspondientes a cada caso con demandas y/0 tiempos de espera
conocidos o no.

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 de d = demanda diaria

Inventario Q = pedido óptimo


NP = Nivel de Pedido mínimo
puntos donde se pide Q variable o fija

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.

Ilustración 117 - Sistema Q con lead time cero

Sistema Q con reabastecimiento instantáneo


Nivel de
Momentos
Unidades en
en que llega Inventario disponible
Inventario el pedido Q es Q + ROP

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

En el sistema Q con reabastecimiento instantáneo el Q* óptimo se realiza a partir de la fórmula ya 281


descrita anteriormente, con el mínimo costo para reponer inventarios.
Ilustración 118 - Sistema Q con lead time positivo

Sistema Q con reabastecimiento no instantá


instantáneo
Nivel de Momentos
Unidades en en que llega
Inventario el pedido Q
constante

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

LT - Lead Time o Tiempo


LT LT
tiempo de espera

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

puntos donde se pide Q


variable

NP – Nivel de
Pedido mímínimo de NP
Lead
reaprovisionamiento
Time o q
= tiempo de espera
Tiempo
por demanda
de
promedio diaria
espera

Tiempo Tiempo Tiempo Tiempo


constante en constante en constante en constante en Tiempo
que se revisa que se revisa que se revisa que se revisa
el inventario el inventario el inventario el inventario
y se hace un y se hace un y se hace un y se hace un
pedido Q pedido Q pedido Q pedido Q
variable o fijo variable o fijo variable o fijo variable o fijo

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.

Ilustración 120 - Sistema R-M (Mínimo - Máximo) en Pull.

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

Ecuación 35 - Estimación del nivel máximo M de inventarios en R M de Pull.

M = Nivel máximo de inventario = NP + Q * − DE , con


NP = d * LT + z * S d + DE
2* D * S
Q* = = Pedido óptimo al minimizar costos
I *C
La Z se obtiene de la distribución normal para una probabilidad dada
DE = Déficit esperado en el peor de los eventos
S d = desviación estándar de demanda
LT = Lead Time = Tiempo de entrega ( o de espera )
Fuente Bibliográfica: Ballou, 2004, 367

Ejercicio 15 - Cálculo de M, nivel máximo de inventarios en Pull

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

Ilustración 121 - Sistema T-R-M en Pull

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

Tiempo constante de revisió


revisión Tiempo constante de revisió
revisión Tiempo constante de revisió
revisión

Si en alguna de las revisiones temporales y perió


periódicas, se encuentra conveniente emitir un
pedido M – q, se lanza aú
aún sin que se haya roto el inventario (es decir sin haber alcanzado
alcanzado el
mínimo ROP (punto de re-re-orden), por ejemplo en el punto

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

• Tipo C, el manejo de los sistemas T o P, o en su reemplazo el Q, según el caso particular


(Ballou,2004b,326-385).

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.

4.3. Indicadores de gestión y operación de inventarios


Son cifras o valores numéricos que permiten controlar las diferentes actividades claves dentro de los
procesos más críticos, en la gestión y operación de manejo de inventarios; a la vez que informan si las
metas y logros propuestos, se alcanzan dentro de las actividades normales de la empresa, como también
aportan los puntos susceptibles de mejoramiento para que la realidad alcance el plan propuesto.

Se pueden elaborar en unidades de tiempo, de unidades monetarias, de porcentajes, etc.

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.

Entre los más relevantes, aparecen:


4.3.1. Servicio 285
Estos evalúan el nivel de servicio que la organización presta a sus demandantes internos o externos.

Ecuación 36 - Indicadores de servicio de inventarios

Cantidad no entregada por período


Nivel de Servicio = 100% − =
Demanda total del período
Número de Pedidos Recibidos
Servicio integral =
Número de Pedidos Entregados
Número de Pedidos entregados a tiempo
Entregas a tiempo =
Número de pedidos totales por período
Número de Pedidos servidos completos
Entregas completas =
Número total de pedidos solicitados por período
Cantidad de pedidos devueltos por cualquier razón
Devoluciones =
Total de Pedidos Entregados en el período
Ciclo Orden Compra = Tiempo de respuesta = es el tiempo total entre que se recibe el pedido
y se entrega a entera satisfacción
Cantidad de documentos devueltos por errores
Documentación correcta = , entre los errores
Volumen total de documentos
más comunes están : facturas, despachos,recepciones, precios,
descuentos, digitación, etc.
Entregas Perfectas = Cantidad de despachos entregados a tiempo, completos, sin errores
documentales, con calidad adecuada y que cumplen a cabalidad los
requerimientos del cliente.
Fuente Bibliográfica: Indicadores@,2004

A. Mora G.
4 - Inventarios

4.3.2. Gestión logística de inventarios


Son alusivos a la logística, debidos a la gestión propia y al manejo de los inventarios, en cuanto a sus
funciones básicas de recepción, almacenamiento y entrega.

Ecuación 37 - Indicadores logísticos de inventarios

Exactitud de entregas = Correspondencia entre el inventario real y el teórico, aplicable


a materias primas, productos terminados y en proceso, insumos,
material de empaque, repuestos,inventarios en tránsito, etc.
Días de almacenamiento = Mide el número de días promedio en permanecen las distintas
referencias en almacenamiento.
Agotados = Evalúa la cantidad de pedidos no despachados por falta de
ísica en el almacén
Excesos = Contabiliza aquellas referencias que están en demasía frente a
demanda promedio
Costos logísticos = Registran el impacto de los costos sobre el proceso logístico integral.
Es decir muestran la relación inversión / beneficio obtenidos en
las ventas y en el nivel de servicio a los clientes.
Distribución de costos = Muestra como las diferentes etapas de los inventarios : transporte,
almacenamiento y mantenimiento de referencias, absorven las diferentes
inversiones de los inventarios.
Costos ajustadosen JIT = Son los costos de beneficioque se generanal retrasar la compra o adquisición
justo hasta el instanteen que verdaderamente se requierenlas mercancías
286
en los sistemas de producción que involucranel justo a tiempo (JIT);
se les conoce en inglés como Backflush Costing.

Fuente Bibliográfica: INDICADORES@,2004

Niveles promedios = Registra el período medio de la cantidad de inventarios en términos


de días de la demanda promedio  (demanda última + pronóstico) / 2

Fuente Bibliográfica: Mora,2006,231

Ventas anuales a costo de inventarios


Coeficiente de Rotación =
Inversión promedio de inventarios
Fuente Bibliográfica: Ballou,2004b,376

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

Curriculum Vitae Alberto Mora Gutiérrez


Títulos obtenidos:
• Ingeniero en Ciencias Mecánicas – Universidad Pontificia Bolivariana – Medellín – Colombia
• Diplomatura - Experticia en Alta Gerencia – INCE – Puerto Ordaz – Venezuela
• Diplomatura - Experticia en Electrónica – INCE - Valencia – Venezuela
• Estudios de Maestría iniciados en Administración de Negocios – Universidad Carabobo – Valencia – Venezuela
• Magister en Administración de Empresas – Universidad EAFIT – Medellín – Colombia
• Especialización en Mercadeo – Universidad EAFIT – Medellín – Colombia
• Especialización en Gestión Empresarial – Universidad Politécnica de Valencia – Valencia – España
• Suficiencia Investigadora Doctoral - Universidad Politécnica de Valencia - España
• PhD - Doctorado en Ingeniería Industrial – Énfasis y Tesis Cum Laude en Prospectiva, Logística e Ingeniería Mantenimiento – Universidad Politécnica
de Valencia – Valencia – España

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:

• ABRACOL - Colombia • EEPPM - Colombia • MIND DE COLOMBIA – Software Forecast Pro


• ACIEM - Colombia • EMMA – IMUSA – Colombia XE - Colombia
• ACOLTEX - Colombia • EMPRESA ENERGÍA BOGOTÁ – Colombia • MUNICIPIO LA ESTRELLA - Colombia
• AEROLÍNEAS ACES - Colombia • ENERSAFE S.A. - Colombia • MUNICIPIO RIONEGRO - Colombia
• ALICO - Colombia • FABRICATO – Colombia • NACIONAL DE CHOCOLATES – Colombia
• ARCLAD S. A. - Colombia • FERIA DE GANADOS DE MEDELLÍN – • NESTLÉ - Ecuador
• ARRENDAMIENTOS EL TRÉBOL – Colombia Colombia • NOEL - Colombia
• AYURÁ MOTORS - Colombia • FFAAC – IAC - Colombia • NEW STETIC - Colombia
• C.C.N. Grupo Bavaria SAB Miller Ecuador • FFAAE - Guayaquil - Ecuador • PARTIDO CONSERVADOR - Colombia


CAMACOL - Colombia
CAMPAÑA GOBERNADOR DEPARTAMENTO


FUNCICE - Ecuador
Grupo COLCERÁMICA Colombia
• PARTIDO LIBERAL – Dpto. Atlántico –
Colombia 293
ATLÁNTICO PROSPECTIVO EDUARDO • GRUPO CRYSTAL - TINTORERÍA CRYSTAL • Wood Group Colombia
VERANO – Barranquilla Colombia S.A. - Colombia • MASA CERREJÓN
• CANTTEL S.A. - Colombia • GRUPO HACEB - Colombia • EQUIPOS Y CONTROLES INDUSTRIALES S.A.
• CEMEX – Colombia • GS1 Guatemala - Honduras - Santo Domingo – ECI S.A
• CENSA – Centrales Eléctricas – Cúcuta – • HOSPITAL FEDERICO LLERAS ACOSTA - • RESTREPO Y CÍA. LENTES CONTACTO
Colombia Colombia • ELECTRICARIBE Barranquilla
• CERREJÓN – Colombia • HOSPITAL PABLO TOBÓN URIBE - Colombia • PASTELITOS S.A. - Colombia
• C.I. AGRÍCOLAS UNIDAS - Colombia • IAC GS1 - Colombia • PASTEURIZADORA GUAYANA - Venezuela
• CICE – Quito – Ecuador • INCAMETAL S.A. – Colombia • PELDAR S.A. - OWENS ILLINOIS - Colombia
• •
• CLAPAM - Ecuador
Ingeniería Especializada Blandón – IEB - Sector
Eléctrico - Colombia •
POSTOBÓN S.A. - Colombia
PREMAC - Colombia
• CLÍNICA IMBANACO – Colombia • INTERSERVICIOS C.T.A. – Colombia • PRODUCTOS FAMILIA SANCELA S.A. –
• COCIER - Colombia • INTEGRAL S.A. & U. EAFIT - Colombia Colombia
• COHAN – Colombia • IPCE - Colombia • PUBLICAR S.A. – Medellín – Colombia
• COLCERÁMICA S. A. – GS1 – Colombia • ISA S.A. E.S.P. – LCM – Colombia • Servicios Empresariales - SESO - Ecuador
• Colchones SPRING S.A. – Bogotá - Colombia • ISA - Colombia • SIEMENS S.A. – Bogotá – Colombia
• COLMASU S.A. Ecuador MINEROS DE • ISAGÉN – Colombia • SOFASA – RENAULT – TOYOTA - Colombia
ANTIOQUIA - Colombia • LABORATORIOS BITAR – Colombia • SOLLA S.A. - Colombia
• COLTABACO S.A. – Colombia • LAUMAYER INTERNACIONAL • SURENTING - Colombia
• COMERCIALIZACIÓN & MERCADEO – Bogotá • LCM - CONSULTORES ASOCIADOS S.A.- • TRANSELCA S.A. E.S.P. – Colombia
Colombia Colombia • TECSUP - Lima - Trujillo - Perú
• COMUNIDAD EUROPEA – España • LECHE CARABOBO – Venezuela • UNE - Electricidad Generación - Cuba
• CONFECOOP - Colombia • LECHE INLAYOSA – PARMALAT - Venezuela • UNIVERSIDAD DE ANTIOQUIA - Colombia
• CORELCA S.A. E.S.P. – Colombia • LEMAHN BROTHERS – USA • UNIVERSIDAD DE MEDELLÍN – Colombia
• CRYOGAS – Colombia • LUKER S.A. & U. EAFIT - Colombia • UNISANGIL – Colombia
• DELOITTE & TOUCHE - ECOPETROL - OXY - • LLOREDA GRASAS S.A. – Colombia • V-FACTORY INC – Colombia
Colombia • LONJA DE PROPIEDAD RAÍZ DE MEDELLÍN • WIN SOFTWARE Y ASOCIADOS - Colombia
• DELOITTE AND TOUCHE - Colombia – Colombia
• ECOPETROL - Colombia • MASA – Colombia
• EDUARDOÑO - Colombia

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.

Datos de contacto con el Autor y/o Ventas:

Teléfono 57 4 5789465 - Celular 57 312 2874586 - Móvil 57 319 2199644


Email cimpro@mail.com - cimpro1955@gmail.com - lmora@eafit.edu.co –
Skype amgcopnsultores12
Medellín - Antioquia - Colombia

Pedidos a cualquiera de los teléfonos o emails enunciados.

A. Mora G.
Otras Obras del Autor A. Mora G.

Otras Obras del Autor

• 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

Teléfono 57 4 5789465 - Celular 57 312 2874586 - Móvil 57 319 2199644


Email cimpro@mail.com - cimpro1955@gmail.com - lmora@eafit.edu.co –
Skype amgcopnsultores12

A. Mora G.

También podría gustarte