de operaciones
Mtodos de Pronsticos
1
CAPITULO II INTRODUCCIN................................................................................................... 3
2.1 Pronsticos ........................................................................................................................ 3
2.2 reas de Toma de Decisiones ........................................................................................... 4
2.3 Base para los pronsticos .................................................................................................. 5
2.4 Aplicaciones de los Pronsticos de Demanda ................................................................... 7
2.5 Pronsticos para la Planeacin .......................................................................................... 8
Enfoques para Pronsticos .................................................................................................... 10
2.6 Modelos Cualitativos ...................................................................................................... 10
2.7 Mtodos Cuantitativos .................................................................................................... 11
CAPITULO III METODOLOGA DE LOS PRONSTICOS ......................................................... 13
3.1. BREVE RESEA HISTRICA ................................................................................ 14
3.2. CLASIFICACIN DE LOS ENFOQUES PARA PRONSTICOS ......................... 15
3.2.1. MTODOS DISCRECIONALES O CUALITATIVOS .................................... 16
3.2.2. MTODOS CUANTITATIVOS ........................................................................ 16
3.2.3. MTODOS TECNOLGICOS .......................................................................... 17
3.3. TIPOS DE MODELOS .............................................................................................. 18
3.4. TIPO DE PATRONES EN LOS DATOS .................................................................. 20
3.5. MEDICIN DEL ERROR EN EL PRONSTICO ................................................... 22
3.5.1. DESVIACIN ABSOLUTA DE LA MEDIDA (MAD) ................................... 23
3.5.2. ERROR MEDIO CUADRADO (EMC) ............................................................. 24
3.5.3. PORCENTAJE DE ERROR MEDIO ABSOLUTO (PEMA) ............................ 24
3.5.4. PORCENTAJE DE ERROR MEDIO ................................................................. 24
3.6. ETAPAS DE LA SOLUCIN DE PROBLEMAS RELACIONADOS CON LOS
PRONSTICOS ................................................................................................................... 26
CAPITULO IV MODELOS DE PREDICCIN CUANTITATIVOS: MTODOS DE
SUAVIZAMIENTO Y DESCOMPOSICIN ................................................................................. 29
4.1 ANLISIS EXPLORATORIO DE LAS SERIES DE TIEMPO. .............................. 30
4.2 MODELO DE PREDICCIN CUANTITATIVO: MTODOS DE
SUAVIZAMIENTO .............................................................................................................. 30
4.2.1 MODELOS NO FORMALES: ........................................................................... 33
4.2.2 MTODOS DE PROMEDIO ............................................................................. 33
4.2.3 MODELOS DE SUAVIZAMIENTO EXPONENCIAL NICOS. ................... 36
4.2.4 MODELOS DE SUAVIZAMIENTO EXPONENCIAL LINEAL
(SUAVIZAMIENTO EXPONENCIAL DOBLE DE HOLT) .......................................... 40
4.2.5 MODELOS DE SUAVIZAMIENTO EXPONENCIAL DE WINTER ............. 43
4.3 MTODOS DE DESCOMPOSICIN PARA PRONSTICOS DE SERIES DE
TIEMPO. ............................................................................................................................... 47
2
Un Inicio
Las predicciones son usualmente difciles, especialmente, las que son acerca del
futuro.
2.1 Pronsticos
El Pronstico de la Demanda en el Futuro es esencial para el manejo adecuado de la
Cadena de Suministro.
Este manejo adecuado incluye la toma de decisiones y el proceso de planeacin.
El proceso de pronstico debe ser consistente con la filosofa de produccin que la
empresa maneje (push/pull).
PUSH PULL
3
Patrones de Demanda
Antecedentes
Una Definicin
4
Los administradores buscan hacer estimaciones sobre el futuro con una gran incertidumbre
sobre ciertos factores.
Mercadotecnia
Manufactura
Colocacin de fuerza
Planeacin de la de trabajo
produccin Promociones
Control de Inventarios Introduccin de Nuevos
Planeacin Agregada Productos
Finanzas Personal
5
No existe un tipo de pronstico que sea considerado la nica opcin para encontrar la
respuesta correcta.
Primeras Conclusiones
Pronosticar es el primer paso para fallar
Pronsticos de largo plazo son menos precisos que los pronsticos a mediano-corto
plazo.
Pronsticos agregados son ms precisos que los pronsticos desagregados.
Aspectos a Considerar
Aspectos claves:
o El pronstico deber mostrar una tendencia.
o El tomador de decisiones deber tener un criterio para el seguimiento de los
pronsticos.
o La empresa deber tener la capacidad de responder a la variacin del
pronstico con respecto a la realidad.
Los pronsticos tienen un lmite de aplicabilidad, son costosos y requieren una gran
cantidad de tiempo.
6
Se manejan lapsos de tres meses hasta un ao.
Compras, programacin de planta, niveles de fuerza laboral,
asignaciones de trabajo y niveles de produccin.
o Pronstico a mediano plazo
Maneja un rango de entre tres meses y tres aos
Planeacin de produccin y presupuestos, planeacin de ventas, flujo
de efectivo y el anlisis de planes.
o Pronstico a largo plazo
Maneja lapsos de tres aos o ms.
Planeacin y manejo de nuevos productos, desembolsos de capital,
localizacin o expansin de instalaciones y la investigacin y desarrollo.
7
2.5 Pronsticos para la Planeacin
INSUMOS
ESTRATEGIA EMPRESARIAL
Los pronsticos a mediano y largo plazo tienen que ver con asuntos ms
trascendentes (planeacin, productos, plantas y procesos).
Los pronsticos a corto plazo utilizan metodologas diferentes a las metodologas de
los pronsticos a mediano y largo plazo.
o Promedios mviles
o Suavizacin exponencial
o Extrapolacin con tendencia
Los pronsticos a corto plazo tienden a ser ms exactos que los pronsticos a mayor
plazo (hay una menor variacin de condiciones).
8
La Influencia del Ciclo de Vida del Producto
9
Enfoques para Pronsticos
Aspectos subjetivos
Intuicin, emociones, experiencias
Sistema de Valores
Modelos Matemticos
Datos Histricos
Mtodo Delphi
o Proceso grupal iterativo
o Tres tipos de participantes
Los tomadores de decisin (5-10 expertos que harn el pronstico
real).
Personal asesor (Preparan, distribuyen, recolectan y resumen
cuestionarios y encuestas).
Encuestados (Grupo de personas cuyos juicios son evaluados).
10
Encuesta a consumidores de mercado (clientes).
o Solicita informacin a los clientes o clientes potenciales.
o Genera el pronstico
o Mejora el producto y su diseo, adems del servicio.
Analoga Histrica
o Liga la estimacin de las ventas futuras de un producto con el conocimiento de
las ventas de un producto similar.
o A la estimacin de las ventas de un producto se aplica el conocimiento de las
ventas de un producto similar en las diferentes etapas de su ciclo de vida.
o til para el desarrollo de productos novedosos.
Estudio de Mercado
o La base para comprobar las hiptesis sobre los mercados reales y su
comportamiento son los cuestionarios por correo, las entrevistas telefnicas o
las entrevistas de campo.
o Los resultados del estudio de mercado se extrapolan de un sector de mercado
a la totalidad de ste.
o Preferidos para productos nuevos o para productos existentes que se quieren
desarrollar en otros segmentos.
Modelos de
Series de Tiempo Modelo Causal
Simplista
Promedios mviles
Suavizacin Exponencial
Proyeccin de Tendencia
11
http://www.scielo.org.co/scielo.php?pid=S0121-47722008000100007&script=sci_arttext
Serie de tiempo
Modelo causal
12
Varios factores han estimulado el inters en los pronsticos en todo tipo de organizaciones,
sin embargo desde principios de la dcada de 1970 ha aumentado su uso. Los pronsticos
se han convertido en una herramienta de gran utilidad en la planificacin del entorno
empresarial, por lo que este trabajo se centra en su estudio, en principio se presenta una
visin general de los mtodos de pronstico, y sus caractersticas principales.
Se presentan, el impacto de los errores de prediccin y las limitaciones de los mtodos para
pronosticar, as como las situaciones en las que se aplican cada uno de estos con nfasis en
el mtodo cuantitativo, se identifican patrones, con base en las expectativas pasadas y el
descubrimiento de relaciones entre factores claves o variables.
3.5
3.4 Tipo de Medicin
3.1 Breve resea
patrones en del error en
histrica
los datos los
pronsticos
3.2
3.6 Etapas de la
Clasificacin
solucin de
de los 3.3 Tipos de
problemas
enfoques modelos
relacionados con
para
los pronsticos
pronsticos
13
3.1. BREVE RESEA HISTRICA
Pasaron casi 30 aos para que los mtodos de Suavizamiento exponencial tuvieran amplia
aceptacin y a partir de ellos se han desarrollado numerosas variedades y extensiones de
los mismos. Las ms notables son los de Brown (1950), Holt (1952) y Winters (1960). Las
adaptaciones y modificaciones ms recientes han hecho posible emplear los mtodos de
Suavizamiento de manera an ms mecnica y automatizada.
1
http://www.dandoenelblanco.com/pronsticos_y_forecast_pro/ consultada el 30 de octubre de 2008
2
http://sunwc.cepade.es/~jrivera/org_temas/metodos/prospectiva/pronostic_method.htm consultada el 30
de octubre de 2008
14
Pas un poco de tiempo despus para que los mtodos de Suavizamiento empezaran a
atraer la atencin, los mtodos de descomposicin experimentaron una mayor difusin. El
ms prominente de esto fue Shiskin (1957,1961), que fue el creador del paquete Census II y
que a pesar de una escasa fundamentacin estadstica, presentaban una atraccin intuitiva
de significacin para los profesionales del rea.
Con el avance tecnolgico y los precios accesibles de los sistemas de cmputo los mtodos
de pronsticos se fueron perfeccionando, aparecieron tcnicas como regresin mltiple y
modelos economtricos. A principios de 1980 los pronsticos basados en econometra
representaban ya un gran mercado para los profesionales.
Un enfoque que incorporaba muchos de los elementos de una teora semejante se hizo
realidad con la aportacin de Box y Jenkins (1976), cuya metodologa consiste en un
procedimiento sistemtico para el anlisis de las series de tiempo que fue suficientemente
general para manejar todas las estructuras de datos en series de tiempo observados
empricamente.
A mediados de la dcada de 1970 comenzaron a surgir las variedades del mtodo del
promedio mvil autorregresivo, integral y de media mvil (ARIMA) desarrollado por Box
Jenkins y desde ah se han estudiado modificaciones corrigiendo algunos problemas
asociados con la metodologa tomando nombres tales como ARARMA, filtros de Kalman,
modelos de vectores autorregresivos, etc.
Los pronsticos a largo plazo son necesarios para establecer el curso general de la
organizacin para un largo periodo; de ah que se conviertan en el enfoque particular de la
alta direccin.
Los pronsticos a corto plazo se utilizan para disear estrategias inmediatas y que usan los
administradores de rango medio y de primera lnea para enfrentar las necesidades del futuro
inmediato. 4
3
Makridakis - Wheelwrigth, Mtodos de pronstico, Mxico, D.F., Limusa, 1998, pag. 36
4
http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm consultada el 04/09/08
15
3.2.1. MTODOS DISCRECIONALES O CUALITATIVOS
Los mtodos cualitativos casi siempre se utilizan para pronsticos a mediano y largo plazo
que involucren situaciones como diseo del proceso o capacidad de las instalaciones. En el
caso de estas decisiones, los datos del pasado casi nunca estn disponibles o, cuando as
es, pueden indicar un patrn poco estable.5
Los mtodos de monitoreo, que todava no alcanzan un uso muy extendido, buscan
identificar cambios en los patrones y relaciones. Bsicamente se utilizan para indicar cundo
no es apropiada la extrapolacin de patrones o relaciones pasadas. Algunas de las
aplicaciones de los mtodos cuantitativos, se muestran en la Tabla 1, as como el campo de
aplicacin donde fue desarrollada la metodologa.
5
Makridakis S, Arte y Ciencia de Pronosticar, International Journal of Forecasting, 2, no.1, pp 15-39.
6
Makridakis - Wheelwrigth, Mtodos de pronstico, Mxico, D.F., Limusa, 1998, pp28.
16
3.2.3. MTODOS TECNOLGICOS
La tercera categora mtodos tecnolgicos - tienen que ver con los problemas de largo
plazo de naturaleza tecnolgica, social, econmica o poltica. Las cuatro subcategoras aqu
encontradas son extrapolativas (utilizan patrones y relaciones histricos como base de los
pronsticos), analgicas (emplean analogas histricas y de otro tipo para hacer
predicciones), expertas y normativas (hacen uso de objetivos, metas y resultados deseados
como base de los pronsticos, influyendo as los sucesos futuros). 7
7
Makridakis Wheelwrigth, Mtodos de pronstico, Limusa, 1998, pag 28
8
Hace poco la revista Life eligi a Loewy como uno de los 100 norteamericanos ms influyentes del siglo XX. A Loewy se le conoce mejor por los
estandartes del diseo norteamericano como la botella de Coca-Cola, Air Force One, Lucky Strike, los autobuses de Greyhound, la locomotora
Pennsylvania S-1, los logotipos de Exxon y Shell, los interiores del Laboratorio Espacial y el Transbordador de la NASA, as como el Avanti, el nico
automvil que se ha exhibido en el museo del Louvre.
9
Raymond Loewy, Industrial Design, pag 74.
10
http://www2.uiah.fi/projekti/metodi/290.htm consultada el 25 de agosto de 2008.
17
3.3. TIPOS DE MODELOS
Este trabajo est enfocado a los mtodos de prediccin cuantitativos con la necesidad de
obtener un modelo, que es una manera de experimentar con la realidad sin tener que invertir
realmente en una unidad operativa a escala completa.
Para la prediccin se puede emplear una amplia gama de modelos, pero para el caso de los
mtodos cuantitativos hay dos categora aceptablemente bien definidas.
18
No obstante, una desventaja de estos mtodos es que requieren informacin de varias
variables, adems de la variable que est siendo pronosticada.
A consecuencia de ello, sus necesidades de datos son mucho mayores que las de un
modelo de series de tiempo. Adicionalmente, puesto que los modelos explicativos
generalmente relacionan varios factores, usualmente requieren de ms tiempo para
desarrollarse y son ms sensibles a los cambios de las relaciones subyacentes de lo que
sera un modelo de series de tiempo.
Donde f significa es una funcin de, depende de o est influenciado por. Conforme estos
factores cambien, la Demanda variar segn lo especifique la forma seleccionada del
modelo.
Si el nico propsito es pronosticar los valores futuros de la demanda sin prestar atencin a
por qu se llevar a cabo un cierto nivel de la demanda, un enfoque de series temporales
sera el apropiado. Se sabe que la magnitud de la demanda no cambia drsticamente de un
mes a otro, o aun de un ao a otro. As, la demanda del mes prximo depender de la
demanda del mes anterior y posiblemente del de los meses pasados. Con base en esta
observacin, la demanda podra expresarse:
Dnde:
12
Makridakis - Wheelwrigth, Mtodos de pronstico, Mxico, D.F., Limusa, 1998, pp63-74
Hanke, J.E. y A.G. Reitsch, usiness Forecasting, Allyn and Bacon, Boston
19
3.4. TIPO DE PATRONES EN LOS DATOS
Componente Descripcin
Tendencia Es el componente de largo plazo que representa el crecimiento o
disminucin en la serie sobre un periodo amplio.
13
Makridakis - Wheelwrigth, Mtodos de pronstico, Mxico, D.F., Limusa, 1998, pp63-74
Mahmoud, E., The Evaluation of forecasts, en S. Makridakis y S. Wheelwright, The Handbook of Forecasting,
2a. ed.,Wiley, Nueva York.
20
Existe un patrn estacional cuando una
serie flucta de acuerdo con un factor
estacional. El componente estacional se
refiere a un patrn de cambio que se repite
a si mismo periodo tras periodo.
14
http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm consultada el 22/10/08
15
Makridakis - Wheelwrigth, Mtodos de pronstico, Mxico, D.F., Limusa, 1998, pp63-74
Mahmoud, E., The Evaluation of forecasts, en S. Makridakis y S. Wheelwright, The Handbook of Forecasting,
2a. ed.,Wiley, Nueva York.
21
El patrn de tendencia de una serie de
tiempo es el componente de largo plazo
que representa el crecimiento o
disminucin en la serie sobre un periodo
amplio, es decir se da cuando existe un
aumento o disminucin general del valor
de la variable a lo largo del tiempo. Las
fuerzas bsicas que ayudan a explicar la
tendencia de una serie son el crecimiento
de la poblacin, la inflacin de precios, el
cambio tecnolgico y los incrementos en la
productividad. Este tipo de patrn se
muestra en a la ilustracin 18.16
Ilustracin 10 Patrn de tendencia de los datos
Un factor principal que influye en la
seleccin de una tcnica de pronstico consiste en la identificacin y comprensin de
patrones histricos en los datos. Si se pueden reconocer patrones de tendencia, cclicos o
estacionales, entonces se pueden seleccionar las tcnicas con la capacidad de utilizar
eficazmente estos patrones.
Aunque generalmente X, o algn otro smbolo, identifica los valores observados reales
(histricos) de una variable, a menudo se utiliza un smbolo diferente para representar el
valor pronosticado de esa variable. En este trabajo los smbolos Ft+1 o se usarn para
denotar el valor de la prediccin para el periodo de tiempo t+1. Como resumen de la relacin
entre los valores observados y los valores pronosticados en una situacin de series de
tiempo consltese la siguiente tabla:
Valores .
estimados
F1 F2 F3 F4 Ft-2 Ft-1 Ft
Valores del e1 e2 e3 e4 et-2 et-1 et
error
16
http://books.google.es/books?id=1J3ZlgSTZ9gC&pg=PA926&lpg=PA926&dq=patron+horizontal+en+series+de+ti
empo&source=web&ots=BCYQW9hCtZ&sig=BSn2nEUXyOhptb1jZ9V9JNbS7xg&hl=es&sa=X&oi=book_result&re
snum=4&ct=result#PPA924,M1, consultada el 24/10/2008
22
Los elementos de la notacin mencionada se pueden mostrar utilizando la informacin de la
Tabla 2: Xi es el valor real de la serie de tiempo, Fi o es el valor pronosticado de la serie
temporal, y ei es el error, o la diferencia entre los valores reales (X i) y pronosticado ( ) de la
serie de tiempo en el periodo i.
El supuesto bsico que est detrs del uso de cualquier tcnica de prediccin es que el valor
real observado ser determinado por algn patrn ms algunas influencias aleatorias.
El subndice i indica que es el error del periodo de tiempo i el que se analiza. Como se
muestra en la tabla anterior, un valor del error se asocia con cada observacin para la cual
existe tanto un valor real como un valor pronosticado.17
Un mtodo para evaluar una tcnica de pronstico consiste en obtener la suma de los
errores absolutos. La Desviacin Absoluta de la Media (MAD) mide la precisin de un
pronstico mediante el promedio de la magnitud de los errores de pronstico (valores
absolutos de cada error).
La MAD resulta de gran utilidad cuando el analista desea medir el error de pronstico en las
mismas unidades de la serie original. La siguiente ecuacin muestra cmo se calcula la
MAD:
17
Makridakis - Wheelwrigth, Mtodos de pronstico, Mxico, D.F., Limusa, 1998, pp67-69
23
3.5.2. ERROR MEDIO CUADRADO (EMC)
Otra tcnica para evaluar una tcnica de pronstico es el Error Medio Cuadrado (EMC).
Cada error o residual se eleva al cuadrado; luego estos valores se suman y se divide entre el
nmero de observaciones. Este enfoque penaliza los errores mayores de pronsticos, ya que
eleva cada uno al cuadrado. Esto es importante pues en ocasiones pudiera ser preferible una
tcnica que produzca errores moderados a otra que por lo regular tenga errores pequeos
pero que ocasionalmente arroje algunos en extremo grandes. La ecuacin para el clculo del
EMC, es la siguiente:
Tambin se puede utilizar el PEMA para comparar la precisin de la misma u otra tcnica
sobre dos series completamente diferentes. La siguiente ecuacin muestra el clculo del
PEMA:
18
Makridakis - Wheelwrigth, Mtodos de pronstico, Mxico, D.F., Limusa, 1998, pp63-74
Mahmoud, E., The Evaluation of forecasts, en S. Makridakis y S. Wheelwright, The Handbook of Forecasting,
2a. ed.,Wiley, Nueva York.
24
Una parte de la decisin para utilizar una tcnica de pronstico en particular es la
determinacin de si la tcnica producir errores de prediccin que se juzguen como
suficientemente pequeos. Es en este efecto realista esperar que una tcnica produzca
errores de pronstico relativamente bajos sobre una base consistente. Las cuatro mediciones
de precisin de un pronstico que acabamos de describir se utilizan de la siguiente manera:
2
i Xi Fi Xi-Fi |Xi-Fi| |(Xi- (Xi-Fi)
Fi)/Xi|*100
Enero 1 6,341 - - - -
19
http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm consultada el 22/10/08
25
Ntese que el promedio de la columna (4) sale muy bajo respecto a los valores que se
manejan esto ya que entre la suma de los errores los signos tienden a eliminar los valores
negativos a los positivos distorsionando la interpretacin del error, por lo que para evitar este
problema se debe computar los errores absolutos y se observa lo que comnmente se
conoce como la desviacin absoluta media MAD (5).
El MAPE de la columna (6) es una medida relativa, y es por esto que algunas veces se
prefiere el error promedio o MAD como medida de precisin.
Otra medida de exactitud es el ECM que se obtiene en la columna (7) una diferencia entre
este y el MAD o el MAPE, es que el primero castiga mucho ms a un pronstico por
desviaciones extremas que por desviaciones pequeas ya que la ECM eleva el error al
cuadrado de ah la necesidad de minimizar el error cuadrado medio es decir es mejor que se
tengan varias desviaciones pequeas a una desviacin grande.
Una decisin nica requiere un solo pronstico, mientras que una solucin recurrente
necesita un pronstico cada vez que se toma la decisin. En cualquier caso la decisin
determina qu pronosticar, el nivel de detalle necesario y con frecuencia se har el
pronstico.
La base para entender los problemas de pronsticos es comprender el proceso; para hacer
esto, se examina las caractersticas del problema y se analizan los datos, si existen. Tambin
se establece una meta para el pronstico.
Las decisiones a largo plazo no requieren pronsticos exactos. As los pronsticos muy
precisos son innecesarios. Normalmente los pronsticos a largo plazo se hacen para una
sola vez. Es comn que se usen mtodos causales y cuantitativos para obtenerlos.
Las decisiones a mediano plazo normalmente requieren pronsticos para uno o dos
artculos. Con frecuencia se usan mtodos cuantitativos, incluyendo los causales y las series
de tiempo, para los pronsticos a mediano plazo.
La decisin a corto plazo indica cuntos productos se deben fabricar. En este caso se
necesita el nmero real de unidades de producto. Debido a que las decisiones de corto plazo
26
estn basadas en estos pronsticos, necesitan ser razonablemente exactos. Los mtodos de
series de tiempo son los que se usan con ms frecuencia para los pronsticos a corto plazo,
pero en algunas situaciones, tambin son tiles los mtodos causales y los cuantitativos.
3.- Datos.- Examinar los datos, cuando se tienen pueden proporcionar una gran visin. Los
datos pueden venir de los registros de la empresa o fuentes comerciales o gubernamentales.
Si no existen datos, se deben recolectar o se puede usar un enfoque de pronsticos que no
los requiera. Si no se dispone de datos o recolectarlos es demasiado costoso, se elige un
enfoque cualitativo.
El mtodo elegido deber producir un pronstico que sea preciso y comprensible para los
administradores, de modo que pueda ayudar a producir mejores decisiones. Adems, la
utilizacin del proceso de pronstico debe producir un beneficio que exceda al costo
asociado con su uso.20
5.- Desarrollo de un modelo.- Una vez identificados los procesos, stos determinan la
forma del modelo. Los pronsticos cualitativos no usan modelos sencillos de establecer. Los
modelos causales dependen de la situacin particular pero en general tienen la forma.
Y = f (Xt-k) + e
Dnde:
El lapso del periodo k permite conocer el valor de la variable independiente antes de hacer el
pronstico de la variable dependiente; si no hay este lapso, deber pronosticarse la variable
independiente antes de obtener un pronstico para la variable dependiente.
La relacin funcional entre Y y X se representa por f y puede ser lineal, cuadrtica o alguna
otra relacin matemtica. Puede haber ms de un factor causal.
20
http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm consultada el 04/09/08
27
6.- Solucin Del Modelo.- El primer paso para resolver el modelo es elegir un mtodo. Si se
tiene un modelo causal, el mtodo ser regresin. Para modelos de series de tiempo, existen
varios mtodos disponibles.
Los diferentes tipos de error sern de ayuda para identificar la bondad del mtodo de
prediccin seleccionado, por lo que se han introducido las medidas y tcnicas que se podrn
utilizar para determinar las capacidades y limitaciones de los mtodos cuantitativos de
prediccin.
An est presente la pregunta sobre qu mtodo de prediccin debo aplicar a los datos. De
este tema se encargan los siguientes captulos, empezando por los ms sencillos los
mtodos de suavizamiento y el mtodo de descomposicin que se presentan a continuacin.
21
http://home.ubalt.edu/ntsbarsh/stat-data/Forecasts.htm#rintroductionf consultada el 27/10/2008
28
En el captulo anterior se explic ampliamente la clasificacin general de los mtodos de
prediccin y los errores para su evaluacin, esta seccin abarcar el primer tipo de modelo
de prediccin cuantitativo, y quizs el ms comn, el modelo de series de tiempo, que son
modelos matemticos basados nicamente en datos histricos, bajo el supuesto de que son
relevantes para el futuro. En un modelo de series de tiempo son importantes dos factores: la
serie de datos que se va a pronosticar y el periodo de tiempo a utilizar. Un modelo de series
de tiempo supone siempre que algn patrn o combinacin de patrones es recurrente a
travs del tiempo. De esta manera, al identificar y extrapolar dicho patrn, se pueden
desarrollar pronsticos para periodos subsecuentes.
Como el objetivo es determinar el mejor modelo que ajuste a los datos y brinden unos
pronsticos confiables de la variable demanda, para la aplicacin de cada modelo se realiza
el clculo y la comparacin de la suma de cuadrados de los residuos obtenidos para cada
caso.
4.2Mtodos de
suavizamiento.
4.1 Anlisis
Mtodos de 4.3 Mtodos de
Exploratorio de promedio Descomposicin.
la Serie Mtodos de
suavizamiento
29
4.1 ANLISIS EXPLORATORIO DE LAS SERIES DE TIEMPO.
Para iniciar con el estudio de la serie es necesario antes definir un software con el que se
pueda analizar los datos de demanda de pasajeros, para ello se han analizado varios
paquetes que actualmente muestran sus bondades en cuanto a predicciones se refiere. El
mercado presenta varias alternativas que fueron manejadas previamente, sin embargo el
anlisis de este trabajo se realiza como base en el paquete SPSS versin 15 apoyado con
algunos clculos de Excel y en algunos casos con el Minitab versin15.
Statistical Package for the Social Sciences (SPSS) es un programa estadstico informtico
muy usado en las ciencias sociales y las empresas de investigacin de mercado. Como
programa estadstico es muy popular su uso debido a la capacidad de trabajar con bases de
datos de gran tamao.22 Aunque los procesos que rodean al anlisis predictivo son
complicados, implantar una solucin SPSS para el anlisis predictivo no lo es.
En este sentido, los anlisis que se presentan a continuacin mostrarn los comandos
aplicados, las ventanas de instrucciones as como las salidas que la aplicacin de cada
software devuelve para el anlisis.
Los modelos de suavizacin exponencial capturan y pronostican el nivel de los datos con los
diferentes tipos de tendencias y patrones estacionales. Los modelos son adaptativos y
22
http://es.wikipedia.org/wiki/SPSS, consultada el 18 de marzo de 2009
30
pronostican dando mayor importancia o ponderacin a los datos ms recientes sobre los
datos ms distantes en el pasado. 23
Los mtodos que se encargan de estos anlisis son los mtodos de suavizamiento
simple en cuyo caso el patrn es horizontal, el mtodo de Holt cuando existe
presencia del patrn de tendencia o el mtodo de Winters el que incluye los patrones
de tendencia y estacionalidad.
23
http://www.dandoenelblanco.com/2008/07/modelos-de-series-de-tiempo-para-pron%C3%B3sticos-de-
demanda.html consultada el 10 de febrero de 2009.
31
Ilustracin 12 Modelos de prediccin mediante suavizamiento exponencial
32
4.2.1 MODELOS NO FORMALES:
t Yt Yt+1 et Estas tcnicas suponen que los periodos recientes son los mejores
para pronosticar el futuro. El mtodo ms sencillo es el mtodo del
1 42 ltimo valor, a este pronstico se le llama mtodo ingenuo.
2 52 42 10
Pronstico = ltimo valor
3 54 52 2
4 65 54 11 4.2.2 MTODOS DE PROMEDIO
Si la serie contiene una aleatoriedad sustancial, un enfoque ingenuo producir
predicciones que variarn considerablemente. Para eliminar dicha variabilidad, se podra
considerar el uso de algn tipo de promedio de los datos recientes observados. El mtodo
de promedios mviles hace eso al tomar un conjunto de datos observados, encontrar su
promedio y luego utiliza tal promedio como un pronstico del siguiente perodo. El trmino
promedio mvil se usa porque conforme cada nueva observacin se encuentra disponible,
se puede calcular un nuevo promedio y utilizarlo como pronstico. La aplicacin de este
mtodo se presenta a continuacin.
ENERO 1 6,341,394
(6,341,394+5,693,328+6,508,453)/3
FEBRERO 2 5,693,328
MARZO 3 6,508,453
La tabla 4, muestra cmo la tcnica de los promedios mviles se puede aplicar con un
promedio de tres y de cinco meses. La aplicacin de este mtodo de prediccin se
muestra en la ilustracin 27.
En esta figura se observan fcilmente dos de las caractersticas de los promedios mviles,
la primera es que antes de que cualquier pronstico puede prepararse, se deben tener
tantas observaciones histricas como se necesiten y la segunda se refiere a que entre
ms grande sea el nmero de observaciones incluidas en el promedio mvil, mayor ser
el efecto de Suavizamiento en el pronstico.
6.600.000
6.400.000
6.200.000
6.000.000
5.800.000
5.600.000
ABRIL
FEBRERO
MARZO
MAYO
JUNIO
AGOSTO
NOVIEMBRE
OCTUBRE
JULIO
DICIEMBRE
SEPTIEMBRE
ENERO
Datos reales
34
Para determinar si el promedio mvil trimestral o pentamensual es ms apropiado para
pronosticar la demanda, es til estimar el error en ambos pronsticos. La tabla 5 muestra
el error para cada prediccin y calcula la desviacin media absoluta (MAD) y el error
cuadrado medio (RMS) con propsitos de comparacin. Ambas formas de medicin de
error indican que el promedio mvil de cinco meses proporciona un mejor pronstico que
el promedio mvil trimestral cuando se verifica con datos histricos al ser menores esos
errores.
Para entender mejor la tcnica de los promedios mviles, se hace necesario considerar
brevemente la representacin matemtica de este mtodo. En trminos sencillos, la
tcnica de prediccin con promedios mviles se puede representar como sigue:
(a)
En donde
= Pronstico para el tiempo t+1
= valor suavizado en el tiempo t
= valor actual en el tiempo i
I = periodo de tiempo
N = nmero de valores incluidos en el promedio.
Tabla 4 Clculo del los errores obtenidos mediante el mtodo de promedios mviles
35
De la ecuacin (a) se puede ver que en el mtodo de los promedios mviles se da una
ponderacin (o importancia) igual a cada uno de los ltimo N valores de la serie, pero no
se asigna ponderacin alguna a los valores observados antes de ese tiempo.
Tambin se puede observar que para calcular el promedio mvil, se deben tener los
valores de las ltimas N observaciones. Se puede desarrollar una forma ms corta de la
ecuacin (a) para calcular el promedio mvil. El pronstico de promedio mvil para el
periodo t est dado por
(b)
Esto significa que una vez que se tiene el pronstico para el perodo t (es decir, F), se
puede obtener el pronstico del periodo t+1 al sumar y restar .
(c)
Escrita de esta forma, cada nuevo pronstico basado en un promedio mvil es un ajuste
del pronstico de promedio mvil precedente. Es, asimismo, fcil ver por qu el efecto del
Suavizamiento aumenta a medida que N se hace ms grande: se est haciendo un ajuste
ms pequeo entre cada pronstico.
36
exponencial se puede desarrollar empleando la ecuacin (c) para calcular el promedio
mvil. Supngase que slo se tiene disponible el valor observado ms reciente y el
pronstico hecho para el mismo periodo. En tal situacin, la ecuacin (c) podra
modificarse de forma tal que en lugar del valor observado en el periodo (tN) se pudiese
empelar un valor aproximado. Una estimacin razonable sera el valor del pronstico del
periodo anterior. As la ecuacin (c) se modificara para dar
(d)
(e)
Lo que ahora se tiene es un pronstico que pondera las observaciones ms recientes con
una ponderacin con valor de 1/N y al pronstico ms reciente con una ponderacin con
valor de (1-1/N). Si sustituimos 1/N por el smbolo alfa se tiene
(f)
Esta ecuacin es la forma general usada para calcular un pronstico con el mtodo del
Suavizamiento exponencial.
Una manera alternativa de escribir la ecuacin (f) puede facilitar la comprensin del
Suavizamiento exponencial. Al reordenar los trminos de la ecuacin (f) se puede
obtener.
(h)
37
Ilustracin 14 Clculo del modelo de prediccin con el mtodo simple con SPSS
En nuestro anlisis SPSS muestra los 10 valores del alfa calculados indicando la suma de
los errores cuadrticos, sobre el que podemos concluir que para , el error es
menor, como muestra la tabla 6.
38
Tabla 5 Suma de los errores cuadrticos de la aplicacin del Mtodo simple
A continuacin, se muestran los parmetros con las sumas menores de errores cuadrticos. Estos parmetros
se utilizan para pronosticar.
(i)
Vemos que el trmino del error se anula, esto nos indica que siempre el valor del
pronstico se convertir en una constante lo que se ratifica en la Ilustracin 29. La lnea
proyectada verde inmediata al perodo de validacin es el pronstico realizado con este
mtodo.
39
4.2.4 MODELOS DE SUAVIZAMIENTO EXPONENCIAL LINEAL (SUAVIZAMIENTO
EXPONENCIAL DOBLE DE HOLT)
Cuando una serie de tiempo presenta alguna tendencia, ya sea creciente o decreciente,
se puede utilizar el suavizamiento de Holt que permite estimar por separado el valor
suavizado de la serie y el cambio en la tendencia a travs del tiempo. La ilustracin 31
muestra cul es procedimiento en SPSS para el clculo de este mtodo.
Ilustracin 15 Clculo del modelo de prediccin con el Mtodo de suavizamiento de Holt con SPSS
40
Para utilizar el mtodo de Holt se requieren dos constantes de suavizamiento, que es la
constante de suavizamiento para el nivel de la serie y la constante de suavizamiento
para la tendencia de la serie. Estas dos constantes deben estar entre cero y uno. Para
obtener el mejor ajuste se obtienen estimaciones con diferentes valores de alpha y beta y
la combinacin adecuada es la que produzca una menor media absoluta de los errores
(MAE) o una menor media absoluta del porcentaje de error (MAPE) .24
Los valores de las estimaciones iniciales son:
S1= X1
T1 = X2 - X1
Las proyecciones o pronsticos se obtienen con las siguientes ecuaciones:
(j)
(k)
(l)
Dnde:
SPSS realiza los clculos utilizando estas ecuaciones, la tabla 7 muestra la corrida de
este mtodo en el que se obtuvo los siguientes resultados:
24
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030006/lecciones/capitulocinco/5_2_4.html
consultada el 20 de febrero de 2009.
41
Estado de suavizado inicial
Pasajeros_1
Nivel 67657.91096
Tendencia 44.17808
Gamma
Serie Rango del modelo Alpha (Nivel) (Tendencia) Sumas de los errores cuadrticos
Pasajeros_1 1 .10000 .00000 3746909207855.35100
2 .20000 .00000 3956162450628.50300
3 .10000 .20000 4011466788585.11100
4 .30000 .00000 4167556892296.53200
5 .10000 .40000 4319389211935.85000
6 .40000 .00000 4350890080592.53700
7 .20000 .20000 4369386411192.39700
8 .50000 .00000 4499296398596.58600
9 .60000 .00000 4619126559500.59000
10 .10000 .60000 4621629497052.09000
Gamma
Serie Alpha (Nivel) (Tendencia) Sumas de los errores cuadrticos gl error
Pasajeros_1 .10000 .00000 3746909207855.35100 1459
A continuacin, se muestran los parmetros con las sumas menores de errores cuadrticos. Estos parmetros
se utilizan para pronosticar.
La primera tabla resume los datos del modelo ejecutado en donde explica que la
tendencia aplicada es la lineal y que no hay presencia de estacionalidad.
La tabla de sumas menores de los errores cuadrticos son resultado de las 10 iteraciones
que realiza el paquete en bsqueda de la menor suma de cuadrados de los errores.
Vemos de la tabla de parmetros del suavizado que an el error sigue siendo alto para los
parmetros ptimos encontrados por el SPSS, en donde debemos tomar en cuenta que el
paquete renombra como parmetro de nivel a alpha y en el caso de la tendencia que
utilizamos para el desarrollo terico beta a gamma.
Con respecto a la ecuacin (k) la nica diferencia entre sta y la forma anterior con
respecto al suavizamiento exponencial nico ecuacin (f), es el trmino adicional que
se suma a para ajustar los valores suavizados del patrn tendencial en la serie de
datos.
42
bsico para el nmero de periodos adelantados que se va a pronosticar, como se indica
en la ecuacin (l). La ilustracin 32 muestra el clculo para la prediccin en la serie de
pasajeros transportados. Observe que la prediccin presenta un crecimiento lineal con
tendencia, sin embargo el comportamiento de los datos histricos nos hace concluir que el
futuro no se esperara tenga presente este patrn. Observe la lnea verde de la
prediccin.
(m)
(n)
(o)
En donde:
(p)
43
Las instrucciones en SPSS son las siguientes:
Ilustracin 16 Clculo del modelo de prediccin con el Mtodo de suavizamiento de Winter con SPSS
La ilustracin 34 muestra como SPSS realiza los clculos para obtener un modelo de
prediccin mediante el mtodo de Winter.
44
Este proceso fcilmente lo realiza SPSS, se observa en el cuadro de dilogos de los
parmetros, la activacin de la casilla mostrar los 10 mejores modelos de la bsqueda de
rejilla, significa que SPSS muestra los modelos con las combinaciones que menores suma
de cuadrado de los errores generan. Estos resultados se pueden ver en la tabla 8.
Para iniciar el proceso de suavizamiento del nivel se puede asumir que: S1 = Y o tambin
se puede emplear un promedio mvil centrado de igual longitud al perodo estacional.
Para el valor inicial de la tendencia se pueden utilizar los 2L primeros datos para hacer
una regresin lineal; la pendiente ( ) es el valor inicial de la tendencia en el perodo
inicial, es decir, b1 = y adems el coeficiente de interseccin puede ser el valor inicial
del nivel, S1 = .
Se deben calcular L valores iniciales para el factor estacional, es decir uno para cada uno
de los perodos que conforman el ciclo estacional; cada uno de estos factores se obtiene
dividiendo el valor observado de la variable en cada perodo por el valor de la tendencia
para el correspondiente perodo. Usando los valores iniciales para el nivel, la tendencia y
cada uno de los factores estacionales, se inicia el uso de las ecuaciones para obtener las
proyecciones o pronsticos. A pesar de que este clculo es un poco extenso SPSS lo
realiza de manera rpida y precisa as la tabla 8 muestra los resultados obtenidos.
Tabla 7 Descripcin de resultados del Modelo de suavizamiento de Winter en SPSS
Pasajeros_1
ndices 1 112.35042
estacionales 2 114.06417
3 77.49747
4 58.61673
5 113.39978
6 111.67424
7 112.39719
Nivel 139940.15424
Tendencia 38.11920
45
Sumas menores de los errores cuadrticos
Gamma Delta
Serie Alpha (Nivel) (Tendencia) (Estacin) Sumas de los errores cuadrticos gl error
Pasajeros_1 .20000 .00000 .00000 895306251962.63400 1453
A continuacin, se muestran los parmetros con las sumas menores de errores cuadrticos. Estos parmetros
se utilizan para pronosticar.
La tabla 8 muestra los resultados del Mtodo de Winters con SPSS, en donde se destaca
un resumen del modelo indicando la existencia de tendencia y tambin de estacionalidad
7. La tabla estado de suavizado inicial muestra los ndices de estacionalidad para los 7
das, en donde 1 es para jueves pues recordamos que la serie inicia el 01/01/04 que es
jueves. El ndice estacional ms bajo es el 4 que corresponde al da domingo.
Con estos valores se puede calcular una serie sin estacionalidad con el simple hecho de
dividir el valor de la serie original para su ndice de estacionalidad.
La tabla anterior muestra, sumas menores de los errores cuadrticos, muestra los 10
mejores modelos obtenidos por iteracin del SPSS en el que ubicamos el que menor
suma cuadrada de los errores genere. Este resultado plasma la ltima tabla, parmetros
del suavizado.
Esto nos obliga a seguir en la bsqueda de un modelo que mejore las predicciones, por lo
que a continuacin estudiaremos un modelo que toma en cuenta por separados los
patrones que se encuentran en la serie de pasajeros y nos brinda una estimacin del
46
futuro, se deber por tanto de igual manera encontrar mediante la suma de los errores
cuadrticos si el modelo que obtengamos va mejorando.
34% Promedio
Exponencial nico
23%
Holt
21% Winter
Ilustracin 17 Suma de los errores cuadrticos obtenidos con los modelos de suavizamiento exponencial.
Los mtodos de descomposicin identifican tres componentes distintos del patrn bsico
subyacente que caracterizan a las series econmicas y empresariales. stos son los
factores tendenciales, cclicos y estacionales. El factor tendencial, que representa el
comportamiento de largo plazo de los datos, puede aumentar, disminuir o permanecer sin
cambio. La tendencia puede ser aproximada por una lnea recta, pero en ciertas
situaciones puede existir una curva exponencial o en forma de S, u otro patrn de largo
plazo. El factor cclico representa las altas y bajas causadas por las condiciones
econmicas o especficas de la industria. El factor estacional se refiere a fluctuaciones
peridicas de longitud constante y profundidad proporcional, que son provocadas por
circunstancias tales como la lluvia, el mes del ao, el espaciamiento de feriados y polticas
corporativas.
47
El anlisis exploratorio de la serie, es punto de partida de la aplicacin de cualquier
mtodo de pronstico mediante series de tiempo. Identificar cada uno de los patrones es
esencial para concluir que mtodo es el que mejor ajustara a los datos.
Los datos atpicos deben ser tratados en la fase exploratoria, debido a que estos anlisis
estudian patrones pasados basndose en promedios y un dato perdido puede afectar a la
proyeccin al futuro.
El mtodo del promedio simple se aplica cuando existe un patrn horizontal, el mtodo de
Holt cuando est presente el patrn tendencial y el mtodo de Winters cuando tanto la
tendencia como la estacionalidad estn presentes.
El anlisis de la bondad del modelo que utiliza SPSS est basado en el estudio de la
suma de los errores cuadrticos, que es una parte del MSD o error medio cuadrado
(EMC), estudiado en el captulo III, sin embargo, SPSS no utiliza la divisin para el
nmero de datos.
Ilustracin 18 Comparacin de suma de los errores cuadrticos de los mtodos de suavizacin y descomposicin.
Estos mtodos fueron el inicio del anlisis de las series de tiempo, sin embargo, las
tcnicas han ido mejorando, crendose as metodologas ms avanzadas, el captulo
siguiente se encarga de este estudio, donde se expondr la metodologa llamada de Box
Jenkins mediante los modelos ARIMA estacionales.
48