ANLISIS DE LOS MTODOS DE PRONSTICOS CUANTITATIVOS Y

CUALITATIVOS EN LAS EMPRESAS.

Miller Rafael Carrillo Mieles
Pronsticos en la planeacin de las empresas.
Pronostico es un mtodo mediante el cual se intenta conocer el comportamiento
futuro de alguna variable con algn grado de certeza existen en los que se
diferencian entre s por la precisin relativa del pronstico del largo plazo en
comparacin con el corto plazo, el nivel de herramientas matemticas requerido y
la base de conocimiento como sustrato de sus proyecciones. Es bien sabido que
a nivel regional todo administrador conoce la importancia de la planeacin de
empresas, pero tambin se sabe que la mayor parte de las veces estos
administradores desconocen la verdadera importancia de la elaboracin de
pronsticos confiables que puedan incluir en esta rea. (Barrn, 2010)
En la experiencia de la mayora de los negocios regionales -sean estos del giro de
produccin o de servicios-, las decisiones tomadas en el presente que impactaran
en el futuro se respaldan en la intuicin; y no es que esto sea malo, pero bajo el
contexto actual en el cual se mueven todos los mercados, la incertidumbre es
parte de la operacin de las empresas en el da a da. Para que las empresas
puedan reducir este grado de incertidumbre como resultado del cambio constante
del entorno, deben respaldar sus decisiones en algo ms que la intuicin, deben
respaldarlo en la elaboracin de pronsticos correctos y precisos que sean
suficientes para satisfacer las necesidades de planeacin de la organizacin
(Hanke y Wichern, 2006).
En el sentido de los negocios, un pronstico es una herramienta que proporciona
un estimado cuantitativo -o un conjunto de estimados- acerca de la probabilidad
de eventos futuros que se elaboran en base en la informacin de inters en su
dimensin pasada y actual (Pindyck y Rubinfeld, 2001); dicha informacin se
encuentra expresada en la forma de un modelo y existen mltiples formas de
estos expresadas a travs de tcnicas de pronsticos2. No obstante, sea cual sea
el modelo elegido para la elaboracin del pronstico se debe seguir un proceso
lgico para llevarlo a cabo; tal proceso consta de los siguientes pasos (Hanke y
Wichern, 2006):



1. TIPOS Y MTODOS DE PRONSTICOS
En este trabajo se abordarn principalmente tcnicas de pronsticos cuantitativos,
y se har una breve referencia a los pronsticos cualitativos.
1.1 PRONSTICOS CUALITATIVOS
Los pronsticos cualitativos son aquellos que utilizan el juicio, intuicin, resumen,
o tcnicas comparativas para producir estimados cuantitativos acerca del futuro
(Ronald H. Ballou, 1998, p. 277).
Algunas personas consideran que los pronsticos cualitativos slo deben utilizarse
como ltimo recurso, lo cual no es estrictamente correcto. Considerando a
Makridakis, Wheelwright, y Hyndman, (1998, p. 8) los modelos cualitativos deben
utilizarse cuando no se cuenta, o existe muy poca informacin cuantitativa, pero
existe el suficiente conocimiento cualitativo (experiencia, juicio, intuicin). Por lo
que cuando se presenta lo anterior, los pocos o nulos datos del pasado deben
compensarse mediante un juicio antes de poder desarrollar un pronstico. Los
modelos cualitativos casi siempre se utilizan para pronsticos a mediano y largo
plazo. En trminos generales, los mtodos de pronsticos cualitativos dependen
del juicio gerencial, no utilizan modelos especficos, por lo que distintos individuos
pueden utilizar el mismo mtodo y llegar a resultados diferentes.

1.2 PRONSTICOS CUANTITATIVOS
Makridakis, Wheelwright, y Hyndman, (1998, p. 9) mencionan que los pronsticos
cuantitativos pueden aplicarse cuando existan las siguientes condiciones:
1. Informacin disponible acerca del pasado
2. La informacin puede ser cuantificada
3. El patrn de comportamiento de la informacin en el pasado, continuar en el
futuro.
Los mtodos cuantitativos presentan dos caractersticas: 1. Se expresan en
notacin matemtica. Por lo tanto, establecen un registro no ambiguo sobre la
forma de cmo se hace la prediccin, esto permite una comunicacin clara sobre
el pronstico entre aquellos a quienes interesa, Adems proporciona una
oportunidad de hacer modificaciones sistemticas y mejorar la tcnica de
pronosticar. 2. Mediante el uso de computadoras, un modelo se puede basar en
una cantidad importante de datos. Por ejemplo los sistemas de control de
inventarios que requieren pronsticos actualizados cada mes para miles de
artculos, no podran ser construidos sin modelos cuantitativos y computadoras. Se
distinguirn dos categoras de pronsticos cuantitativos: modelos por series de
tiempo y modelos causales.

1.2.1 PRONSTICOS POR SERIES DE TIEMPO
Estos modelos generan pronsticos, mediante la extrapolacin del
comportamiento anterior de los valores de una variable que interese, Los modelos
de series de tiempo se refieren a la medicin de una variable en el tiempo a
intervalos espaciados uniformemente. El objetivo de la identificacin de la
informacin histrica es determinar un patrn en su comportamiento, que posibilite
la proyeccin futura de la variable deseada.
Lo que se busca en series de tiempo, es identificar la magnitud y la forma de cada
uno de los componentes basndose en los datos disponibles del pasado. Estos
componentes (con excepcin del componente aleatorio), se proyectan hacia el
futuro. Si slo queda un componente aleatorio pequeo y el patrn persiste en el
futuro, se obtendr un pronstico confiable. Las ideas de los prrafos anteriores
fueron tomadas de manera general de los autores Hanke y Reitsch (1996, p.
318,319) La representacin matemtica general de la descomposicin de una
serie de tiempo es la siguiente, tomada de Makridakis, Wheelwright, y Hyndman,
(1998, p. 84) :

Y t = f (St + Tt + Et) (2.1)
Dnde:
Y t = demanda durante el perodo t
S t = componente estacional
T t = tendencia
E t = error aleatorio
Como puede observarse, este modelo, por series de tiempo tiene factor cclico,
tendencia, fluctuaciones estacionales y variaciones no siste mticas (error
aleatorio). Cada uno de estos trminos se estima a partir de los datos del pasado
para desarrollar una ecuacin que se utiliza para pronosticar la demanda del
futuro.
Los modelos de series de tiempo que se describen en este trabajo son los
siguientes: Mtodo de suavizacin exponencial simple, mtodo de Holt y mtodo
de Winters.

1.2.2 MTODO DE SUAVIAZACIN EXPONENCIAL
Es un mtodo que utiliza un promedio ponderado de valores histricos de la serie
de tiempo como pronstico. La suavizacin exponencial es simple y requiere
pocos datos, por lo que es un procedimiento econmico y til para empresas que
elaboran muchos pronsticos cada periodo (Hanke y Reitsch, 1996, p. 171) Para
formalizar el razonamiento anterior se describe:

Ft+1 = Yt + (1 - ) Ft (2.2)
En este caso, Ft+1 es el pronstico de la serie de tiempo para el perodo de t + 1,
Yt es la demanda que se acaba de observar, Ft es el pronstico en la serie de
tiempo para el perodo t, y es la proporcin del peso que se da a la demanda
nueva contra la que se da al promedio anterior (constante de suavizacin). Esta
constante debe conservar un valor entre 0 y 1 (0< < 1). Se le da un valor
pequeo a , cuando la serie sigue una tendencia o tiene estacionalidad y no da
brincos.
La frmula 2.2 indica que el pronstico nuevo sera el pronstico anterior ms una
porcin del error entre demanda observada y el pronstico anterior. Se puede
controlar la proporcin de error utilizada mediante la eleccin de . Resulta claro
que la eleccin del factor alfa afecta a la ponderacin de los datos actuales sobre
los datos anteriores.


1.2.3 MTODO DE HOLT
Tambin llamado mtodo de suavizacin exponencial doble; segn Makridakis,
Wheelwright, y Hyndman, (1998, p. 158): se usa para pronosticar datos con
tendencia. En este modelo de pronstico se usan dos constantes de suavizacin
y con valores entre 0 y 1; y tres ecuaciones:

Lt = Yt + (1 - )( Lt-1 + bt-1) (2.3)

bt = (Lt Lt-1) + (1 )bt-1 (2.4)
Ft+m = Lt + btm (2.5)
La ecuacin 2.3 indica un estimado del nivel de la serie en el perodo t; la ecuacin
2.4 sirve para determinar la tendencia de la serie de datos. La tercera ecuacin se
usa para pronosticar, multiplicando la tendencia por el nmero del perodo que se
va a pronosticar.

1.2.2.1 MTODO DE WINTER
El mtodo de Winters es un procedimiento de atenuacin exponencial, que puede
usarse en situaciones en las que se encuentren presentes la tendencia y la
estacionalidad. Esta tcnica supone que el proceso fundamental que genera la
demanda est dada por: DEMANDA = (NIVEL + TENDENCIA) (INDICE
ESTACIONAL)
Cada uno de los tres factores en esta expresin se actualiza mediante la
atenuacin exponencial de la informacin nueva, a medida que se dispone de ella.
En el tiempo t, cuando se conoce la demanda real Yt, las estimaciones de los tres
factores se actualizan empleando las siguientes frmulas (Makridakis, Whee
lwright, y Hyndman, 1998, p. 165):
Nivel:
Lt = Yt + ( 1 ) ( Lt-1 + bt-1 ) St-s
Tendencia: Bt = ( Lt Lt-1) + ( 1 - )bt-1
Estacionalidad:
St = Yt
Lt
Pronstico:
Ft+m = (Lt + btm) St-s+m

Dnde:
S = longitud de estacionalidad
Lt = nivel de las series
bt = tendencia
St = componente estacional
Ft+m = pronstico para m perodos adelante
Cada constante de atenuacin (, , ), se les da un valor entre cero y uno, cuanto
mayor sea su valor, tanto mayor valor se le dar a la observacin ms reciente.
1.2.2.2 PRONSTICOS CAUSALES
En un modelo causal, nuestro conocimiento del valor de una variable ( o quiz de
varias variables ) nos habilita para predecir el valor de otra.
En trminos ms precisos, de acuerdo con Anderson, Sweeney, y Williams (1999,
p. 164) los pronsticos causales se basan en la hiptesis de que la variable que se
quiere pronosticar exhibe una relacin causa - efecto con otra u otras variables.
Para usar un modelo causal, se requieren dos condiciones: 1. Una relacin entre
los valores de las variables, tales que una proporcione informacin sobre la otra u
otras.
2. Los valores de una variable deben ser conocidos y estar disponibles para la
prediccin en el momento en que sta deba hacerse.
De los modelos causales en este trabajo se describe el anlisis de regresin.
1.2.2.3 ANLISIS DE REGRESIN EN LOS PRONSTICOS
Las tcnicas de regresin cuantifican la asociacin estadstica entre dos o ms
variables. Segn Anderson, Sweeney, y Williams (1999, p. 189) esta tcnica
estadstica se utiliza para desarrollar una ecuacin matemtica que muestre cmo
se relacionan las variables. Sin embargo la definicin de Hanke y Reitsch (1996, p.
205) es ms completa para este trabajo La lnea que mejor se ajuste a un
conjunto de puntos de datos X Y, es quella que minimiza la suma de las
distancias al cuadrado de los puntos a la lnea, medidas en direccin vertical o
hacia Y. A esta lnea se le conoce como la lnea de regresin y su ecuacin se
denomina ecuacin de regresin.
La definicin anterior toma la siguiente forma:

Y = b0 + bX (2.10)
En donde: b0, es la interseccin de y, porque es el valor que toma Y cuando X es
igual a cero. b, es la pendiente de la recta, representa la cantidad de cambio en Y
al incrementar X en una unidad. En esta representacin, las variables x a menudo
se llaman variables independientes, en tanto que Y es la variable dependiente o
respuesta. Como se mencion anteriormente, se deben conocer las variables
independientes y se usan en el modelo de pronstico para predecir la variable
dependiente.
Para que un modelo resulte til, las variables independientes deben ser conocidas
o de fcil disponibilidad. Tambin puede calcularse que tan fuerte es la relacin
entre X y Y por medio del coeficiente de correlacin r, el cual es un valor entre 1
y 1.
El valor de correlacin representa la proporcin de variacin en Y que se explica
por la relacin con X. Por lo tanto, resulta deseable que el valor de correlacin se
acerque lo ms que sea posible a estos valores. Por ejemplo, un valor de r = 0.8
indica que el 80 % de la variacin en Y se puede predecir o explicar mediante la
lnea de regresin con X, slo el 20 % se debe al azar.
La cantidad de correlacin se puede calcular como sigue:
r = nSXY (SX) (SY) nSX2 (SX)2 nSY2-(SY)2

2 EVALUACIN DE LOS PRONSTICOS
En cualquier situacin de la vida real de una empresa, los pronsticos pueden de
vez en cuando escapar al control y de hecho lo hacen.
El no darse cuenta que se ha perdido el control de un pronstico puede conducir a
todo tipo de problemas, puesto que en tales casos, las metas de la organizacin
se basan en situaciones ficticias y no en hechos.
Una vez que se establece que un pronstico est fuera de control, es necesario
determinar la causa o causas de tal situacin, antes de efectuar ajustes
correctivos, esto indicar que accin deber tomarse para recuperar el control del
pronstico la estimacin del error se puede utilizar para varios propsitos:
1. Para fijar inventarios o capacidad de seguridad y garantizar as el nivel deseado
de proteccin contra la falta de inventario.
2. Para observar indicadores de demanda errticas que deban evaluarse con
cuidado y quizs eliminar de los datos.
3. Para determinar cundo el mtodo de pronstico no representa ya la demanda
actual y es necesario volver a partir de cero.





















Trabajos citados

Barrn, M. d. (2010). PRONSTICOS, UNA HERRAMIENTA CLAVE PARA LA PLANEACIN DE .
Catedrtica del Instituto Tecnolgico de Sonora, 25-35.
Pindyck, Robert S. y Rubinfeld, Daniel L. (2001). Econometra, modelos y pronsticos. Captulo 8,
Pronsticos con un modelo de regresin de una sola ecuacin. Cuarta edicin Editorial McGraw
Hill. Mxico, D.F. Pginas 211-234.
Hanke, John E. y Wichern, Dean W. (2006). Pronsticos en los negocios; Captulos 1 Introduccin
a los pronsticos y 3 Exploracin de patrones de datos. Octava edicin. Editorial PEARSON
Prentice Hall. Mxico. Pginas 1-12, 78-81.
Pindyck, Robert S. y Rubinfeld, Daniel L. (2001). Econometra, modelos y pronsticos. Captulo 8,
Pronsticos con un modelo de regresin de una sola ecuacin. Cuarta edicin Editorial McGraw
Hill. Mxico, D.F. Pginas 211-234.
Anderson, David R.; Sweeney, Dennis J.; y Williams, Thomas A. (2008). Estadstica para
administracin y economa; Captulos 14 Regresin Lineal Simple y 15 Regresin Lineal Mltiple.
Decima edicin. Mxico. Editorial CENGAGE Learning. Mxico, D.F. Pginas 543-692.