Documente Academic
Documente Profesional
Documente Cultură
PARA LA TOMA
DE DECISIONES
ÍNDICE
PÁGINA
1
Por supuesto siempre se va a poder pronosticar de manera intuitiva, sin embargo, para los fines de esta
antología siempre supondremos que el tomador de decisiones fundamenta su decisión basado en la
información.
2
EXCEL es una marca registrada de Microsoft Corporation.
¿Qué es pronosticar?
Vamos a entender por pronosticar la acción de emitir un enunciado sobre lo que es
probable que ocurra en el futuro, tomando como base la información obtenida
hasta el presente.
INCERTIDUMBRE
Información
Y RIESGO Suposición
del pasado del futuro
3
LOTUS 123 es una marca registrada de Lotus Corporation propiedad de IBM Co.
estadística, mientras que el arte está formado por el juicio, la intuición y la
experiencia del pronosticador.4
4
Como lo habíamos mencionado previamente la parte intuitiva no debe ser despreciada, en lo absoluto, sin
embrago una decisión no debe fundamentarse sólo en la parte intuitiva del tomador de decisiones.
5
Tomado en parte de: Bures Esperanza; Pronósticos en la toma de decisiones; ITESM, 1980.
1) Mercadotecnia:
a. Ventas.
b. Desarrollo de productos.
c. Planes de publicidad.
d. Distribución.
2) Producción:
a. Programas de producción.
b. Inventarios.
c. Tendencias de costos.
d. Requerimientos de mantenimiento.
3) Finanzas:
a. Proyección de flujos de efectivo.
b. Proyección de liquidez.
c. Planeación de capital de trabajo.
d. Factibilidad de inversiones.
4) Recursos Humanos:
a. Planeación de la fuerza laboral.
b. Requerimientos de planes de entrenamiento.
c. Rotación de personal.
d. Búsqueda de talento.
Características inherentes a los pronósticos
Todas las situaciones en las que se requiere un pronóstico tratan con el futuro y el
tiempo está directamente involucrado, esto hace que la incertidumbre siempre
este presente en las situaciones de pronósticos y por lo tanto la confianza en la
información es básica en las situaciones de pronósticos. Los siguientes factores son
determinantes en la selección de cualquier modelo de pronósticos:
1) El contexto del pronóstico.
2) La relevancia y disponibilidad de datos históricos.
3) El grado de exactitud deseado.
4) El periodo de tiempo que se va a pronosticar.
5) El análisis costo-beneficio del pronostico para la compañía.
6) El tiempo disponible para hacer el pronostico.
7) El punto del ciclo de vida donde se encuentre el producto.
8) ¿Cuál es el propósito del pronóstico?
9) ¿Cómo va a usarse?
10)¿Cuál es la dinámica y componentes del sistema para los que se hará
el pronóstico?
11)¿Qué tan importante es el pasado para estimar el futuro?6
Tipos de pronósticos
1) Pronósticos cualitativos: son aquellos que se basan en la
experiencia, intuición y juicio del pronosticador. Entre los más
importante se encuentran:
a. Método Delphi.
b. Investigación de mercados.
c. Consenso de un panel.
d. Pronóstico visionario.
e. Analogía histórica.
6
Este punto es de particular importancia en una economía como la de México, en la cual algunas empresas
exitosas de hace sólo algunos años, hoy en día no figura en la lista de las más importantes. O bien dada una
situación de crisis económica (como la vivida en 1995), a veces la información del pasado no tiene la mayor
importancia porque las reglas y el estado de la naturaleza han cambiado.
2) Pronósticos cuantitativos: son aquellos que se basan en datos
estadísticos y usan herramientas de cómputo y matemáticas para
predecir el futuro. Las grandes áreas de esta clase de pronósticos
son:
a. Series de tiempo:
i. Métodos de suavización.
ii. Métodos de descomposición.
iii. Metodología Box-Jenkins
b. Modelos causales:
i. Análisis de regresión.
ii. Modelos econométricos.
iii. Modelos insumo-producto.
Para los fines de esta antología se hará una breve descripción de los métodos
cualitativos y con respecto a los cuantitativos sólo se estudiarán los métodos de
suavización, descomposición y el análisis de regresión. En cursos más avanzados
de pronósticos se pueden estudiar los métodos restantes.
Consenso de un panel
Un panel de expertos está constituido por un grupo de personas con grandes
calificaciones y resultados en un área de la empresa. En general el grupo se ha
reunido para tomar una decisión de gran importancia para la empresa. La
metodología de solución puede ser a través de la lluvia de ideas o de la
administración interactiva7. Estas reuniones pueden pretender decidir si se lanza
un nuevo producto, si se cambian las políticas de crédito de la compañía, si se
renueva la estructura organizacional o si el perfil de un director de área debería
cambiar. Sin embargo, la decisión no debe ser tomada por mayoría sino por
consenso (es decir, todos los miembros del grupo deben aceptar la decisión), si no
se llega al consenso el grupo no termina la reunión y deberá seguir discutiendo y
debatiendo hasta decidir una solución en la que este de acuerdo todo el grupo.
Esta tipo de reuniones suelen ser muy productivas y enriquecedoras, sin embargo,
cuando no se logra la empatía entre los integrantes del grupo pueden llegar a ser
muy difíciles y desgastantes para el grupo.
Método Delphi
Un problema muy frecuente en los paneles es el arrastre por estatus; esto significa
que los puntos de vista del grupo pueden ser influenciados por algún miembro de
mayor jerarquía, antigüedad o experiencia y por lo tanto distorsionar la decisión
del grupo y no llevar a la mejor elección. La metodología Delphi pretende evitar
este arrastre por estatus al organizar un grupo de manera que los miembros sean
7
Metodologías donde los miembros del grupo dan su opinión sobre algún aspecto en particular en diversas
rondas de opinión, descartando las menos repetidas y votando sobre aquellas que más veces se presentaron.
anónimos y desconocidos inclusive entre ellos mismos. Hay un moderador que se
encarga de reunir las aportaciones de los miembros del grupo y recopila las
opiniones de todos y cada uno de los integrantes del grupo y hacer llegar los
resultados a todos. Se acostumbra diseñar un cuestionario que se hace llegar a los
participantes y quienes deben no dar a conocer su participación a nadie excepto al
moderador, una vez contestado dicho cuestionario se deposita en un buzón que se
pone para el depósito de los cuestionarios y el moderador los recoge, codifica,
examina y obtiene resultados que posteriormente publica. Si se llega a un acuerdo
desde el principio, se da por terminado el ejercicio, en caso contrario se vuelve a
repetir el cuestionario con las adaptaciones y observaciones surgidas de la ronda
anterior. Se repite tantas veces como sean necesario. Se menciona en Hanke y
Ritsch que la RAND Corporation fue la primera organización en usar esta
metodología.8
Investigación de mercados
La investigación de mercados es el estudio de las metodologías para la recolección,
codificación, análisis e interpretación de la información en el campo de la
mercadotecnia. Estas metodologías incluyen tanto técnicas cualitativas como
cuantitativas. Entre las más conocidas metodologías cualitativas se encuentran las
sesiones de grupo, las entrevistas de profundidad y los análisis de contenido.9
Las técnicas cuantitativas, por otro lado, se basan en métodos estadísticos de todo
tipo, desde análisis de frecuencias simples, hasta análisis multivariados. Los
análisis más comunes son los de tablas cruzadas que tratan de encontrar si existe
relación entre dos o más variables.
8
Hanke y Reitsch; Pronósticos en los Negocios; Prentice Hall; 1996
9
En los informes de gobierno es muy común hacer un análisis de contenido tomando como base la cantidad
de ocasiones en que el gobernante mencione tal o cual palabra; por ejemplo, si el gobernante menciona 20
veces democracia y sólo 10 veces seguridad, se supone que le da el doble de importancia al rubro democracia
que al rubro seguridad.
A pesar de que las metodologías de la investigación de mercados incluyen tanto
aspectos cualitativos como cuantitativos, para efectos de pronósticos TODAS las
técnicas se consideran cualitativas...¿por qué? La razón es que la investigación de
mercados en general toma datos de encuestas aplicadas a consumidores o
empresarios, estas encuestas reflejan la opinión de las personas sobre un asunto
en particular y no necesariamente la verdad de dicho fenómeno. Por ejemplo, se
podría hacer una encuesta sobre la belleza de la Gioconda y encontrar resultados
que digan que es muy fea; esto no significa que así sea, sólo quiere decir que con
la información recabada y con la gente a la que se le preguntó, se obtendría esa
conclusión.
Analogía histórica
Esta técnica esencialmente se usa para el desarrollo y lanzamiento de nuevos
productos. Dicha técnica cosiste en comparar los resultados de un producto de
similares características con aquel que se piensa introducir al mercado. En general
se compara si satisfizo las expectativas de utilidades y participación de mercado
esperadas. La analogía debe tomar en consideración las diferencias en las
situaciones económicas, políticas y de mercado y sólo así comparar uno con otro.
Pronóstico visionario
Esta clase de pronóstico está reservada para algunas personalidades con gran
influencia en el área de su competencia. Así, el presidente de la Reserva Federal
de los Estados Unidos es el gran dictador del rumbo de la economía mundial y
suele predeterminar el rumbo de la economía mundial. Para otras áreas también
se puede encontrar personalidades de este tipo y aun en áreas menores se dan
pronósticos visionarios por la experiencia y la sensibilidad de algún pronosticador o
personalidad de un área. El reconocimiento de la calidad del pronóstico debe ser
reconocida por toda la comunidad de dicha área.10
Es importante darse cuenta que estos pronósticos no pueden ser hechos por
cualquiera, sino sólo por expertos muy calificados en las áreas.
Estadística descriptiva
La estadística descriptiva es la explicación del comportamiento de una población
basándose en un conjunto de datos. Las medidas clave a considerar de la
estadística descriptiva son la media y la desviación estándar.
10
Algunos autores han descalificado esta clase de pronósticos por considerar que no es que el pronosticador
acierte en su opinión, sino que dicha opinión influye de tal manera en el medio ambiente que su opinión se
vuelve en el nuevo estado de la naturaleza; por ejemplo, si el presidente de la reserva federal dice que va a ver
recesión, probablemente no se deba a que puede percibir esta recesión mejor que los demás, sino que su
opinión influyo de tal manera que provocó dicha recesión.
Media de la población: la media (o promedio) de la población es la
suma de todos los datos, divididos entre el número de datos. Esta es
la medida más utilizada en la estadística tanto descriptiva como
inferencial.
o Notación: se denota por la letra griega µ.
o Fórmula
1 N x + x2 + x3 + K + xN
µ = ∑ xi = 1
N i=1 N
La media es la medida de mayor representatividad de la población, sin
embargo, hay que tener cuidado con ella, porque a veces puede ser
afectada por valores extremos.
1 N
σ= ∑ (x i − µ )2
N i=1
1 n X + X2 + K + Xn
X = ∑ XI = 1
n i=1 n
s=
1 N
∑ (X i − X )2
n − 1 i=1
s SLP =
1
11
[ ]
(234 − 284.58)2 + (125 − 284.58)2 + K + (221 − 284.58)2 = 147.74
s AGS =
1
11
[ ]
(453 − 441.67 )2 + (555 − 441.67 )2 + K + (304 − 441.67 )2 = 146.92
s QRO =
1
11
[ ]
(121 − 318.08)2 + (345 − 318.08)2 + K + (221 − 318.08)2 = 87.06
s GTO =
1
11
[ ]
(304 − 419.92)2 + (409 − 419.92)2 + K + (435 − 419.92)2 = 43.37
s ZAC =
1
11
[ ]
(322 − 384.75)2 + (342 − 384.75)2 + K + (143 − 384.75)2 = 135.20
11
Walpole, Myers; Probabilidad y Estadística; McGraw-Hill; Publicado originalmente en 1984 y con
diversas ediciones y reimpresiones nuevas.
12
Para profundizar más en estos temas se recomiendan ampliamente el libro mencionado en el píe de página
superior a este.
está entre $ 45.00 y $ 55.00. Esto en general se trabaja con cierto margen de
error.
Una de las partes más importantes dela estadística inferencial la van a constituir
precisamente los pronósticos, que es el tema central de esta antología.
13
Suponer, generalizar.
MÉTODOS DE PRONÓSTICOS CUANTITATIVOS
Para poder hacer uso de los pronósticos es necesario que exista una certeza de
que lo que ha ocurrido en el pasado, seguirá ocurriendo en el futuro; esto es, debe
haber una constancia de certeza de la información. Los pronósticos toman la
información del pasado y con eso se infiere el futuro, de no continuar con el
mismo patrón de información, el pronostico no serviría de nada. La naturaleza y el
comportamiento humano han mostrado que existen en general cuatro patrones de
comportamientos de los datos, pero aclarando que todo pronóstico siempre
lleva inherente la posibilidad de cometer un error. Esto es, podemos definir
los pronósticos como la certeza de un patrón, más la ocurrencia de un error, así
tendríamos que:
Patrón estacionario
14
Algunos autores afirman que las ventas de los refrescos son más bien estacionales y que se venden más
épocas de calor que de frío, esto siendo verdadero en la generalidad de los casos no lo reflejan las ventas de la
Coca-Cola en México, donde prácticamente permanecen constantes durante todo el año.
Patrón estacional
Es aquel cuyas altas y bajas en la demanda están bien determinadas de acuerdo
con determinadas estaciones del año. Así tenemos que hay productos cuya
demanda se incrementa con el calor (trajes de baños, playeras, shorts, etc.),
mientras que otros productos incrementan su demanda en el frío (chamarras,
abrigos, etc.). De hecho los alimentos también son estacionales, por ejemplo, los
pescados y mariscos tienen su alza en la época de cuaresma y el consumo de pan
de azúcar se incrementa en las temporadas de frío, mientras que las frutas y los
jugos ve incrementada su demanda en épocas de calor.
15
Por supuesto todos hemos encontrado en un súper mercado aceites de cartamo libres de colesterol. Esta es
precisamente la reacción del productor cuando la tendencia le amenaza; es decir, tomar acciones para no dejar
que el mercado se pierda.
Patrón cíclico
En los estudios de economía se muestra que las economías de todos los países
pasan por el llamado Ciclo Económico que básicamente lo que dice es que una
nación tiene épocas de auge y época de recesión económica; cuando la economía
está en crecimiento hay condiciones para el éxito de ciertas empresas y cuando
está en recesión las condiciones cambian de tal manera que las empresas
redefinen sus estrategias de venta y trabajo. La economía y el ciclo económico
afectan la exactitud de un pronóstico, ya que no es lo mismo pronosticar ventas
para una época de auge que para una de recesión económica.
16
De hecho son modelo que con una calculadora se podría utilizar aunque en estos tiempo el uso del Excel(R)
facilita enormemente sus cálculos.
Promedios móviles simples
Patrón
Suavización exponencial simple
estacionario
Suavización exponencial
cuadrática
Patrón
Método de Winters
estacional
Promedios móviles simples
Consisten en tomar un conjunto de datos observados, encontrar el promedio de
esos valores y usar dicho promedio como el pronóstico del siguiente periodo.
El término promedio móvil se usa porque cada vez que se tiene disponible una
nueva observación, se puede calcular un nuevo promedio, desechando la
observación de mayor antigüedad y agregando la observación más reciente. Este
nuevo promedio se usa como el pronóstico del siguiente periodo.
Requisitos para el uso de los promedios móviles simples:
1. Debe tratarse de una serie de tiempo con patrón estacionario.
2. Se debe definir una magnitud del promedio móvil (es decir, cuántos
datos se van a incluir en mi promedio) que tenga sentido respecto
del problema que se está habando.
3. El primer pronóstico no se puede calcular mediante la fórmula, sino
que necesariamente requiere del cálculo completo del promedio.
Fórmula
x t − x t −L
Pt +1 = Pt +
L
Donde: Pt+1 : pronóstico para el periodo t+1
Pt : pronóstico para el periodo t
Xt : observación del periodo t (la más reciente)
Xt-L : observación del periodo t-L (la más antigua)
L : magnitud del promedio móvil
Ejemplo:
El día 31 de enero un vendedor de verduras del mercado de “La Soledad” desea
determinar cuántas zanahorias comprar para vender durante el mes de febrero. Él
ha identificado un patrón más o menos estacionario en sus ventas y decide
emplear el método de promedios móviles simples para obtener su pronóstico de
ventas. Llene la tabla siguiente usando una magnitud de promedio móvil igual a 3
y obtenga el pronóstico de venta de zanahorias de febrero.
Solución
Encontremos primero el promedio móvil para el mes de mayo que se forma con los
datos de febrero, marzo y abril.
PFEB + PMAR + PABR 231 + 229 + 232
PMAY = = = 230.67
3 3
Con este valor procedemos a calcular el promedio móvil de junio de esta manera:
x MAY − x FEB 234 − 231
PJUN = PMAY + = 230.67 + = 231.67
3 3
Y así sucesivamente continuaríamos con el resto de los datos hasta llegar a llenar
completamente la tabla.
Con la tabla llena entonces, procedemos a encontrar el pronóstico de febrero:
x ENE − x OCT 229 − 228
PFEB = PENE + = 230.00 + = 230.33
3 3
El vendedor debe encargar 230.33 kilos de zanahoria para el mes de febrero.
Mes (t) Ventas (xt) en kilos Pronóstico
Febrero 231
Marzo 229
Abril 232
e t = X t − Pt
La técnica del MSE hace uso de los errores al cuadrado y no del los errores simples
porque una suma de errores simples en general tiende a cancelarse (es decir da
como resultado cero) y no es útil.
De esta manera tenemos que:
1 n 2
MSE = ∑ e i
n i=1
Selección del mejor modelo de pronósticos
El criterio para seleccionar el mejor o el más adecuado modelo de pronósticos para
un caso dado es escoger aquel método con el menor error cuadrado medio, esto
es, mientras más se acerque a cero este valor, más certero y adecuado será para
usar. Esto va a ser útil comparando entre dos o más métodos o aun entre el
mismo método con diferentes parámetros. Por ejemplo, yo pudiera buscar como
encuentro una mejor aproximación a la realidad usando promedio móviles simples,
ya sea tomando L=3 o L=4; dado esto tomaría un conjunto de datos de prueba y
llenaría una tabla de pronósticos, aquella en la que el MSE sea menor es el que
debería seleccionar.
Ejemplo
Tome los datos del vendedor de verduras anterior y compare el MSE con L=3 y
L=4. ¿Cuál magnitud de promedio móvil debería utilizar?
Solución
Hagamos las tablas de datos para ambos casos y encontremos el MSE
correspondiente. Primero hagamos para L=3.
Mes (t) Ventas (xt) en
kilos Pronóstico Error Error cuadrado
Febrero 231
Marzo 229
Abril 232
Mayo 234 230.67 3.33 11.11
Junio 225 231.67 -6.67 44.44
Julio 231 230.33 0.67 0.44
Agosto 227 230.00 -3.00 9.00
Septiembre 221 227.67 -6.67 44.44
Octubre 228 226.33 1.67 2.78
Noviembre 236 225.33 10.67 113.78
Diciembre 226 228.33 -2.33 5.44
Enero 229 230.00 -1.00 1.00
Fórmula
Pt +1 = αX t + (1 − α )Pt = Pt + αe t
Donde:
Pt+1 : pronóstico para el periodo t+1
Xt : dato observado en el periodo t
et : error del periodo t
α: constante de suavización
Inicialización
P2 = X1
Ejemplo
Use los datos del vendedor de verduras de “La Soledad” para hacer el pronóstico
para febrero con α=0.5 (este valor es totalmente neutro, ya que da la misma
importancia a lo histórico que a lo presente).
Solución
El primer paso es inicializar la tabla de pronósticos, en este caso el pronóstico para
17
Este valor puede considerarse como un porcentaje de importancia que el pronosticador va a dar a la
información presente. Por la estructura de la fórmula, mientras más cercano a uno sea el valor de α, más valor
se le dará a la información presente, en tanto que mientras más cercano sea a cero más valor se le dará a la
información histórica.
PABR = αX MAR + (1 − α )PMAR = (0.5)(229 ) + (1 − 0.5 )(231.00 ) = 230.00
PMAY = αX ABR + (1 − α )PABR = (0.5)(232 ) + (1 − 0.5)(230.00 ) = 231.00
M
PENE = αX DIC + (1 − α )PDIC = (0.5)(226 ) + (1 − 0.5 )(231.18 ) = 228.59
Mes (t) Ventas (xt) en
kilos Pronóstico Error Error cuadrado
Febrero 231
Marzo 229 231.00 -2.00 4.00
Abril 232 230.00 2.00 4.00
Mayo 234 231.00 3.00 9.00
Junio 225 232.50 -7.50 56.25
Julio 231 228.75 2.25 5.06
Agosto 227 229.88 -2.88 8.27
Septiembre 221 228.44 -7.44 55.32
Octubre 228 224.72 3.28 10.77
Noviembre 236 226.36 9.64 92.94
Diciembre 226 231.18 -5.18 26.83
Enero 229 228.59 0.41 0.17
De esta manera el pronóstico para febrero sería de:
Pt +1 = α t X t + (1 − α t )Pt
Et
αt =
Mt
E t = β e t + (1 − β )E t −1
M t = β e t + (1 − β)M t −1
Observación
Es importante en todos los métodos tener cuidado con el manejo de los
subíndices; en particular sea cuidadoso en este método.
Inicialización
P2 = X 1
E1 = M1 = 0
Ei es conocida como el valor de suavización, mientras que Mi se le llama valor
absoluto de suavización.
Recuerde que α tomará el valor de β hasta que el resultado de la fórmula
proporcione un valor entre cero y uno.
Ejemplo
Vamos a continuar con nuestro ejemplo del vendedor de verduras tomando una
β=0.25
Solución
Inicializando en P2=231 tendríamos un error en el periodo 2 o de marzo de:
e2=229-231=-2. Calculemos E2 y M2.
E2 − 0.5
α2 = = = −1 = 1
M2 0.5
Como el valor de α2=1, para hacer el pronóstico para el periodo 3 tomamos el
valor de β, es decir, 0.25.
Con este valor se calcula el nuevo error y así seguíamos hasta encontrar un valor
de α entre cero y uno.
Enseguida mostramos la tabla completa de SESRA. Recuerde que los
pronósticos son llenados con los valores de β hasta que tenemos que: 0
< α <1.
t Xt Pt et Et Mt αt
Febrero 231 0 0
Marzo 229 231.00 -2.00 -0.50 0.50 1.00
Abril 232 230.50 1.50 0.00 0.75 0.00
Mayo 234 230.88 3.13 0.78 1.34 0.58
Junio 225 232.69 -7.69 -1.34 2.93 0.46
Julio 231 229.18 1.82 -0.55 2.65 0.21
Agosto 227 229.56 -2.56 -1.05 2.63 0.40
Septiembre 221 228.54 -7.54 -2.67 3.86 0.69
Octubre 228 223.31 4.69 -0.83 4.06 0.20
Noviembre 236 224.27 11.73 2.31 5.98 0.39
Diciembre 226 228.80 -2.80 1.03 5.18 0.20
Enero 229 228.24 0.76 0.96 4.08 0.24
Podemos observar que en los meses de marzo y abril se tuvo que usar b para el
pronóstico, sin embargo, a partir de mayo el valor de a cumple con los
requerimientos necesarios y vemos como es un valor que trata de ajustarse al
comportamiento de los datos para dar un pronóstico más certero.
Encontremos el pronóstico para febrero:
Para estos datos el MSE=28.15. En este punto el lector debe ser capaz de
decidir cuál método de los hasta ahora vistos utilizar.
Métodos de suavización para datos con patrones de tendencia
Los casos que hemos visto hasta ahora corresponde a una serie de datos que tiene
un comportamiento de tipo constate o estacionario a través del tiempo. Ahora
veremos brevemente cuatro métodos que son útiles cuando la información
presenta un patrón de tendencia ya sea lineal o cuadrática. Mostraremos
inicialmente todos los modelos y después ilustraremos con dos ejemplos su uso.
Cabe destacar que los métodos vistos hasta ahora sólo tienen la capacidad de
pronosticar para el periodo inmediato al de los cálculos; estos métodos que
estamos por ver, son capaces de pronosticar tantos periodos de tiempo como sean
necesarios a futuro. Para efectos de una planeación serán más útiles que los
anteriores. Por supuesto siempre podremos usar estos nuevos métodos para datos
de patrón estacionario si consideramos que el valor de la tendencia de esos datos
es cero.
Promedio móviles lineales (dobles)
Si el método de promedios móviles simples se aplica a una serie de datos con
tendencia, el pronóstico continuamente subestimará los valores reales.
Este tipo de error sistemático puede evitarse modificando el método de promedios
móviles simples por uno de tendencia lineal.
La base de esta modificación es calcular un segundo promedio móvil.
Esto provoca un desfase que ajusta los datos.18
18
Es muy importante hacer notar que ahora el promedio móvil no es el pronóstico sino una herramienta para
calcular el pronóstico, por lo que se debe tener cuidado en los subíndices de las fórmulas que difieren de los
que anteriormente se habían mostrado. En los métodos simples el promedio se calcula en el periodo t y se
coloca en el periodo t+1. Ahora se calcula en el periodo t, mismo en el que es utilizado; así que no deben
confundirse con esto, siempre y cuando tengan bien claros dichos subíndices.
Fórmulas
Pt +m = a t + b t m
a t = 2S It − S IIt
bt =
2
(S It − S IIt )
L −1
X − X t −L
S It = S It −1 + t
L
S It − S It −L
S t = S t −1 +
I II
L
a1 = b 1 = X 1
Donde:
Pt+m : pronóstico por encontrar.
at : ordenada al origen del pronóstico.
bt: pendiente del pronóstico.
SIt : promedio móvil simple del periodo t.
SIIt : promedio móvil doble del periodo t.
Pt +m = at + b tm
a t = 2S It − S IIt
α
bt = (S It − S IIt )
1−α
S It = αX t + (1 − α )S It −1
S IIt = αS It + (1 − α )S IIt −1
S1I = S1II = X1
Donde:
Pt+m : pronóstico por encontrar.
at : ordenada al origen del pronóstico.
bt: pendiente del pronóstico.
SIt : suavización exponencial simple del periodo t.
SIIt : suavización exponencial doble del periodo t.
Observamos que este método es muy similar al de promedios móviles lineales, sólo
que se usan suavizaciones exponenciales en lugar de promedios móviles.
El método de Holt que se muestra en seguida, si difiere del resto ya que agrega
dos constantes de suavización.
Método de Holt
Fórmulas
Pt +m = S t + b t m
S t = αX t + (1 − α )(S t −1 + b t −1 )
b t = β S t + (1 − β )b t −1
S1 = X 1
b1 = 1
Donde:
Pt+m : pronóstico por encontrar.
St : ordenada al origen del pronóstico.
bt: pendiente del pronóstico.
α
bt = ([6 − 5α]S It − [10 − 8α]S IIt + [4 − 3α]S IIIt )
2(1 − α )
2
2
α I
ct = (S t − 2S1 + S1 )
II III
1 − α
S It = αX t + (1 − α )S It −1
S IIt = αS It + (1 − α )S IIt −1
S III
t = αS IIt + (1 − α )S III
t
Donde:
Pt+m : pronóstico por encontrar.
at : ordenada al origen del pronóstico.
bt: pendiente del pronóstico.
Ct : pendiente cuadrática
SIt : suavización exponencial simple del periodo t.
SIIt : suavización exponencial doble del periodo t.
SIIt : suavización exponencial triple del periodo t.
Vamos a ilustrar el uso de los métodos de Brown lineal y Holt con el siguiente
ejemplo.
Ejemplo
Un vendedor de periódicos desea determinar cuántos ejemplares del “La Gaceta
del Día” para los próximos tres meses. Nuestro vendedor no sabe exactamente
que tipo de tendencia tiene el diario pero él ha observado que en los 10 meses ha
habido una tendencia creciente. Con los datos de la tabla use los métodos de
Brown lineal, Holt y Brown cuadrático para pronosticar los próximos meses y
determine cuál de los tres debería tomar como base de futuros pronósticos. (Use
α=0.35 y β=0.65)
Solución
Usemos primero el método de Brown lineal y llenemos la tabla de pronósticos con
m=1.
Mes Ventas (Xt) S´t S´´t at bt Pt et e2t
ENE 35645 35645.00 35645.00
FEB 36000 12600.00 4410.00 20790.00 4410.00 35645.00 355.00 126025.00
MAR 36355 20788.25 10098.29 31478.21 5756.13 25200.00 11155.00 124434025.00
ABR 36710 26152.98 15616.45 36689.51 5673.52 37234.35 -524.35 274938.89
MAY 37065 29710.66 20393.26 39028.06 5017.06 42363.03 -5298.03 28069130.03
JUN 37420 32111.82 24290.82 39932.82 4211.31 44045.12 -6625.12 43892220.72
JUL 37775 33772.82 27366.61 40179.02 3449.49 44144.13 -6369.13 40565785.33
AGO 38130 34960.10 29750.67 40169.54 2805.08 43628.51 -5498.51 30233658.43
SEP 38485 35844.22 31585.90 40102.53 2292.94 42974.62 -4489.62 20156664.34
OCT 38840 36534.30 33001.98 40066.61 1902.02 42395.47 -3555.47 12641340.12
NOV 39195 37100.20 34106.34 40094.06 1612.08 41968.63 -2773.63 7693025.68
DIC 39550 37586.63 34983.38 40189.88 1401.75 41706.14 -2156.14 4648950.15
19
Estos valores tan grandes no deben sorprendernos ya que dependen de una buena selección de los valores
de α y β; el lector puede probar otros valores de α y β y ver cuándo disminuye el MSE.
Método de Winters para patrones estacionales
Los patrones estacionales son muy comunes en el mundo de los negocios; los
organizadores de fiestas saben bien que en diciembre y mayo van a tener un
exceso de demanda y que en los meses de enero y agosto tienen un déficit en la
demanda. Así mismo los vendedores de paletas suponen que se incrementan sus
ventas en la época de calor y baja de ventas en la época de frió.
Para este tipo de situaciones existe la llamada suavización exponencial triple o
método de Winters.
Es un método que toma de base el método de Holt y le agrega un componente de
ajuste estacional.
Es un método que debe probarse con varias combinaciones de las constantes de
suavización (en este caso tres), hasta encontrar la situación que mayor
certidumbre posea.
El método consiste de un componente estacionario (St), un componente de
tendencia ( bt) y un componente estacional (I t)
El método es restrictivo en cuanto a que necesita de tener al menos un año de
información para poder ser utilizado; esto es debido a que se debe determinar los
periodos estacionales previo a poder usarlo como método de pronósticos.
Afortunada o desafortunadamente no existe ningún método alternativo para hacer
pronósticos de tipo estacional, así que el lector debe resignarse a usar este método
como medio de inferir resultados de patrones estacionales, sin embargo, por otro
lado, no hay más que este método así que lo único que debería hacer es probar
para diferentes combinaciones de α, β y γ.
En esto método se dirá que r es el número de estaciones por año.
Método de Winters
Fórmulas
Edited by Foxit Reader
Copyright(C) by Foxit Software Company,2005-2007
For Evaluation Only.
Pt +m = (S t + b t m)I t −r +m
X
S t = α t + (1 − α )(S t +1 + b t +1 )
I t −r
b t = β(S t − S t −1 ) + (1 − β )b t −1
X
I t = γ t + (1 − γ )I t −r
St
1 r
Sr = ∑ X i
r i=1
br = 1
X1
I1 =
1 r
∑ Xi
r i=1
X
I2 = r 2
1
∑
r i=1
Xi
M
X
Ir = r r
1
∑ Xi
r i=1
Observamos que los valores del invierno de S=64.62 y de la b=-0.92. Con estos
valores procedemos a realizar los pronósticos del año próximo.
20
Nuestro estudio de la regresión será simplemente introductorio y útil para una empresa mediana y pequeña.
Los métodos de regresión podrían durar de estudio varios semestres así que aquí haremos énfasis en las
aplicaciones y no profundizaremos en los aspectos matemáticos de la regresión. Para una referencia
matemática más completa ver las obras de Walpole & Myers y de Mendenhall.
21
Aunque en la práctica es difícil que esto ocurra, si es muy común medir la importancia de una sola variable
con respecto al efecto. Por ejemplo, se sabe que en economía la variable más importante de la cantidad
demandada es el precio; esto no excluye la importancia del precio de la competencia o el gasto en publicidad,
pero se pueden hacer muchas interpretaciones con sólo esta variable.
22
En la geometría analítica la ecuación de una recta es una ecuación de primer grado que al graficarla da de
resultado una línea recta en el plano XY.
Ecuaciones de regresión
Las ecuaciones de la regresión se van a obtener mediante el método de los
mínimos cuadrados que básicamente lo que hacen es minimizar el error de fallar
en el pronóstico. La idea consiste en minimizar el valor del MSE y a partir de ahí
escoger la mejor ecuación que represente los datos.
En general lo que sucede es que tenemos un conjunto de datos que al graficarlos
en un diagrama de dispersión23 se presentarían de esta forma:
Diagrama de dispersión
50
45
40
35
30
Ventas
25 Y
20
15
10
0
0 5 10 15 20 25
Días
23
Diagrama donde se grafican lo datos en un conjunto de ejes XY.
Recordemos que la ecuación de una recta esta representada por:
y = a + bx
En el caso de la regresión vamos a tener información histórica de los valores de y
a determinados valores de x.
Usaremos dichos valores para encontrar los valores de a y b que minimizan el error
y aproximan más cualquier recta al conjunto de datos. Esto valores son llamados
los coeficientes de regresión y que es lo que estamos buscando.
Una vez encontrados estos valores se usa esta ecuación de regresión para
pronosticar y a diferentes valores de x.
El método para encontrar a y b requiere del uso de derivadas parciales que no son
el objetivo de este curso, por lo que daremos la fórmula directa para encontrar a y
b.24
n n n
n∑ x i y i − ∑ x i ∑ y i
b= i=1 i=1 i=1
2
n
n
n∑ x − ∑ x i
2
i
i=1 i=1
1 n b n
a = ∑ yi − ∑ xi
n i=1 n i=1
y = a + bx
Veamos un ejemplo de la regresión.
24
Una vez más para verificar la derivación del modelo ver el libro de Probabilidad y Estadística de Walpole
& Myers, editado por McGraw-Hill.
Ejemplo
En un estudio médico se cree que el consumo de carne de puerco es una causa
muy importante del sobre peso extremo antes de los 40 años. Se tomó una
muestra de 15 pacientes menores de cuarenta años y se investigó su consumo en
kilos de carne de puerco en los último cuarenta años, así como los kilos de sobre
peso que tenían. Con estos datos encuentra la ecuación de regresión para estos
hombres y pronostique que sobre peso se espera que tenga un hombre mayor de
40 años que consumió 25 kilos de carne de puerco el año pasado.
Solución
Veamos la siguiente tabla dónde se señala con negrilla la información original y en
itálica los cálculos realizados.
Kilos Kilos de
Datos consumidos sobrepeso
X Y XY X2 Y2
14 19.10 267.38 196.00 364.76
15 20.46 306.95 225.00 418.73
13 17.73 230.55 169.00 314.52
17 23.19 394.25 289.00 537.84
21 28.65 601.61 441.00 820.72
22 30.01 660.27 484.00 900.74
16 21.83 349.24 256.00 476.43
16 21.83 349.24 256.00 476.43
22 30.01 660.27 484.00 900.74
18 24.56 442.00 324.00 602.98
17 23.19 394.25 289.00 537.84
12 16.37 196.44 144.00 267.99
22 30.01 660.27 484.00 900.74
15 20.46 306.95 225.00 418.73
19 25.92 492.48 361.00 671.84
Total 259 353.33 6312.15 4627.00 8611.04
Las sumas de los totales de la parte inferior los usaremos para encontrar los
valores de a y b. Debe quedar claro que XY es el producto de X por Y, esto es,
(14)X(19.10)=267.38 y así cada valor; y X2 y Y2 son los valores de X y Y elevados
al cuadrado.
15(6312.15 ) − (259 )(353.33)
b= = 1.3642
15(4627.00 ) − (259 )
2
1
a= (353.33) − 1.3632 (259) = −0.0097
15 15
Y = −0.0097 + 1.3642X
= ∑ x i2 −
n
i =1
S xx
i =1 n
2
n
∑ y i
= ∑ y i2 −
n
i =1
S yy
i =1 n
n n
n
∑ x i
∑ y i
= ∑ xi −
i =1 i =1
S xy
i =1 n
S xy
r=
S xx S yy
Como se puede observar es el cociente de la aportación de las variables, entre la
raíz cuadrada de las aportaciones individuales. Si Sxy=0, no hay correlación porque
las variables son independientes.
25
No debe confundir correlación positiva con bueno; por ejemplo existe una muy fuerte correlación positiva
entre el fumar y el padecer enfisema pulmonar y esto no es bueno.
En el caso de nuestro ejemplo tenemos:
S xx = 4627.00 −
(259.00 )
= 154.93
2
15
S yy = 8611.04 −
(353.33)
2
= 288.34
15
S xy = 6312.15 −
(259.00 )(353.33) = 211.36
15
211.36
r= =1
(154.93)(288.34 )
En este caso la correlación ha dado uno, este es un valor que se refiere a una
correlación perfecta, es decir, el sobre peso depende totalmente del consumo de la
carne de cerdo,26 es decir, no hay otra variable que determine el sobre peso, esto
lo explica mejor el coeficiente de determinación.
Coeficiente de determinación
Al elevar al cuadrado el coeficiente de correlación, se obtiene el valor del
coeficiente de determinación. Este valor va a ser importantísimo porque nos va a
medir el porcentaje de cambio en y, debido al cambio en una unidad de x.
Esto se puede interpretar como el porcentaje de cambio en y por el efecto en x; si
la determinación es alta significa que la variable y depende en gran medida de la
variable x.
Ilustremos este concepto con ejemplo en el cual no haya una correlación perfecta.
Ejemplo
Un publicista supone que mientras más veces se transmita un comercial de
televisión mayores serán las ventas de pasta dental con saborizante para niños. Se
26
Esto no es común y sólo ha dado sólo como resultado de un ejemplo teórico.
toma información durante una semana del número de veces que se transmitió el
comercial y de las ventas de la pasta ese día en una tienda de autoservicio en
particular. La información se muestra en la tabla. ¿Qué porcentaje de las ventas de
pasta dental se deben a la exhibición del comercial?
Solución
Esta es la tabla de datos y las sumas correspondientes:
Veces que pasó el Ventas de la
Día mensaje pasta
X Y XY X2 Y2
LUNES 7 133.00 931.00 49.00 17689.00
MARTES 8 151.00 1208.00 64.00 22801.00
MÉRCOLES 7 143.00 1001.00 49.00 20449.00
JUEVES 9 149.00 1341.00 81.00 22201.00
VIERNES 9 157.00 1413.00 81.00 24649.00
SÁBADO 10 164.00 1640.00 100.00 26896.00
DOMINGO 16 213.00 3408.00 256.00 45369.00
Total 66 1110.00 10942.00 680.00 180054.00
S XX = 680 −
(66) 2
= 57.71
7
S YY = 180054 −
(1110 ) 2
= 4039.71
7
S XY = 10942 −
(66 )(1110 ) = 476.29
7
476.29
r= = 0.9864
(57.71)(4039.01)
r 2 = (0.9864 ) = 0.9728
2
La interpretación que tiene este valor es que el 97.28% de las ventas de pasta se
deben a la exhibición del comercial y sólo el 2.72% se debe a otros factores como
pueden ser el precio, el sabor, etc.
Y = b 0 + b1 X 1 + b 2 X 2 + b 3 X 3 + K + b k X k
La estimación de los coeficientes bi requiere del manejo de matrices ya que es un
arreglo matricial completo. Dicho sistema se representaría como:
B = A −1 g
Donde A, B y g son matrices compuestas por:
b0
b
B = 1
M
b
k
27
Este material requiere del dominio del tema de matrices y vectores. Aunque puede pasarse a la sección
siguiente sin pérdida de continuidad.
n
∑x 1
K ∑x k
∑ x1 ∑x ∑x x
2
1 k
K
A=
1
M M K M
x 2
∑ k ∑x 1 xk K ∑ k
x
∑y
∑ yx 1
g=
M
yx
∑ k
La matriz A hay que invertirla por cualquier método que les sea familiar. Mientras
que el coeficiente de determinación se calculará de esta manera:
(∑ y ) 2
SSR = ∑ bg −
n
SST = S YY
SSR
R =2
SST
Ilustremos este método con un ejemplo. Los cálculos de la matrices se han hecho
en el software LOTUS-123(R) .
Ejemplo
Una vendedor de hot-dogs afuera de la iglesia cree que las ventas de sus
productos están relacionados con el precio de venta y con la duración de la misa.
Él toma información de precios de sus hot-dogs y de la duración de la misa y corre
una regresión lineal con estas dos variables. Encuentre la ecuación de regresión
del vendedor de hot-dogs y diga el porcentaje de las ventas de hot-dogs que se
deben al precio delos mismos y a la duración de la misa.
Solución
VTAS PRECIO DURACIÓN X1Y X2Y X1X2 X12 X22
25 2.75 35 68.75 875.00 96.25 7.56 1225.00
17 2.30 55 39.10 935.00 126.50 5.29 3025.00
22 2.35 40 51.70 880.00 94.00 5.52 1600.00
13 2.35 55 30.55 715.00 129.25 5.52 3025.00
24 2.80 40 67.20 960.00 112.00 7.84 1600.00
32 1.95 30 62.40 960.00 58.50 3.80 900.00
18 2.65 39 47.70 702.00 103.35 7.02 1521.00
24 2.45 35 58.80 840.00 85.75 6.00 1225.00
12 3.50 62 42.00 744.00 217.00 12.25 3844.00
32 2.00 29 64.00 928.00 58.00 4.00 841.00
219 25.10 420.00 532.20 8539.00 1080.60 64.82 18806.00
10 25.10 420
A = 25.10 64.82 1080.60
420 1080.60 18806
219
g = 532.20
8539
Ahora se procede a calcular la inversa de la matriz A. Esto nos da como resultado:
= 377.86
10
SST = 5235 −
(219) 2
= 438.9
10
377.86
R2 = = 0.8609
438.90
Esto significa que el 86.09% de las ventas se explica por el precio del hot-dog y
por la duración de la misa.
X t = Tt xI t xC t xE t
M t = Tt xC t
Xt T xI xC xE
= t t t t = I t xE t
Mt Tt xC t
Xt
Rt = → It
Mt
Mt
Tt = a + bt → = Ct
Tt
A continuación mostramos una serie de tablas que resumen los pasos de una
descomposición de series de tiempo.
28
Hay que distinguir dos casos: cuando tenemos un número impar de datos simplemente se pone a la altura
del dato central Cuando es un número par, hay varias versiones, nosotros hemos preferido usar la idea de
Makridakis (Forecasting; methods and applications) quien simplemente lo pone en el dato más reciente en
tiempo. Esto facilita los cálculos y la comprensión y no afecta mayormente en el pronóstico.
29
Tomada también de Makridakis.
4 PRIM 13
VER 17
OTO 24
INV 37
5 PRIM 14
VER 18
OTO 25
INV 38
6 PRIM 15
VER 19
OTO 26
INV 39
Ahora procedemos al cálculo de la Mt, el primero sería tomando los datos del año 1
y colocamos el promedio en la celda correspondiente al otoño del año 1. Luego
calculamos el promedio agregando la primavera del año 2 y quitando la primavera
del año 1 y colocando el resultado en la celda correspondiente al invierno del año
1 y así sucesivamente llenamos la tabla hasta terminar con el sexto año y
poniendo el resultado en el otoño del años seis.
El resultado nos generaría la tabla siguiente:
Tabla 2: tabla con los promedios móviles centrados
AÑO ESTACIÓN XT MT RT IT Ct
1 PRIM 10
VER 14
OTO 21 19.75
INV 34 20.00
2 PRIM 11 20.25
VER 15 20.50
OTO 22 20.75
INV 35 21.00
3 PRIM 12 21.25
VER 16 21.50
OTO 23 21.75
INV 36 22.00
4 PRIM 13 22.25
VER 17 22.50
OTO 24 22.75
INV 37 23.00
5 PRIM 14 23.25
VER 18 23.50
OTO 25 23.75
INV 38 24.00
6 PRIM 15 24.25
VER 19 24.50
OTO 26 24.75
INV 39
Los valores de Rt servirán para construir una tabla de promedios mediales30 y con
estos resultados sacaremos los factores estacionales.
30
Un promedio medial es aquel en el que se eliminan los valores mayores y menores para evitar sesgo y se
obtiene el promedio de lo valores resultantes.
Tabla 4: tabla de promedios mediales para obtener los factores estacionales
4
En nuestro caso: k= = 0.99
4.03
Con esto calculamos los factores estacionales:
I PRI = (0.58 )(0.99) = 0.58
I VER = (0.76 )(0.99 ) = 0.75
I OTO = (1.06 )(0.99 ) = 1.05
I INV = (1.64 )(0.99) = 1.63
Tt = a + bt = 16.63 + .45t
Mt
Ct =
Tt
AÑO ESTACIÓN XT MT RT IT Ct Tt
1 PRIM 10 0.58 17.08
VER 14 0.75 17.53
OTO 21 19.75 1.06 1.05 1.10 17.98
INV 34 20.00 1.70 1.63 1.09 18.43
2 PRIM 11 20.25 0.54 0.58 1.07 18.88
VER 15 20.50 0.73 0.75 1.06 19.33
OTO 22 20.75 1.06 1.05 1.05 19.78
INV 35 21.00 1.67 1.63 1.04 20.23
3 PRIM 12 21.25 0.56 0.58 1.03 20.68
VER 16 21.50 0.74 0.75 1.02 21.13
OTO 23 21.75 1.06 1.05 1.01 21.58
INV 36 22.00 1.64 1.63 1.00 22.03
4 PRIM 13 22.25 0.58 0.58 0.99 22.47
VER 17 22.50 0.76 0.75 0.98 22.92
OTO 24 22.75 1.05 1.05 0.97 23.37
INV 37 23.00 1.61 1.63 0.97 23.82
5 PRIM 14 23.25 0.60 0.58 0.96 24.27
VER 18 23.50 0.77 0.75 0.95 24.72
OTO 25 23.75 1.05 1.05 0.94 25.17
INV 38 24.00 1.58 1.63 0.94 25.62
6 PRIM 15 24.25 0.62 0.58 0.93 26.07
VER 19 24.50 0.78 0.75 0.92 26.52
OTO 26 24.75 1.05 1.05 0.92 26.97
INV 39 1.63 27.42