PRONOSTICO DE LA DEMANDA DE AGUA EN EL MUNUCIPIO DE CAMPOALEGRE

PRESENTADO A: DIEGO ARMANDO MORALES

PRESENTADO POR: CESAR DANIEL DIAZ DIAZ

LAURA CASTILLO SOTO

ALEXANDER CHARRU

UNIVERSIDAD SURCOLOMBIANA

NEIVA-HUILA

26 DE JULIO DE 2018
 TABLA DE CONTENIDO

1. PLANTEAMIENTO DEL PROBLEMA .............................................................................................. 1

2. OBJETIVOS ................................................................................................................................... 3
3. JUSTIFICACION............................................................................................................................. 4
4. ESTADO DEL ARTE ....................................................................................................................... 4
5. MARCO TEORICO ......................................................................................................................... 5
5.1. CLASIFICACIÓN DE LOS PRONOSTICOS ............................................................................... 6
5.2. CONDICIONES PARA LA APLICACIÓN DE UN PRONÓSTICO................................................. 6
5.3. METODOS DE PRONÓSTICO ................................................................................................ 7
5.3.1. METODO POR SERIES DE TIEMPO ............................................................................... 7
5.3.2. METODO DE MEDIAS MOVILES ................................................................................... 9
5.3.3. METODO DE HOLT O DOBLE SUAVIZAMIENTO EXPONENCIAL ................................... 9
5.3.4. METODO DE HOLT-WINTERS..................................................................................... 10
6. ANALISIS DE RESULTADOS......................................................................................................... 11
7. CONCLUSIONES ......................................................................................................................... 20
8. BIBLIOGRAFÍA ............................................................................................................................ 20
 1. PLANTEAMIENTO DEL PROBLEMA
Actualmente la mayoría de negocios de tipo productivo o prestación de servicios a diario
enfrentan la incertidumbre bajo el contexto en el que se mueven los mercados es por ello que
ineludiblemente se enfrentan a la toma de decisiones las cuales independientemente de la
decisión que se tome puede repercutir en el futuro de manera positiva o negativa, para que las
empresas puedan aminorar ese grado de desosiego, como resultado de la permutación constante
del entorno, deben respaldar sus decisiones en algo más que la intuición, deben respaldarlo en la
elaboración de pronósticos correctos y precisos que sean suficientes para satisfacer las
necesidades de planeación de la organización (Hanke y Wichern, 2006).

En este sentido, es fundamental saber cuál es la herramienta que se desea utilizar y se ajusta a la
necesidad actual de una empresa, visionando con los resultados un avance en pro del crecimiento
y prosperidad de la misma.

En un sentido más específico, la empresa pública Municipal de Acueducto y Alcantarillado de

Campoalegre (EMAC), está a la vanguardia y presta a los grandes cambios que se van generando,
es por ello que a raíz de algunos eventos atípicos afrontados por parte de la entidad y bajo
normativas municipales se han establecido políticas para regular el uso del preciado líquido, por
lo tanto, es menester saber qué cantidad va a ser demandada por los usuarios del municipio de
Campoalegre y así poder realizar los ajustes pertinentes; atendiendo a estas necesidades de la
empresa y de entes gubernamentales surge la pregunta de investigación:

¿Determinar cuál es el método más eficiente para el pronóstico de la demanda de agua en el

municipio de Campoalegre para cuarto trimestre del año 2019?

2. OBJETIVOS
OBJETIVO GENERAL

- Determinar el método más eficiente para el pronóstico de la demanda de agua en el

municipio de Campoalegre para el cuarto trimestre del año 2019

OBJETIVOS ESPECIFICOS

- Realizar la recolección de datos por parte de la entidad prestadora del servicio público
(EMAC)
- Aplicar el método de Holt-Winters a los datos recolectados en la entidad.
- Aplicar el método de Holt a los datos recolectados en la entidad
- Aplicar el método Promedio Móvil doble.
- Evaluar el nivel de confianza del pronóstico.
 3. JUSTIFICACION

Bajo el vertiginoso cambio climático que se está afrontando, consecuencia de la poca conciencia
ecológica e intereses personales de grandes empresarios, es evidente y notorio observar el
desgaste que se ha venido presentado en nuestros paisajes en particular, en las fuentes hídricas, al
ser el agua un recurso vital para la existencia y preservación de la especie humana, se hace
fundamental tomar medidas que ayuden a reducir ese impacto ambiental en específico en las
fuentes hídricas. En ese sentido, existen mecanismos que nos puede apoyar a la hora de tomar
una determinación en pro de la conservación de dichos recursos.

En las últimas décadas se han dedicado esfuerzos por extender y mejorar los métodos para el
pronóstico de demanda. El estudio de los resultados obtenidos es uno de nuestros objetivos en
este trabajo. Son muchas las razones por las cuales hacer un pronóstico tiene un grado de
dificultad superior; entre ellas se cuentan: las complejidades de sus factores determinantes, las
características estructurales de los datos, el horizonte de pronóstico y las limitantes propias de las
metodologías empleadas.

Se utilizaran algunas herramientas de pronóstico que nos proyectaran para este trabajo que
cantidad de agua demandará la población campoalegruna en el cuarto trimestre del año 2019,
con dichos resultado se podrá crear programas de mantenimiento, análisis de la confiabilidad y
seguridad de operación. Para el caso de pronóstico a largo plazo es indispensable para
construcción una nueva bocatoma o ampliación de la misma, así como la determinación de los
precios y sus políticas de regulación. Por lo tanto un buen estudio de pronóstico de demanda de
agua, es necesario para la operación económica y segura del sistema.

Con la finalidad de realizar un pronóstico acertado se evaluaran tres métodos fundamentalmente

como lo son: Medias Móviles, Holt y método de Holt-Winters y así tener mayor fiabilidad de los
futuros eventos.

4. ESTADO DEL ARTE

“En cualquier proceso de investigación es necesario seguir diversos pasos, todos ellos
fundamentales, para abordar cualquier problema. Uno de ellos es el estado del arte, cuya
elaboración es necesaria para afianzar la formulación del problema o tema investigativo, aunque
generalmente se inicia cuanto se está planteando el problema. La realización de estados de arte
permite compartir la información, generar una demanda de conocimientos paralelos, ofreciendo
diferentes posibilidades de compresión del problema tratado o por tratar, debido a que posibilita
múltiples alternativas entorno a un tema”. (OLGA LONDOÑO, 2016). Teniendo en cuenta esta
definición nos encontramos con unos estudios que nos sirven como guía para el desarrollo del
proyecto, adaptando la información al contexto.

Se encuentran 2 antecedentes, de los cuales el primero de ellos fue realizado en la Universidad

Tecnológica de Pereira, y el segundo fue hecho en la universidad de Azuay
  En la siguiente tesis de pregrado, elaborada en la Universidad Tecnológica de
Pereira, con el título: MÉTODOS UTILIZADOS PARA EL PRONÓSTICO DE DEMANDA
DE ENERGÍA ELÉCTRICA EN SISTEMAS DE DISTRIBUCIÓN, “Este trabajo de grado
tiene como objeto la presentación de los métodos utilizados para el pronóstico de
demanda de energía eléctrica en sistemas de distribución. En primera instancia se
realiza la descripción de cada uno de los métodos, luego se presenta la
metodología o procedimiento para su aplicación y posteriormente se hace la
implementación de los mismos, A partir de los resultados obtenidos se procede a
determinar el modelo que mejor se ajusta al comportamiento de la demanda y
con el cual es conveniente realizar el pronóstico” (Ariza, 2013).
 En este sentido, y trabajando por la misma línea de investigación, se realizó la tesis
de maestría en la Universidad de Azulay (Cuenca-Ecuador), con el título
PROYECCION A CORTO PLAZO DE LA DEMANDA ELECTRICA DE LOS
ALIMENTADORES DE DISTRIBUCION DE LA EMPRESA ELECTRICA REGIONAL
CENTRO SUR C.A, “ en el siguiente trabajo se estructura y construye un modelo
predictivo de series temporales en un proceso estocástico autoregresivo y medias
móviles, de tal forma que las herramientas utilizadas ayude a la toma de
decisiones dentro de los procesos de planificación operacional, a fin de contar con
una operación eficiente y confiable del sistema” (Mora, Sempértegui; 2017).

5. MARCO TEORICO

Colombia cuenta con una exuberancia en recursos hídricos, este hecho lo postulo como uno de
los países más privilegiados del mundo. Contradictoriamente, hay un déficit para algunas zonas
del país sumado a esto la falta de gobernabilidad en la administración debido a factores de orden
técnico y político; es así que el sistema de gestión hoy carece de una política de gestión integral
del agua.

La preservación de este preciado líquido y su uso apropiado es una de las principales funciones
impartidas por el Estado Colombiano que entró a ejercer un papel de control y supervisión en la
Prestación de los Servicios Públicos; auspiciando la privatización de éstos y reglamentando las
tarifas, el régimen económico y los subsidios. (Constitución, 1991).

Es así, que el agua potable es esencial e imprescindible para que la vida de todos los seres
humanos sea posible, por esta razón la Constitución Política de Colombia dio especial relevancia a
los Recursos Naturales y a los llamados derechos Colectivos y del Medio Ambiente cuya protección
también se estableció en dicha carta magna, catalogando el agua potable como la esencia del
crecimiento sostenible por ser materia prima vital del ser humano. (Constitución, 1991).

En este proceso de preservación y necesidad de conocer los alcances de la prestación de un

servicio público tan importante como es el agua, nos encontramos ineludiblemente con los
métodos de pronóstico, estos son una herramienta útil dentro de la administración de las
empresas y sus formas de aplicación son ilimitadas siempre y cuando quien los ejecute los
entienda, y sobre todo los necesite.
En el ámbito de los negocios un pronóstico es un instrumento que permite hacer una estimación
acerca de la probabilidad de los eventos futuros. Aunque existen diferentes métodos para la
elaboración de un pronóstico, siempre se debe seguir un proceso lógico que consta de los
siguientes pasos:

• Formular el problema y recolectar datos

• Manipular y limpiar datos

• Construir y evaluar el modelo

• Aplicar el modelo

• Evaluar el pronóstico

5.1. CLASIFICACIÓN DE LOS PRONOSTICOS

De lo anterior Riggs (1993) clasifica los pronósticos en 3 métodos: Subjetivos o de opiniones,

históricos y causales.

a. Métodos subjetivos: Están basados en las opiniones de especialistas en el área de

pronosticar, los cuales pueden ser internos o externos a la empresa.
b. b. Métodos históricos: Son aquellos que se basan en eventos pasados, corresponde al que
realiza el pronóstico interpretarlos.
c. Métodos causales: Son basados en las causas que determinan los acontecimientos.

Además se presentan dos tipos de pronósticos los cualitativos y los cuantitativos, para este
presente trabajo nos enfocaremos en los cuantitativos.

“Los Pronósticos cualitativos son aquellos que utilizan el juicio, intuición, resumen o técnicas
comparativas para producir estimados cuantitativos acerca del futuro” (Ronald H. Ballou, 1998,
p.277).

Algunos expertos consideran que los pronósticos cualitativos no son tan apropiados y se deberán
tomar como último recurso, en contraposición a esta postura Makridaki, Wheelwright y Hyndman
(1998, p.8) expresan que este tipo de pronóstico es muy útil cuando hay poca información
cuantitativa pero existe el suficiente conocimiento cualitativo.

5.2. CONDICIONES PARA LA APLICACIÓN DE UN PRONÓSTICO

Por otro lado los pronósticos cuantitativos según Makridaki, Wheelwright y Hyndman (1998, p.9)
mencionan que pueden aplicarse bajo la presencia de las siguientes condiciones:

1. Información disponible del pasado

2. Que se pueda cuantificar la información
 3. De alguna manera hallan patrones de comportamiento del pasado que se evidenciará en
el futuro.

5.3. METODOS DE PRONÓSTICO

Los métodos cuantitativos presentan dos características relevantes, la primera es que se

denotaran con una notación matemática y la otra es mediante el uso de un software un modelo se
puede basar en una cantidad importante de datos.

Dentro de los métodos cuantitativos se pueden encontrar dos categorías de pronósticos: modelos
por serie de tiempo y modelos causales

5.3.1. METODO POR SERIES DE TIEMPO

 Modelos por series de tiempo

Por serie de tiempo nos referimos a datos estadísticos que se recopilan, observan o
registran en intervalos de tiempo regulares (diario, semanal, semestral, anual, entre
otros). El término serie de tiempo se aplica por ejemplo a datos registrados en forma
periódica que muestran, por ejemplo, las ventas anuales totales de almacenes, el valor
trimestral total de contratos de construcción otorgados, el valor trimestral del PIB.

5.3.1.1. Componentes de la serie de tiempo

Supondremos que en una serie existen cuatro tipos básicos de variación, los cuales
sobrepuestos o actuando en concierto, contribuyen a los cambios observados en un
período de tiempo y dan a la serie su aspecto errático. Estas cuatro componentes son:
Tendencia secular, variación estacional, variación cíclica y variación irregular.

a. variación

1. Tendencia secular: La tendencia secular o tendencia a largo plazo de una serie es por
lo común el resultado de factores a largo plazo. En términos intuitivos, la tendencia de
una serie de tiempo caracteriza el patrón gradual y consistente de las variaciones de la
propia serie, que se consideran consecuencias de fuerzas persistentes que afectan el
crecimiento o la reducción de la misma, tales como: cambios en la población, en las
características demográficas de la misma, cambios en los ingresos, en la salud, en el
nivel de educación y tecnología. Las tendencias a largo plazo se ajustan a diversos
esquemas. Algunas se mueven continuamente hacía arriba, otras declinan, y otras más
permanecen igual en un cierto período o intervalo de tiempo.
2. Variación estacional: El componente de la serie de tiempo que representa la
variabilidad en los datos debida a influencias de las estaciones, se llama componente
 estacional. Esta variación corresponde a los movimientos de la serie que recurren año
tras año en los mismos meses (o en los mismos trimestres) del año poco más o menos
con la misma intensidad. Por ejemplo: Un fabricante de albercas inflables espera poca
actividad de ventas durante los meses de otoño e invierno y tiene ventas máximas en
los de primavera y verano, mientras que los fabricantes de equipo para la nieve y ropa
de abrigo esperan un comportamiento anual opuesto al del fabricante de albercas.
3. Variación cíclica: Con frecuencia las series de tiempo presentan secuencias alternas de
puntos abajo y arriba de la línea de tendencia que duran más de un año, esta variación
se mantiene después de que se han eliminado las variaciones o tendencias estacional
e irregular. Un ejemplo de este tipo de variación son los ciclos comerciales cuyos
períodos recurrentes dependen de la prosperidad, recesión, depresión y recuperación,
las cuales no dependen de factores como el clima o las costumbres sociales.
4. Variación Irregular: Esta se debe a factores a corto plazo, imprevisibles y no
recurrentes que afectan a la serie de tiempo. Como este componente explica la
variabilidad aleatoria de la serie, es impredecible, es decir, no se puede esperar
predecir su impacto sobre la serie de tiempo. Existen dos tipos de variación irregular:
a) Las variaciones que son provocadas por acontecimientos especiales, fácilmente
identificables, como las elecciones, inundaciones, huelgas, terremotos. b) Variaciones
aleatorias o por casualidad, cuyas causas no se pueden señalar en forma exacta, pero
que tienden a equilibrarse a la larga.
b. Tendencia

1. Tendencia lineal
Como se dijo antes, la tendencia de una serie viene dada por el movimiento general a
largo plazo de la serie. La tendencia a largo plazo de muchas series de negocios
(industriales y comerciales), como ventas, exportaciones y producción, con frecuencia se
aproxima a una línea recta. Esta línea de tendencia muestra que algo aumenta o
disminuye a un ritmo constante. El método que se utiliza para obtener la línea recta de
mejor ajuste es el Método de Mínimos Cuadrados.
2. Tendencia no lineal
Cuando la serie de tiempo presenta un comportamiento curvilíneo se dice que este
comportamiento es no lineal. Dentro de las tendencias no lineales que pueden
presentarse en una serie se encuentran, la polinomial, logarítmica, exponencial y
potencial, entre otras.

c. Métodos de suavización de la serie:

1. Promedio Móvil
Un promedio móvil se construye sustituyendo cada valor de una serie por la media
obtenida con esa observación y algunos de los valores inmediatamente anteriores y
posteriores.
2. Promedios móviles ponderados
El método consiste en asignar un factor de ponderación distinto para cada dato.
Generalmente, a la observación o dato más reciente a partir del que se quiere hacer el
 pronóstico, se le asigna el mayor peso, y este peso disminuye en los valores de datos más
antiguos.
3. Suavizamiento exponencial
El suavizamiento exponencial emplea un promedio ponderado de la serie de tiempo
pasada como pronóstico; es un caso especial del método de promedios móviles
ponderados en el cual sólo se selecciona un peso o factor de ponderación, el de la
observación más reciente. El modelo básico de suavizamiento exponencial es el siguiente:

𝐹𝑡+1 = 𝛼𝑌𝑡 + (1 − 𝛼)𝐹𝑡

Donde:

𝐹𝑡+1 = pronóstico de la serie de tiempo en el tiempo t+1

𝑌𝑡 = Valor real de la serie de tiempo en el periodo t

𝐹𝑡 = Pronostico de la serie de tiempo para el periodo t

𝛼 = constante de suavizamiento 0 ≤ α ≤ 1

5.3.2. METODO DE MEDIAS MOVILES

De Todo lo anterior se van a trabajar los métodos de medias móviles, Holt y Holt-Winters

El valor ajustado en el tiempo t es el promedio móvil no centrado en el tiempo t -1. Los

pronósticos son los valores ajustados en el origen del pronóstico. Si usted pronostica 10
unidades de tiempo adelante, el valor pronosticado para cada tiempo será el valor
ajustado en el origen. Los datos hasta el origen se utilizan para calcular los promedios
móviles.

Puede utilizar el método de promedios móviles lineales al calcular promedios móviles

consecutivos. El método de los promedios móviles lineales suele utilizarse cuando hay una
tendencia en los datos.

5.3.3. METODO DE HOLT O DOBLE SUAVIZAMIENTO EXPONENCIAL

El método de Holt, a diferencia de los métodos de media móvil y de suavización

exponencial simple, es capaz de proyectar tendencias de ventas crecientes o decrecientes.
En el método Holt se utilizan dos parámetros, uno para el Nivel y otro para la Tendencia,
donde el nivel está relacionado al nivel que han alcanzado las ventas mientras que la
tendencia está relacionado al crecimiento o decrecimiento de las ventas.
El método de Holt utiliza las tres siguientes fórmulas:
  Nivel
𝑁𝑡 = 𝛼𝑋𝑡 + (1 − 𝛼)(𝑁𝑡−1 +𝑇𝑡−1 )
Donde:
𝑁𝑡 = es el valor suavizado del nivel en el periodo t
𝛼 = es la constante de suavizamiento del nivel
𝑋𝑡 = es la venta histórica en el periodo t
𝑁𝑡−1 = es el valor suavizado del nivel en el periodo t-1
𝑇𝑡−1 = es la estimación de la tendencia en el periodo t-1

 Tendencia
𝑇𝑡 = 𝛽(𝑁𝑡 − 𝑁𝑡−1 ) + (1 − 𝛽)𝑇𝑡−1

Donde:

𝑇𝑡 = es la estimación de la tendencia en el periodo t

𝛽 = es la constante de suavizamiento de la tendencia

𝑁𝑡 = es el valor suavizado del nivel en el periodo t

𝑁𝑡−1 =es el valor suavizado del nivel en el periodo t-1

𝑇𝑡−1 = es la estimación de la tendencia en el periodo t-1

 Previsión
La fórmula para la previsión se forma sumando el valor suavizado del nivel y la estimación
de la tendencia:
𝐹𝑡+1 = 𝑁𝑡 + 𝑇𝑡

5.3.4. METODO DE HOLT-WINTERS

EL método Holt-Winters es un método de pronóstico de triple exponente suavizante y

tiene la ventaja de ser fácil de adaptarse a medida que nueva información real está
disponible. El método Holt- Winters es una extensión del método Holt que considera solo
dos exponentes suavizantes. Holt-Winters considera nivel, tendencia y estacional de una
determinada serie de tiempos. Este método tiene dos principales modelos, dependiendo
del tipo de estacionalidad; el modelo multiplicativo estacional y el modelo aditivo
estacional.
 Nivel:
𝑌𝑡
𝐴𝑡 = 𝛼 + (1 − 𝛼)(𝐴𝑡−1 + 𝑇𝑡−1 )
𝑆𝑡−𝐿
 Tendencia:
𝑇𝑡 = 𝛽(𝐴𝑡 − 𝐴𝑡−1 ) + (1 − 𝛽)𝑇𝑡−1
 Estacionalidad:
 𝑌𝑡
𝑆𝑡 = 𝛾 ( ) + (1 − 𝛾)𝑆𝑡−𝐿
𝐴𝑡
Donde:

𝛼 = constante de atenuación del promedio de los datos 0 ≤ α ≤ 1

𝛽 = constante de atenuación de estimación de la tendencia 0 ≤ 𝛽 ≤ 1
𝛾 = constante de atenuación de estimación de la estacionalidad 0 ≤ 𝛾 ≤ 1
𝐴𝑡 = valor atenuado en el periodo t
𝑇𝑡 = estimación de la tendencia del periodo t
𝑆𝑡 = estimación de la estacionalidad del periodo t
𝐿 = longitud de estacionalidad
𝑃 = número de periodos en el futuro

6. ANALISIS DE RESULTADOS

Para la implementación de los métodos se hizo uso de una serie de tiempo de demanda de
agua potable de la empresa EMAC del municipio de Campoalegre de los periodos 2017, 2018
y 2019, las cuales se muestran a continuación:
 Tabla 1. Demanda de agua en el municipio de Campoalegre periodos 2017, 2018 y 2019

MES DEMANDA MES DEMANDA

ENERO 96.784 FEBRERO 172.223
MARZO 97.276
FEBRERO 102.115
ABRIL 105.487
MARZO 98.058
MAYO 94.228
ABRIL 82.479 JUNIO 101.883
MAYO 103.768 JULIO 104.938
JUNIO 101.429 AGOSTO 107.429
JULIO 96.537 SEPTIEMBRE 107.536
AGOSTO 111.768 OCTUBRE 107.547
SEPTIEMBRE 103.577 NOVIEMBRE 102.209
DICIEMBRE 107.026
OCTUBRE 114.352
ENERO 113.466
NOVIEMBRE 94.118 FEBRERO 109.582
DICIEMBRE 102.348 MARZO 102.962
ENERO 104.056 ABRIL 108.732

Fuente: Demanda de agua suministrado por empresa pública EMAC

Tabla 2. Análisis estadístico de los datos de la demanda de agua en los periodos 2017, 2018 y 2019

Analisis Estadistico

Media 105496,893
Error típico 2774,09385
Mediana 103672,5
Moda #N/A
Desviación estándar 14679,1249
Varianza de la muestra 215476708
Curtosis 16,7349319
Coeficiente de asimetría 3,54303909
Rango 89744
Mínimo 82479
Máximo 172223
Suma 2953913
Cuenta 28

Fuente: Construcción propia

En primera instancia se debe conocer el comportamiento de esta serie, hacer una estimación de la
técnica que se va a emplear y luego el pronóstico de los siguientes periodos; cabe anotar que esto
es con fines académicos, pues la base de datos que se tiene es una muestra pequeña, como antes
se ha mencionado el tamaño de la muestra es importante en la precisión del pronóstico, debido a
que la demanda es variable se debe considerar un análisis espaciado de tiempo para estimar su
comportamiento. En la práctica los analistas utilizan datos históricos de más de veinte años, con
esto se puede establecer patrones discriminantes por mes, vacaciones, invierno, verano entre
otras y con ello proyectarlo a horizontes de uno a quince años obteniendo así un pronóstico
confiable sobre el comportamiento mensual de la demanda. En caso de contar con el
comportamiento hora a hora de la demanda los perfiles de consumo se discriminan por hora del
día, día de la semana, fin de semana, festivos, y las mencionadas anteriormente.

Figura 1. Demanda anual de agua en el municipio de Campoalegre periodos 2017,2018 y 2019

Donde:

Periodo 2017

Periodo 2018

Periodo 2019

Se puede observar en el mes de febrero del año 2018 se presenta un dato atípico, debido al mal
funcionamiento de algunos contadores que se cambiaron, esta observación dada por parte de un
funcionario encargado de llevar control de estos procesos, los meses donde se presenta mayor
consumo son agosto y octubre.
Figura 2. Demanda de agua desde el periodo 2017- 2019

Mostraremos algunos Métodos de Tendencia simple. Inicialmente se hace la regresión de la serie

de todos los datos. Gráficamente se muestra que la serie no tiene una tendencia marcada de
crecimiento o decrecimiento, a simple vista no se puede determinar su comportamiento por lo
que se recurre a la regresión simple y a partir del coeficiente de determinación 𝑅 2 , conoceremos
qué función es semejante al comportamiento de la serie mencionada, en este caso se hará uso de
Excel.

Se realiza un esquema comparativo de los modelos de tendencia obtenidos a través de Excel, se

nota que la tendencia polinómica (Cuadrática) es la que presenta mayor ajuste con 0,0898 en este
caso no se puede afirmar que su comportamiento obedece a una función cuadrática pues el
coeficiente de correlación no es igual ni mayor a 0,8.

Tabla 3. Coeficiente de correlación según el tipo de regresión para la serie de la demanda

Tendencia Lineal Polinomica Logarítmica Potencial Exponencial

Criterio 𝑅 2 0,0426 0,0827 0,0638 0,0898 0,0677

Estos son los modelos de tendencia Arrojados por Excel (criterio 𝑅 2)

Figura 3. Tendencia Lineal para la demanda de agua

Figura 4. Tendencia Exponencial para la demanda de agua

Figura 4. Tendencia Logaritmica para la demanda de agua

Figura 5. Tendencia Polinomica para la demanda de agua

Figura 6. Tendencia Potencial para la demanda de agua

De los métodos implementados en el software Minitab 18 el que presenta mejor ajuste para la
serie de datos es el Método Holt-Winter, este método presenta el menor error de ajuste entre el
modelo y la serie de datos, tal como se muestra en la figura 9 no obstante el Modelo Winter
Aditivo es quien posee el mayor coeficiente de correlación entre los modelos ajustados , en este
caso se puede afirmar el comportamiento de la serie de demanda de energía eléctrica obedece al
Modelo Winter Aditivo pues el coeficiente de correlación es ni mayor a 0,8 y es el más cercano a 1.

Figura 7. Modelo de Media Móvil a 4 periodos para la serie de la demanda

Figura 8. Modelo de Holt para la serie de la demanda
Figura 9. Modelo de Holt-Winters para la serie de la demanda método multiplicativo

Figura 10. Modelo de Holt-Winters para la serie de la demanda método aditivo

 7. CONCLUSIONES
De lo anterior se puede establecer que el mejor método para el pronóstico es el de Holt-Winters,
quien se ajusta de una mejor manera a la serie de tiempo establecida, no obstante cabe decir que
para que el pronóstico sea ajustado a un posible valor futuro es indispensable poseer una base de
datos grande, además, la serie de tiempo como tal, no contaba con algunas condiciones para el
perfecto desarrollo del método, siendo así que el pronóstico pueda presentar algunas falencias,
bajo estos supuestos se tendría que ajustar la información, y verificar el grado de error arrojado.

7.1. BIBLIOGRAFÍA

 Hanke y Wichern, (2006).Ilustración de la aplicación de la metodología arima para

pronosticar la demanda de productos de consumo masivo para la limpieza del hogar en el
mercado colombiano. Universidad de los Andes.
 Aguilera, J. R. (2009). Fundamentos de producción para licenciados en contaduría.
Universidad Michoacana de San Nicolás de Hidalgo.
 Andrade Sosa, H. H., Parra Valencia, J. A., & Pineda Ballesteros, E. (2004). Dinámica de
sistemas y econometría: en la búsqueda de posibilidades o imposibilidades de
reconocimiento a partir de la reflexión de una experiencia en economía. Encuentro
Colombiano de Dinámica de sistemas.
 Arce, & Mahía. (2003). Modelos Arima. Programa Citius. Universidad Autónoma de
Manizales
 Bijak, J., & Wiśniowski, A. (2010). Bayesian forecasting of immigration to selected
European countries by using expert knowledge. Journal of the Royal Statistical Society.
Series A: Statistics in Society, 775-796.
 Botero, S., & Cano, J. (2008). Análisis de series de tiempo para la predicción de los precios
de la energía en la bolsa de Colombia. Revista cuadernos de economía.
 Bruce , Bowerman, & Oconnell. (2007). Pronósticos, series de tiempo y regresión: un
enfoque aplicado. Cengage Learning Editores.
 HANKE, John y REITSCH, Arthur. Pronósticos en los negocios. 5 ed. México: Pearson
Educación (Traducción), 2000.
 KAASTRA, Iebeling y BOYD, Milton. Designing Network for Forecasting financial and
economic time series. En: Neurocomputing.1996, p. 215-236.