Sie sind auf Seite 1von 9

METODOS CUALITATIVOS

Estos mtodos reciben tambin el nombre de tecnolgicos, porque histricamente se usaron


primero para pronosticar cambios tecnolgicos.
La posicin central en estos mtodos no la tienen los datos pasados, sino la experiencia de
las personas. Frecuentemente se usa la experiencia y buen juicio de varios expertos. Estas
tcnicas usan el criterio de la persona y ciertas relaciones para transformar informacin
cualitativa en estimados cuantitativos.
Usos de estos mtodos. Las tcnicas cualitativas se usan cuando los datos son escasos, y
son tiles para pronsticos a largo plazo, pronsticos de ventas y desarrollo de nuevos
productos, inversiones de capital, planeacin estratgica y pronsticos tecnolgicos.
Dentro de estos mtodos tenemos:
El Mtodo Delphi. Este trata de obtener un consenso confiable entre diversos expertos para
usarlo como base para pronosticar.
Esta tcnica necesita un grupo de expertos que estn dispuestos a contestar una serie de
preguntas, y exponer sus razones, respecto a algn desarrollo tecnolgico, por ejemplo. El
mtodo Delphi funciona por rondas. Para ver cmo es esto, pongamos un ejemplo. Se hizo
un estudio Delphi para saber cules eran los inventos y avances tecnolgicos que se iban a
dar en los 20 aos siguientes.
El estudio tuvo 4 rondas.
Primera ronda. Mediante una carta se les pidi a los miembros del panel una lista de los
inventos y avances cientficos que fueran a la vez tiles y factibles en los prximos 20 aos.
El coordinador, despus de recibir las listas, hizo una con los 50 avances ms mencionados.
Segunda ronda. La lista de 50 fue enviada a los expertos para que los acomodaran
temporalmente (en 4 periodos de 5 aos). Tomando como base el tiempo en que creyeran
que haba una probabilidad de 50\% de que se realice el avance.
Tercera ronda. El coordinador envi a los expertos dos listas:

La lista de los avances en los que hubo consenso.

a lista donde no hubo consenso indicndoles las medianas de los tiempos para los
avances en que no hubo acuerdo.

Se les pidi que reconsideraran sus opiniones respecto a los avances en que no hubo
consenso. A los expertos que difirieron mucho de los dems se les hizo notar. (Muchos de
ellos cambiaron sus estimaciones).
Cuarta ronda. Se repiti la tercera ronda para ``cerrar'' ms las opiniones de los expertos. El
coordinador, elabor un informe final; en este informe se obtuvo no slo una lista de los
avances que el panel de expertos consider como alcanzables sino una estimacin de los
tiempos en que se van a alcanzar.
El mtodo Delphi tiene las ventajas siguientes:

queda documentado no slo el resultado sino el proceso que se sigui.


los expertos interactan en forma annima.
se evitan divagaciones.

Las dificultades son:

el coordinador debe permanecer ``neutral'' respecto a la discusin.


puede haber dificultad en captar la atencin de los expertos.
gracias a la tecnologa es posible acelerar la lentitud que va de la mano del correo.
muchas veces las opiniones ``delatan'' al experto, dificultando el anonimato.

Investigacin de Mercados. Esta tcnica identifica a la poblacin de compradores


prospectivos basados previa seleccin representativa, de tamao n, en la recoleccin de
informacin mediante cuestionarios, entrevistas o estudios, etc., para obtener informacin o
probar hiptesis acerca de mercados reales.
Consenso de un Panel. Supone que la organizacin o empresa tiene expertos que poseen
conocimientos o experiencia que les permite evaluar efectivamente los eventos inciertos del
futuro. Se supone adems que cada uno de los expertos reconoce la capacidad de los otros
en su rea y suplementando el conocimiento de cada uno se llega a un consenso acerca del
pronstico apropiado de las ventas de la empresa. El problema que en un momento puede
existir al hacer uso de ste procedimiento de prediccin es que puede existir al hacer uso de
este procedimiento de prediccin es que puede existir un sesgo en los resultados, debido a

las jerarquas dentro del grupo causando que los expertos con menor rango se muestren
renuentes en sus crticas a sus superiores aunque sientan que sus opiniones sean de ms
valor que las emitidas por sus superiores.
Analoga Histrica. Se usa para productos nuevos, basndose en el anlisis comparativo de
la introduccin y crecimiento de productos similares.
El mtodo supone que pueden usarse la historia de las ventas de un producto introducido en
el pasado para evaluar el posible xito del producto actual. Una suposicin natural en este
enfoque es que los ambientes del mercado son similares para ambos productos.

METODOS CUANTITATIVOS

Los mtodos cuantitativos se basan en datos histricos. Esta informacin pasada se


encuentra en forma numrica. Las fuentes usuales son los registros de la propia empresa o
informacin oficial de diverso origen: gobierno, asociaciones de empresarios o
profesionistas, organismos internacionales.
Se debe tener cuidado, sobre todo cuando la informacin proviene de la propia empresa
(aunque en la proveniente de otras fuentes tambin hay que cuidarse), que haya sido
cuantificada de manera uniforme Para informacin sobre costos, por ejemplo, hay que
asegurarse que los costos incluyan los mismos conceptos en todos los aos que vamos a
utilizar; de no ser as es preciso tratar previamente los datos.
Para aplicar los mtodos cuantitativos es preciso convencernos, razonablemente, de que se
cumple la llamada Hiptesis de Continuidad. Este supuesto es que los factores externos en
los que se dieron los datos histricos no cambiarn en el futuro para el que estamos
pronosticando. Estos factores son, en forma destacada:

Economa en general.
Competencia en el mercado (oferta).
Estado del mercado (demanda).
Estado tecnolgico del producto (``ciclo de vida del producto'').

Esta continuidad del ambiente nunca se da en forma perfecta, sino en forma gradual. Se
requiere buen juicio para suponer que las violaciones a la continuidad no van a afectar a los
resultados de la aplicacin del mtodo de pronstico.
Dentro de los mtodos cuantitativos tenemos los siguientes:
Anlisis de series de tiempo. Se llama serie de tiempo a cualquier sucesin de
observaciones de un fenmeno que es variable con respecto al tiempo. Estos mtodos
suponen que la variable pronosticada tiene informacin til para el desarrollo del
pronstico sobre su comportamiento anterior, considerando probable que lo que sucedi en
el pasado contine ocurriendo en el futuro.
Es comn representar a las series de tiempo por medio de una ecuacin matemtica que
describa los valores de la variable observada como una funcin del tiempo o
equivalentemente como una curva en una grfica en la que la coordenada vertical

representa la variable Y y la coordenada horizontal representa el tiempo. El anlisis consiste


en encontrar el patrn del pasado y proyectarlo al futuro.
Patrones o componentes de una serie de tiempo
Cuando se tienen datos para hacer un pronstico, la herramienta ms til es graficarlos! La
grfica que queremos es la de los datos contra el tiempo. En el eje horizontal ponemos los
tiempos y en el sentido vertical sealamos el punto cuya altura corresponda a la magnitud
de la observacin que tengamos para cada tiempo.
Por regla general, los datos se encuentran equiespaciados en el tiempo. Las diferentes
formas que toma el arreglo de los datos en la grfica nos indican como debemos proceder
en el pronstico.
Las caractersticas que, de manera primordial, buscamos en la grfica son las regularidades
que permitan la proyeccin del comportamiento observado en el pasado hacia el futuro. Los
patrones regulares que nos son tiles son de varios tipos.

Patrn horizontal o estacionario. Se presentan como un valor constante


(recta horizontal) alrededor del cual los datos oscilan de forma irregular. Es
el patrn de datos ms simple, la mejor manera de pronosticar en una
situacin como sta es estimar la altura de la lnea horizontal y usar ese valor

como pronstico.
Datos con tendencia. Se presentan como una lnea lisa (una recta o una curva
suave) que sube o baja montonamente y los datos oscilan errticamente
alrededor de ella. La manera de pronosticar que se ocurre primero, en este
caso, es la de calcular una ecuacin para la lnea y usar ese valor para

pronstico.
Datos estacionales. Muchas series de datos presentan este tipo de
comportamiento repetitivo. La componente estacional refleja cambios hacia
arriba y hacia abajo en puntos fijos en el tiempo. El origen del nombre
estacional son, precisamente las estaciones del ao. Mucha de la actividad
humana y muchos fenmenos naturales varan de acuerdo a las estaciones.
Por extensin, en muchas actividades se presenta una oscilacin semanal o
mensual similar a la de las estaciones del ao. Por ejemplo, no es raro

observar que en algunos das de la semana se incrementa el ausentismo


laboral. Tenemos otro ejemplo en la cantidad de transacciones que se
realizan en las oficinas bancarias, estas presentan dos ``picos'' mensuales, al
principio/fin y al medio. Cuando se estudia una serie con esta caracterstica,
es deseable incorporarla al pronstico. En general se considera que esta
componente o patrn ocurre con un perodo de un ao o menos. Otro tipo de
patrn, es el que se llama cclico. Este se refiere a curvaturas de largo
perodo asociadas con grandes ciclos econmicos. El pronstico en estas
condiciones es mucho ms complicado ya que la forma de estos ciclos no es
simple y la teora econmica no se encuentra suficientemente desarrollada
como para permitir una cuantificacin confiable de ellos. Claro que si
observamos tal patrn en los datos, es conveniente incorporarlo al
pronstico aun cuando sea de una manera imperfecta.
La diferencia principal entre los efectos o patrones estacionales y cclicos es
que los efectos estacionales pueden predecirse, y ocurren a un intervalo de
tiempo fijo de la ltima ocurrencia, mientras que los efectos cclicos son

componentes impredecibles.

MTODOS PARA SERIES DE DATOS HORIZONTALES.


Mtodos de suavizamiento o alisamiento.- Son tcnicas de pronsticos que son apropiadas
para series de tiempo mas o menos estables y que presentan un patrn horizontal, es decir,
las que no muestran efectos importantes de tendencia , cclicos o estacinales. Dentro de
stas tcnicas de pronsticos tenemos los siguientes mtodos.
Promedio Mvil simple
Este consiste en promediar slo las ltimas observaciones. Conforme avanza el tiempo
dejamos fuera del promedio a los datos ms viejos y vamos incorporando datos nuevos. Por
eso recibe el nombre de promedio mvil.
Un promedio mvil tiene un parmetro que es la amplitud del promedio, es decir, cuntos
datos ponemos en el promedio. Si el valor de este parmetro es grande, el suavizado es

mayor; si es pequeo el suavizado es menor. En trminos matemticos, el clculo de los


promedios mviles se realiza de la siguiente manera:
Se considera que:
Xt=Ft+1
Donde:
X t = Es el promedio mvil de n trminos de x calculados hasta el perodo t
F t + 1 = representa el pronstico de x en el perodo t + 1
X i = valor real de x (accidentes, ventas, demanda, etc.) en el perodo i
El promedio mvil hasta el perodo t se usa para el pronstico del perodo t + 1
El error correspondiente a cualquier pronstico est representado por la diferencia entre el
valor real observado y el valor pronosticado. Este puede ser positivo o negativo,
dependiendo de si el pronstico es demasiado bajo o es demasiado alto.
Una consideracin importante al utilizar cualquier mtodo de pronstico es la precisin del
pronstico. Es evidente que lo que se desea es que los errores de los pronsticos sean
reducidos. Unas de las herramientas estadsticas ms usadas como medidas del error para
evaluar la precisin de los mtodos de pronsticos son:

La desviacin absoluta de la media (DAM).


El error medio cuadrtico (EMC).

DAM = Suma de los valores absolutos de todos los errores de los pronsticos
Numero de errores absolutos tomados
ECM = Suma cuadrtica del error del pronstico
Numero de errores al cuadrado tomados
EJEMPLO. Con la informacin mostrada en la siguiente tabla, Elabore promedios mviles
de 3 y de 5 trminos para calcular el nmero de accidentes pronosticados para la decima
tercera semana y explique cul de los dos promedios mviles, el de 3 o el de 5 trminos,
ofrece mejores pronsticos

Note que el promedio mvil va desechando los datos viejos conforme incorpora a los
nuevos. Adems mantiene la misma ``importancia'' para la ltima observacin a lo largo del
tiempo.
Usando promedios mviles de 3 trminos el nmero de accidentes pronosticados para la
dcima tercera semana es de 251.
Y de 220 accidentes si usamos promedios mviles de 5 trminos. Para evaluar la precisin
de este pronstico y poder decidir cul de los 2 resultados ofrece el mejor pronstico,
haremos uso de la desviacin absoluta media (DAM) como medida de error.
575.00
342.40
DAM (3 trminos) = --------------- = 63.88 DAM (5 trminos) = -------------------- =48.91
9
7
Conviene usar promedios mviles de 5 trminos, en virtud a que presenta menor DAM en
los clculos.

PROMEDIO MVIL PONDERADO

En el mtodo anterior de los promedios mviles simples cada observacin del clculo del
promedio mvil recibe la misma ponderacin o peso.
En la tcnica de promedios mviles ponderados, implica la seleccin de pesos distintos para
cada valor de los datos para despus calcular en calidad de pronstico un promedio
ponderado. En donde la observacin ms reciente es la que recibe mayor ponderacin y el
peso disminuye para los valores ms antiguos. Por ejemplo, utilizando la serie de tiempo de
la informacin del cuadro anterior, se procede a ilustrar el clculo de un promedio mvil
ponderado de 3 trminos, en donde la observacin ms reciente recibe un peso de 3 tantos
el que se asigna a la observacin ms antigua, y la siguiente observacin ms antigua recibe
un peso del doble que la ms antigua. El pronstico para el promedio mvil ponderado para
la cuarta semana se calculara de la siguiente manera:
ALISAMIENTO O SUAVIZAMIENTO EXPONENCIAL
El alisamiento exponencial es una tcnica de pronstico en la que se utiliza un promedio
ponderado de una serie de valores anteriores o pasados para pronosticar el valor de la serie
de tiempo en el perodo siguiente.
Se usa para pronsticos a corto y mediano plazo, la expresin matemtica aplicada para
este modelo es la siguiente:
F t + 1 = a Y t + (1 - a) F t
Los valores de la constante de alisamiento o suavizamiento debe de andar entre 0 y 1 0 < a
< 1 a mayor produce menor suavizado y a menor, mayor suavizado.