ANÁLISIS CORRELACIONAL, ESTADÍSTICO,
DESCRIPTIVO, Y PROYECTIVO SOBRE LOS
PRECIOS DE LOS PRINCIPALES
COMBUSTIBLES FÓSILES EN EL PAÍS, SUS
INFLUENCIAS EN LA DEMANDA Y LOS
PRECIOS INTERNACIONALES.
Por
José Luis Restrepo Castrillón
Proyecto de Investigación
Como parte de los requerimientos para la obtención del título
Magíster en Administración
Asesor: Doctor en Ingeniería Industrial
Luis Alberto Mora Gutiérrez
Lunes, 29 de marzo de 2004
Tabla de contenido
ÍNDICE DE ILUSTRACIONES ...................................................................................... 10
ÍNDICE DE TABLAS..................................................................................................... 13
0. PRÓLOGO............................................................................................................. 16
0.1. Introducción......................................................................................................................16
0.2. Estructura del trabajo .....................................................................................................18
0.3. Justificación ......................................................................................................................19
0.4. Estructura de los objetivos ..............................................................................................20 0.4.1. Principal. ....................................................................................................................20 0.4.2. Específicos. ................................................................................................................20
1. FUNDAMENTOS ................................................................................................... 22
1.1. Objetivo .............................................................................................................................22
1.2. Introducción......................................................................................................................22
1.3. El petróleo y el gas natural ..............................................................................................23 1.3.1. Orígenes .....................................................................................................................23 1.3.2. Composición...............................................................................................................26
1.4. Conceptos fundamentales sobre método científico para el trabajo empírico o de campo ............................................................................................................................................27
1.4.1. Clasificación de los métodos de previsión .................................................................30 1.4.2. Tipos de previsiones...................................................................................................31
1.5. Elementos de una previsión.............................................................................................32 1.5.1. Métodos para realizar la previsión cualitativa............................................................33
1.5.1.1. El brainstorming y las técnicas relacionadas con el espoleo de la creatividad..34 1.5.1.2. Analogías............................................................................................................34 1.5.1.3. Modelo o mapa contextual .................................................................................35 1.5.1.4. Análisis morfológico ..........................................................................................35
1.5.2. Análisis de vacíos.......................................................................................................36 1.5.2.1. Vigilancia del entorno (Monitoring) ..................................................................36 1.5.2.2. Planeación por escenarios ..................................................................................37 1.5.2.3. Método Delfos....................................................................................................37
1.5.3. Métodos para la previsión cuantitativa.......................................................................38 1.5.4. Métodos para la previsión temporal ...........................................................................39
1.5.4.1. Series temporales simples ..................................................................................39
1.5.4.2. Modelos clásicos ................................................................................................40 1.5.4.3. Modelos modernos .............................................................................................40 1.5.4.4. Curvas de crecimiento y logística ......................................................................40 1.5.4.5. Analogías cuantificadas......................................................................................41 1.5.4.6. Curvas de sustitución .........................................................................................41 1.5.4.7. Modelos dinámicos ............................................................................................42 1.5.4.8. Previsiones subjetivas ........................................................................................42 1.5.4.9. Técnicas compuestas ..........................................................................................43
1.5.5. Métodos para la valoración de la probabilidad ..........................................................43 1.5.5.1. Método Delfos con cuartiles ..............................................................................44 1.5.5.2. Análisis de influencias o impactos cruzados (Cross Impact).............................45 1.5.5.3. Análisis estructural prospectivo (M.I.C. M.A.C.) ..............................................46
1.6. Análisis estadísticos uni y bivariables.............................................................................49 1.6.1. Estadísticas básicas ....................................................................................................50
1.6.1.1. Promedios...........................................................................................................50 1.6.1.2. Medidas de dispersión........................................................................................51
1.6.2. Tabulación simple ......................................................................................................52 1.6.3. Tabulación cruzada ....................................................................................................52 1.6.4. Tabulación cruzada de valores medios.......................................................................53 1.6.5. Prueba t de medias......................................................................................................53 1.6.6. Análisis de la varianza................................................................................................53 1.6.7. Análisis de la covarianza............................................................................................54 1.6.8. Correlación .................................................................................................................54
1.6.8.1. Correlación de rangos.........................................................................................55 1.6.8.2. Correlación lineal ...............................................................................................55
1.6.9. Coeficiente alfa de Crobach .......................................................................................55
1.7. Análisis estadísticos multivariables: análisis de dependencias. ...................................56 1.7.1. Análisis de regresión múltiple....................................................................................58 1.7.2. Análisis de clasificación múltiple ..............................................................................58 1.7.3. AID (Autimatic Interaction Detection) ......................................................................59 1.7.4. Análisis discriminante múltiple..................................................................................59 1.7.5. Redes neuronales artificiales......................................................................................60
1.8. Conclusión.........................................................................................................................61
2. DIFERENCIACIÓN................................................................................................. 63
2.1. Objetivo .............................................................................................................................63
2.2. Introducción......................................................................................................................63
2.3. El petróleo y el gas natural ..............................................................................................63 2.3.1. Tipos de petróleo........................................................................................................63 2.3.2. Diferencias entre los gases combustibles, gas natural y GLP....................................64 2.3.3. Refinación del petróleo. .............................................................................................66 2.3.4. Tratamiento del gas natural ........................................................................................68 2.3.5. Derivados y usos ........................................................................................................68
2.4. Conclusión.........................................................................................................................70
3. PARÁMETROS ESTADÍSTICOS .......................................................................... 71
3.1. Objetivo .............................................................................................................................71
3.2. Introducción......................................................................................................................71
3.3. Parámetros estadísticos de los combustibles fósiles y la TRM.....................................72
3.4. Conclusión.........................................................................................................................74
4. PROYECCIÓN ....................................................................................................... 75
4.1. Objetivos ...........................................................................................................................75
4.2. Introducción......................................................................................................................75
4.3. Estudio proyectivo del precio del ACPM [Aceite Combustible Para Motor] en kW–h, mediante series temporales estadísticas y estocásticas..............................................................76
4.3.1. Análisis previo de la serie ..........................................................................................76 4.3.1.1. Determinación de los componentes de la serie ..................................................77
4.3.1.1.1. Nivel ..............................................................................................................77 4.3.1.1.2. Aleatoriedad o ruido ...................................................................................78 4.3.1.1.3. Tendencia.....................................................................................................79 4.3.1.1.4. Patrón anual de conducta mensual promedio........................................79 4.3.1.1.5. Componentes irregulares ..........................................................................81 4.3.1.1.6. Estacionalidad .............................................................................................81 4.3.1.1.7. Ciclicidad ......................................................................................................83 4.3.1.1.8. Determinación previa del Modelo: Clásico o Moderno .........................83
4.3.1.2. Hipótesis.............................................................................................................84 4.3.1.2.1. Preparación de la serie ..............................................................................84
4.3.2. Cálculos del mejor modelo.........................................................................................84 4.3.2.1. Análisis de modelos inicial con segundo recorte de seis meses.........................84 4.3.2.2. Análisis final de selección de modelo: ...............................................................86
4.3.3. Mejor modelo y análisis final frente al análisis previo ..............................................87 4.3.4. Pronósticos .................................................................................................................87 4.3.5. Bondad de ajuste de pronósticos anteriores ...............................................................88
4.4. Estudio proyectivo del precio del fuel oíl [combustóleo] en kW–h, mediante series temporales estadísticas y estocásticas.........................................................................................89
4.4.1. Análisis previo de la serie ..........................................................................................90 4.4.1.1. Determinación de los componentes de la serie ..................................................91
4.4.1.1.1. Nivel ..............................................................................................................91 4.4.1.1.2. Aleatoriedad o ruido ...................................................................................92 4.4.1.1.3. Tendencia.....................................................................................................93 4.4.1.1.4. Patrón anual de conducta mensual promedio........................................93 4.4.1.1.5. Componentes irregulares ..........................................................................95 4.4.1.1.6. Estacionalidad .............................................................................................95
4.4.1.1.7. Ciclicidad ......................................................................................................97 4.4.1.1.8. Determinación previa del Modelo: Clásico o Moderno .........................97
4.4.1.2. Hipótesis.............................................................................................................98 4.4.1.2.1. Preparación de la serie ..............................................................................98
4.4.2. Cálculos del mejor modelo.........................................................................................98 4.4.2.1. Análisis de modelos inicial con segundo recorte de seis meses.........................98 4.4.2.2. Análisis final de selección de modelo: .............................................................100
4.4.3. Mejor modelo y análisis final frente al análisis previo ............................................101 4.4.4. Pronósticos ...............................................................................................................101 4.4.5. Bondad de ajuste de pronósticos anteriores .............................................................102
4.5. Estudio proyectivo del precio del GLP [Gas Licuado del Petróleo ó Gas Propano] en kW–h, mediante series temporales estadísticas y estocásticas ...............................................103
4.5.1. Análisis previo de la serie ........................................................................................104 4.5.1.1. Determinación de los componentes de la serie ................................................105
4.5.1.1.1. Nivel ............................................................................................................105 4.5.1.1.2. Aleatoriedad o ruido .................................................................................106 4.5.1.1.3. Tendencia...................................................................................................107 4.5.1.1.4. Patrón anual de conducta mensual promedio......................................107 4.5.1.1.5. Componentes irregulares ........................................................................109 4.5.1.1.6. Estacionalidad ...........................................................................................109 4.5.1.1.7. Ciclicidad ....................................................................................................111 4.5.1.1.8. Determinación previa del Modelo: Clásico o Moderno .......................111
4.5.1.2. Hipótesis...........................................................................................................112 4.5.1.2.1. Preparación de la serie ............................................................................112
4.5.2. Cálculos del mejor modelo.......................................................................................112 4.5.2.1. Análisis de modelos inicial con segundo recorte de seis meses.......................112 4.5.2.2. Análisis final de selección de modelo: .............................................................114
4.5.3. Mejor modelo y análisis final frente al análisis previo ............................................115 4.5.4. Pronósticos ...............................................................................................................115 4.5.5. Bondad de ajuste de pronósticos anteriores .............................................................116
4.6. Estudio proyectivo del precio del gas natural en kW–h, mediante series temporales estadísticas y estocásticas...........................................................................................................117
4.6.1. Análisis previo de la serie ........................................................................................118 4.6.1.1. Determinación de los componentes de la serie ................................................119
4.6.1.1.1. Nivel ............................................................................................................119 4.6.1.1.2. Aleatoriedad o ruido .................................................................................120 4.6.1.1.3. Tendencia...................................................................................................121 4.6.1.1.4. Patrón anual de conducta mensual promedio......................................121 4.6.1.1.5. Componentes irregulares ........................................................................123 4.6.1.1.6. Estacionalidad ...........................................................................................123 4.6.1.1.7. Ciclicidad ....................................................................................................125 4.6.1.1.8. Determinación previa del Modelo: Clásico o Moderno .......................126
4.6.1.2. Hipótesis...........................................................................................................126 4.6.1.2.1. Preparación de la serie ............................................................................126
4.6.2. Cálculos del mejor modelo.......................................................................................126 4.6.2.1. Análisis de modelos inicial con segundo recorte de seis meses.......................127 4.6.2.2. Análisis final de selección de modelo: .............................................................128
4.6.3. Mejor modelo y análisis final frente al análisis previo ............................................129 4.6.4. Pronósticos ...............................................................................................................129 4.6.5. Bondad de ajuste de pronósticos anteriores: ............................................................130
4.7. Estudio proyectivo del precio de la gasolina súper en kW–h, mediante series temporales estadísticas y estocásticas.......................................................................................131
4.7.1. Análisis previo de la serie ........................................................................................132 4.7.1.1. Determinación de los componentes de la serie ................................................133
4.7.1.1.1. Nivel ............................................................................................................133 4.7.1.1.2. Aleatoriedad o ruido .................................................................................134 4.7.1.1.3. Tendencia...................................................................................................135 4.7.1.1.4. Patrón anual de conducta mensual promedio......................................135 4.7.1.1.5. Componentes irregulares ........................................................................137 4.7.1.1.6. Estacionalidad ...........................................................................................137 4.7.1.1.7. Ciclicidad ....................................................................................................139 4.7.1.1.8. Determinación previa del Modelo: Clásico ó Moderno .......................139
4.7.1.2. Hipótesis...........................................................................................................140 4.7.1.2.1. Preparación de la serie ............................................................................140
4.7.2. Cálculos del mejor modelo.......................................................................................140 4.7.2.1. Análisis de modelos inicial con segundo recorte de seis meses:......................140 4.7.2.2. Análisis final de selección de modelo: .............................................................142
4.7.3. Mejor modelo y análisis final frente al análisis previo ............................................143 4.7.4. Pronósticos ...............................................................................................................143 4.7.5. Bondad de ajuste de pronósticos anteriores .............................................................144
4.8. Estudio proyectivo del precio del petróleo crudo de referencia WTI - NYMEX en dólares por barril, mediante series temporales estadísticas y estocásticas ...........................145
4.8.1. Análisis previo de la serie ........................................................................................146 4.8.1.1. Determinación de los componentes de la serie ................................................147
4.8.1.1.1. Nivel ............................................................................................................147 4.8.1.1.2. Aleatoriedad o ruido .................................................................................148 4.8.1.1.3. Tendencia...................................................................................................149 4.8.1.1.4. Patrón anual de conducta mensual promedio......................................149 4.8.1.1.5. Componentes irregulares ........................................................................151 4.8.1.1.6. Estacionalidad ...........................................................................................151 4.8.1.1.7. Ciclicidad ....................................................................................................153 4.8.1.1.8. Determinación previa del Modelo: Clásico o Moderno .......................154
4.8.1.2. Hipótesis...........................................................................................................154 4.8.1.2.1. Preparación de la serie ............................................................................154
4.8.2. Cálculos del mejor modelo.......................................................................................154 4.8.2.1. Análisis de modelos inicial con segundo recorte de seis meses.......................155 4.8.2.2. Análisis final de selección de modelo: .............................................................156
4.8.3. Mejor modelo y análisis final frente al análisis previo ............................................157 4.8.4. Pronósticos ...............................................................................................................157 4.8.5. Bondad de ajuste de pronósticos anteriores .............................................................158
4.9. Estudio proyectivo mediante series temporales estadísticas y estocásticas de la TRM colombiana (dólar americano en pesos colombianos).............................................................159
4.9.1. Análisis previo de la serie ........................................................................................160
4.9.1.1. Determinación de los componentes de la serie ................................................161 4.9.1.1.1. Nivel ............................................................................................................161 4.9.1.1.2. Aleatoriedad o ruido .................................................................................162 4.9.1.1.3. Tendencia...................................................................................................163 4.9.1.1.4. Patrón anual de conducta mensual promedio......................................163 4.9.1.1.5. Componentes irregulares ........................................................................164 4.9.1.1.6. Estacionalidad ...........................................................................................165 4.9.1.1.7. Ciclicidad ....................................................................................................166 4.9.1.1.8. Determinación previa del Modelo: Clásico o Moderno .......................167
4.9.1.2. Hipótesis...........................................................................................................167 4.9.1.2.1. Preparación de la serie ............................................................................167
4.9.2. Cálculos del mejor modelo.......................................................................................168 4.9.2.1. Análisis de modelos inicial con segundo recorte de doce meses .....................168 4.9.2.2. Análisis final de selección de modelo: .............................................................170
4.9.3. Mejor modelo y análisis final frente al análisis previo ............................................171 4.9.4. Pronósticos ...............................................................................................................171 4.9.5. Bondad de ajuste de pronósticos anteriores: ............................................................171
4.10. Conclusión...................................................................................................................173
5. FUTUROS ESTADÍSTICOS DE CORTO Y MEDIANO PLAZO .......................... 174
5.1. Objetivo ...........................................................................................................................174
5.2. Introducción....................................................................................................................174
5.3. Resultados y análisis correlacionales, proyectivos, estadísticos, y multivariados de los principales combustibles fósiles ................................................................................................175
5.3.1. A N Á L I S I S D E C O R R E L A C I Ó N L I N E A L ...............................175 5.3.2. C O E F I C I E N T E A L F A D E C R O N B A C H ....................................178 5.3.3. Redes Neuronales.....................................................................................................179
5.4. Conclusión.......................................................................................................................183
6. CONCLUSIONES ................................................................................................ 184
7. REFERENCIAS BIBLIOGRÁFICAS. ................................................................... 187
7.1. Bibliografía clásica .........................................................................................................187
7.2. Referencias de internet ..................................................................................................194
7.3. Otras referencias usadas, mas no citadas.....................................................................195
Índice de ilustraciones
FIGURA 1 TIPOS DE PREVISIONES UTILIZADOS EN LA EMPRESA ................................32 FIGURA 2 CLASIFICACIÓN DE LOS MÉTODOS DE PREVISIÓN .......................................33 FIGURA 3 REPRESENTACIÓN DE MATRIZ BOOLEANA ....................................................48 FIGURA 4 PROYECCIÓN E HISTORIA DEL ACPM EN DÓLARES POR KW - H...............76 FIGURA 5 GRÁFICA DE PRECIO USD ACPM EN KW – HORA ...........................................77 FIGURA 6 NIVEL SERIE ACPM - LÍNEAS ROJAS..................................................................78 FIGURA 7 SERIE ORIGINAL SUAVIZADA SIN RUIDO, PARA APRECIAR TENDENCIA
ACPM.....................................................................................................................................79 FIGURA 8 SERIE TEMPORIZADA PARA DETERMINAR FACTORES DE PESO
ESTACIONALES POR MES ACPM....................................................................................80 FIGURA 9 VERIFICACIÓN DE DATOS IRREGULARES ACPM ...........................................81 FIGURA 10 SERIE TEMPORIZADA PARA CORROBORAR LA PRESENCIA DE
ESTACIONALIDAD EN TRM COMO REFERENCIA Y EN LA SERIE EVALUADA, CON ESTACIONALIDAD INFERIOR DE 12 MESES Y CICLICIDAD SUPERIOR A 12 MESES ACPM.......................................................................................................................82
FIGURA 11 SERIE TEMPORIZADA PARA CORROBORAR LA PRESENCIA DE CICLICIDAD ACPM ............................................................................................................83
FIGURA 12 CÁLCULOS DEL MEJOR MODELO.....................................................................86 FIGURA 13 HISTORIA MÁS PRONÓSTICOS ACPM..............................................................89 FIGURA 14 PROYECCIÓN E HISTORIA DEL FUEL OÍL (COMBUSTÓLEO) EN DÓLARES
POR KW-H ............................................................................................................................90 FIGURA 15 GRÁFICA DE PRECIO USD FUEL OÍL (COMBUSTÓLEO) EN KW – HORA .91 FIGURA 16 NIVEL SERIE ACPM - LÍNEAS ROJAS................................................................92 FIGURA 17 SERIE ORIGINAL SUAVIZADA SIN RUIDO, PARA APRECIAR TENDENCIA
FUEL OÍL ..............................................................................................................................93 FIGURA 18 SERIE TEMPORIZADA PARA DETERMINAR FACTORES DE PESO
ESTACIONALES POR MES FUEL OÍL .............................................................................94 FIGURA 19 VERIFICACIÓN DE DATOS IRREGULARES FUEL OÍL...................................95 FIGURA 20 SERIE TEMPORIZADA PARA CORROBORAR LA PRESENCIA DE
ESTACIONALIDAD EN TRM COMO REFERENCIA Y EN LA SERIE EVALUADA, CON ESTACIONALIDAD INFERIOR DE 12 MESES Y CICLICIDAD SUPERIOR A 12 MESES FUEL OÍL ................................................................................................................96
FIGURA 21 SERIE TEMPORIZADA PARA CORROBORAR LA PRESENCIA DE CICLICIDAD FUEL OÍL ......................................................................................................97
FIGURA 22 CÁLCULOS DEL MEJOR MODELO FUEL OÍL ................................................100 FIGURA 23 HISTORIA MÁS PRONÓSTICOS FUEL OÍL......................................................103 FIGURA 24 PROYECCIÓN E HISTORIA DEL GLP EN DÓLARES POR KW – H..............104 FIGURA 25 GRÁFICA DE PRECIO USD GLP EN KW – HORA...........................................105 FIGURA 26 NIVEL SERIE GLP - LÍNEAS ROJAS..................................................................106 FIGURA 27 SERIE ORIGINAL SUAVIZADA SIN RUIDO, PARA APRECIAR TENDENCIA
GLP ......................................................................................................................................107 FIGURA 28 SERIE TEMPORIZADA PARA DETERMINAR FACTORES DE PESO
ESTACIONALES POR MES GLP......................................................................................108 FIGURA 29 VERIFICACIÓN DE DATOS IRREGULARES GLP ...........................................109 FIGURA 30 SERIE TEMPORIZADA PARA CORROBORAR LA PRESENCIA DE
ESTACIONALIDAD EN TRM COMO REFERENCIA Y EN LA SERIE EVALUADA,
CON ESTACIONALIDAD INFERIOR DE 12 MESES Y CICLICIDAD SUPERIOR A 12 MESES GLP ........................................................................................................................110
FIGURA 31 SERIE TEMPORIZADA PARA CORROBORAR LA PRESENCIA DE CICLICIDAD GLP ..............................................................................................................111
FIGURA 32 CÁLCULOS DEL MEJOR MODELO GLP ..........................................................114 FIGURA 33 HISTORIA MÁS PRONÓSTICOS GLP................................................................117 FIGURA 34 PROYECCIÓN E HISTORIA DEL GAS NATURAL EN DÓLARES POR KW – H
..............................................................................................................................................118 FIGURA 35 GRÁFICA DE PRECIO USD GAS NATURAL EN KW – HORA ......................119 FIGURA 36 NIVEL SERIE GN - LÍNEAS ROJAS ...................................................................120 FIGURA 37 SERIE ORIGINAL SUAVIZADA SIN RUIDO, PARA APRECIAR TENDENCIA
GN ........................................................................................................................................121 FIGURA 38 SERIE TEMPORIZADA PARA DETERMINAR FACTORES DE PESO
ESTACIONALES POR MES GN .......................................................................................122 FIGURA 39 VERIFICACIÓN DE DATOS IRREGULARES GN.............................................123 FIGURA 40 SERIE TEMPORIZADA PARA CORROBORAR LA PRESENCIA DE
ESTACIONALIDAD EN TRM COMO REFERENCIA Y EN LA SERIE EVALUADA, CON ESTACIONALIDAD INFERIOR DE 12 MESES Y CICLICIDAD SUPERIOR A 12 MESES GN ..........................................................................................................................124
FIGURA 41 SERIE TEMPORIZADA PARA CORROBORAR LA PRESENCIA DE CICLICIDAD GN................................................................................................................125
FIGURA 42 CÁLCULOS DEL MEJOR MODELO GN ...........................................................128 FIGURA 43 HISTORIA MÁS PRONÓSTICOS GN..................................................................131 FIGURA 44 PROYECCIÓN E HISTORIA DE LA GASOLINA SÚPER EN DÓLARES POR
KW - H .................................................................................................................................132 FIGURA 45 GRÁFICA DE PRECIO USD GASOLINA SÚPER EN KW – HORA.................133 FIGURA 46 NIVEL SERIE GASOLINA SÚPER - LÍNEAS ROJAS .......................................134 FIGURA 47 SERIE ORIGINAL SUAVIZADA SIN RUIDO, PARA APRECIAR TENDENCIA
GASOLINA SÚPER............................................................................................................135 FIGURA 48 SERIE TEMPORIZADA PARA DETERMINAR FACTORES DE PESO
ESTACIONALES POR MES GASOLINA SÚPER ...........................................................136 FIGURA 49 VERIFICACIÓN DE DATOS IRREGULARES GASOLINA SÚPER.................137 FIGURA 50 SERIE TEMPORIZADA PARA CORROBORAR LA PRESENCIA DE
ESTACIONALIDAD EN TRM COMO REFERENCIA Y EN LA SERIE EVALUADA, CON ESTACIONALIDAD INFERIOR DE 12 MESES Y CICLICIDAD SUPERIOR A 12 MESES GASOLINA SÚPER ..............................................................................................138
FIGURA 51 SERIE TEMPORIZADA PARA CORROBORAR LA PRESENCIA DE CICLICIDAD GASOLINA SÚPER....................................................................................139
FIGURA 52 CÁLCULOS DEL MEJOR MODELO GASOLINA SÚPER................................142 FIGURA 53 HISTORIA MÁS PRONÓSTICOS GASOLINA SÚPER .....................................145 FIGURA 54 PROYECCIÓN E HISTORIA DEL PETRÓLEO CRUDO DE REFERENCIA WTI
- NYMEX (EN DÓLARES POR BARRIL) ........................................................................146 FIGURA 55 GRÁFICA DE PRECIO USD PETRÓLEO CRUDO DE REFERENCIA WTI -
NYMEX (EN DÓLARES POR BARRIL) ..........................................................................147 FIGURA 56 NIVEL SERIE PETRÓLEO CRUDO - LÍNEAS ROJAS......................................148 FIGURA 57 SERIE ORIGINAL SUAVIZADA SIN RUIDO, PARA APRECIAR TENDENCIA
PETRÓLEO CRUDO ..........................................................................................................149 FIGURA 58 SERIE TEMPORIZADA PARA DETERMINAR FACTORES DE PESO
ESTACIONALES POR MES PETRÓLEO CRUDO..........................................................150
FIGURA 59 VERIFICACIÓN DE DATOS IRREGULARES PETRÓLEO CRUDO ...............151 FIGURA 60 SERIE TEMPORIZADA PARA CORROBORAR LA PRESENCIA DE
ESTACIONALIDAD EN TRM COMO REFERENCIA Y EN LA SERIE EVALUADA, CON ESTACIONALIDAD INFERIOR DE 12 MESES Y CICLICIDAD SUPERIOR A 12 MESES PETRÓLEO CRUDO.............................................................................................152
FIGURA 61 SERIE TEMPORIZADA PARA CORROBORAR LA PRESENCIA DE CICLICIDAD PETRÓLEO CRUDO ..................................................................................153
FIGURA 62 CÁLCULOS DEL MEJOR MODELO PETRÓLEO CRUDO ..............................156 FIGURA 63 HISTORIA MÁS PRONÓSTICOS PETRÓLEO CRUDO....................................159 FIGURA 64 PROYECCIÓN E HISTORIA DEL TRM (DÓLAR AMERICANO EN PESOS
COLOMBIANOS) ...............................................................................................................160 FIGURA 65 GRÁFICA DE PRECIO USD TRM - DÓLAR AMERICANO EN PESOS
COLOMBIANOS.................................................................................................................161 FIGURA 67 NIVEL SERIE TRM - LÍNEA ROJA.....................................................................162 FIGURA 68 SERIE ORIGINAL SUAVIZADA SIN RUIDO, PARA APRECIAR TENDENCIA
TRM .....................................................................................................................................162 FIGURA 69 SERIE TEMPORIZADA PARA DETERMINAR FACTORES DE PESO
ESTACIONALES POR MES TRM ....................................................................................164 FIGURA 70 VERIFICACIÓN DE DATOS IRREGULARES TRM..........................................164 FIGURA 71 SERIE TEMPORIZADA PARA CORROBORAR LA PRESENCIA DE
ESTACIONALIDAD EN TRM COMO REFERENCIA Y EN LA SERIE EVALUADA, CON ESTACIONALIDAD INFERIOR DE 12 MESES Y CICLICIDAD SUPERIOR A 12 MESES TRM .......................................................................................................................166
FIGURA 72 SERIE TEMPORIZADA PARA CORROBORAR LA PRESENCIA DE CICLICIDAD TRM .............................................................................................................166
FIGURA 73 CÁLCULOS DEL MEJOR MODELO TRM .........................................................170 FIGURA 74 HISTORIA MÁS PRONÓSTICOS TRM...............................................................172
Índice de tablas
TABLA 1 COMPOSICIÓN ELEMENTAL DEL PETRÓLEO ........................................................ 26
TABLA 2 COMPONENTES DEL PETRÓLEO, DENOMINACIÓN QUÍMICA Y PRODUCTOS .. 27
TABLA 3 CLASIFICACIÓN DE LAS PREVISIONES .................................................................. 30
TABLA 4 CLASIFICACIÓN API DEL PETRÓLEO ...................................................................... 64
TABLA 5 DERIVADOS DEL PETRÓLEO Y SUS USOS ............................................................ 69
TABLA 6 PATRÓN MENSUAL DE CONDUCTA ACPM............................................................. 80
TABLA 7 SÍNTESIS ANÁLISIS PREVIO ACPM ......................................................................... 83
TABLA 8 PRONÓSTICOS (ESPECULATIVOS WINTER) ACPM .............................................. 87
TABLA 9 ERRORES ENTRE REALIDAD Y PRONÓSTICO MENSUAL DEL ACPM................. 88
TABLA 10 PATRÓN MENSUAL DE CONDUCTA DEL FUEL OÍL ............................................. 94
TABLA 11 SÍNTESIS ANÁLISIS PREVIO FUEL OÍL.................................................................. 97
TABLA 12 PRONÓSTICOS (ESPECULATIVOS WINTER) FUEL OÍL..................................... 101
TABLA 13 ERRORES ENTRE REALIDAD Y PRONÓSTICO MENSUAL FUEL OÍL ............... 102
TABLA 14 PATRÓN MENSUAL DE CONDUCTA GLP ............................................................ 108
TABLA 15 SÍNTESIS ANÁLISIS PREVIO GLP......................................................................... 111
TABLA 16 PRONÓSTICOS (ESPECULATIVOS WINTER) GLP.............................................. 115
TABLA 17 ERRORES ENTRE REALIDAD Y PRONÓSTICO MENSUAL GLP........................ 116
TABLA 18 PATRÓN MENSUAL DE CONDUCTA DEL GAS NATURAL.................................. 122
TABLA 19 SÍNTESIS ANÁLISIS PREVIO GAS NATURAL ...................................................... 126
TABLA 20 PRONÓSTICOS (ESPECULATIVOS WINTER) GAS NATURAL ........................... 129
TABLA 21 ERRORES ENTRE REALIDAD Y PRONÓSTICO MENSUAL GAS NATURAL...... 130
TABLA 22 PATRÓN MENSUAL DE CONDUCTA DE LA GASOLINA SÚPER ........................ 136
TABLA 23 SÍNTESIS ANÁLISIS PREVIO GASOLINA SÚPER ................................................ 139
TABLA 24 PRONÓSTICOS (ESPECULATIVOS WINTER) GASOLINA SÚPER ..................... 143
TABLA 25 ERRORES ENTRE REALIDAD Y PRONÓSTICO MENSUAL GASOLINA SÚPER 144
TABLA 26 TABLA CON PATRÓN MENSUAL DE CONDUCTA............................................... 150
TABLA 27 SÍNTESIS ANÁLISIS PREVIO DEL PETRÓLEO CRUDO ...................................... 154
TABLA 28 PRONÓSTICOS (ESPECULATIVOS WINTER) PETRÓLEO CRUDO ................... 157
TABLA 29 ERRORES ENTRE REALIDAD Y PRONÓSTICO MENSUAL PETRÓLEO CRUDO.......................................................................................................................................... 158
TABLA 30 TABLA CON PATRÓN MENSUAL DE CONDUCTA DE LA TRM........................... 163
TABLA 31 SÍNTESIS ANÁLISIS PREVIO DE LA TRM............................................................. 167
TABLA 32 PRONÓSTICOS (ESPECULATIVOS WINTER) DE LA TRM.................................. 171
TABLA 33 ERRORES ENTRE REALIDAD Y PRONÓSTICO MENSUAL DE LA TRM............ 171
16
0. Prólogo
0.1. Introducción
Los servicios públicos domiciliarios han presentado cambios sustanciales desde el año
1994, que han tenido consecuencias directas sobre la manera en que deben ser
prestados por parte de las empresas de este sector. Estos cambios no son más que el
reflejo de las tendencias mundiales con respecto a la prestación de los servicios
públicos.
Con la Carta Constitucional expedida en 1991, las denominadas leyes de Servicios
Públicos Domiciliarios, Ley 142 de julio 11 de19944, y Eléctrica, Ley 143 de julio 11 de
19945, las regulaciones expedidas por las Comisiones de Regulación de los servicios
públicos6 y la expedición de otras normas, han cambiado fundamentalmente la
naturaleza de los negocios para las empresas dedicadas al campo de los servicios
públicos. Pueden destacarse, entre otros, los siguientes cambios:
• El fortalecimiento de la democracia participativa, que otorga mayores poderes a
los clientes en servicios regidos por la universalidad del acceso.
• El paso de una planeación rígida, centralizada y obligatoria de la expansión del
sistema energético nacional hacia un modelo indicativo, que permite que los
agentes tomen decisiones libres de inversión y asuman total responsabilidad
sobre ellas.
4 Ley del Congreso de Colombia, por la cual se establece el régimen de los servicios públicos domiciliarios y se dictan otras disposiciones (Letras
Jurídicas,1996,15) 5 Ley del Congreso de Colombia, por la cual se establece el régimen para la generación, interconexión. transmisión, distribución y comercialización de
electricidad en el territorio nacional, se conceden unas autorizaciones y se dictan otras disposiciones (Letras Jurídicas,1997,191) 6 Comisión de Regulación de Energía y Gas CREG para el negocio de transporte, distribución y comercialización del gas natural
17
• La apertura de los servicios públicos a la competencia, mediante la eliminación
de barreras de entrada a nuevos oferentes.
• Los avances en materia de conservación y control ambiental, que hacen cada
vez más costosa la utilización de los recursos naturales.
• El fortalecimiento de los marcos regulatorios y de control por parte del Estado,
que le da a éste herramientas para proteger los intereses de los usuarios en un
ambiente de libre competencia.
• Los desarrollos en materia tecnológica que generan nuevos productos y
servicios, que modifican la estructura de los mercados y cambian las
características de los servicios, imprimiéndoles diferentes velocidades en su
evolución (EEPPM,2000).
Las empresas prestadoras de servicios públicos adquieren la dimensión de cualquier
empresa comercial, que debe entregar productos y servicios con precios, calidad y
oportunidad competitivos en el mercado.
La Subgerencia del Gas de las EEPPM E.S.P.7, consciente de la importancia de
incorporar nuevas herramientas administrativas que le faciliten el fortalecimiento de su
estrategia de negocios, ha realizado estudios preliminares de aproximación a la compra
de gas combustible, buscando fortalecer su estrategia en el largo plazo y su proceso de
toma de decisiones. Adicionalmente, con el presente estudio pretende ahondar su
conocimiento en las metodologías de previsiones, realizando análisis estadísticos y
proyectivos (EEPPM,2000).
7 Empresas Públicas de Medellín E.S.P. – Empresa prestadora de servicios públicos domiciliarios de orden municipal, creada en 1955 y adscrita al
Municipio de Medellín – Antioquia - Colombia.
18
0.2. Estructura del trabajo
El trabajo está dividido en dos grandes partes. Una parte teórica, compuesta por dos
temas uno donde se presenta el estado del arte y el marco teórico de los combustibles
fósiles en el país, y en el segundo, se relacionan los principales métodos de pronósticos
y además se discuten los criterios de selección de las variables objeto de análisis
presentándose relaciones entre ellas.
La segunda parte, es fundamentalmente técnica e incluye los pronósticos para cada
uno de los combustibles seleccionados: ACPM, fuel oil o combustóleo, GLP o gas
propano, gas natural, gasolina súper, petróleo crudo de referencia WTI y además la
Tasa Representativa del Mercado. También se presentan los resultados y conclusiones
de los diferentes operaciones estadísticas uni, bi y multivariables, y de correlación.
Finalmente se cuentan con dos capítulos, donde se resumen las conclusiones y se lista
la bibliografía consultada para la elaboración de éste trabajo, las referencias de Internet
y otras referencias relacionadas con el tema.
19
0.3. Justificación
Las empresas del sector de los servicios públicos colombianos se encuentran en la
creciente necesidad de ajustar sus modelos de toma de decisiones, ante los constantes
cambios en su entorno.
La manera de identificar un conjunto de futuros posibles para las empresas
distribuidoras y comercializadoras de gas natural en el país debe definirse de tal forma
que sea factible realizar una amplia discusión sobre cómo deben enfrentar el porvenir,
tratar de anticipar los principales eventos que pueden afectar el sector energético y
describir sus implicaciones mediante la aplicación adecuada de métodos estadísticos,
descriptivos y proyectivos, para formular las estrategias contingentes y adelantarse a
los acontecimientos.
Los cambios en la tecnología, las variaciones de los precios, lo impredecible de la
política y muchos otros factores hacen que vaticinar el futuro sea difícil. Es un mundo
en donde los cambios son cada vez más rápidos, la actividad humana y el ambiente
son interdependientes, los precios son cada vez más volátiles, la vida del conocimiento
es cada vez más corta, hay un volumen cada vez mayor de información, y la política es
tan imprevisible como nunca antes. Estas incertidumbres limitan drásticamente el
horizonte de tiempo para el cual las predicciones tradicionales pueden ser una
herramienta útil en el proceso de planificación. Si no se puede predecir el futuro
tampoco se debe esperar que éste ocurra, pero en todo caso se necesita usar un juego
diferente de herramientas para anticiparse.
20
0.4. Estructura de los objetivos
Los objetivos de este trabajo están divididos en dos; objetivo principal y objetivos
específicos.
0.4.1. Principal.
• Realizar el estudio y documentación del análisis correlacional, estadístico,
descriptivo y proyectivo sobre los precios de los principales combustibles fósiles y
sus influencias en la demanda y los precios internacionales, que permitan
pronosticar los precios de estos combustibles para el año 2004 como aporte a la
planeación de las compañías productoras, distribuidoras y comercializadoras de
combustibles en Colombia y mas específicamente en la ciudad de Medellín.
0.4.2. Específicos.
1. Fundamentar los conceptos de: combustibles fósiles, proyectiva, prospectiva,
estadística descriptiva y correlacional (univariada, bivariada, multivariada, etc.),
enfatizando en métodos futurísticos de corto y mediano plazo.
2. Diferenciar los combustibles fósiles, en cuanto a fuentes, uso, destilaciones,
transporte, reglamentaciones, etc.
3. Describir los parámetros fundamentales sobre el comportamiento de los precios de
los combustibles fósiles ACPM, fuel oíl o combustóleo, gas licuado del petróleo o
gas propano, gas natural, gasolinas súper, petróleo crudo de referencia WTI y la
Tasa Representativa del Mercado.
21
4. Proyectar los valores de los precios de los combustibles fósiles para el periodo 2004
– 2005 en forma mensual, utilizando la metodología de series temporales.
5. Revisar el comportamiento individual y combinado de los precios de los diferentes
combustibles fósiles proyectados en aras de encontrar parámetros futuros de corto y
mediano plazo, utilizando la estadística descriptiva, correlacional, uní - bi -
multivariada, regresional y múltiple.
6. Concluir, recomendar y referenciar la bibliografía.
22
1. Fundamentos
1.1. Objetivo
• Fundamentar los conceptos de: combustibles fósiles, proyectiva, prospectiva,
estadística descriptiva y correlacional (univariada, bivariada, multivariada,
etc.), enfatizando en métodos futurísticos de corto y mediano plazo.
1.2. Introducción
Del petróleo se dice que es el energético más importante en la historia de la humanidad;
un recurso natural no renovable que aporta el mayor porcentaje del total de la energía
que se consume en el mundo. Aunque se conoce de su existencia y utilización desde
épocas milenarias, la historia del petróleo como elemento vital y factor estratégico de
desarrollo es relativamente reciente, de menos de 200 años.
Lo que han escrito los investigadores sobre el tema de la previsión, se observa en un
debate sobre cual es la manera más adecuada de clasificar las distintas metodologías o
técnicas para la previsión. El autor Enric Bas (1999,73), propone confeccionar un
catalogo de técnicas elementales partiendo de tres premisas:
1. Necesidad de un método científico para el estudio del futuro.
2. Las variaciones en los métodos, las técnicas y las aplicaciones de los métodos de
previsión reflejan los temas de análisis del momento y la cultura corporativa.
3. El convencimiento en la conveniencia de hacer converger lo cuantitativo (el rigor
científico objetivo) con lo cualitativo (los valores y las percepciones subjetivas) (73).
23
1.3. El petróleo y el gas natural
1.3.1. Orígenes
Las reservas de petróleo y gas natural necesitan condiciones geológicas especiales.
Necesitan una fuente sedimentaria, una roca porosa que les sirva de recipiente y una
estructura cerrada que los retenga. La materia original es el carbono orgánico, de los
sedimentos carbónicos de granulometría fina. Las rocas sedimentarias porosas y
permeables, como las areniscas, sirven de recipiente. Las estructuras geológicas
originadas por pliegues o fallas de capas sedimentarias pueden retener el petróleo.
Éste está asociado con los gruesos lechos de sal y, por ser más ligera ésta que los
sedimentos superiores, asciende hacia la superficie y crea bóvedas salinas que ayudan
a retener el petróleo (Considine,1986).
La mayor parte del material orgánico que forma el petróleo se deriva de los organismos
microscópicos (plancton8) que se crean originariamente en las aguas superficiales del
océano y que luego se concentran sobre el fondo del mismo formando una materia
fragmentada en partículas muy pequeñas.
La materia orgánica se transformá en petróleo, para que se de este proceso la
velocidad de acumulación de los sedimentos debe ser elevada, o la concentración de
oxígeno del fondo del océano debe ser pequeña, pues la materia orgánica no debe
oxidarse9 antes de que sea enterrada bajo las gruesas capas de sedimentos. La
oxidación produce la degradación que destruye la materia orgánica. Las zonas donde
8 Término colectivo utilizado para denominar a una serie de organismos marinos y dulceacuícolas que van a la deriva o que flotan en la superficie del
agua. Debido a su minúsculo tamaño y a la dificultad de desplazarse contracorriente, su movimiento depende de las mareas, las corrientes y los vientos.
9 Reacción de oxidación-reducción, reacción química correspondiente a la acción de un cuerpo oxidante sobre un cuerpo reductor, que da lugar a la reducción del oxidante y a la oxidación del reductor.
24
la velocidad de acumulación de los sedimentos que, a su vez, son ricas en materia
orgánica, son las áreas más propicias para la formación de las rocas que contienen
petróleo (2v,35).
Después de ser enterrada en una cuenca sedimentaria, la materia orgánica se calienta
a grandes temperaturas y elevadas presiones que alteran su composición química. En
esencia, la materia orgánica se convierte en hidrocarburos, gracias al calor que se
genera en el interior de la tierra. Si los hidrocarburos se calientan en exceso, se
produce el gas.
El gas natural se encuentra en formaciones rocosas subterráneas, habitualmente
sedimentarias en su origen. Los depósitos naturales están compuestos de roca porosa,
la que brinda espacio para la acumulación de los hidrocarburos. Las cantidades
económicamente recuperables de hidrocarburos se presentan en los depósitos rocosos
porosos, en los que las condiciones de deposición o de formación de estratos han dado
lugar a la formación de trampas que ponen fin a las migraciones subterráneas y
ocasionan acumulaciones de fluidos y gases de hidrocarburos (2v,39).
En las condiciones del depósito, el gas natural y las porciones licuables se producen ya
sea en una sola fase gaseosa en el depósito, o en solución con el petróleo en crudo, y
no son distinguibles en aquel momento como sustancias separadas. Por ello el gas
natural, basado en el tipo de ocurrencia en el depósito, se clasifica de la siguiente
forma: gas no asociado, gas asociado - mezclado, gas asociado y gas disuelto
(ECOPETROL@2003).
25
Las teorías originales, en las que se atribuyó al petróleo un origen inorgánico (Berthelott
y Mendeleyev) han quedado descartadas. Uno de los supuestos más aceptados
actualmente acerca del origen del petróleo lo constituye la Teoría de Engler (1911)10
(Isaza,1986).
Existen otras teorías, de formulación más reciente, que sostienen que el petróleo es de
origen inorgánico o mineral. Los científicos rusos son los que más se han preocupado
por probar esta hipótesis, aunque estas proposiciones no han sido aceptadas en su
totalidad.
Una versión interesante de este tema es la que publicó Thomas Gold en 1986. Este
científico europeo dice que el gas natural (el metano o CH4) que suele encontrarse en
grandes cantidades en los yacimientos petroleros, se pudo haber generado a partir de
los meteoritos que cayeron durante la formación de la Tierra hace millones de años.
Los argumentos que presenta están basados en el hecho de que se han encontrado en
varios meteoritos más de cuarenta productos químicos semejantes al kerógeno, que se
supone es el precursor del petróleo (89).
La NASA en los últimos descubrimientos ha probado que las atmósferas de los otros
planetas tienen un alto contenido de metano, no es de extrañar que esta teoría esté
ganando cada día más adeptos.
10 1ra etapa, el petróleo se habría originado por la depositación de minúsculos animales y sustancias vegetales que se fueron acumulando en el fondo
lacustre y marino. 2da etapa, ante el paso del tiempo la materia orgánica se descompone y va quedando en profundidad por los sedimentos que la van cubriendo. 3era etapa, factores de presión, temperatura y procesos químicos y físicos, ayudados por la carencia de oxígeno, posibilitaron la formación de petróleo líquido y del gas
26
A pesar de las innumerables investigaciones que se han realizado, no existe una teoría
infalible que explique sin lugar a dudas el origen del petróleo, pues ello implicaría poder
descubrir los orígenes de la vida misma.
1.3.2. Composición
La composición elemental del petróleo normalmente está comprendida dentro de los
siguientes intervalos:
Elemento Peso (%)
Carbono 84 - 87
Hidrógeno 11 - 14
Azufre 0 - 2
Nitrógeno 0.2
Tabla 1 Composición elemental del petróleo Fuente: PDVSA@2003
Dependiendo del número de átomos de carbono y de la estructura de los hidrocarburos
que integran el petróleo, se tienen diferentes propiedades que los caracterizan y
determinan su comportamiento como combustibles, lubricantes, ceras o solventes
(Considine,1986).
Las cadenas lineales de carbono asociadas a hidrógeno, constituyen las parafinas;
cuando las cadenas son ramificadas se tienen las isoparafinas; al presentarse dobles
uniones entre los átomos de carbono se forman las olefinas; las moléculas en las que
se forman ciclos de carbono son los naftenos, y cuando estos ciclos presentan dobles
uniones alternas (anillo bencénico) se tiene la familia de los aromáticos (124).
27
Componentes del petróleo, denominación química y productos (Comprende sólo hidrocarburos simples a presión atmosférica)
Denominación Fórmula química
Estado normal
Punto aproximado de ebullición Productos, empleo primario
Metano CH4 Gaseoso -161 ºC (-258 ºF) Gas natural combustible
Etano C2H6 Gaseoso -88 ºC (-127 ºC) Productos petroquímicos
Propano C3H8 Gaseoso -42 ºC (-51 ºF) GLP / Productos petroquímico
Butano C4H10 Gaseoso 0 ºC (31 ºF) Petroquímicos
Pantano C5H12 Líquido 36 ºC (97 ºF)
Hexano C6H14 Líquido 69 ºC (156 ºF) Naftas de alto grado
Heptano C7H16 Líquido 98 ºC (209 ºF) Gasolina natural
Octano C8H18 Líquido 125 ºC (258 ºF) Sustancia base para combustibles
Nonato C9H20 Líquido 150 ºC (303º F)
Decano C10H22 Líquido 174 ºC (345 ºF)
Para motores de Combustión interna
Undecano-N, Hendecano CnH2n Líquido 195 ºC (383 ºF) Turbinas
Dodecano-N, Diexilo CnH2n Líquido 215 ºC (419 ºF) Queroseno
Tetradecano-N CnH2n Líquido 252 ºC (487 ºF) Aceites lubricantes
Eicosano-N CnH2n Sólido Parafinas
Tabla 2 Componentes del petróleo, denominación química y productos Fuente: ECOPETROL@2003
1.4. Conceptos fundamentales sobre método científico para el trabajo empírico o
de campo
El propósito esencial de la investigación científica es proveer al interesado con la
información resultante de un proyecto formal de investigación a un estudio específico,
con el fin de que esta información le facilite y le sustente el proceso de toma de
decisiones, en cualquiera de las etapas del proceso administrativo sobre la gestión, en
este caso en particular sobre las previsiones o pronósticos.
28
La función de la investigación científica es reducir el grado de incertidumbre inherente a
una decisión, siempre que se emplee, se puede afirmar que se aplican los métodos de
la ciencia al campo gerencial estudiado (Boyd y otros,1993).
Ningún método conocido por el hombre puede eliminar totalmente la incertidumbre
inherente a una decisión; sin embargo, el método investigativo científico permite, en
mayor grado que cualquier otro procedimiento, reducir la incertidumbre que resulta por
la falta de información, por lo cual también disminuye el riesgo de errores en la
selección de alternativas decisionales (Jahoda y otros,1951).
El método científico se caracteriza por dos conceptos relevantes: la validez y la
confiabilidad de los datos. La primera de ellas es la que logra que la investigación mida
lo que pretende; la confiabilidad es la característica de la metodología de la
investigación que permite la repetición de los resultados independientemente de cuáles
investigadores la realicen (Boyd, y otros,1993).
Algunas definiciones del método científico postulan:
• El método de investigación científica es la sucesión de pasos que se deben realizar
para descubrir nuevos conocimientos, para corroborar o desaprobar hipótesis que
implican o predican conductas de fenómenos, desconocidos hasta el momento
(Pardinas,1969).
• El método científico de investigación consiste en las reglas y procedimientos con los
cuales una ciencia basa la aceptación o rechazo de un cuerpo de conocimientos,
incluyendo hipótesis leyes y teorías (Steiner,1985).
29
• La definición de investigación de mercados es la recopilación, registro y análisis
sistémico de los datos concernientes a problemas relacionados con el mercadeo de
bienes y servicios. Concepto, que extrapolado a la investigación científica, se refiere
a la búsqueda continua de información relevante relacionada con un fenómeno
especial sobre el cual se posee poca información o se desea ampliar la que se tiene
(Mora,2000).
El aporte de la investigación al área de gestión aplica en dos campos básicos: primero,
en la toma de decisiones y planeación estratégica, con el fin de reducir la incertidumbre
y el riesgo mediante la búsqueda de información; segundo, para satisfacer necesidades
de información específica en cualquier paso del proceso de gestión administrativa:
planeación, organización, dirección, ejecución y control (De Miguel,1993).
Los pasos que sigue un estudio apoyado en el método científico son los siguientes
(Cabrejos,1989):
1. Observación
2. Formulación de hipótesis
3. Planteamiento de alternativas que modelan la hipótesis
4. Comportamiento futuro
5. Validación de ocurrencias y de hipótesis
6. Conclusiones
7. Monitoreo
30
El hecho de cumplir los pasos enunciados acerca mucho más a la realidad los
resultados obtenidos y les asigna por naturaleza mayor probabilidad de ocurrencia o de
exactitud contra la realidad, para garantizar su repetición bajo los mismos parámetros
de ocurrencia.
1.4.1. Clasificación de los métodos de previsión
Una primera clasificación de los métodos de previsión puede ser en proyectivos y
prospectivos. Los métodos proyectivos aprovechan los datos históricos y, siguiendo
una línea de tendencia, hacen una previsión para un futuro próximo. Los métodos
prospectivos siguen estimaciones subjetivas, que pueden ser cuantitativas para ambos
métodos. Si la previsión esta sujeta a estimaciones subjetivas es cualitativa.
Las previsiones también podrían clasificarse de acuerdo con el tiempo, es decir, de
corto, mediano y largo plazo (De Miguel,1993).
A Proyectiva: Prospectiva: Mixta:
Se utilizan datos históricos Se aplican técnicas creativas Es un conjunto de las dos anteriores
B Cuantitativa: Cualitativa:
Si la previsión se hace sobre variables medibles. Cuando la previsión contiene hechos, sucesos o variables no medibles que pueden ocurrir
C A corto plazo A mediano plazo A largo plazo
Bajo esta denominación no pueden fijarse plazos determinados, dependerá de los sucesos o valores de las variables por pronosticar
Tabla 3 Clasificación de las previsiones Fuente: elaboración propia.
Las previsiones también pueden clasificarse de acuerdo con el entorno: en estables o
inestables.
31
El enfoque proyectivo, como ya se dijo, trata de obtener previsiones con base en la
proyección o extrapolación de comportamientos pasados hacia el futuro.
1.4.2. Tipos de previsiones
Los directivos de las empresas suelen utilizar cuatro tipos de previsiones en la toma de
decisiones (De Miguel,1993):
1. Previsión tecnológica. Busca pronosticar cambios futuros en el sector en
donde está ubicada la empresa y en aquéllos en donde se consumen los
productos que fabrica.
2. Previsión de ventas. Está basada en las estimaciones sobre las posibles
cuotas de mercado de la empresa en cada segmento; le permite a la empresa
planificar el resto de las actividades más importantes: producción,
inversiones, gastos, contratación de personal etc.
3. Previsiones demográficas (tasas de natalidad, nupcialidad, enfermedades,
etc.). Tienen interés para pronosticar las demandas de la sociedad en
productos como puestos en las universidades o artículos para bebé.
4. Previsión de recursos humanos. Es la conjetura sobre las necesidades
futuras de personal para la empresa en las diferentes áreas.
32
Empresa
Previsión tecnológica
Previsión de recursos humanos
Previsión de ventas
Previsiones demográfica
Empresa
Previsión tecnológicaPrevisión
tecnológica
Previsión de recursos humanos
Previsión de recursos humanos
Previsión de ventas
Previsión de ventas
Previsiones demográficaPrevisiones demográfica
Figura 1 Tipos de previsiones utilizados en la empresa Fuente: elaboración propia.
1.5. Elementos de una previsión
Una previsión debe constar de cuatro elementos (Jones y otro,1980):
1. Cualitativo o escenario11 no cuantificado; es el elemento punto de partida para
cualquier previsión. A la previsión de éste siguen las del resto.
2. Cuantitativo; establece parámetros precisos para los elementos cualitativos.
3. Tiempo; añadido a los dos elementos anteriores establece el marco de referencia.
4. Probabilidad; establece la certeza de que se cumpla la previsión.
En muchos casos no es factible determinar los cuatro elementos, sino solamente el
elemento cualitativo (De Miguel,1993).
11 La palabra escenario fue introducida en la prospectiva por Kahn en el libro The year 2000 (De Miguel, 227)
33
Métodos Cualitativos: • Brainstorming
• Analogías
• Mapa contextual
• Árboles de relevancia
• Análisis morfológico
• Análisis de huecos
Métodos Cuantitativos
y / o:
Valoración de Probabilidades:
• Delfos por cuartiles
• Impactos cruzados
• [M.I.C. M.A.C.]
Métodos Temporales:
• Análisis de series temporales
• Curvas en “S”
• Curvas de aprendizaje
• Relación entre variables no temporales
• Matrices de entrada/ salida
• Curvas de sustitución
• Modelos cuantitativos
• Analogías cuantificadas
• Delfos
Métodos cualitativos: • Brainstorming
• Analogías
• Mapa contextual
• Árboles de relevancia
• Análisis morfológico
• Análisis de vacíos
Métodos cuantitativos
o:
Valoración de probabilidades:
• Delfos por cuartiles
• Impactos cruzados
• [M.I.C. M.A.C.]
Métodos temporales:
• Análisis de series temporales
• Curvas en “S”
• Curvas de aprendizaje
• Relación entre variables no temporales
• Matrices de entrada/ salida
• Curvas de sustitución
• Modelos cuantitativos
• Analogías cuantificadas
• Delfos
Figura 2 Clasificación de los métodos de previsión Fuente: elaboración propia
1.5.1. Métodos para realizar la previsión cualitativa
En este aparte se hará referencia a cuatro de los seis métodos ilustrados en la figura
anterior (clasificación de los métodos de previsión).
34
1.5.1.1. El brainstorming y las técnicas relacionadas con el espoleo de la
creatividad
Ésta es la técnica más antigua y mejor conocida para el espoleo de la creatividad. Es
atribuida originalmente a Osborn (229), quien en 1938 la utilizó para reflexiones en
grupo.
El brainstorming es una deliberación en grupo, en donde se suprime cualquier critica a
las respuestas de los participantes. Toda ocurrencia por ridícula que sea debe
manifestarse en la reunión. En este método la cantidad es la base de la calidad;
cuantas más ideas sean generadas en las reuniones, más probabilidad habrá de llegar
a buenos resultados. Una ventaja de las reuniones en grupo es que se estimula la
generación de ideas y se mejora y transforman las ideas de los demás, los modelos
mentales de cada participante se enriquecen con la información recibida de los otros.
Esta técnica no debe utilizarse para soluciones claras o que se puedan encontrar con
base en la experiencia. Tampoco es apropiada para problemas que admitan una única
solución.
Las técnicas Pensamiento lateral (lateral thinking) (original de De Bono) y Synectics
(original de Gordon) son derivaciones del brainstorming y sirven para fomentar la
imaginación de los miembros del grupo.
1.5.1.2. Analogías
El interés de este método de previsión es investigar si dos cosas presentan una o varias
características comunes para que se dé una analogía.
35
Se distinguen dos etapas en las analogías; la casual o superficial, que se da cuando
parece haber cierta semejanza entre dos cosas, y la formal, que surge después de un
análisis completo de las características básicas (O’Connor,1971).
Hay tres tipos de analogías según Jones and Twiss: biológicas, históricas y geográficas.
1.5.1.3. Modelo o mapa contextual
Este modelo consiste en una representación gráfica de la evolución de un fenómeno a
lo largo del tiempo y de las ramificaciones que han influido en su avance (234). El
modelo parte de la premisa de conocer las cadenas previas y posteriores al fenómeno o
sistema que se desea estudiar; por medio de este modelo se visualiza muy fácil sobre el
pasado y futuro de la temática en análisis.
El modelo aporta mucho en la globalización y entendimiento rápido de un sistema.
1.5.1.4. Análisis morfológico
De todas las metodologías para la previsión, la morfología es probablemente la más
sistemática. Consiste en obtener un modelo de dos dimensiones llamado matriz
morfológica.
En la primera columna aparecen las etapas, variables o atributos fundamentales del
fenómeno examinado. Las siguientes columnas numeradas contienen los diferentes
métodos alternativos para completar las diversas etapas (236).
36
Este método fue desarrollado por F. Zwicky, quien pretendía descubrir nuevas rutinas.
El método permite elegir diferentes rutas entre dimensiones e hipótesis (etapas y
alternativas) y del proceso electivo dependerá la pertinencia de la ruta seleccionada.
El método se fundamenta en descomponer el sistema o función estudiada en
componentes más elementales, debiendo ser estos últimos tan independientes como se
pueda. Se desarrollan tantas posibles soluciones como configuraciones de las
configuraciones más elementales existan (Godet,1995).
1.5.2. Análisis de vacíos
El modelo utiliza como estructura de funcionamiento la observación detallada, sistémica
y lógica natural de cualquier proceso o fenómeno. Se basa en que todas las estructuras
deben conservar un cierto orden en la naturaleza y en los actos o gestiones humanas;
entonces, el procedimiento consiste en revisar la secuencia lógica y se encuentran
vacíos (huecos), se supone que allí debe haber un componente faltante (De
Miguel,1993). Cuando se trata de usarlo para prospectar, se descubre la secuencia
lógica del modelo y se proyecta hacia adelante buscando los futuros componentes del
sistema.
1.5.2.1. Vigilancia del entorno (Monitoring)
Este es uno de los métodos más creativos y difíciles en la previsión cualitativa.
Consiste en recoger datos relativos a sucesos que van ocurriendo a lo largo del tiempo
y que encadenados pueden dar lugar a una innovación o suceso de importancia para la
marcha de la empresa. Estos sucesos corresponden al entorno tecnológico,
económico, político social y ecológico (Bright,1973).
37
La información disponible para el monitoring es muy amplia, razón por la cual el previsor
encontrará difícil identificar los datos pertinentes. Esta dificultad es menor cuando se
trata de administraciones públicas o grandes empresas que cuentan con más medios
para separar la información adecuada.
1.5.2.2. Planeación por escenarios
La palabra escenario describe un cuadro futurista del entorno (Granger,1980). Deben
fundamentarse científicamente y no en simples conjeturas. Los escenarios creados
deben reflejar los objetivos de la empresa, ya que las decisiones que se tomen en el
momento actual han de investigar las amenazas y oportunidades futuras para la
empresa.
En la medida en que se aumente el plazo para los escenarios, la probabilidad de que
sucedan los hechos pronosticados será menor. También la rápida evolución del
entorno hace necesario que las previsiones deban ser efectuadas por personas muy
bien preparadas.
1.5.2.3. Método Delfos12
Este método fue concebido por el centro de investigación norteamericano The Rand
Corporation, a finales de la década de los años cuarenta, desarrollado y perfeccionado
por investigadores de esta misma entidad hacia finales de los años cincuenta y sobre
todo a lo largo de década de los años sesenta (Landeta,1999).
12 Algunos autores como Jon Landeta prefieren llamarlo Delphi por la traducción inglesa de Delfos.
38
Recibe su nombre por Delfos, ciudad de la antigua Grecia, al pie del monte Parnaso,
lugar del templo a Apolo, célebre por sus oráculos (34).
El trabajo decisivo para el soporte científico de la técnica fue llevado a cabo por Kaplan
en 1949, en un estudio que demostraba la superioridad de la previsión en grupo sobre
la individual. La precisión de los resultados de grupo, tanto los obtenidos por consenso
como por respuestas individuales después de discusión comunitaria o por medio de
estimaciones individuales, era mayor que la de expertos trabajando por separado.
El método es una técnica de trabajo en grupo, donde a diferencia del brainstorming, los
miembros no se reúnen ni trabajan juntos. El contacto se hace por escrito, mediante el
correo. Un coordinador recibe las respuestas y hace una síntesis de las mismas, las
envía de vuelta a los miembros del grupo para que de nuevo mediten sobre ellas y las
modifiquen si lo creen oportuno. Finalmente, las respuestas son agrupadas por
categorías después de eliminar las respuestas extremas. Con esto, al final del proceso
se obtiene una mayor convergencia en las respuestas (De Miguel,1993).
1.5.3. Métodos para la previsión cuantitativa
Los elementos cuantitativos señalan un nivel superior a los cualitativos en el proceso de
pronosticar un fenómeno futuro; se deben considerar básicamente dos etapas (261):
1. Establecer los atributos apropiados y los parámetros cuantitativos que mejor
representen el fenómeno o el funcionamiento de una tecnología en el caso de la
previsión tecnológica.
39
2. Determinar los niveles que deben alcanzar lo fenómenos asociados para que se
produzca el suceso principal. En el caso de una previsión tecnológica, el nivel de las
tecnologías asociadas.
El éxito en los modelos cuantitativos estriba en detectar las variables (mediante los
cualitativos) y lograr cuantificarlas, mediante ellos o con la ayuda de los métodos
temporales para efectos de pronósticos.
1.5.4. Métodos para la previsión temporal
Una vez se han determinado los elementos cualitativos y cuantitativos de la previsión,
debe determinarse cuando se alcanzarán probablemente los elementos anteriores
(262). El tiempo en que debe ocurrir una previsión es indispensable para definir los
planes y estrategias por seguir.
1.5.4.1. Series temporales simples
Una previsión basada en una serie temporal supone siempre que la serie sigue un
cierto orden y que las pautas establecidas por las tendencias pasadas se mantendrán
en el futuro. Este supuesto está confirmado por abundantes experiencias.
Para llevar a cabo una previsión usando esta técnica, se ajusta una curva matemática a
los datos pasados y se extrapola para pronosticar los datos futuros. En las previsiones
a corto plazo es factible suponer que no haya variables que alteren de manera
sustancial una tendencia regular mantenida durante mucho tiempo, pero en el largo
plazo sería desacertado mantener esta suposición (De Miguel,1981).
40
1.5.4.2. Modelos clásicos
Son modelos determinísticos, los fenómeno exógenos no se involucran en la serie, su
conducta futura es fácil predecir visualmente, los datos históricos están correlacionados
con los pronósticos. Dentro de los más importantes métodos clásicos se están:
1. Modelos basados en ajustes de tendencias
2. Modelos de suavización
3. Modelos de descomposición
1.5.4.3. Modelos modernos
Estos modelos pueden producir pronósticos basados en una síntesis de patrones
históricos en las series de datos. Los modelos ARIMA (Auto regressive integrated
moving average) son una clase especializada de técnicas de filtros lineales que ignoran
completamente las variables independientes en el momento de hacer los pronósticos
(Makridakis y otros, 1998).
1.5.4.4. Curvas de crecimiento y logística
Como se indicó anteriormente, un crecimiento exponencial es difícil de darse, y puede
esperarse que una curva de crecimiento siga una curva en S. Estudios efectuados
sobre la evolución de muchas variables prueban que este supuesto es acertado en
bastantes ocasiones (264).
El proceso para preparar la curva S es similar al que se sigue para la serie temporal
simple, pero además se tiene en cuenta la necesidad de fijar un límite superior. Una
vez definido este y representados gráficamente los datos, se ajusta la curva. Los tipos
de curva más empleados son la logística o de Pearl y la de Gompertz (Granger,1980).
41
1.5.4.5. Analogías cuantificadas
Esta metodología es básicamente una ampliación de los métodos de series temporales.
Se basa en que en los procesos innovadores hay un cierto número de circunstancias y
características que sirven para la previsión temporal de futuros desarrollos tecnológicos.
Las más importantes de estas características son (Jones,1980):
• Los avances tecnológicos no suceden de improviso; se producen como
consecuencia de los trabajos y conocimientos que se dan en diversas partes del
mundo sobre determinados temas.
• Las nuevas tecnologías suelen ser muy costosas en su primer periodo. Por ello solo
se usan en aplicaciones para las cuales las tecnologías existentes no resuelven el
problema.
• Hay estímulos sociales, políticos y legales que inciden en la aparición de nuevas
tecnologías.
• Una nueva tecnología no se adopta con la misma velocidad en todos los países. La
aceptación inicial será más rápida en aquellos lugares en donde las características
técnicas, culturales y de mercado sean más favorables.
1.5.4.6. Curvas de sustitución
Este método de previsión se basa en la velocidad de sustitución de una tecnología o
producto por otro, utilizando los datos iniciales de la difusión para predecir el futuro.
El modelo que más se emplea es el desarrollado por Fisher y Pry. Se apoya en el
supuesto de que una nueva tecnología sustituirá completamente a la antigua una vez
haya penetrado en el mercado en un porcentaje dado. También es posible suponer que
42
la relación de sustitución es proporcional al porcentaje restante de la tecnología que se
está sustituyendo.
1.5.4.7. Modelos dinámicos
El progreso tecnológico se produce como consecuencia de unas causas. Un modelo
dinámico representa matemáticamente las relaciones de interés que contiene la
tecnología, incluso la variable tiempo. Si el modelo se construye correctamente,
mostrará todos los factores de importancia y sus relaciones mediante un conjunto de
fórmulas matemáticas. Estas fórmulas reflejarán el comportamiento pasado y servirán
para extrapolar el futuro.
Básicamente este método es una ampliación de la técnica de series temporales,
utilizando las relaciones fundamentales en lugar del ajuste de la curva. Una vez se
construye el modelo, puede servir para hacer un análisis de sensibilidad, si se calculan
los efectos futuros generados por variaciones de los elementos del sistema.
1.5.4.8. Previsiones subjetivas
A medida que las previsiones van siendo a más largo plazo, las probabilidades de que
se mantengan las condiciones anteriores disminuyen. Cuando se trataron las series
temporales, se indicó que la tendencia solo se conservaba si no se producían sucesos
nuevos y se mantenían los estímulos que habían impulsado el desarrollo pasado.
La metodología consiste en identificar la revelación de un suceso probable, para que el
previsor establezca cuándo tendrá lugar este suceso y su desarrollo en el tiempo, bien
en función de una medida cuantificada de su rendimiento o bien por la velocidad de
43
sustitución de la tecnología anterior. Si para estos sucesos no es posible utilizar series
temporales, se debe recurrir a criterios subjetivos (De Miguel,1988).
1.5.4.9. Técnicas compuestas
Se suele usar una sola técnica para proporcionar los resultados de una previsión,
escogiendo ésta según sea la más adecuada al problema que se intenta resolver.
Utilizar varias técnicas en conjunto, podría evitar fallos que se pudieran producir si se
utiliza una sola (276). Las metodologías como impactos cruzados (Crossimpacts) se
basan en los resultados de otras como el Delfos para así corregir algunas de las
deficiencias y mejorar la confiabilidad de los resultados.
1.5.5. Métodos para la valoración de la probabilidad
Según se indicó anteriormente, una previsión debe constar de cuatro elementos:
cualitativo, cuantitativo, tiempo y probabilidad. Este último indica la probabilidad de que
pueda ocurrir un fenómeno en el futuro en el tiempo previsto.
El asignar probabilidades de ocurrencia a las previsiones es complicado, pues puede no
haber datos históricos, o que la ocurrencia del fenómeno dependa de una secuencia o
red de ocurrencias de fenómenos anteriores. Esto hace que los métodos estadísticos
tradicionales no sean aplicables a la previsión. El cálculo de la probabilidad de que
ocurra un suceso futuro, que puede tener lugar una sola vez, necesita un método de
asignación de probabilidad subjetiva o bayesiana (277).
44
La probabilidad subjetiva o bayesiana13 se basa en la actualización de la probabilidad
de que ocurra un fenómeno basados en información adicional sobre la ocurrencia de
otros eventos relacionados (Anderson y otros,1999).
El método de asignación de probabilidades subjetivas o bayesianas es más conocido
como filtros de Kalman. Este método es el procedimiento de estimación adaptativo más
general. Ofrece muchas posibilidades que permiten actualizar los parámetros del
modelo y el modelo mismo. La dificultad del filtrado de Kalman consiste en que el
usuario debe asignar sus propias probabilidades en relación con como los parámetros o
el modelo mismo deben actualizarse. El filtrado de Kalman recibió el nombre de
predicción bayesiana por Harrison y Stevens (1971) para describir aplicaciones
especificas a situaciones de pronósticos.
En el grupo de valoración de la probabilidad entran los siguientes métodos: Delfos,
Delfos con cuartiles, impactos cruzados (Cross impacts)14 y M.I.C. M.A.C. (Matrice
d’impacts croissées - Multiplication apliqué au classement).
1.5.5.1. Método Delfos con cuartiles
Se apoya en un panel de expertos, pero además se incluye el componente de la
probabilidad de ocurrencia del evento en un cuartil o tiempo determinado. Su proceso
se desarrolla de la siguiente manera:
• Definir el tema o fenómeno por proyectar.
• Seleccionar un panel de expertos en el tema. 13 Este tipo de probabilidad recibe el nombre por el reverendo Thomas Bayes (1702 – 1761), ministro presbiteriano a quien originalmente se le atribuye
el trabajo original que condujo a la versión del teorema de Bayes, hoy conocido. 14 El método de impactos cruzados (Cross impacts) es también una técnica compuesta.
45
• Definir de las variables influyentes en el fenómeno.
• Validar de la información obtenida en el paso anterior.
• Enviar la información obtenida en el paso anterior de regreso a los expertos junto
con la lista de razonamientos para que hagan nuevas previsiones y las acompañen
con los comentarios que deseen.
• Repetir el paso anterior para que devuelvan ya en forma concluyente las variables,
probabilidades, fechas de ocurrencia, razones y comentarios. El autor De Miguel
considera que tres rondas son suficientes.
El método Delfos es probablemente el más indicado para previsiones a largo plazo, así
como para identificar las nuevas variables que ocasionarán modificaciones en la
extrapolación de las series temporales (281).
1.5.5.2. Análisis de influencias o impactos cruzados (Cross Impact)
Este método es un desarrollo del Delfos que corrige uno de sus inconvenientes,
aumenta la confianza de las previsiones y permite el uso de la computadora para
estudiar la sensibilidad de las previsiones individuales respecto a las de otros sucesos.
La finalidad del análisis de impactos cruzados es encontrar y valorar las influencias
mutuas entre los elementos de un conjunto de sucesos mediante un proceso
sistemático (290). Después de un análisis de este tipo a una serie de previsiones
hechas con la metodología Delfos, surge un estudio más equilibrado de nuevas
previsiones.
46
Este método se denomina de impactos cruzados porque el conjunto de sucesos
aparece estructurado en una matriz. Antes de construir la matriz, los sucesos
individuales han sido sometidos a un estudio Delfos de tiempo y de probabilidad como
sucesos aislados, ignorando las influencias mutuas que puedan existir.
1.5.5.3. Análisis estructural prospectivo (M.I.C. M.A.C.)
Un sistema es un conjunto de elementos relacionados entre sí. La relación de los
elementos entre sí, es decir su estructura, es indispensable para comprender la
evolución del sistema.
El objetivo del análisis estructural es descubrir las interrelaciones entre los diversos
elementos del sistema. Concretamente, el análisis estructural ofrece la posibilidad de
describir un sistema mediante el uso de una matriz que interconecta todos los
componentes del sistema.
El análisis estructural se basa en las matrices de entrada - salida de Leontiev, en la
teoría de los gráficos y en los ejercicios de simulación de investigación de operaciones
efectuados después de la segunda guerra mundial por la Rand Corporation
(Godet,1995).
El análisis estructural tiene dos objetivos complementarios. Primero, lograr una
representación lo más completa posible del sistema estudiado y segundo, reducir el
sistema a sus variables esenciales.
47
La utilización de esta metodología para estudios prospectivos comprende varias etapas
(83):
1. Identificación de las variables
2. Localización de las relaciones en la matriz de análisis estructural
3. Búsqueda de las variables clave a través del método M.I.C. M.A.C.
El objeto del M.I.C. M.A.C. es identificar las variables más motrices y más dependientes
(variables clave), construyendo una tipología de las variables mediante clasificaciones
directas e indirectas.
El método M.I.C. M.A.C. es un programa de multiplicación matricial aplicado a una
matriz estructural, que permite estudiar la difusión de los impactos por los caminos y
bucles de reacción y así jerarquizar las variables de la siguiente manera (85):
• Por orden de motricidad
• Por orden de dependencia
El principio del M.I.C. M.A.C. es sencillo. Se basa en las propiedades clásicas de las
matrices boolenas como se describe a continuación.
Si la variable i influye sobre la variable k y ésta sobre la variable j , se observa el
siguiente esquema:
48
k
ji
kk
jjii
Figura 3 Representación de matriz booleana Fuente: elaboración propia
Cualquier cambio que afecte la variable i , puede influir sobre la variable j. Se dice que
hay una relación indirecta entre i y j.
En la matriz de análisis estructural existen numerosas relaciones indirectas del tipo i - j
que no pueden tenerse en cuenta según la clasificación directa. La elevación al
cuadrado, al cubo, etc., de la matriz pone en evidencia las relaciones de orden 2, 3,
etc., entre i y j y, así sucesivamente.
Al elevar la matriz al cuadrado, al cubo y, así sucesivamente, en cada repetición se
deduce una nueva jerarquía de variables, clasificadas esta vez en el número de
acciones indirectas (las influencias) que ejercen sobre las demás variables. Se
comprueba que, a partir de una cierta potencia la jerarquía permanece estable15. Esta
jerarquía es la que constituye la clasificación M.I.C. M.A.C.
15 Godet (1995,86) sugiere que la matriz permanece estable a partir de la cuarta o quinta potencia. Otros autores rebaten este hecho y sugiere elevar la
matriz a potencias más altas.
49
1.6. Análisis estadísticos uni y bivariables
La aplicación de técnicas de análisis de datos ha tenido un desarrollo importante en la
investigación social y de mercados, esto por el aumento de la capacidad para obtener y
procesar la información. La finalidad del análisis de datos es su transformación en
información relevante para la toma de decisiones. La información es relevante si sirve
para identificar y solucionar problemas objeto de la investigación (Santesmases,1999).
Los análisis estadísticos univariables incluye un conjunto de técnicas que estudian la
medida y el comportamiento de una sola variable. Algunas técnicas de este tipo son:
• Estadísticas básicas:
Número de casos, suma, máximo, mínimo.
Promedios: media, mediana y moda.
Medidas de dispersión: rango, varianza y desviación estándar.
• Distribución de frecuencias: tabulaciones simples.
Los análisis estadísticos bivariables son un conjunto de técnicas que estudian la
relación (de asociación o de dependencia) entre dos variables. Pueden considerarse,
en algunos supuestos, como casos especiales o simplificados de las técnicas de
análisis multivariable. Entre las técnicas más importantes, están las tabulaciones
cruzadas, prueba t de medias (de una muestra independiente, dos muestras
independientes, dos muestras emparejadas), análisis de la varianza, análisis de la
covarianza, correlación entre rangos de Spearman, correlación lineal, coeficiente alfa de
Cronbach y de análisis de regresión simple (caso particular de la regresión múltiple, en
el que hay una sola variable independiente).
50
1.6.1. Estadísticas básicas
Conceptos y procedimientos generales para obtener los valores de la media, mediana,
moda y desviación estándar.
1.6.1.1. Promedios
Para representar una distribución con un solo valor se utilizan los promedios. Estos
valores tienden a situarse en el centro del conjunto de datos, por lo que se les
denomina también medidas de posición, de centralización o de tendencia central. Las
medidas más comunes son la media aritmética, la mediana, y la moda. Cada una de
ellas tiene sus ventajas e inconvenientes y es más o menos apropiada en función de los
resultados que se pretendan resaltar de los datos. (Sachs,1978)
La media aritmética, o simplemente la media, es la medida más importante de la
tendencia central de una distribución. Se obtiene sumando los valores de la variable y
dividiendo el resultado por el número de valores observados. La principal ventaja de la
media, frente a la mediana y la moda, como medida de la tendencia central de una
distribución, es que tiene en cuenta el valor de cada observación en la distribución de
datos. Representa un punto de equilibrio o centro de gravedad en el que la suma de
distancias a las observaciones por encima del mismo, igual a la suma de distancias a
las observaciones que están por debajo, lo que supone, en definitiva, que la suma total
de las distancias entre el valor medio y cada una de las observaciones es igual a cero
(119).
Si se dispone de forma ordenada (de mayor a menor o a la inversa) un conjunto de
observaciones, la mediana es el valor situado en medio de la distribución, por encima y
51
por debajo del cual se sitúa el 50 por 100 de los casos. La mediana es insensible a los
extremos de la distribución, y es, por tanto, apropiada para medir la tendencia central de
una distribución sesgada. Pero carece de propiedades matemáticas que permitan su
aplicación en análisis avanzados (121).
La moda es el valor de una distribución que ocurre con mayor frecuencia, es decir, el
valor más común. Si una distribución tiene una sola moda, se denomina unimodal, y si
tiene dos bimodal. Una distribución puede no tener moda, si todos los valores tienen la
misma frecuencia. La principal ventaja de usar la moda como una medida de la
tendencia central de la distribución es la facilidad con que puede ser obtenida e
interpretada (122).
1.6.1.2. Medidas de dispersión
La dispersión es el grado en que los valores de una distribución tienden a extenderse
alrededor de un promedio. Las medidas de dispersión más comunes son el rango, la
varianza y la desviación típica o estándar.
El rango es la diferencia entre el mayor y el menor de un conjunto de números.
También se le denomina recorrido (Escudero,1968).
La varianza es una medida de dispersión que se obtiene sumando los cuadrados de las
diferencias entre los valores de una distribución y su media aritmética, y dividiendo el
resultado por el número de términos (n).
52
La desviación típica, también denominada desviación estándar, es una medida de
dispersión que se obtiene calculando la raíz cuadrada de la varianza.
1.6.2. Tabulación simple
La tabulación simple de los datos consiste en obtener la distribución de frecuencias y
presentarla en forma de tabla. La distribución de frecuencias es un conteo del número
de casos producidos de los valores de una variable, bien de cada uno de ellos
individualmente, bien agrupados en intervalos, bases o categorías. Este número de
casos se denomina frecuencia. A partir de las frecuencias absolutas se pueden obtener
las frecuencias relativas, dividiendo aquéllas por el número total de observaciones
(Santesmases,1999).
La representación gráfica de la distribución de frecuencias de una variable se denomina
histograma. Es un grafico de barras en el que el eje horizontal muestra los valores de la
variable en cuestión y las alturas de las barras representan sus respectivas frecuencias
de ocurrencias.
La tabulación, cuando supone el conteo de una sola variable, se denomina simple. La
tabulación es cruzada cuando hay un conteo simultáneo de dos o más variables.
1.6.3. Tabulación cruzada
La tabulación cruzada es una técnica estadística por la que se obtiene una tabla de
doble entrada, también denominada tabla de contingencia, en la que se presentan los
valores de las frecuencias conjuntas de dos variables. En la tabulación cruzada se
calcula la distribución de frecuencias de una variable para cada una de las categorías o
53
clases en las que se divide la otra variable con la cual se cruza. La tabulación es una
forma sencilla de describir los comportamientos o características de grupos sociales en
función de los atributos u otras características de tales grupos (191).
1.6.4. Tabulación cruzada de valores medios
En las variables numéricas y mixtas se pueden calcular los valores medios.
1.6.5. Prueba t de medias
Las pruebas t de medias son un tipo de prueba estadística de contrastación de
hipótesis que permite determinar si existen diferencias significativas entre dos valores
medios. En este proyecto se incluyen tres tipos de pruebas, para diferencias entre dos
medias (206):
1. Prueba t de la media de una muestra (en relación con la media poblacional).
2. Prueba t para dos medias de muestras independientes o no relacionadas.
3. Prueba t para dos medias de muestras emparejadas o relacionadas.
El nivel de confianza es la diferencia entre la unidad y el nivel de significación con el
que se contrasta una hipótesis. Se expresa en tanto por ciento.
1.6.6. Análisis de la varianza
El análisis de la varianza es una técnica estadística que sirve para determinar la
existencia de diferencias significativas entre los valores medios de una variable
dependiente. Los valores medios comparados son los observados en los grupos de
individuos u objetos que se han determinado por los niveles de tratamiento o categorías
de las variables explicativas. El análisis de la varianza es especialmente adecuado
54
para investigaciones experimentales. Para realizar el análisis de la varianza puede
partirse de diseños factoriales, bloques aleatorios, cuadrado latino, etc (216).
1.6.7. Análisis de la covarianza
La covarianza es una medida de la relación entre dos variables. El análisis de la
covarianza es una técnica estadística que, al igual que el análisis de la varianza, es
especialmente adecuada para diseños de investigación experimentales. Con el análisis
de la varianza, se aíslan posibles fuentes de variación en la variable por explicar, que
son atribuibles a factores no controlados (covariables). Si estas influencias pueden ser
eliminadas estadísticamente, se reduce el error residual. El valor potencial del análisis
de la covarianza depende de la existencia de correlación (superior al 0.3) entre la
covariable y la variable por explicar (218).
1.6.8. Correlación
La correlación es la asociación entre las variaciones de los valores de dos variables.
Esta asociación puede ser positiva (directa o del mismo sentido) o negativa (inversa o
en sentido contrario). Una medida de la misma es el coeficiente de correlación lineal de
Pearson, que puede tomar valores comprendidos entre -1 y 1 (224).
La asociación es la relación entre el comportamiento de dos variables. Puede reflejar
una correlación casual16 o, por el contrario, una relación causal, en la que una o varias
variables dependen o son explicadas por una o varias variables independientes; se
distinguen los siguientes tipos: 16 La casualidad es aquella relación entre dos variables en la que un cambio en una de ellas (variable independiente o explicativa) produce un cambio
en la otra (variable dependiente o por explicar). Para probar la existencia de relación causa - efecto entre dos variables, y no simple asociación, es necesario que al menos se cumplan tres condiciones: variación concomitante, orden temporal de la ocurrencia de las variaciones y control sobre otros posibles factores causales
55
• Variación concomitante: supone asociación o variación conjunta entre las variable
causa - efecto.
• Orden temporal de la ocurrencia de las variaciones: la causa de un acontecimiento
debe preceder a su ocurrencia.
• Control sobre otros posibles factores causales: se trata de detectar posibles
correlaciones espurias17.
1.6.8.1. Correlación de rangos
El coeficiente de correlación entre rangos determina la correlación entre dos variables
medidas con escalas ordinales. Es decir, los datos significan un orden o rango. Para
su cálculo se aplica la formula de Spearman (224).
1.6.8.2. Correlación lineal
El coeficiente de correlación lineal es una medida del grado y dirección de la asociación
lineal entre dos variables. Puede tomar valores comprendidos entre -1 y 1. Un valor 0
indica ausencia de correlación. Si el coeficiente es positivo expresa una covariación de
las variables en el mismo sentido, y un coeficiente negativo, lo contrario.
1.6.9. Coeficiente alfa de Crobach
La confiabilidad es el grado en que la medida de una variable está libre de error
aleatorio y, por tanto, proporciona resultados consistentes. Una medida o un método de
investigación es confiable, si proporciona resultados prácticamente idénticos en todos
17 Una correlación espuria es la asociación entre dos variables, bien de forma accidental o por efecto de una tercera variable, sin que se de ninguna
relación causal entre ellas
56
los casos en que se repita la investigación. Un procedimiento para medir la
confiabilidad de una medida es la determinación de su consistencia interna (226).
El coeficiente alfa (α) de Cronbach estima la consistencia interna de una escala de
medida; es uno de los más utilizados para medir la confiabilidad de una escala. Un
valor del coeficiente inferior a 0.7 indica, por lo general, una baja consistencia interna,
es decir, que la escala no mide un solo fenómeno, sino varios y, por tanto, puede no ser
apropiada para los fines de la investigación. Si la escala es multidimensional, la
aplicación del análisis factorial a la matriz de correlación puede ayudar a descubrir las
distintas dimensiones o componentes de las variables.
1.7. Análisis estadísticos multivariables: análisis de dependencias.
Se da cuando se analiza la relación simultánea entre el comportamiento de más de dos
variables. Este tipo de análisis es el más completo y permite un mejor acercamiento a
la realidad de los fenómenos sociales. Tales fenómenos suelen ser complejos y no se
limitan a un número reducido de dimensiones, sino que, por el contrario, son
multidimensionales, y su estudio precisa herramientas adecuadas que no supongan una
simplificación de la realidad. Ésta es la principal contribución del análisis multivariable a
la investigación social y de mercados (161).
Las técnicas que se incluyen en el análisis multivariable suele clasificarse en dos
grandes grupos, según analicen relaciones de dependencia o de interdependencia
entre variables u objetos:
57
• En el primer caso, el análisis multivariable permite estudiar la medida o intensidad
con que se da la dependencia18 entre las variables y determina, por lo general, una
relación funcional.
• En el segundo caso, interdependencias, el análisis multivariable estudia las
relaciones entre todas las variables o agrupa los sujetos u objetos por su similitud,
de acuerdo con los valores mostrados por las variables analizadas.
El comportamiento de la primera variable puede estar en función o “depender” (por esto
se le denomina variable dependiente) de las otras variables consideradas explicativas
(identificadas como variables independientes).
Las técnicas estadísticas multivariables de análisis de dependencia se subdividen, a su
vez, en dos grupos:
1. Técnicas que analizan la relación de dependencia entre una sola variable
dependiente o por explicar y múltiples independientes o explicativas.
2. Técnicas que analizan la relación de dependencia entre múltiples variable
dependientes y múltiples variables independientes.
Dentro de las técnicas de análisis de interdependencias se distinguen también dos
grupos:
1. Aquéllas que ponen el énfasis en la interrelación entre las variables, como las
técnicas de análisis factorial y relacionadas.
18 Una dependencia es una relación o asociación entre dos o mas variables en las que el comportamiento o el valor de una o más de ellas (variables
dependientes, criterio o por explicar) es el efecto (depende) del valor de otra u otras variables causales (independientes, previctorias o explicativas)
58
2. Las que analizan la interrelación entre los sujetos u objetos analizados, como las
técnicas del cluster analysis o análisis de conglomerados.
1.7.1. Análisis de regresión múltiple
En el análisis de regresión múltiple se establece una relación funcional entre una
variable dependiente y una serie de variables independientes (237).
El modelo de regresión requiere que las variables sean métricas, medidas con escalas
proporcionales o interválicas. No obstante, pueden utilizarse variables no métricas o
categóricas, medidas con escalas nominales u ordinales, tanto en la variable
dependiente como en la independiente, siempre que se transformen en variables
ficticias, que toman el valor uno para indicar la pertenencia a una clase o categoría o el
valor cero en caso contrario. Para transformar en una variable categórica nominal u
ordinal en ficticia se requieren tantas variables ficticias como número de categorías
menos una tenga la variable por transformar.
1.7.2. Análisis de clasificación múltiple
El análisis de clasificación múltiple (ACM) es una técnica de análisis estadístico
multivariable, diseñada por Andrews, Morgan y Sonquist, que es poco conocida y
aplicada en investigación social y de mercados, a pesar de sus notables ventajas, tanto
en el manejo de los datos, como en la interpretación de los resultados (244).
El ACM analiza la relación entre una variable dependiente o criterio y varias variables
explicativas o predictoras. La primera debe estar medida en una escala métrica o
dicotómica, mientras que las variables explicativas o independientes deben de estar
59
medidas con escalas no métricas o categóricas (nominales u ordinales), o convertidas
en ellas, si la escala original es de orden superior. El ACM sustituye con ventaja el
análisis de regresión múltiple con variables ficticias, por la complejidad que puede
suponer en esta última técnica la transformación de las variables categóricas en ficticias
y la interpretación de los coeficientes de regresión obtenidos.
1.7.3. AID (Autimatic Interaction Detection)
Las siglas AID corresponden a la locución inglesa Automatic Interaction Detection
(Detección Automática de Interacciones). Es una técnica de análisis estadístico que se
utiliza en una investigación social y de mercados para estudiar la relación de
dependencia entre una variable criterio (variable dependiente) y múltiples predictoras
(variables independientes o explicativas). La principal aplicación del análisis AID es en
segmentación de mercados, en la que se trata de dividir un conjunto de individuos o
entidades de acuerdo con un determinado comportamiento o actividad que sirve de
variable criterio (256).
1.7.4. Análisis discriminante múltiple
El análisis discriminante es una técnica estadística multivariable que permite explicar la
pertenencia de individuos u objetos a grupos preestablecidos.
El análisis discriminante es un caso particular de análisis de dependencia entre una
variable criterio que expresa la pertenecía a un grupo o categoría, es decir, una variable
categórica, y una o varias variables explicativas medidas con escalas métricas
(variables múltiples). El resultado del análisis discriminante es un conjunto de funciones
que son una combinación lineal de las variables explicativas o independientes de forma
60
que maximizan la distancia o separación entre grupos. Se obtienen tantas funciones
discriminantes como grupos menos uno (264).
Los coeficientes de las funciones discriminantes indican la medida en que las variables
explicativas determinan la inclusión de los individuos u objetos en los grupos
preestablecidos. Los valores de las funciones permiten incluir a otros individuos u
objetos en uno u otro de los grupos predeterminados.
El principal objeto del análisis discriminante es predecir la probabilidad de pertenencia
de un sujeto u objeto a un grupo de clase, basándose en las distintas variables
predictoras.
1.7.5. Redes neuronales artificiales
Las redes neuronales artificiales tratan de identificar las relaciones en estructuras de
datos. Se relacionan con los sistemas expertos y utilizan un enfoque estadístico. Los
algoritmos de las redes neuronales se basan en el funcionamiento del cerebro humano.
Las redes tratan de reproducir la estructura cerebral y su forma de trabajar, con un
conjunto de neuronas interconectadas por sinapsis. Los modelos de redes neuronales
emulan el aprendizaje humano, mediante prueba y error, son capaces de aprender de la
experiencia y pueden identificar patrones de comportamiento y relaciones causa -
efecto en estructura de datos (272).
Las técnicas de redes neuronales difieren de los procesos estadísticos en el método de
procesamiento de datos, sus algoritmos de cálculo son iterativos, requieren mucho
tiempo de procesamiento, no se obtienen siempre los mismos resultados y la
61
interpretación de los resultados es más difícil. Pero son más tolerantes en los tipos de
variables que pueden tratar, y, aun cuando falten datos, los resultados no son afectados
de forma significativa. Además, dado que los modelos de redes neuronales pueden
estimar tanto variables cuantitativas (numéricas) como de clasificación (categóricas),
pueden utilizarse los mismos algoritmos para fines de previsión y de clasificación.
Los modelos de redes neuronales que suelen utilizarse en investigación de mercados
son de dos tipos: supervisados y sin supervisión.
Las redes neuronales ofrecen una alternativa a la modelización de situaciones
dinámicas complejas.
La disposición de una red neuronal en varias capas sucesivas de neuronas se
denomina perceptrón19 multicapa. La perceptrón multicapa es el exponente más típico
de las redes neuronales artificiales con aprendizaje supervisado. También se le
denomina red de retropopagación, por el modo en que se modifican los pesos
asociados a las neuronas utilizando el error obtenido en la capa de salida o de variables
output.
1.8. Conclusión
Podemos concluir que a pesar de las innumerables investigaciones que se han
realizado, no existe una teoría infalible que explique sin lugar a dudas el origen del
petróleo pues ello implicaría poder descubrir los orígenes de la vida misma.
19 El término perceptrón procede de un dispositivo inventado por el psicólogo Frank Rosenblatt a finales de los años cincuenta con el que se intentaba
ilustrar algunas de las propiedades de los sistemas inteligentes
62
Por otro lado la discusión expuesta a lo largo del capitulo muestra que no hay una
clasificación uniforme de los métodos de previsión.
Las diversas clasificaciones expuestas se basan en los criterios a los cuales el autor les
dé más peso relativo, es así como algunos autores las hacen basados en métodos
cualitativos y cuantitativos, o en el corto o largo plazo etc.
La manera de clasificar las previsiones de una modo más completo, es a mi criterio, la
expuesta por el autor Enrique De Miguel, quien toma en consideración cuatro criterios:
cuantitativo, cualitativo, tiempo y probabilidad.
63
2. Diferenciación
2.1. Objetivo
• Diferenciar los combustibles fósiles, en cuanto a fuentes, uso, destilaciones,
transporte, reglamentaciones, etc.
2.2. Introducción
El petróleo contiene tal diversidad de componentes que difícilmente se encuentran dos
tipos idénticos. Además existen parámetros internacionales, como los del Instituto
Americano del Petróleo (API) que diferencian sus calidades y, por tanto, su valor. Así,
entre más grados API tenga un petróleo, mejor es su calidad.
Los petróleos de mejor calidad son aquellos que se clasifican como livianos y/o suaves
y dulces. Los llamados livianos son aquellos que tienen más de 26 grados API. Los
intermedios se sitúan entre 20º y 26º API, y los pesados por debajo de 20º API.
2.3. El petróleo y el gas natural
2.3.1. Tipos de petróleo
Son miles los compuestos químicos que constituyen el petróleo y, entre muchas otras
propiedades, estos compuestos se diferencian por su volatilizad, dependiendo de la
temperatura de ebullición. Al calentarse el petróleo, se evaporan preferentemente los
compuestos ligeros, de estructura química sencilla y bajo peso molecular, de tal manera
que, conforme aumenta la temperatura, los componentes más pesados van
incorporándose al vapor (Isaza,36).
64
Las curvas de destilación TBP (del inglés "true boiling point", temperatura de ebullición
real) distinguen a los diferentes tipos de petróleo y definen los rendimientos que se
pueden obtener de los productos por separación directa.
La industria mundial de hidrocarburos líquidos clasifica el petróleo de acuerdo con su
densidad API 20, (ECOPETROL@2003).
Aceite crudo Densidad ( g/ cm3) Densidad (grados API)
Extrapesado >1.0 10.0
Pesado 1.0 - 0.92 10.0 – 22.3
Mediano 0.92 - 0.87 22.3 – 31.1
Ligero 0.87 - 0.83 31.1 – 39
Superligero < 0.83 > 39
Tabla 4 Clasificación API del petróleo Fuente: UPME@2003
En Colombia predominan las siguientes clases de petróleo:
1. Petróleo de base asfáltica
2. Petróleo de base parafínica
3. Petróleo de base mixta
2.3.2. Diferencias entre los gases combustibles, gas natural y GLP
Desde el punto de vista del origen, composición y propiedades, se establecen las
siguientes diferencias entre el gas natural y el GLP o gas propano,
(ECOPETROL@2003):
20 API parámetro internacional del Instituto Americano del Petróleo, que diferencia las calidades del crudo
65
• El gas natural se obtiene únicamente de los campos, mientras el GLP puede
obtenerse del gas natural o en los procesos petroquímicos y de ruptura catalítica. El
gas manufacturado se obtiene a partir del carbón sometiéndolo a determinados
procesos físico - químicos.
• El gas natural es un producto gaseoso que a temperatura ambiente no se puede
licuar bajo presión, mientras el GLP si es licuable.
• El gas natural tiene menor poder calorífico que el GLP, están en una relación de
1:2.7. El gas natural tiene mayor poder calorífico que los gases manufacturados,
aproximadamente entre 1.7 a 3.3 mayor.
• Los GLP tiene mayor requerimiento de aire para una combustión completa que el gas
natural. El gas natural tiene una mayor requerimiento de aire que los gases
manufacturados.
• Los GLP son más pesados que el gas natural, tienen mayor densidad que el aire, el
gas natural tiene menor densidad que el aire. La gravedad específica de los gases
manufacturados es comparable a la del gas natural aproximadamente.
• Los GLP presentan un límite de inflamabilidad mayor que le del gas natural. Los
gases manufacturados presentan un límite de inflamabilidad mayor que el gas
natural.
• Los GLP tiene una temperatura de ignición menor que la del gas natural. Los gases
manufacturados pueden presentar una temperatura de ignición menor que la del gas
natural.
• Los GLP presentan durante su combustión mayores emisiones de CO2 que el gas
natural.
66
• El volumen de gases de combustión húmedos por unidad de energía liberada, es
comparable para el gas natural, GLP y gases manufacturados, teniéndose los
siguientes valores 1.05,1. y 1.03 m3(n) / kW-h respectivamente.
• Los gases manufacturados tiene menor índice de Wobbe que le gas natural. Los
GLP tienen mayor índice de Wobbe que le gas natural.
• Las presiones de suministros a los artefactos son diferentes.
El gas natural tiene un costo más bajo, pero su distribución es más costosa, por la
infraestructura requerida. Mientras que el GLP es mas económico para su distribución,
pero su costo más alto.
2.3.3. Refinación del petróleo.
El petróleo llega a las refinerías en su estado natural para su procesamiento. Aquí
prácticamente lo que se hace es cocinarlo. Por tal razón al petróleo también se le
denomina crudo (ECOPETROL,1997).
Una refinería es un complejo donde ese petróleo crudo se somete en primer lugar a un
proceso de destilación o separación física y luego a procesos químicos que permiten
extraerle buena parte de la gran variedad de componentes que contiene (119).
A pesar de que algunos compuestos del oxígeno, azufre y nitrógeno se encuentran en
el petróleo, éste está compuesto, principalmente, por una mezcla de hidrocarburos, los
cuales se refinan, mediante el proceso llamado destilación fraccionada, para obtener
productos útiles. Este proceso se basa en el hecho de que las volatilidades (y por lo
67
tanto las presiones de vapor) de los diferentes hidrocarburos varían inversamente con
sus masas moleculares.
Los compuestos que poseen menor masa molecular tienen mayor volatilidad y hierven a
menor temperatura. Debido a que el enorme mercado del petróleo reside en la gran
demanda de gases ligeros, gasolina, aceites combustibles, disolventes, aceites para
motores, grasas, parafinas y asfalto, el aceite crudo se destila fraccionadamente para
dar productos que tienen amplios márgenes de ebullición. A pesar de que dichos
productos son aún bastante impuros, tienen suficiente mercado y uso. Para
aplicaciones especiales necesitarán refinaciones posteriores con el consecuente
aumento del costo. Se obtienen muchos compuestos puros del petróleo, al punto que
de él se pueden obtener por encima de los 2.000 productos (123).
El petróleo se puede igualmente clasificar en cuatro categorías, como habíamos
mencionado anteriormente: parafínico, nafténico, asfáltico o mixto y aromático.
Los productos que se sacan del proceso de refinación se llaman derivados y los hay de
dos tipos: los combustibles, como la gasolina, ACPM, etc.; y los petroquímicos, tales
como polietileno, benceno, etc.
En Colombia hay dos grandes refinerías: el Complejo Industrial de Barrancabermeja y la
Refinería de Cartagena. A la primera se le llama complejo porque también posee
procesos petroquímicos.
68
2.3.4. Tratamiento del gas natural
El gas natural para ser entregado a los consumidores debe cumplir con varios requisitos
para asegurar su calidad, un uso eficiente y no ocasione problemas durante el
transporte o procesamiento. Las principales características que debe cumplir el gas
son:
• Contenido de agua por debajo de un valor establecido.
• Bajo contenido de H2S y CO2 para evitar problemas de corrosión, contaminación y
reducción en el poder calorífico.
• Presión de entrega, que debe ser suficiente para transportar el gas hasta el punto de
consumo.
Las etapas y procesos que se siguen para preparar el gas natural para ser transportado
por gasoducto son: separación, recolección y compresión, deshidratación,
endulzamiento y procesamiento.
2.3.5. Derivados y usos
El gas natural sirve como combustible para usos doméstico, industriales y para la
generación de energía termoeléctrica. Para ser entregado a los consumidores debe
cumplir con varios requisitos para asegurar su calidad, un uso eficiente y no ocasionar
problemas durante el transporte o procesamiento. Las principales características que
debe cumplir el gas son:
• Contenido de agua por debajo de un valor establecido.
• Bajo contenido de H2S y CO2 para evitar problemas de corrosión, contaminación y
reducción en el poder calorífico.
69
• En el área industrial es una de las materias primas para: el sector de la petroquímica
y para el sector de la agroindustria.
Los siguientes son los diferentes productos derivados del petróleo y su utilización
(ECOPETROL@,2003):
Derivados del petróleo Utilización
Gasolina motor o corriente y super Para consumo en los vehículos automotores de combustión interna, entre otros usos
Turbocombustible o turbosina Gasolina para aviones jet, también conocida como Jet – A Gasolina de aviación Para uso en aviones con motores de combustión interna ACPM o Diesel De uso común en camiones y buses
Queroseno Se utiliza en estufas domésticas y en equipos industriales. Es el que comúnmente se llama petróleo
Cocinol Especie de gasolina para consumos domésticos. Su producción es mínima Gas propano o GLP Se utiliza como combustible doméstico e industrial
Bencina industrial Se usa como materia prima para la fabricación de disolventes alifáticos o como combustible doméstico
Combustóleo o fuel oíl Es un combustible pesado para hornos y calderas industriales
Disolventes alifáticos
Sirven para la extracción de aceites, pinturas, pegantes y adhesivos; para la producción de thinner, gas para quemadores industriales, elaboración de tintas, formulación y fabricación de productos agrícolas, de caucho, ceras y betunes, y para limpieza en general
Asfaltos Se utilizan para la producción de asfalto y como material sellante en la industria de la construcción
Bases lubricantes Es la materia prima para la producción de los aceites lubricantes
Ceras parafínicas Es la materia prima para la producción de velas y similares, ceras para pisos, fósforos, papel parafinado, vaselinas, etc.
Polietileno Materia prima para la industria del plástico en general
Alquitrán aromático (Arotar) Materia prima para la elaboración de negro de humo que, a su vez, se usa en la industria de llantas. También es un diluyente
Ácido nafténico Sirve para preparar sales metálicas tales como naftenatos de calcio, cobre, zinc, plomo, cobalto, etc., que se aplican en la industria de pinturas, resinas, poliéster, detergentes, tenso - activos y funguicidas
Benceno Sirve para fabricar ciclohexano Ciclohexano Es la materia prima para producir caprolactama y ácido adípico con destino al nylon
Tolueno Se usa como disolvente en la fabricación de pinturas, resinas, adhesivos, pegantes, thinner y tintas, y como materia prima del benceno
Xilenos mezclados Se utilizan en la industria de pinturas, de insecticidas y de thinner Ortoxileno Es la materia prima para la producción de anhídrico ftálico
Alquilbenceno Se usa en la industria de detergentes, para elaborar plaguicidas, ácidos sulfónicos y en la industria de curtientes
Tabla 5 Derivados del petróleo y sus usos Fuente: ECOPETROL@2003
70
El azufre que sale de las refinerías sirve para la vulcanización del caucho, fabricación
de algunos tipos de acero y preparación de ácido sulfúrico, entre otros usos. En
Colombia, de otro lado, se extrae un petróleo pesado que se llama Crudo de Castilla, el
cual se utiliza para la producción de asfaltos o para mejoramiento directo de carreteras,
así como para consumos en hornos y calderas.
2.4. Conclusión
El país muestra en el escenario exportador que las ventas externas disminuyen, los
ingresos del gobierno siguen descansando en buena parte en el petróleo. Por ello, una
disminución en su precio impacta las cuentas públicas y, por consiguiente, a la
economía. Sin embargo, el entorno macroeconómico en que se dibuja el actual shock
petrolero es diferente al de años anteriores. El problema es básicamente del sector
público, que se enfrenta con recortes en su gasto.
Las caídas esporádicas de las cotizaciones del crudo a nivel internacional obedece
fundamentalmente al exceso de oferta, considerándose el recorte de la producción
como su parte medular. Así que, la pérdida de algunas décimas de punto porcentual en
el crecimiento de nuestra economía dependen de manera esencial de cuánto petróleo
dejen de extraer los principales productores.
71
3. Parámetros estadísticos
3.1. Objetivo
• Describir los parámetros fundamentales sobre el comportamiento de los
precios de los combustibles fósiles ACPM, fuel oíl o combustóleo, gas licuado
del petróleo o gas propano, gas natural, gasolinas súper, petróleo crudo de
referencia WTI y la Tasa Representativa del Mercado.
3.2. Introducción
La alta dependencia que el mundo tiene del petróleo y la inestabilidad que caracteriza el
mercado internacional y los precios de este producto, han llevado a que se investiguen
energéticos alternativos sin que hasta el momento se haya logrado una opción que
realmente lo sustituya, aunque se han dado importantes pasos en ese sentido. A los
otros países productores se les denomina independientes y entre los principales se
encuentran el Reino Unido, Noruega, México, Rusia y Estados Unidos. Este último es
el mayor consumidor de petróleo, pero al mismo tiempo es uno de los grandes
productores.
Colombia forma parte de este grupo de naciones, aunque su participación se considera
marginal tanto en reservas como en producción y volúmenes de exportación. No es,
por consiguiente, un país petrolero.
El petróleo es uno de los más importantes productos que se negocian en el mercado
mundial de materias primas. Las bolsas de Nueva York (NIMEX) y de Londres (IPC) son
los principales centros donde se transa, pero también tiene un mercado "spot" o al
72
momento. Los precios se regulan por unos marcadores o "precios de referencia", entre
los que sobresalen el WTI, Bren, Dubai.
3.3. Parámetros estadísticos de los combustibles fósiles y la TRM
El estudio se lleva a cabo con un año histórico (2003) y dos años (2004 y 2005) proyectados. Estadísticas básicas ==================== Variable 2: ACPM Nº de casos: 36 Suma: 2,520.3500 Máximo: 83.6800 Mínimo: 55.0500 Rango: 28.6300 Media aritmética: 70.0097 Mediana: 69.7050 Moda: 66.1700 Varianza: 60.8543 Desviación estándar: 7.8009 Variable 3: Gasolina Súper Nº de casos: 36 Suma: 3,156.8700 Máximo: 159.7800 Mínimo: 50.7300 Rango: 109.0500 Media aritmética: 87.6908 Mediana: 58.4700 Moda: 50.7300 Varianza: 1,874.8892 Desviación estándar: 43.3000 Variable 4: GN Nº de casos: 36 Suma: 1,922.2900 Máximo: 60.4600 Mínimo: 43.5300 Rango: 16.9300 Media aritmética: 53.3969 Mediana: 52.7200 Moda: 50.8000 Varianza: 16.0856 Desviación estándar: 4.0107
73
Variable 5: GLP Propano Nº de casos: 36 Suma: 3,659.1400 Máximo: 195.7700 Mínimo: 61.2800 Rango: 134.4900 Media aritmética: 101.6428 Mediana: 76.8800 Moda: 76.8800 Varianza: 2,514.4025 Desviación estándar: 50.1438 Variable 6: WTI NYMEX Nº de casos: 36 Suma: 1,128.6800 Máximo: 36.3300 Mínimo: 25.5400 Rango: 10.7900 Media aritmética: 31.3522 Mediana: 31.5200 Moda: 32.2300 Varianza: 2.7651 Desviación estándar: 1.6629 Variable 7: Fuel Oil Nº de casos: 36 Suma: 1,338.6500 Máximo: 63.9900 Mínimo: 21.0500 Rango: 42.9400 Media aritmética: 37.1847 Mediana: 35.9600 Moda: 21.0500 Varianza: 155.8337 Desviación estándar: 12.4833 Variable 8: TRM Dólar Nº de casos: 36 Suma: 103,383.0970 Máximo: 3,047.8620 Mínimo: 2,742.4700 Rango: 305.3920 Media aritmética: 2,871.7527 Mediana: 2,875.5680 Moda: 2,757.6900 Varianza: 7,531.0446 Desviación estándar: 86.7816
74
3.4. Conclusión
El propósito de este estudio estadístico fue le de extraer conclusiones cuantitativas
acerca de la naturaleza de una población (precios de los combustibles). Al ser una
población grande, los resultados obtenidos se basan en los análisis estadísticos
univariables, lo que nos lleva, a la justificación, de las técnicas de muestreo.
Dentro del contexto, la finalidad del análisis de datos es su transformación en
información relevante para la toma de decisiones. Esta información es relevante puesto
que sirve para identificar los comportamientos actuales y solucionar problemas futuros
objeto de la investigación.
La tarea fundamental en el capitulo fue la de hacer inferencias acerca de la población a
partir de una muestra extraída de la misma, lo cual se llevo a cabo, como lo muestran
los resultados.
75
4. Proyección
4.1. Objetivos
• Proyectar los valores de los precios de los combustibles fósiles para el
periodo 2004 – 2005 en forma mensual, utilizando la metodología de series
temporales.
4.2. Introducción
Las previsiones o proyecciones se obtienen mediante la metodología estadística de
series temporales, desarrollando el proceso lógico y reglamentado de análisis de los
modelos clásicos (Ajuste de Tendencia: linear, quadratic, exponential power y S curve),
suavización exponencial (Brown: simple, linear y quadrático, adaptative, simple y double
exponential, Holt, simple y double exponential más linear trend), modelos de
descomposición (Holt´s Winter y Winter aditivo y multiplicativo) y modelos modernos
(A.R.I.M.A. o Box Jenkins). La proyectiva es una metodología que permite detectar el
futuro a corto (numérico hasta 1 ó 2 meses) y mediano plazo (cualitativo conceptual
hasta dos años) a partir de los datos del pasado. La bondad de sus pronósticos será
más alta en la medida que los datos sean bien obtenidos, la metodología de cálculo
cumpla todas las normas exigidas y el entorno del fenómeno a analizar permanezca con
cierta estabilidad.
76
4.3. Estudio proyectivo del precio del ACPM [Aceite Combustible Para Motor] en
kW–h, mediante series temporales estadísticas y estocásticas
Datos desde septiembre de 199821 con pronósticos cuantitativos hasta abril de 2004 y
cualitativos hasta diciembre de 2005.
ACPM precio Kw - hora
0.00
10.00
20.00
30.00
40.00
50.00
60.00
70.00
80.00
90.00
September-98
January-99
May-99
September-99
January-00
May-00
September-00
January-01
May-01
September-01
January-02
May-02
September-02
January-03
May-03
September-03
January-04
May-04
September-04
January-05
May-05
September-05
January-06
Mes Año
Dólar
es p
or K
w-h
Figura 4 Proyección e historia del ACPM en dólares por KW - h Fuente: Universidad E.A.F.I.T
4.3.1. Análisis previo de la serie
La serie está conformada por datos desde septiembre de 1998 hasta enero 2004, al ser
graficada la serie se observa aparentemente en ella una conducta meramente
tendencial creciente sin ruido.
21 Datos, obtención propia
Elaborada el 14 de febrero 2004 Error promedio último cálculo del 0.0095% mes
77
Time Series Plot for ACPM
8/98 8/00 8/02 8/04 8/0630
40
50
60
70AC
PM
Figura 5 Gráfica de precio USD ACPM en kW – hora Fuente: Universidad E.A.F.I.T
4.3.1.1. Determinación de los componentes de la serie
4.3.1.1.1. Nivel
La figura 6 permite determinar que aparte de tener un comportamiento tendencial y
nada de ruido en general, mantiene un solo nivel al través de sus valores denotados en
la línea roja horizontal gruesa.
78
Smoothed Time Series Plot for ACPM
8/98 8/00 8/02 8/04 8/0630
40
50
60
70A
CP
Mdatasmooth
Figura 6 Nivel serie ACPM - líneas rojas Fuente: Universidad E.A.F.I.T
En síntesis la presencia de nivel no afectará los pronósticos.
4.3.1.1.2. Aleatoriedad o ruido
En la gráfica siguiente no se nota la presencia de ruido durante toda la graficación.
Éste se detecta en tanto si se pudo suavizar o no, es decir si los puntos originales
azules están muy lejos de la línea de suavización roja denota que se dejó suavizar por
lo tanto se deduce que en general no tiene un ruido.
Nivel uno
79
Smoothed Time Series Plot for ACPM
8/98 8/00 8/02 8/04 8/0630
40
50
60
70
AC
PM
datasmooth
Figura 7 Serie original suavizada sin ruido, para apreciar tendencia ACPM Fuente: Universidad E.A.F.I.T
4.3.1.1.3. Tendencia
El análisis previo de la serie muestra una marcada presencia de tendencia alternada.
4.3.1.1.4. Patrón anual de conducta mensual promedio
La importancia de revisar la conducta mensual promedio permite evaluar de antemano
si existe en la serie temporal un comportamiento estacional repetitivo cada año.
Este patrón es útil cuando los pronósticos obtenidos con Brown u Holt son constantes,
con ella se reconvierten a valores no uniformes mensuales.
En general son datos más o menos similares con desviación estándar inferior al 0.064%
(cero punto cero seis cuatro).
80
No. Mes Porcentaje media Contribución anual de 65 datos
1 Enero 99.8454 8.32% 2 Febrero 99.9273 8.33% 3 Marzo 99.4574 8.29%
4 Abril 98.8962 8.24%
5 Mayo 99.9142 8.33%
6 Junio 100.699 8.39%
7 julio 100.009 8.33%
8 Agosto 101.534 8.46%
9 Septiembre 101.045 8.42%
10 Octubre 99.8877 8.32%
11 Noviembre 99.0051 8.25%
12 Diciembre 99.7805 8.32%
Tabla 6 Patrón mensual de conducta ACPM Fuente: Universidad E.A.F.I.T
Seasonal Index Plot for ACPM
0 3 6 9 12 15
season
98
99
100
101
102
seas
onal
inde
x
Figura 8 Serie temporizada para determinar factores de peso estacionales por mes ACPM Fuente: Universidad E.A.F.I.T
El siguiente paso es detectar la presencia de componentes irregulares en la serie.
81
4.3.1.1.5. Componentes irregulares
En la siguiente ilustración se observan unos datos comunes y dentro de un rango
correcto.
Irregular Component Plot for ACPM
8/98 8/00 8/02 8/04 8/0695
97
99
101
103
105
irreg
ular
Figura 9 Verificación de datos irregulares ACPM Fuente: Universidad E.A.F.I.T
Los análisis previos que siguen a continuación, permiten detectar si hay influencias
repetitivas cada ciertos períodos de tiempo, si son inferiores a doce meses de describen
como estacionalidad y si los períodos de influencia repetitivos son superiores a doce
meses se denotan como ciclicidad.
4.3.1.1.6. Estacionalidad
Para conocer más a fondo esta herramienta se hace el ejemplo con el TRM colombiano
antes de iniciar el análisis estacional del ACPM.
En la gráfica del dólar se observa una similitud muy alta en cada uno de los objetos
graficados sus líneas rojas de media y sus palotes correspondientes.
82
La simetría permite asumir la existencia de estacionalidad, ya su magnitud será alta
media o baja dependiendo del grado de similitud de los correspondientes palotes en
cada una de las 12 graficaciones realizadas.
En el caso del TRM se asume que hay una buena estacionalidad que indudablemente
se está deteriorando mucho en las etapas finales.
Seasonal Subseries Plot for Dólar TRM a junio 03
0 3 6 9 12 15Season
1300
1600
1900
2200
2500
2800
3100
Dó
lar
TR
M a
ju
nio
03
Seasonal Subseries Plot for ACPM
0 3 6 9 12 15
Season
30
40
50
60
70
AC
PM
Figura 10 Serie temporizada para corroborar la presencia de estacionalidad en TRM como referencia y en la serie evaluada, con estacionalidad inferior de 12 meses y ciclicidad superior a 12 meses ACPM Fuente: Universidad E.A.F.I.T
Se podría afirmar que existe cierta presencia de estacionalidad.
83
4.3.1.1.7. Ciclicidad
La ciclicidad se establece en la medida que exista un buen paralelismo en la gráfica
siguiente en todos los períodos graficados.
Annual Subseries Plot for ACPM
0 3 6 9 12 15
Season
30
40
50
60
70
ACPM
Cycle123456
Figura 11 Serie temporizada para corroborar la presencia de ciclicidad ACPM Fuente: Universidad E.A.F.I.T
La ilustración anterior ratifica la presencia de ciclicidad al haber paralelismo.
4.3.1.1.8. Determinación previa del Modelo: Clásico o Moderno
Análisis Previo Muy alto Alto Medio Bajo Muy bajo No existe
Nivel X
Ruido X
Tendencia Lineal X
Tendencia No Lineal X
Estacionalidad X
Ciclicidad X
Fenómenos Exógenos X
Tabla 7 Síntesis análisis previo ACPM Fuente: Universidad E.A.F.I.T
84
4.3.1.2. Hipótesis
El análisis previo demuestra que la primera posibilidad es para un Modelo Tendencial,
en segunda instancia para un Winter con estacionalidad y/o ciclicidad o en su defecto o
un A.R.I.MA.
4.3.1.2.1. Preparación de la serie
La serie se recorta en dos etapas, una primera del último valor para corroboración de
resultados de modelo y de perfeccionamiento del mismo, en éste caso particular el
primer recorte incluye enero de 2004.
El segundo recorte de seis datos permite seleccionar el modelo adecuado, comparando
los meses recortados con los pronósticos de todos los modelos realizados, esto incluye
los meses de julio a diciembre de 2003.
4.3.2. Cálculos del mejor modelo
Las series temporales mediante el análisis y la utilización de los modelos presentados a
continuación permiten seleccionar el más adecuado.
4.3.2.1. Análisis de modelos inicial con segundo recorte de seis meses
En la siguiente hoja de cálculos de excel, se muestran varias cosas:
Los mejores modelos en su orden son:
1) Un Modelo de Tendencia Exponential no lineal, que se deja para la segunda
prueba.
2) Dos Modelos de Tendencia Lineal con dos softwares con igual diferencia, que
entran a segunda prueba.
85
Dado que entre 1, 2 y 3 hay mucha diferencia se adopta en un paso el modelo
Exponential Power.
Ahora se hace el segundo paso para chequear cual de las tres expresiones se
acomoda más.
# Software Modelos Símbolo Puesto Pronóstico Ene 0410 WINQSB Window Linear regression with time Tendencia Linear +32.9445 + 0.4423*T LR 2 61.698613 Statgrafic DOS Analisis Trend Lineal 32.9445+0.442267*T DAT 3 63.479115 Statgrafic DOS An. Trend. Exp. Power EXP(3.50776+0.0104836*T) DAE 1 65.816356 Realidad Realidad 66.45
Serie Temporal (Propiedad de COLMASU S.A. - No reproducible) óstico del Período Nú
De esta forma se ratifica que es el mejor modelo es el de Tendencia Exponential del
Stagraf, obtenido con el Statg con el cual se obtienen los pronósticos.
En síntesis el análisis inicial no fue concluyente; por lo cual es necesario utilizar el
segundo argumento
86
4.3.2.2. Análisis final de selección de modelo:
Tabla de cálculos
# Software Modelos Símbolo 59 60 61 62 63 64
1 WINQSB Window Simple Average Simple Average 6 SA 44.66 44.66 44.66 44.66 44.66 44.662 WINQSB Window Moving Average Medias moviles con 12 meses 12 MA 53.31 53.31 53.31 53.31 53.31 53.313 WINQSB Window Wheigted Moving Average Media Móvil Distribuida con 6 meses 12 WMA 53.31 53.31 53.31 53.31 53.31 53.314 WINQSB Window Moving Average with Linear Trend Meses 12 más Linear Trend MAT 54.85 55.28 55.72 56.16 56.60 57.045 WINQSB Window Single Exponential Smoothing Brown Cuadratica Alfa= .34 SES 53.67 53.67 53.67 53.67 53.67 53.676 WINQSB Window Single Exponential Smoothing with Linear Trend Holt Alfa=.34 Beta=.34 SEST 54.57 54.90 55.22 55.55 55.87 56.207 WINQSB Window Double Exponential Alfa=.34 DES 52.99 52.99 52.99 52.99 52.99 52.998 WINQSB Window Double Exponential Smoothing with Linear Tren Alfa=.34 DEST 54.72 55.09 55.46 55.83 56.19 56.569 WINQSB Window Adaptative Exponential Smoothing Alfa=.00001 Beta: 32.38 AES 32.38 32.38 32.38 32.38 32.38 32.38
10 WINQSB Window Linear regression with time Tendencia Linear +32.9445 + 0.4423*T LR 56.38 56.83 57.27 57.71 58.15 58.6011 WINQSB Window Holt-Winters Additive Algorithm Holt Alfa=0.34 Beta:0.00001 Gamma:0.94 HWA 53.43 52.97 52.70 52.92 52.70 52.8012 WINQSB Window Holt-Winters Multiplicative Algorithm Holt Alfa=0.34 Beta:0.00001 Gamma:0.99999 HWM 52.74 51.80 51.14 51.08 50.66 50.7113 Statgrafic DOS Analisis Trend Lineal 32.9445+0.442267*T DAT 56.38 56.83 57.27 57.71 58.15 58.5914 Statgrafic DOS Analisis Trend Quadratic 29.273+0.850219*T-7.69721E-3*T DAQ 52.71 52.74 52.75 52.75 52.73 52.6915 Statgrafic DOS An. Trend. Exp. Power EXP(3.50776+0.0104836*T) DAE 58.17 58.78 59.40 60.03 60.66 61.316 Statgrafic DOS Anal. Trend S Curve EXP(3.84819-0.717507/T) DAS 46.28 46.29 46.30 46.31 46.32 46.3328 Statgrafic MSDOS ARIMA (p,d,q) (P,D,Q) (0,1,1) (0,1,0) DSA 54.73 55.13 55.56 56.60 56.55 56.4755 Forecats Expert Trial ARIMA Box Jenkins (0,1,1)(0,1,0) 54.56 54.42 54.86 55.29 55.73 56.0156 Realidad Realidad 61.33 62.53 63.74 64.95 66.17 66.17
Sim Jul-03 Aug-03 Sep-03 Oct-03 Nov-03 Dec-03
Tabla de diferencias
Diferencia
# Software Modelos Símbolo 61 62 63 64 65 66 Diferencia Puesto
1 WINQSB Window Simple Average Simple Average 6 SA 277.89 319.27 363.94 411.70 462.66 462.66 230 28
2 WINQSB Window Moving Average Medias moviles con 12 meses 12 MA 64.42 85.09 108.86 135.64 165.53 165.53 73 10
3 WINQSB Window Wheigted Moving Average Media Móvil Distribuida con 6 meses 12 WMA 64.42 85.09 108.86 135.64 165.53 165.53 73 11
4 WINQSB Window Moving Average with Linear Trend Meses 12 más Linear Trend MAT 42.11 52.54 64.29 77.30 91.63 83.41 41 4
5 WINQSB Window Single Exponential Smoothing Brown Cuadratica Alfa= .34 SES 58.73 78.53 101.43 127.33 156.33 156.33 68 9
6 WINQSB Window Single Exponential Smoothing with Linear Trend Holt Alfa=.34 Beta=.34 SEST 45.74 58.31 72.59 88.51 106.12 99.52 47 7
7 WINQSB Window Double Exponential Alfa=.34 DES 69.68 91.11 115.66 143.22 173.89 173.89 77 12
8 WINQSB Window Double Exponential Smoothing with Linear Tren Alfa=.34 DEST 43.72 55.39 68.62 83.33 99.60 92.39 44 6
9 WINQSB Window Adaptative Exponential Smoothing Alfa=.00001 Beta: 32.38 AES 838.37 909.18 983.57 1061.13 1142.05 1142.05 608 66
10 WINQSB Window Linear regression with time Tendencia Linear +32.9445 + 0.4423*T LR 24.50 32.55 41.89 52.47 64.33 57.43 27 2
11 WINQSB Window Holt-Winters Additive Algorithm Holt Alfa=0.34 Beta:0.00001 Gamma:0.94 HWA 62.48 91.39 121.88 144.77 181.56 178.77 78 13
12 WINQSB Window Holt-Winters Multiplicative Algorithm Holt Alfa=0.34 Beta:0.00001 Gamma:0.99999 HWM 73.88 115.13 158.79 192.60 240.70 238.99 102 15
13 Statgrafic DOS Analisis Trend Lineal 32.9445+0.442267*T DAT 24.50 32.56 41.90 52.47 64.33 57.52 27 3
14 Statgrafic DOS Analisis Trend Quadratic 29.273+0.850219*T-7.69721E-3*T DAQ 74.33 95.90 120.80 149.04 180.82 181.82 80 14
15 Statgrafic DOS An. Trend. Exp. Power EXP(3.50776+0.0104836*T) DAE 10.01 14.05 18.82 24.26 30.38 23.76 12 1
16 Statgrafic DOS Anal. Trend S Curve EXP(3.84819-0.717507/T) DAS 226.72 263.86 304.21 347.60 394.14 393.79 193 16
28 Statgrafic MSDOS ARIMA (p,d,q) (P,D,Q) (0,1,1) (0,1,0) DSA 43.62 54.80 66.94 69.81 92.62 94.17 42 5
55 Forecats Expert Trial ARIMA Box Jenkins (0,1,1)(0,1,0) 45.89 65.81 78.89 93.41 109.08 103.31 50 8
56 Realidad Realidad 0.00 0.00 0.00 0.00 0.00 0.00 0
Serie Temporal (Propiedad de COLMASU S.A. - No reproducible) óstico del Período Nú
Figura 12 Cálculos del mejor modelo Fuente: Universidad EAFIT
87
En su orden se puede concluir que el modelo que más adopta la serie es el Tendencia
Exponencial.
4.3.3. Mejor modelo y análisis final frente al análisis previo
Se selecciona el Tendencia Exponential Power del Statgraf, que coincide con la
Hipótesis del análisis previo y que con los datos completos presenta el siguiente grupo
de pronósticos.
4.3.4. Pronósticos
Desde agosto de 2003 son simplemente cualitativos sin validez cuantitativa.
Mes Año U.S. Dólar Americano febrero-04 $65.82 marzo-04 $66.51 abril-04 $67.21 mayo-04 $67.91 junio-04 $69.34 julio-04 $70.07 agosto-04 $70.81 septiembre-04 $71.55 octubre-04 $72.30 noviembre-04 $73.06 diciembre-04 $73.83 enero-05 $74.60 febrero-05 $75.39 marzo-05 $76.18 abril-05 $76.98 mayo-05 $77.78 junio-05 $78.60 julio-05 $79.43 agosto-05 $80.26 septiembre-05 $81.10 octubre-05 $81.95 noviembre-05 $82.81 diciembre-05 $83.68
Tabla 8 Pronósticos (especulativos Winter) ACPM Fuente: Universidad E.A.F.I.T
88
4.3.5. Bondad de ajuste de pronósticos anteriores
Mes Enero 04
Real 66.456
Pronóstico 65.816
Error 0.0095%
Tabla 9 Errores entre realidad y pronóstico mensual del ACPM Fuente: Universidad E.A.F.I.T
Acorde a la tabla International Makridakis debería ser máximo de 9.7%, con lo cual con
1.3% cumple a la perfección.
89
ACPM precio Kw - hora
0.00
10.00
20.00
30.00
40.00
50.00
60.00
70.00
80.00
90.00
Septem
ber-9
8
Janu
ary-99
May-99
Septem
ber-9
9
Janu
ary-00
May-00
Septem
ber-0
0
Janu
ary-01
May-01
Septem
ber-0
1
Janu
ary-02
May-02
Septem
ber-0
2
Janu
ary-03
May-03
Septem
ber-0
3
Janu
ary-04
May-04
Septem
ber-0
4
Janu
ary-05
May-05
Septem
ber-0
5
Janu
ary-06
Mes Año
Dól
ares
por
Kw
-h
Figura 13 Historia más pronósticos ACPM Fuente: Universidad E.A.F.I.T
4.4. Estudio proyectivo del precio del fuel oíl [combustóleo] en kW–h, mediante
series temporales estadísticas y estocásticas
Datos desde septiembre de 199822 con pronósticos cuantitativos hasta abril de 2004 y
cualitativos hasta diciembre de 2005.
22 Datos, obtención propia
90
Figura 14 Proyección e historia del fuel oíl (combustóleo) en dólares por kW-h Fuente: Universidad E.A.F.I.T
4.4.1. Análisis previo de la serie
La serie está conformada por datos desde septiembre de 1998 hasta febrero de 2004,
al ser graficada la serie se observa aparentemente en ella una conducta tendencial
creciente y decreciente alternada en varias etapas, parece tener un ruido mínimo y
hasta probablemente algo de estacionalidad.
Elaborada el 02 de febrero 2004 Error promedio último cálculo del 0.1321% mes
Fuel Oil Precio Kw - hora
0.00
10.00
20.00
30.00
40.00
50.00
60.00
70.00
80.00
90.00se
ptie
mbr
e-98
ener
o-99
may
o-99
sept
iem
bre-
99
ener
o-00
may
o-00
sept
iem
bre-
00
ener
o-01
may
o-01
sept
iem
bre-
01
ener
o-02
may
o-02
sept
iem
bre-
02
ener
o-03
may
o-03
sept
iem
bre-
03
ener
o-04
may
o-04
sept
iem
bre-
04
ener
o-05
may
o-05
sept
iem
bre-
05
ener
o-06
Mes Año
Dól
ares
91
Fuel Oil Precio Kw - hora
0.00
10.00
20.00
30.00
40.00
50.00
60.00
70.00se
ptie
mbr
e-98
dici
embr
e-98
mar
zo-9
9
juni
o-99
sept
iem
bre-
99
dici
embr
e-99
mar
zo-0
0
juni
o-00
sept
iem
bre-
00
dici
embr
e-00
mar
zo-0
1
juni
o-01
sept
iem
bre-
01
dici
embr
e-01
mar
zo-0
2
juni
o-02
sept
iem
bre-
02
dici
embr
e-02
mar
zo-0
3
juni
o-03
sept
iem
bre-
03
dici
embr
e-03
Mes Año
Dól
ares
Figura 15 Gráfica de precio USD fuel oíl (combustóleo) en kW – hora Fuente: Universidad E.A.F.I.T
4.4.1.1. Determinación de los componentes de la serie
4.4.1.1.1. Nivel
La ilustración número 3 permite determinar que aparte de tener un comportamiento
tendencial y algo de ruido (muy bajo o inexistente) en general, mantiene dos niveles al
través de sus valores denotados en la línea roja horizontal gruesa. Probablemente se
afecte en algo los resultados, este se verá más adelante.
92
Time Series Plot for Fuel Oil
Dól
ares
por
Kw
-hor
a
9/98 9/00 9/02 9/04 9/060
20
40
60
80
Figura 16 Nivel serie ACPM - líneas rojas Fuente: Universidad E.A.F.I.T
En síntesis la presencia de nivel no afectará los pronósticos.
4.4.1.1.2. Aleatoriedad o ruido
En la gráfica siguiente no se nota la presencia de un ruido durante toda la graficación.
Éste se detecta en tanto si se pudo suavizar o no, es decir si los puntos originales
azules están muy lejos de la línea de suavización roja denota que se dejó suavizar por
lo tanto se deduce que en general tiene un minúsculo ruido.
Nivel dos
Nivel uno
93
Línea suavizada fuel oilUS
Dólar
datasmooth
9/98 9/00 9/02 9/04 9/060
20
40
60
80
Figura 17 Serie original suavizada sin ruido, para apreciar tendencia fuel oíl Fuente: Universidad E.A.F.I.T
4.4.1.1.3. Tendencia
El análisis previo de la serie muestra una marcada presencia de tendencia alternada.
4.4.1.1.4. Patrón anual de conducta mensual promedio
La importancia de revisar la conducta mensual promedio permite evaluar de antemano
si existe en la serie temporal un comportamiento estacional repetitivo cada año.
Este patrón es útil cuando los pronósticos obtenidos con Brown u Holt son constantes,
con ella se reconvierten a valores no uniformes mensuales.
Se podría afirmar que los más altos se dan en el último trimestre.
94
No. Mes Porcentaje media Contribución anual de 65 datos
1 Enero 95.7797 7.98%
2 Febrero 96.6648 8.06%
3 Marzo 99.5712 8.30%
4 Abril 99.908 8.33%
5 Mayo 98.2432 8.19%
6 Junio 96.7636 8.06%
7 julio 96.2741 8.02%
8 Agosto 95.6507 7.97%
9 Septiembre 103.795 8.65%
10 Octubre 106.613 8.88%
11 Noviembre 110.626 9.22%
12 Diciembre 100.111 8.34%
Tabla 10 Patrón mensual de conducta del fuel oíl Fuente: Universidad E.A.F.I.T
Seasonal Index Plot for FuelOil_1
0 3 6 9 12 15
season
95
99
103
107
111
seas
onal
inde
x
Figura 18 Serie temporizada para determinar factores de peso estacionales por mes fuel oíl Fuente: Universidad E.A.F.I.T
El siguiente paso es detectar la presencia de componentes irregulares en la serie.
95
4.4.1.1.5. Componentes irregulares
En la siguiente ilustración se observan unos datos comunes y dentro de un rango
correcto, con excepción al final donde dejan algo de duda los valores superiores.
Irregular Component Plot for Fuel Oil
9/98 9/00 9/02 9/04 9/0675
85
95
105
115
125
135
irreg
ular
Figura 19 Verificación de datos irregulares fuel oíl Fuente: Universidad E.A.F.I.T
Los análisis previos que siguen a continuación, permiten detectar si hay influencias
repetitivas cada ciertos períodos de tiempo, si son inferiores a doce meses de describen
como estacionalidad y si los períodos de influencia repetitivos son superiores a doce
meses se denotan como ciclicidad.
4.4.1.1.6. Estacionalidad
Para conocer más a fondo esta herramienta se hace el ejemplo con el TRM colombiano
antes de iniciar el análisis estacional del fuel oíl.
En la gráfica del dólar se observa una similitud muy alta en cada uno de los objetos
graficados sus líneas rojas de media y sus palotes correspondientes.
96
La simetría permite asumir la existencia de estacionalidad, ya su magnitud será alta
media o baja dependiendo del grado de similitud de los correspondientes palotes en
cada una de las 12 graficaciones realizadas.
En el caso del TRM se asume que hay una buena estacionalidad que indudablemente
se está deteriorando mucho en las etapas finales.
Seasonal Subseries Plot for Dólar TRM a junio 03
0 3 6 9 12 15Season
1300
1600
1900
2200
2500
2800
3100
Dó
lar
TR
M a
ju
nio
03
Seasonal Subseries Plot for Fuel Oil
0 3 6 9 12 15
Season
0
20
40
60
80
Fuel
Oil
Figura 20 Serie temporizada para corroborar la presencia de estacionalidad en TRM como referencia y en la serie evaluada, con estacionalidad inferior de 12 meses y ciclicidad superior a 12 meses fuel oíl Fuente: Universidad E.A.F.I.T
Se podría afirmar que existe una débil presencia de estacionalidad.
97
4.4.1.1.7. Ciclicidad
La ciclicidad se establece en la medida que exista un perfecto paralelismo en la gráfica
siguiente en todos los períodos graficados.
Annual Subseries Plot for Fuel Oil
0 3 6 9 12 15
Season
0
20
40
60
80
Fuel
Oil
Cycle123456
Figura 21 Serie temporizada para corroborar la presencia de ciclicidad fuel oíl Fuente: Universidad E.A.F.I.T
La ilustración anterior ratifica la no presencia de ciclicidad al no haber un perfecto
paralelismo.
4.4.1.1.8. Determinación previa del Modelo: Clásico o Moderno
Análisis Previo Alto Regular Bajo Muy leve Inexistente
Nivel XRuido XTendencia Lineal XTendencia No lineal XEstacionalidad XCiclicidad XFenómenos exógenos X
Tabla 11 Síntesis análisis previo fuel oíl Fuente: Universidad E.A.F.I.T
98
4.4.1.2. Hipótesis
El análisis previo demuestra que la primera posibilidad es para un modelo tendencial,
en segunda instancia un Holt (tendencia más ruido), o un Winter con mínima
estacionalidad y/o ninguna ciclicidad o en su defecto un AR.I.MA.
4.4.1.2.1. Preparación de la serie
La serie se recorta en dos etapas, una primera del último valor para corroboración de
resultados de modelo y de perfeccionamiento del mismo, en éste caso particular el
primer recorte incluye enero de 2004.
El segundo recorte de seis datos permite seleccionar el modelo adecuado, comparando
los meses recortados con los pronósticos de todos los modelos realizados, esto incluye
los meses de julio a diciembre de 2003.
4.4.2. Cálculos del mejor modelo
Las series temporales mediante el análisis y la utilización de los modelos presentados a
continuación permiten seleccionar el más adecuado.
4.4.2.1. Análisis de modelos inicial con segundo recorte de seis meses
99
En la anterior hoja de cálculo de excel, se muestran varias cosas:
Los mejores modelos en su orden son:
1. Tendencia Lineal verde del Statgraf DOS
2. Tendencia Lineal del WINQSB, ambos con la misma ecuación Tendencia Linear
+ 6.4909 + 0.6933*T
De esta forma se ratifica que es el mejor modelo el de Tendencia lineal, con similares
diferencia de 3 los dos.
Los modelos 3, 4 y 5 son de suavización pero su valor de Alfa =.34 los descarta.
En síntesis el análisis es concluyente; no es obligatorio utilizar la segunda fase para la
selección.
# Software Modelos SímboloDiferencia Puesto
1 WINQSB Window Simple Average Simple Average 6 SA 281 282 WINQSB Window Moving Average Medias moviles con 12 meses 12 MA 19 7
3 WINQSB Window Wheigted Moving Average Media Móvil Distribuida con 6 meses 12 WMA 19 64 WINQSB Window Moving Average with Linear Trend Meses 12 más Linear Trend MAT 19 85 WINQSB Window Single Exponential Smoothing Brown Cuadratica Alfa= .34 SES 8 46 INQSB Window Single Exponential Smoothing with Linear Tren Holt Alfa=.34 Beta=.34 SEST 48 127 WINQSB Window Double Exponential Alfa=.34 DES 7 3
8 NQSB Window Double Exponential Smoothing with Linear Tre Alfa=.34 DEST 12 59 WINQSB Window Adaptative Exponential Smoothing Alfa=.00001 Beta: 8.79 AES 949 2910 WINQSB Window Linear regression with time Tendencia Linear + 6.4909 + 0.6933*T LR 3 211 WINQSB Window Holt-Winters Additive Algorithm Holt Alfa=0.34 Beta:0.25 Gamma:0.65 HWA 85 1512 WINQSB Window Holt-Winters Multiplicative Algorithm Holt Alfa=0.34 Beta:0.00001 Gamma:0.65 HWM 40 1013 Statgrafic DOS Analisis Trend Lineal 6.49094+0.693317*T DAT 3 114 Statgrafic DOS Analisis Trend Quadratic 11.1527+0.227143*T+7.90125E-3*T^2 DAQ 30 915 Statgrafic DOS An. Trend. Exp. Power EXP(2.35018+0.0276913*T) DAE 57 1316 Statgrafic DOS Anal. Trend S Curve EXP(3.33546-2.10201/T) DAS 276 1628 Statgrafic MSDOS ARIMA (p,d,q) (P,D,Q) (0,2,4) (1,0,0) DSA 44 1155 Forecats Expert Trial ARIMA Box Jenkins (1,0,3)(2,1,0) 60 1456 Realidad Realidad 0
Serie Temporal (Propiedad de COLMASU S.A. - No reproducible) o del Períod
100
4.4.2.2. Análisis final de selección de modelo:
Tabla de cálculos
# Software Modelos Símbolo 59 60 61 62 63 64 Diferencia Puesto1 WINQSB Window Simple Average Simple Average 6 SA 26.94 26.94 26.94 26.94 26.94 26.94 281 282 WINQSB Window Moving Average Medias moviles con 12 meses 12 MA 53.90 53.90 53.90 53.90 53.90 53.90 19 73 WINQSB Window Wheigted Moving Average Media Móvil Distribuida con 6 meses 12 WMA 53.90 53.90 53.90 53.90 53.90 53.90 19 64 WINQSB Window Moving Average with Linear Trend Meses 12 más Linear Trend MAT 53.96 53.98 54.00 54.02 54.03 54.05 19 85 WINQSB Window Single Exponential Smoothing Brown Cuadratica Alfa= .34 SES 51.90 51.90 51.90 51.90 51.90 51.90 8 46 WINQSB Window Single Exponential Smoothing with Linear Trend Holt Alfa=.34 Beta=.34 SEST 57.18 57.26 57.34 57.42 57.49 57.57 48 127 WINQSB Window Double Exponential Alfa=.34 DES 51.63 51.63 51.63 51.63 51.63 51.63 7 38 WINQSB Window Double Exponential Smoothing with Linear Trend Alfa=.34 DEST 52.31 52.45 52.59 52.73 52.87 53.01 12 59 WINQSB Window Adaptative Exponential Smoothing Alfa=.00001 Beta: 8.79 AES 8.79 8.79 8.79 8.79 8.79 8.79 949 29
10 WINQSB Window Linear regression with time Tendencia Linear + 6.4909 + 0.6933*T LR 47.40 48.09 48.78 49.48 50.17 50.86 3 211 WINQSB Window Holt-Winters Additive Algorithm Holt Alfa=0.34 Beta:0.25 Gamma:0.65 HWA 58.56 58.51 61.72 61.70 62.94 58.12 85 1512 WINQSB Window Holt-Winters Multiplicative Algorithm Holt Alfa=0.34 Beta:0.00001 Gamma:0.65 HWM 56.01 55.71 59.19 58.24 58.23 50.17 40 1013 Statgrafic DOS Analisis Trend Lineal 6.49094+0.693317*T DAT 47.40 48.09 48.78 49.48 50.17 50.86 3 114 Statgrafic DOS Analisis Trend Quadratic 11.1527+0.227143*T+7.90125E-3*T^2 DAQ 52.06 53.23 54.41 55.61 56.82 58.05 30 915 Statgrafic DOS An. Trend. Exp. Power EXP(2.35018+0.0276913*T) DAE 53.73 55.24 56.79 58.38 60.02 61.71 57 1316 Statgrafic DOS Anal. Trend S Curve EXP(3.33546-2.10201/T) DAS 27.11 27.12 27.14 27.16 27.17 27.18 276 1628 Statgrafic MSDOS ARIMA (p,d,q) (P,D,Q) (0,2,4) (1,0,0) DSA 49.56 55.09 54.11 56.88 56.80 62.33 44 1155 Forecats Expert Trial ARIMA Box Jenkins (1,0,3)(2,1,0) 31.30 37.38 38.62 43.61 45.07 47.11 60 1456 Realidad Realidad 48.35 48.35 51.68 47.66 47.66 47.47 0
Sim jul-03 ago-03 sep-03 oct-03 nov-03 dic-03
Serie Temporal (Propiedad de COLMASU S.A. - No reproducible) Pronóstico del Período Número
Tabla de diferencias
Diferencia
# Software Modelos Símbolo 61 62 63 64 65 66 Diferencia Puesto1 WINQSB Window Simple Average Simple Average 6 SA 458.09 458.09 611.90 429.00 429.00 421.51 281 282 WINQSB Window Moving Average Medias moviles con 12 meses 12 MA 30.84 30.84 4.93 38.99 38.99 41.29 19 73 WINQSB Window Wheigted Moving Average Media Móvil Distribuida con 6 meses 12 WMA 30.84 30.84 4.93 38.99 38.99 41.29 19 64 WINQSB Window Moving Average with Linear Trend Meses 12 más Linear Trend MAT 31.53 31.73 5.37 40.44 40.66 43.24 19 85 WINQSB Window Single Exponential Smoothing Brown Cuadratica Alfa= .34 SES 12.62 12.62 0.05 18.01 18.01 19.58 8 46 WINQSB Window Single Exponential Smoothing with Linear Trend Holt Alfa=.34 Beta=.34 SEST 78.06 79.44 32.01 95.26 96.79 101.97 48 127 WINQSB Window Double Exponential Alfa=.34 DES 10.77 10.77 0.00 15.78 15.78 17.26 7 38 WINQSB Window Double Exponential Smoothing with Linear Trend Alfa=.34 DEST 15.71 16.84 0.83 25.74 27.18 30.63 12 59 WINQSB Window Adaptative Exponential Smoothing Alfa=.00001 Beta: 8.79 AES 1564.75 1564.75 1839.59 1510.57 1510.57 1496.48 949 29
10 WINQSB Window Linear regression with time Tendencia Linear + 6.4909 + 0.6933*T LR 0.90 0.07 8.39 3.31 6.32 11.48 3 211 WINQSB Window Holt-Winters Additive Algorithm Holt Alfa=0.34 Beta:0.25 Gamma:0.65 HWA 104.37 103.29 100.88 197.25 233.68 113.43 85 1512 WINQSB Window Holt-Winters Multiplicative Algorithm Holt Alfa=0.34 Beta:0.00001 Gamma:0.65 HWM 58.73 54.17 56.43 111.99 111.91 7.27 40 1013 Statgrafic DOS Analisis Trend Lineal 6.49094+0.693317*T DAT 0.90 0.07 8.39 3.31 6.32 11.48 3 114 Statgrafic DOS Analisis Trend Quadratic 11.1527+0.227143*T+7.90125E-3*T^2 DAQ 13.78 23.80 7.45 63.23 84.03 111.92 30 915 Statgrafic DOS An. Trend. Exp. Power EXP(2.35018+0.0276913*T) DAE 28.98 47.50 26.10 115.09 152.95 202.62 57 1316 Statgrafic DOS Anal. Trend S Curve EXP(3.33546-2.10201/T) DAS 451.08 450.40 602.24 420.29 419.69 411.71 276 1628 Statgrafic MSDOS ARIMA (p,d,q) (P,D,Q) (0,2,4) (1,0,0) DSA 1.48 45.42 5.89 85.05 83.53 220.83 44 1155 Forecats Expert Trial ARIMA Box Jenkins (1,0,3)(2,1,0) 290.60 120.27 170.57 16.37 6.69 0.13 60 1456 Realidad Realidad 0.00 0.00 0.00 0.00 0.00 0.00 0
Sim
Serie Temporal (Propiedad de COLMASU S.A. - No reproducible) tico del Período N
Figura 22 Cálculos del mejor modelo fuel oíl
Fuente: Universidad EAFIT
101
En su orden se puede concluir que el modelo que más adopta la serie es el Tendencia
Lineal, obsérvese que en ambos casos dio la misma ecuación con dos softwares
diferentes, lo que ratifica el cumplimiento.
4.4.3. Mejor modelo y análisis final frente al análisis previo
Se selecciona el Tendencia Lineal, que con los datos completos presenta el siguiente
grupo de pronósticos.
4.4.4. Pronósticos
Desde agosto de 2003 son simplemente cualitativos sin validez cuantitativa.
Mes Año U.S. Dólar Americano febrero-04 54.4374763 marzo-04 54.6342383 abril-04 53.7160158 mayo-04 52.8633806 junio-04 52.6010314 julio-04 52.2730948 agosto-04 56.7330326 septiembre-04 58.241541 octubre-04 60.4715099 noviembre-04 54.6998256 diciembre-04 66.1713889 enero-05 66.8347612 febrero-05 68.8248782 marzo-05 69.0736428 abril-05 67.9127413 mayo-05 66.8347612 junio-05 66.5030751 julio-05 66.0884674 agosto-05 71.7271321 septiembre-05 73.6343275 Octubre-05 76.4536599 noviembre-05 69.1565644 diciembre-05 52.8633806
Tabla 12 Pronósticos (especulativos Winter) fuel oíl Fuente: Universidad E.A.F.I.T
102
4.4.5. Bondad de ajuste de pronósticos anteriores
Tabla 13 Errores entre realidad y pronóstico mensual fuel oíl Fuente: Universidad E.A.F.I.T
Acorde a la tabla International Makridakis debería ser máximo de 9.7%, pero se
esperaría un par de meses para ajustar pronóstico.
Mes Enero 04
Real 45.35
Pronóstico 51.34
Error 13.21%
103
Fuel Oil Precio Kw - hora
0.00
10.00
20.00
30.00
40.00
50.00
60.00
70.00
80.00
90.00
sept
iem
bre-
98
ener
o-99
may
o-99
sept
iem
bre-
99
ener
o-00
may
o-00
sept
iem
bre-
00
ener
o-01
may
o-01
sept
iem
bre-
01
ener
o-02
may
o-02
sept
iem
bre-
02
ener
o-03
may
o-03
sept
iem
bre-
03
ener
o-04
may
o-04
sept
iem
bre-
04
ener
o-05
may
o-05
sept
iem
bre-
05
ener
o-06
Mes Año
Dóla
res
Figura 23 Historia más pronósticos fuel oíl Fuente: Universidad E.A.F.I.T
4.5. Estudio proyectivo del precio del GLP [Gas Licuado del Petróleo ó Gas
Propano] en kW–h, mediante series temporales estadísticas y estocásticas
Datos desde septiembre de 199823 con pronósticos cuantitativos hasta abril de 2004 y
cualitativos hasta diciembre de 2005.
23 Datos, obtención propia
104
GLP Propano en dólares por Kw - hora
0.00
50.00
100.00
150.00
200.00
250.00
Mes Año
Dól
ares
Figura 24 Proyección e historia del GLP en dólares por kW – h Fuente: Universidad E.A.F.I.T
4.5.1. Análisis previo de la serie
La serie está conformada por datos desde septiembre de 1998 hasta enero de 2004, al
ser graficada la serie se observa aparentemente en ella una conducta meramente
multinivel creciente sin ruido aparente; que se podría asimilar a una tendencia creciente.
Elaborada el 14 de febrero 2004 Error promedio último cálculo del 0.00422% mes
105
Time Series Plot for GLPropano
8/98 8/00 8/02 8/04 8/0630
40
50
60
70
80
GLP
ropa
no
Figura 25 Gráfica de precio USD GLP en kW – hora Fuente: Universidad E.A.F.I.T
4.5.1.1. Determinación de los componentes de la serie
4.5.1.1.1. Nivel
La figura 6.2 permite determinar que aparte de tener un comportamiento tendencial y
nada de ruido en general, mantiene un multinivel al través de sus valores denotados en
la línea roja horizontal gruesa. Esto indudablemente incide en los pronósticos y de
cierta manera los dificulta y los complica.
106
Smoothed Time Series Plot for GLPropano
8/98 8/00 8/02 8/04 8/0630
40
50
60
70
80G
LPro
pano
datasmooth
Figura 26 Nivel serie GLP - líneas rojas Fuente: Universidad E.A.F.I.T
En síntesis la presencia de nivel afectará los pronósticos.
4.5.1.1.2. Aleatoriedad o ruido
En la gráfica siguiente no se nota la presencia de ruido durante toda la graficación.
Éste se detecta en tanto si se pudo suavizar o no, es decir si los puntos originales
azules están muy lejos de la línea de suavización roja denota que se dejó suavizar por
lo tanto se deduce que en general no tiene un ruido.
Multiniveles
107
Smoothed Time Series Plot for GLPropano
8/98 8/00 8/02 8/04 8/0630
40
50
60
70
80
GLP
ropa
nodatasmooth
Figura 27 Serie original suavizada sin ruido, para apreciar tendencia GLP Fuente: Universidad E.A.F.I.T
4.5.1.1.3. Tendencia
El análisis previo de la serie muestra una marcada presencia de tendencia creciente en
niveles.
4.5.1.1.4. Patrón anual de conducta mensual promedio
La importancia de revisar la conducta mensual promedio permite evaluar de antemano
si existe en la serie temporal un comportamiento estacional repetitivo cada año.
Este patrón es útil cuando los pronósticos obtenidos con Brown u Holt son constantes,
con ella se reconvierten a valores no uniformes mensuales.
En general son datos más o menos similares con desviación estándar inferior al
0.003859% (cero punto cero cero tres ocho nueve cinco por ciento).
108
No. Mes Porcentaje media Contribución anual de 65 datos
1 Enero 93.8992 7.82% 2 Febrero 92.5028 7.71% 3 Marzo 104.618 8.72% 4 Abril 105.364 8.78% 5 Mayo 105.686 8.81% 6 Junio 104.153 8.68% 7 julio 102.666 8.56% 8 Agosto 100.986 8.42% 9 Septiembre 99.6631 8.31% 10 Octubre 98.2956 8.19% 11 Noviembre 96.8263 8.07% 12 Diciembre 95.3396 7.94%
Tabla 14 Patrón mensual de conducta GLP Fuente: Universidad E.A.F.I.T
Seasonal Index Plot for GLPropano
0 3 6 9 12 15
season
92
95
98
101
104
107
seas
onal
inde
x
Figura 28 Serie temporizada para determinar factores de peso estacionales por mes GLP Fuente: Universidad E.A.F.I.T
El siguiente paso es detectar la presencia de componentes irregulares en la serie.
109
4.5.1.1.5. Componentes irregulares
En la siguiente ilustración se observan unos datos muy altos al principio y bajos al final
que ponen en tela de juicio cualquier pronóstico que se haga.
Irregular Component Plot for GLPropano
8/98 8/00 8/02 8/04 8/0696
98
100
102
104
106
irreg
ular
Figura 29 Verificación de datos irregulares GLP Fuente: Universidad E.A.F.I.T
Los análisis previos que siguen a continuación, permiten detectar si hay influencias
repetitivas cada ciertos períodos de tiempo, si son inferiores a doce meses de describen
como estacionalidad y si los períodos de influencia repetitivos son superiores a doce
meses se denotan como ciclicidad.
4.5.1.1.6. Estacionalidad
Para conocer más a fondo esta herramienta se hace el ejemplo con el TRM colombiano
antes de iniciar el análisis estacional del GLP.
En la gráfica del dólar se observa una similitud muy alta en cada uno de los objetos
graficados sus líneas rojas de media y sus palotes correspondientes.
110
La simetría permite asumir la existencia de estacionalidad, ya su magnitud será alta
media o baja dependiendo del grado de similitud de los correspondientes palotes en
cada una de las 12 graficaciones realizadas.
En el caso del TRM se asume que hay una buena estacionalidad que indudablemente
se está deteriorando mucho en las etapas finales.
Seasonal Subseries Plot for Dólar TRM a junio 03
0 3 6 9 12 15Season
1300
1600
1900
2200
2500
2800
3100
Dó
lar
TR
M a
ju
nio
03
Seasonal Subseries Plot for GLPropano
0 3 6 9 12 15
Season
30
40
50
60
70
80
GLP
ropa
no
Figura 30 Serie temporizada para corroborar la presencia de estacionalidad en TRM como referencia y en la serie evaluada, con estacionalidad inferior de 12 meses y ciclicidad superior a 12 meses GLP Fuente: Universidad E.A.F.I.T
Se podría afirmar que existe cierta presencia de estacionalidad.
111
4.5.1.1.7. Ciclicidad
La ciclicidad se establece en la medida que exista un buen paralelismo en la gráfica
siguiente en todos los períodos graficados.
Annual Subseries Plot for GLPropano
0 3 6 9 12 15
Season
30
40
50
60
70
80
GLP
ropa
no
Cycle123456
Figura 31 Serie temporizada para corroborar la presencia de ciclicidad GLP Fuente: Universidad E.A.F.I.T
La ilustración anterior ratifica la presencia de ciclicidad al haber un muy buen
paralelismo.
4.5.1.1.8. Determinación previa del Modelo: Clásico o Moderno
Análisis Previo Muy alto Alto Medio Bajo Muy bajo No existe
Nivel X Ruido X Tendencia Lineal X Tendencia No Lineal X Estacionalidad X Ciclicidad X X Fenómenos Exógenos X
Tabla 15 Síntesis análisis previo GLP Fuente: Universidad E.A.F.I.T
112
4.5.1.2. Hipótesis
El análisis previo demuestra que la primera posibilidad es para un Modelo Winter con
estacionalidad y/o ciclicidad o en su defecto un Tendencial o un AR.I.MA.
4.5.1.2.1. Preparación de la serie
La serie se recorta en dos etapas, una primera del último valor para corroboración de
resultados de modelo y de perfeccionamiento del mismo, en este caso particular el
primer recorte incluye enero de 2004.
El segundo recorte de seis datos permite seleccionar el modelo adecuado, comparando
los meses recortados con los pronósticos de todos los modelos realizados, esto incluye
los meses de julio a diciembre de 2003.
4.5.2. Cálculos del mejor modelo.
Las series temporales mediante el análisis y la utilización de los modelos presentados a
continuación permiten seleccionar el más adecuado.
4.5.2.1. Análisis de modelos inicial con segundo recorte de seis meses
En la siguiente hoja de cálculos de excel, se muestran varias cosas:
El mejor y único Modelo absoluto es el ARIMA que se diferencia en 9 del original real, el
que le sigue dista mucho de el por lo que se adopta el ARIMA Statgraf, esto es lógico
en cuanto a la Hipótesis por los problemas de nivel y de datos irregulares. Se omite el
segundo paso.
113
# Software Modelos Símbolo Diferencia Puesto
1 WINQSB Window Simple Average Simple Average 6 SA 5637 66
2 WINQSB Window Moving Average Medias moviles con 12 meses 12 MA 1461 13
3 WINQSB Window Wheigted Moving Average Media Móvil Distribuida con 6 meses 12 WMA 1461 12
4 WINQSB Window Moving Average with Linear Trend Meses 12 más Linear Trend MAT 1461 14
5 WINQSB Window Single Exponential Smoothing Brown Cuadratica Alfa= .34 SES 1489 15
6 WINQSB Window Single Exponential Smoothing with Linear Trend Holt Alfa=.34 Beta=.34 SEST 911 9
7 WINQSB Window Double Exponential Alfa=.34 DES 1585 16
8 WINQSB Window Double Exponential Smoothing with Linear Tren Alfa=.34 DEST 1230 11
9 WINQSB Window Adaptative Exponential Smoothing Alfa=.00001 Beta: 32.38 AES 12731 67
10 WINQSB Window Linear regression with time Tendencia Linear +32.9445 + 0.4423*T LR 941 10
11 WINQSB Window Holt-Winters Additive Algorithm Holt Alfa=0.34 Beta:0.00001 Gamma:0.94 HWA 872 8
12 WINQSB Window Holt-Winters Multiplicative Algorithm Holt Alfa=0.34 Beta:0.00001 Gamma:0.99999 HWM 719 7
13 Statgrafic DOS Analisis Trend Lineal 28.5605+0.681668*T DAT 254 5
14 Statgrafic DOS Analisis Trend Quadratic 31.7727+0.360444*T+5.44447E-3* DAQ 51 2
15 Statgrafic DOS An. Trend. Exp. Power EXP(3.43832+0.0141523*T) DAE 57 3
16 Statgrafic DOS Anal. Trend S Curve EXP(3.93129-0.942279/T) DAS 4273 28
28 Statgrafic MSDOS ARIMA (p,d,q) (P,D,Q) (0,1,0) (1,1,1) DSA 9 1
55 Forecats Expert Trial ARIMA Box Jenkins (1,1,1)(0,1,1) 539 6
56 Realidad Realidad 77 4Sim
Serie Temporal (Propiedad de COLMASU S.A. - No reproducible) óstico del Período Nú
En síntesis el análisis inicial fue concluyente; por lo cual NO es necesario utilizar el
segundo argumento.
114
4.5.2.2. Análisis final de selección de modelo:
Tabla de cálculos
# Software Modelos Símbolo 59 60 61 62 63 64 Diferencia
1 WINQSB Window Simple Average Simple Average 6 SA 46.23 46.23 46.23 46.23 46.23 46.23 56372 WINQSB Window Moving Average Medias moviles con 12 meses 12 MA 61.28 61.28 61.28 61.28 61.28 61.28 14613 WINQSB Window Wheigted Moving Average Media Móvil Distribuida con 6 meses 12 WMA 61.28 61.28 61.28 61.28 61.28 61.28 14614 WINQSB Window Moving Average with Linear Trend Meses 12 más Linear Trend MAT 61.28 61.28 61.28 61.28 61.28 61.28 14615 WINQSB Window Single Exponential Smoothing Brown Cuadratica Alfa= .34 SES 61.13 61.13 61.13 61.13 61.13 61.13 14896 WINQSB Window Single Exponential Smoothing with Linear Trend Holt Alfa=.34 Beta=.34 SEST 63.06 63.68 64.30 64.92 65.54 66.16 9117 WINQSB Window Double Exponential Alfa=.34 DES 60.63 60.63 60.63 60.63 60.63 60.63 15858 WINQSB Window Double Exponential Smoothing with Linear Tren Alfa=.34 DEST 61.90 62.17 62.44 62.71 62.98 63.25 12309 WINQSB Window Adaptative Exponential Smoothing Alfa=.00001 Beta: 32.38 AES 30.82 30.82 30.82 30.82 30.82 30.82 12731
10 WINQSB Window Linear regression with time Tendencia Linear +32.9445 + 0.4423*T LR 62.84 63.47 64.10 64.72 65.35 65.98 94111 WINQSB Window Holt-Winters Additive Algorithm Holt Alfa=0.34 Beta:0.00001 Gamma:0.94 HWA 60.67 60.38 66.19 68.27 68.26 68.28 87212 WINQSB Window Holt-Winters Multiplicative Algorithm Holt Alfa=0.34 Beta:0.00001 Gamma:0.99999 HWM 61.07 60.79 67.75 70.51 70.43 70.21 71913 Statgrafic DOS Analisis Trend Lineal 28.5605+0.681668*T DAT 68.78 69.46 70.14 70.82 71.51 72.18 25414 Statgrafic DOS Analisis Trend Quadratic 31.7727+0.360444*T+5.44447E-3* DAQ 71.99 73.00 74.02 75.05 76.09 77.14 5115 Statgrafic DOS An. Trend. Exp. Power EXP(3.43832+0.0141523*T) DAE 71.76 72.78 73.82 74.87 75.94 77.02 5716 Statgrafic DOS Anal. Trend S Curve EXP(3.93129-0.942279/T) DAS 50.17 50.18 50.19 50.20 50.22 50.22 427328 Statgrafic MSDOS ARIMA (p,d,q) (P,D,Q) (0,1,0) (1,1,1) DSA 77.14 77.41 77.68 76.62 75.55 74.49 955 Forecats Expert Trial ARIMA Box Jenkins (1,1,1)(0,1,1) 68.90 88.67 78.75 87.67 87.78 86.78 53956 Realidad Realidad 76.88 76.88 76.88 76.88 76.88 76.88 77
Sim Jul-03 Aug-03 Sep-03 Oct-03 Nov-03 Dec-03
Serie Temporal (Propiedad de COLMASU S.A. - No reproducible) Pronóstico del Período Número
Tabla de diferencias
Diferencia
# Software Modelos Símbolo 61 62 63 64 65 66 Diferencia Puesto
1 WINQSB Window Simple Average Simple Average 6 SA 939.46 939.46 939.46 939.46 939.46 939.46 5637 66
2 WINQSB Window Moving Average Medias moviles con 12 meses 12 MA 243.47 243.47 243.47 243.47 243.47 243.47 1461 13
3 WINQSB Window Wheigted Moving Average Media Móvil Distribuida con 6 meses 12 WMA 243.47 243.47 243.47 243.47 243.47 243.47 1461 12
4 WINQSB Window Moving Average with Linear Trend Meses 12 más Linear Trend MAT 243.50 243.51 243.52 243.53 243.53 243.54 1461 14
5 WINQSB Window Single Exponential Smoothing Brown Cuadratica Alfa= .34 SES 248.13 248.13 248.13 248.13 248.13 248.13 1489 15
6 WINQSB Window Single Exponential Smoothing with Linear Trend Holt Alfa=.34 Beta=.34 SEST 191.00 174.29 158.34 143.16 128.74 115.09 911 9
7 WINQSB Window Double Exponential Alfa=.34 DES 264.15 264.15 264.15 264.15 264.15 264.15 1585 16
8 WINQSB Window Double Exponential Smoothing with Linear Tren Alfa=.34 DEST 224.47 216.47 208.62 200.90 193.34 185.92 1230 11
9 WINQSB Window Adaptative Exponential Smoothing Alfa=.00001 Beta: 32.38 AES 2121.85 2121.85 2121.85 2121.85 2121.85 2121.85 12731 67
10 WINQSB Window Linear regression with time Tendencia Linear +32.9445 + 0.4423*T LR 197.18 179.97 163.55 147.91 133.06 118.99 941 10
11 WINQSB Window Holt-Winters Additive Algorithm Holt Alfa=0.34 Beta:0.00001 Gamma:0.94 HWA 262.85 272.26 114.32 74.25 74.33 74.09 872 8
12 WINQSB Window Holt-Winters Multiplicative Algorithm Holt Alfa=0.34 Beta:0.00001 Gamma:0.99999 HWM 250.22 258.92 83.42 40.57 41.64 44.59 719 7
13 Statgrafic DOS Analisis Trend Lineal 28.5605+0.681668*T DAT 65.68 55.10 45.45 36.72 28.92 22.12 254 5
14 Statgrafic DOS Analisis Trend Quadratic 31.7727+0.360444*T+5.44447E-3* DAQ 23.94 15.09 8.21 3.37 0.63 0.07 51 2
15 Statgrafic DOS An. Trend. Exp. Power EXP(3.43832+0.0141523*T) DAE 26.27 16.83 9.39 4.05 0.89 0.02 57 3
16 Statgrafic DOS Anal. Trend S Curve EXP(3.93129-0.942279/T) DAS 713.87 713.15 712.46 711.80 711.15 710.94 4273 28
28 Statgrafic MSDOS ARIMA (p,d,q) (P,D,Q) (0,1,0) (1,1,1) DSA 0.07 0.28 0.63 0.07 1.78 5.73 9 1
55 Forecats Expert Trial ARIMA Box Jenkins (1,1,1)(0,1,1) 63.74 138.92 3.48 116.35 118.73 97.94 539 6
56 Realidad Realidad 76.88 0.00 0.00 0.00 0.00 0.00 77 4Sim
Serie Temporal (Propiedad de COLMASU S.A. - No reproducible) óstico del Período Nú
Figura 32 Cálculos del mejor modelo GLP Fuente: Universidad EAFIT
115
En su orden se puede concluir que el modelo que más adopta la serie es el ARIMA
Statgraf.
4.5.3. Mejor modelo y análisis final frente al análisis previo
Se selecciona el ARIMA del Statgraf, que coincide con la Hipótesis del análisis previo y
que con los datos completos presenta el siguiente grupo de pronósticos.
4.5.4. Pronósticos
Desde agosto de 2003 son simplemente cualitativos sin validez cuantitativa.
Mes Año U.S. Dólar Americano
febrero-04 $76.77 marzo-04 $74.80 abril-04 $82.68 mayo-04 $68.44 junio-04 $68.33 julio-04 $68.22 agosto-04 $68.11 septiembre-04 $68.00 octubre-04 $68.60 noviembre-04 $69.21 diciembre-04 $69.81 enero-05 $70.41 febrero-05 $70.92 marzo-05 $122.69 abril-05 $110.27 mayo-05 $193.70 junio-05 $194.22 julio-05 $194.74 agosto-05 $195.25 septiembre-05 $195.77 octubre-05 $193.10 noviembre-05 $190.44 diciembre-05 $187.77
Tabla 16 Pronósticos (especulativos Winter) GLP Fuente: Universidad E.A.F.I.T
116
4.5.5. Bondad de ajuste de pronósticos anteriores
Mes Enero 04
Real 76.77 Pronóstico 76.52 Error 0.00422%
Tabla 17 Errores entre realidad y pronóstico mensual GLP Fuente: Universidad E.A.F.I.T
Acorde a la tabla International Makridakis debería ser máximo de 9.7%, con lo cual con
1.3% cumple a la perfección.
117
GLP Propano en dólares por Kw - hora
0.00
50.00
100.00
150.00
200.00
250.00
Mes Año
Dól
ares
Figura 33 Historia más pronósticos GLP Fuente: Universidad E.A.F.I.T
4.6. Estudio proyectivo del precio del gas natural en kW–h, mediante series
temporales estadísticas y estocásticas
Datos desde septiembre de 199824 con pronósticos cuantitativos hasta abril de 2004 y
cualitativos hasta diciembre de 2005.
24 Datos, obtención propia
118
Figura 34 Proyección e historia del Gas Natural en dólares por kW – h Fuente: Universidad E.A.F.I.T
4.6.1. Análisis previo de la serie
La serie está conformada por datos desde septiembre de 1998 hasta febrero 2004, al
ser graficada la serie se observa aparentemente en ella una conducta tendencial
creciente y decreciente alternada suave en varias etapas, parece tener un ruido mínimo.
Elaborada el 02 de febrero 2004 Error promedio último cálculo del 0.001% mes
Gas Natural precio Kw - hora
$ 0.00
$ 10.00
$ 20.00
$ 30.00
$ 40.00
$ 50.00
$ 60.00
$ 70.00se
ptie
mbr
e-98
ener
o-99
may
o-99
sept
iem
bre-
99
ener
o-00
may
o-00
sept
iem
bre-
00
ener
o-01
may
o-01
sept
iem
bre-
01
ener
o-02
may
o-02
sept
iem
bre-
02
ener
o-03
may
o-03
sept
iem
bre-
03
ener
o-04
may
o-04
sept
iem
bre-
04
ener
o-05
may
o-05
sept
iem
bre-
05
ener
o-06
Mes Año
Dól
ares
119
Gas Natural precio Kw - hora
$ 0.00
$ 10.00
$ 20.00
$ 30.00
$ 40.00
$ 50.00
$ 60.00
septi
embre
-98
diciem
bre-98
marzo-9
9
junio-
99
septi
embre
-99
diciem
bre-99
marzo-0
0
junio-
00
septi
embre
-00
diciem
bre-00
marzo-0
1
junio-
01
septi
embre
-01
diciem
bre-01
marzo-0
2
junio-
02
septi
embre
-02
diciem
bre-02
marzo-0
3
junio-
03
septi
embre
-03
Mes Año
Dóla
res
Figura 35 Gráfica de precio USD Gas Natural en Kw – hora Fuente: Universidad E.A.F.I.T
4.6.1.1. Determinación de los componentes de la serie
4.6.1.1.1. Nivel
La ilustración número 3 permite determinar que aparte de tener un comportamiento
tendencial y nada de ruido en general, mantiene dos niveles al través de sus valores
denotados en la línea roja horizontal gruesa. Probablemente se afecte en algo los
resultados, este se verá más adelante.
120
Suavización gas naturalDó
lare
s Kw
hor
a datasmooth
9/98 9/00 9/02 9/04 9/0621
31
41
51
61
Figura 36 Nivel serie GN - líneas rojas Fuente: Universidad E.A.F.I.T
En síntesis la presencia de nivel no afectará los pronósticos.
4.6.1.1.2. Aleatoriedad o ruido
En la gráfica siguiente no se nota la presencia de ruido durante toda la graficación. Éste
se detecta en tanto si se pudo suavizar o no, es decir si los puntos originales azules
están muy lejos de la línea de suavización roja denota que se dejó suavizar por lo tanto
se deduce que en general no tiene un ruido.
Nivel dos
Nivel uno
121
Suavización gas natural
Dólar
es K
w h
ora data
smooth
9/98 9/00 9/02 9/04 9/0621
31
41
51
61
Figura 37 Serie original suavizada sin ruido, para apreciar tendencia GN Fuente: Universidad E.A.F.I.T
4.6.1.1.3. Tendencia
El análisis previo de la serie muestra una marcada presencia de tendencia alternada.
4.6.1.1.4. Patrón anual de conducta mensual promedio
La importancia de revisar la conducta mensual promedio permite evaluar de antemano
si existe en la serie temporal un comportamiento estacional repetitivo cada año.
Este patrón es útil cuando los pronósticos obtenidos con Brown u Holt son constantes,
con ella se reconvierten a valores no uniformes mensuales.
En general son datos más o menos similares con desviación estándar inferior al 0.13%
(cero punto trece por ciento).
122
No. Mes Porcentaje media Contribución anual de 65 datos
1 Enero 100.613 8.38%
2 Febrero 102.267 8.52%
3 Marzo 101.095 8.42%
4 Abril 98.2584 8.19%
5 Mayo 98.1682 8.18%
6 Junio 100.992 8.42%
7 Julio 98.2754 8.19%
8 Agosto 99.9342 8.33%
9 Septiembre 99.0029 8.25%
10 Octubre 98.5597 8.21%
11 Noviembre 100.12 8.34%
12 Diciembre 102.714 8.56%
Tabla 18 Patrón mensual de conducta del gas natural Fuente: Universidad E.A.F.I.T
Seasonal Index Plot for Gas Natural
0 3 6 9 12 15
season
98
99
100
101
102
103
seas
onal
inde
x
Figura 38 Serie temporizada para determinar factores de peso estacionales por mes GN Fuente: Universidad E.A.F.I.T
El siguiente paso es detectar la presencia de componentes irregulares en la serie.
123
4.6.1.1.5. Componentes irregulares
En la siguiente ilustración se observan unos datos comunes y dentro de un rango
correcto.
Irregular Component Plot for Gas Natural
irreg
ular
9/98 9/00 9/02 9/04 9/0692
96
100
104
108
Figura 39 Verificación de datos irregulares GN Fuente: Universidad E.A.F.I.T
Los análisis previos que siguen a continuación, permiten detectar si hay influencias
repetitivas cada ciertos períodos de tiempo, si son inferiores a doce meses de describen
como estacionalidad y si los períodos de influencia repetitivos son superiores a doce
meses se denotan como ciclicidad.
4.6.1.1.6. Estacionalidad
Para conocer más a fondo esta herramienta se hace el ejemplo con el TRM colombiano
antes de iniciar el análisis estacional del Gas Natural.
En la gráfica del dólar se observa una similitud muy alta en cada uno de los objetos
graficados sus líneas rojas de media y sus palotes correspondientes.
124
La simetría permite asumir la existencia de estacionalidad, ya su magnitud será alta
media o baja dependiendo del grado de similitud de los correspondientes palotes en
cada una de las 12 graficaciones realizadas.
En el caso del TRM se asume que hay una buena estacionalidad que indudablemente
se está deteriorando mucho en las etapas finales.
Seasonal Subseries Plot for Dólar TRM a junio 03
0 3 6 9 12 15Season
1300
1600
1900
2200
2500
2800
3100
Dó
lar
TR
M a
ju
nio
03
Seasonal Subseries Plot for Gas Natural
Season
Gas
Nat
ural
0 3 6 9 12 1521
31
41
51
61
Figura 40 Serie temporizada para corroborar la presencia de estacionalidad en TRM como referencia y en la serie evaluada, con estacionalidad inferior de 12 meses y ciclicidad superior a 12 meses GN Fuente: Universidad E.A.F.I.T
125
Se podría afirmar que existe una mínima presencia de estacionalidad.
4.6.1.1.7. Ciclicidad
La ciclicidad se establece en la medida que exista un perfecto paralelismo en la gráfica
siguiente en todos los períodos graficados.
Annual Subseries Plot for Gas Natural
Season
Dól
ares
por
Kw
Hor
a de
Gas
Nat
ural
Cycle123456
0 3 6 9 12 1521
31
41
51
61
Figura 41 Serie temporizada para corroborar la presencia de ciclicidad GN Fuente: Universidad E.A.F.I.T
La ilustración anterior ratifica la presencia de una muy pequeña ciclicidad al no haber un
perfecto paralelismo, como hay cruce entre las líneas 3 y 4 pone en seria duda la
ciclicidad.
126
4.6.1.1.8. Determinación previa del Modelo: Clásico o Moderno
Análisis Previo Alto Regular Bajo Muy leve Inexistente
Nivel XRuido XTendencia Lineal XTendencia No lineal XEstacionalidad XCiclicidad XFenómenos exógenos X
Tabla 19 Síntesis análisis previo gas natural Fuente: Universidad E.A.F.I.T
4.6.1.2. Hipótesis
El análisis previo demuestra que la primera posibilidad es para un modelo tendencial,
en segunda instancia un Holt (tendencia más ruido), o un Winter con mínima
estacionalidad y/o ninguna ciclicidad o en su defecto un AR.I.MA.
4.6.1.2.1. Preparación de la serie
La serie se recorta en dos etapas, una primera del último valor para corroboración de
resultados de modelo y de perfeccionamiento del mismo, en este caso particular el
primer recorte incluye enero de 2004.
El segundo recorte de seis datos permite seleccionar el modelo adecuado, comparando
los meses recortados con los pronósticos de todos los modelos realizados, esto incluye
los meses de julio a diciembre de 2003.
4.6.2. Cálculos del mejor modelo
Las series temporales mediante el análisis y la utilización de los modelos presentados a
continuación permiten seleccionar el más adecuado.
127
4.6.2.1. Análisis de modelos inicial con segundo recorte de seis meses
# Software Modelos SímboloDiferencia Puesto
1 WINQSB Window Simple Average Simple Average 6 SA 165 282 WINQSB Window Moving Average Medias moviles con 12 meses 12 MA 7 7
3 WINQSB Window Wheigted Moving Average Media Móvil Distribuida con 6 meses 12 WMA 7 84 WINQSB Window Moving Average with Linear Trend Meses 12 más Linear Trend MAT 19 125 WINQSB Window Single Exponential Smoothing Brown Cuadratica Alfa= .34 SES 4 56 INQSB Window Single Exponential Smoothing with Linear Tren Holt Alfa=.34 Beta=.34 SEST 18 117 WINQSB Window Double Exponential Alfa=.34 DES 15 10
8 NQSB Window Double Exponential Smoothing with Linear Tre Alfa=.34 DEST 13 99 WINQSB Window Adaptative Exponential Smoothing Alfa=.00001 Beta: 21.04 AES 545 6610 WINQSB Window Linear regression with time Tendencia Linear +21.5294 + 0.4424*T LR 4 311 WINQSB Window Holt-Winters Additive Algorithm Holt Alfa=0.34 Beta:0.28 Gamma:0.65 HWA 41 1412 WINQSB Window Holt-Winters Multiplicative Algorithm Holt Alfa=0.34 Beta:0.17 Gamma:0.68 HWM 47 1513 Statgrafic DOS Analisis Trend Lineal 21.5294+0.44237*T DAT 4 414 Statgrafic DOS Analisis Trend Quadratic 18.7772+0.717592*T-4.66477E-3*T^2 DAQ 21 1315 Statgrafic DOS An. Trend. Exp. Power EXP(3.10933+0.0136994*T) DAE 1 116 Statgrafic DOS Anal. Trend S Curve EXP(3.59716-1.04481/T) DAS 140 1628 Statgrafic MSDOS ARIMA (p,d,q) (P,D,Q) (0,1,0) (0,0,0) DSA 3 255 Forecats Expert Trial ARIMA Box Jenkins (1,1,0)(0,1,0) 7 656 Realidad Realidad 0
En la anterior hoja de cálculo de excel, se muestran varias cosas:
Los mejores modelos en su orden son:
1. Tendencia Exponential Power del Statgraf DOS con expresión
EXP(3.10933+0.0136994*T)
2. Y dos modelos de Tendencia Lineal del WINQSB, ambos con la misma ecuación
Tendencia Linear + 21.5294+0.44237*T
Ahora se hace el segundo paso para chequear cual de las dos expresiones se acomoda
más.
WINQSB Window Linear regression with time Tendencia Linear +21.5294 + 0.4424*T LR 4 3 50.28345WINQSB Window Holt-Winters Additive Algorithm Holt Alfa=0.34 Beta:0.28 Gamma:0.65 HWA 41 14
WINQSB Window Holt-Winters Multiplicative Algorithm Holt Alfa=0.34 Beta:0.17 Gamma:0.68 HWM 47 15Statgrafic DOS Analisis Trend Lineal 21.5294+0.44237*T DAT 4 4 51.1053
Statgrafic DOS Analisis Trend Quadratic 18.7772+0.717592*T-4.66477E-3*T^2 DAQ 21 13Statgrafic DOS An. Trend. Exp. Power EXP(3.10933+0.0136994*T) DAE 1 1 54.2196Statgrafic DOS Anal. Trend S Curve EXP(3.59716-1.04481/T) DAS 140 16
Statgrafic MSDOS ARIMA (p,d,q) (P,D,Q) (0,1,0) (0,0,0) DSA 3 2Forecats Expert Trial ARIMA Box Jenkins (1,1,0)(0,1,0) 7 6
Realidad Realidad 0 50.8
De esta forma se ratifica que es el mejor modelo es el de Tendencia lineal, obtenido con
el WINQSB con el cual se obtienen los pronósticos.
En síntesis el análisis inicial no fue concluyente; por lo cual es necesario utilizar el
segundo argumento.
128
4.6.2.2. Análisis final de selección de modelo:
Tabla de cálculos
Tabla de diferencias
Figura 42 Cálculos del mejor modelo GN
Fuente: Universidad EAFIT
129
En su orden se puede concluir que el modelo que más adopta la serie es el Tendencia
Lineal, obsérvese que en ambos casos da la misma ecuación con dos softwares
diferentes, lo que ratifica el cumplimiento.
4.6.3. Mejor modelo y análisis final frente al análisis previo
Se selecciona el Tendencia Lineal WinQSB, que con los datos completos presenta el
siguiente grupo de pronósticos:
4.6.4. Pronósticos
Desde agosto de 2003 son simplemente cualitativos sin validez cuantitativa.
Mes Año U.S. Dólar Americano febrero-04 $50.73 marzo-04 $51.17 abril-04 $51.61 mayo-04 $52.05 junio-04 $52.50 julio-04 $52.94 agosto-04 $53.38 septiembre-04 $53.82 octubre-04 $54.26 noviembre-04 $54.71 diciembre-04 $55.15 enero-05 $55.59 febrero-05 $56.03 marzo-05 $56.48 abril-05 $56.92 mayo-05 $57.36 junio-05 $57.80 julio-05 $58.25 agosto-05 $58.69 septiembre-05 $59.13 octubre-05 $59.57 noviembre-05 $60.02 Diciembre-05 $60.46
Tabla 20 Pronósticos (especulativos Winter) gas natural Fuente: Universidad E.A.F.I.T
130
4.6.5. Bondad de ajuste de pronósticos anteriores:
Mes Enero 04
Real 50.80
Pronóstico 50.28
Error 0.01%
Tabla 21 Errores entre realidad y pronóstico mensual gas natural Fuente: Universidad E.A.F.I.T
Acorde a la tabla International Makridakis debería ser máximo de 9.7%, con lo cual con
1.3% cumple a la perfección.
131
Gas Natural precio Kw - hora
$ 0.00
$ 10.00
$ 20.00
$ 30.00
$ 40.00
$ 50.00
$ 60.00
$ 70.00
sept
iem
bre-
98
ener
o-99
may
o-99
sept
iem
bre-
99
ener
o-00
may
o-00
sept
iem
bre-
00
ener
o-01
may
o-01
sept
iem
bre-
01
ener
o-02
may
o-02
sept
iem
bre-
02
ener
o-03
may
o-03
sept
iem
bre-
03
ener
o-04
may
o-04
sept
iem
bre-
04
ener
o-05
may
o-05
sept
iem
bre-
05
ener
o-06
Mes Año
Dóla
res
Figura 43 Historia más pronósticos GN Fuente: Universidad E.A.F.I.T
4.7. Estudio proyectivo del precio de la gasolina súper en kW–h, mediante series
temporales estadísticas y estocásticas
Datos desde septiembre de 199825 con pronósticos cuantitativos hasta abril de 2004 y
cualitativos hasta diciembre de 2005.
25 Datos, obtención propia
132
Figura 44 Proyección e historia de la gasolina súper en dólares por kW - h Fuente: Universidad E.A.F.I.T
4.7.1. Análisis previo de la serie
La serie está conformada por datos desde septiembre de 1998 hasta febrero 2004, al
ser graficada la serie se observa aparentemente en ella una conducta tendencial
creciente y decreciente alternada suave en varias etapas, parece tener un ruido mínimo.
Elaborada el 02 de febrero 2004 Error promedio último cálculo del 9.39% mes contra un permisible de 9.7%
Gasolina Super precio Kw - hora
$ 0.00
$ 20.00
$ 40.00
$ 60.00
$ 80.00
$ 100.00
$ 120.00
$ 140.00
$ 160.00
$ 180.00
$ 200.00
septiembre-
enero-
mayo-9
septiembre-
enero-
mayo-0
septiembre-
enero-
mayo-0
septiembre-
enero-
mayo-0
septiembre-
enero-
mayo-0
septiembre-
enero-
mayo-0
septiembre-
enero-
mayo-0
septiembre-
enero-
Mes
Dólares
133
Gasolina Súper precio Kw - hora
$ 0.00
$ 20.00
$ 40.00
$ 60.00
$ 80.00
$ 100.00
$ 120.00
$ 140.00
$ 160.00
$ 180.00
septi
embre
-98
diciem
bre-98
marzo-9
9
junio-
99
septi
embre
-99
diciem
bre-99
marzo-0
0
junio-
00
septi
embre
-00
diciem
bre-00
marzo-0
1
junio-
01
septi
embre
-01
diciem
bre-01
marzo-0
2
junio-
02
septi
embre
-02
diciem
bre-02
marzo-0
3
junio-
03
septi
embre
-03
Mes Año
Dóla
res
Figura 45 Gráfica de precio USD Gasolina Súper en kW – hora Fuente: Universidad E.A.F.I.T
4.7.1.1. Determinación de los componentes de la serie
4.7.1.1.1. Nivel
La figura 8.2 permite determinar que aparte de tener un comportamiento tendencial y
algo de ruido en general, mantiene dos niveles al través de sus valores denotados en la
línea roja horizontal gruesa. Probablemente se afecte en algo los resultados, este se
verá más adelante.
134
Línea suavizada Gasolina Super
US
Dól
ar K
w h
ora data
trend-cycle
1/98 1/00 1/02 1/04 1/060
40
80
120
160
Figura 46 Nivel serie gasolina súper - Líneas rojas Fuente: Universidad E.A.F.I.T
En síntesis la presencia de nivel no afectará los pronósticos.
4.7.1.1.2. Aleatoriedad o ruido
En la gráfica siguiente no se nota la presencia de ruido durante toda la graficación.
Éste se detecta en tanto si se pudo suavizar o no, es decir si los puntos originales
azules están muy lejos de la línea de suavización roja denota que se dejó suavizar por
lo tanto se deduce que en general tiene algo de ruido.
Nivel dos
Nivel uno
135
Figura 47 Serie original suavizada sin ruido, para apreciar tendencia gasolina súper Fuente: Universidad E.A.F.I.T
4.7.1.1.3. Tendencia
El análisis previo de la serie muestra una marcada presencia de tendencia creciente.
4.7.1.1.4. Patrón anual de conducta mensual promedio
La importancia de revisar la conducta mensual promedio permite evaluar de antemano
si existe en la serie temporal un comportamiento estacional repetitivo cada año.
Este patrón es útil cuando los pronósticos obtenidos con Brown u Holt son constantes,
con ella se reconvierten a valores no uniformes mensuales.
En general son datos más o menos similares con desviación estándar inferior al 0.13%
(cero punto trece por ciento).
136
No. Mes Porcentaje media Contribución anual de 65 datos
1 Enero 95.97 8.00%
2 Febrero 99.36 8.28%
3 Marzo 102.74 8.56%
4 Abril 101.85 8.49%
5 Mayo 101.72 8.48%
6 Junio 102.37 8.53%
7 julio 102.38 8.53%
8 Agosto 102.10 8.51%
9 Septiembre 102.48 8.54%
10 Octubre 99.89 8.32%
11 Noviembre 95.58 7.96%
12 Diciembre 93.56 7.80%
Tabla 22 Patrón mensual de conducta de la gasolina súper Fuente: Universidad E.A.F.I.T
Seasonal Index Plot for SuperGasolina_1
0 3 6 9 12 15
season
93
95
97
99
101
103
seas
onal
inde
x
Figura 48 Serie temporizada para determinar factores de peso estacionales por mes gasolina súper Fuente: Universidad E.A.F.I.T
El siguiente paso es detectar la presencia de componentes irregulares en la serie
137
4.7.1.1.5. Componentes irregulares
En la siguiente ilustración se observan unos datos comunes y dentro de un rango
correcto.
Irregular Component Plot for SuperGasolina_1
1/99 1/01 1/03 1/05 1/0794
97
100
103
106
109
irreg
ular
Figura 49 Verificación de datos irregulares gasolina súper Fuente: Universidad E.A.F.I.T
Los análisis previos que siguen a continuación, permiten detectar si hay influencias
repetitivas cada ciertos períodos de tiempo, si son inferiores a doce meses de describen
como estacionalidad y si los períodos de influencia repetitivos son superiores a doce
meses se denotan como ciclicidad.
4.7.1.1.6. Estacionalidad
Para conocer más a fondo esta herramienta se hace el ejemplo con el TRM colombiano
antes de iniciar el análisis estacional de la Gasolina Súper.
En la gráfica del dólar se observa una similitud muy alta en cada uno de los objetos
graficados sus líneas rojas de media y sus palotes correspondientes.
138
La simetría permite asumir la existencia de estacionalidad, ya su magnitud será alta
media o baja dependiendo del grado de similitud de los correspondientes palotes en
cada una de las 12 graficaciones realizadas.
En el caso del TRM se asume que hay una buena estacionalidad que indudablemente
se está deteriorando mucho en las etapas finales.
Seasonal Subseries Plot for Dólar TRM a junio 03
0 3 6 9 12 15Season
1300
1600
1900
2200
2500
2800
3100
Dó
lar
TR
M a
ju
nio
03
Seasonal Subseries Plot for SuperGasolina_1
0 3 6 9 12 15
Season
63
83
103
123
143
163
Sup
erG
asol
ina_
1
Figura 50 Serie temporizada para corroborar la presencia de estacionalidad en TRM como referencia y en la serie evaluada, con estacionalidad inferior de 12 meses y ciclicidad superior a 12 meses gasolina súper Fuente: Universidad E.A.F.I.T
Se podría afirmar que existe una mínima presencia de estacionalidad.
139
4.7.1.1.7. Ciclicidad
La ciclicidad se establece en la medida que exista un perfecto paralelismo en la gráfica
siguiente en todos los períodos graficados.
Annual Subseries Plot for SuperGasolina_1
0 3 6 9 12 15
Season
63
83
103
123
143
163
Supe
rGas
olin
a_1 Cycle
12345
Figura 51 Serie temporizada para corroborar la presencia de ciclicidad gasolina súper Fuente: Universidad E.A.F.I.T
La ilustración anterior ratifica la no presencia de ciclicidad al no haber un perfecto
paralelismo, como hay cruce entre las líneas.
4.7.1.1.8. Determinación previa del Modelo: Clásico ó Moderno
Análisis Previo Alto Regular Bajo Muy leve Inexistente
Nivel XRuido XTendencia Lineal XTendencia No lineal XEstacionalidad XCiclicidad XFenómenos exógenos X
Tabla 23 Síntesis análisis previo gasolina súper Fuente: Universidad E.A.F.I.T
140
4.7.1.2. Hipótesis
El análisis previo demuestra que la primera posibilidad es para un modelo tendencial,
en segunda instancia un Holt (tendencia más ruido), o un Winter con mínima
estacionalidad y/o ninguna ciclicidad o en su defecto un AR.I.MA.
4.7.1.2.1. Preparación de la serie
La serie se recorta en dos etapas, una primera del último valor para corroboración de
resultados de modelo y de perfeccionamiento del mismo, en este caso particular el
primer recorte incluye enero de 2004.
El segundo recorte de seis datos permite seleccionar el modelo adecuado, comparando
los meses recortados con los pronósticos de todos los modelos realizados, esto incluye
los meses de julio a diciembre de 2003.
4.7.2. Cálculos del mejor modelo.
Las series temporales mediante el análisis y la utilización de los modelos presentados a
continuación permiten seleccionar el más adecuado.
4.7.2.1. Análisis de modelos inicial con segundo recorte de seis meses:
En la siguiente hoja de cálculo de excel, se muestran varias cosas:
• Los dos mejores modelos son iguales con dos softwares diferentes, descartándose
de entrada el número 1 de ARIMA por no ser consistente, se toman entonces 2 y 3.
• Tendencia Lineal, ambos con la misma ecuación Tendencia Linear +
64.9317+1.22816*T
141
Por lo cual no es necesario el segundo paso o chequeo.
De esta forma se ratifica que es el mejor modelo es el de Tendencia lineal, con el cual
se obtienen los pronósticos.
En síntesis el análisis inicial fue concluyente; por lo cual NO es necesario utilizar el
segundo argumento.
142
4.7.2.2. Análisis final de selección de modelo:
Tabla de cálculos
# Software Modelos Símbolo59 60 61 62 63 64 Diferenci
a Puesto
1 WINQSB Window Simple Average Simple Average 6 SA 101.16 101.16 101.16 101.16 101.16 101.16 1139 282 WINQSB Window Moving Average Medias moviles con 12 meses 12 MA 133.87 133.87 133.87 133.87 133.87 133.87 71 12
3 WINQSB Window Wheigted Moving Average Media Móvil Distribuida con 6 meses 12 WMA 133.87 133.87 133.87 133.87 133.87 133.87 71 134 WINQSB Window Moving Average with Linear Trend Meses 12 más Linear Trend MAT 145.56 148.89 152.23 155.57 158.91 162.25 70 115 WINQSB Window Single Exponential Smoothing Brown Cuadratica Alfa= .34 SES 135.63 135.63 135.63 135.63 135.63 135.63 50 86 NQSB Window Single Exponential Smoothing with Linear Tren Holt Alfa=.34 Beta=.24 SEST 144.94 148.17 151.41 154.64 157.87 161.11 60 97 WINQSB Window Double Exponential Alfa=.34 DES 130.30 130.30 130.30 130.30 130.30 130.30 125 14
8 NQSB Window Double Exponential Smoothing with Linear Tre Alfa=.34 DEST 143.69 146.43 149.18 151.92 154.66 157.40 33 59 WINQSB Window Adaptative Exponential Smoothing Alfa=.00001 Beta: 53.33 AES 53.33 53.33 53.33 53.33 53.33 53.33 5012 6610 WINQSB Window Linear regression with time Tendencia Linear +64.9317 + 1.2282*T LR 137.39 138.62 139.85 141.08 142.31 143.53 14 211 WINQSB Window Holt-Winters Additive Algorithm Holt Alfa=0.16 Beta:0.00001 Gamma:0.93 HWA 143.69 145.16 148.94 152.93 157.12 146.39 24 412 WINQSB Window Holt-Winters Multiplicative Algorithm Holt Alfa=0.34 Beta:0.02 Gamma:0.99 HWM 133.96 133.79 137.00 141.48 148.25 136.74 38 613 Statgrafic DOS Analisis Trend Lineal 64.9317+1.22816*T DAT 137.39 138.62 139.85 141.08 142.31 143.53 14 314 Statgrafic DOS Analisis Trend Quadratic 46.4273+3.0786*T-0.0313634*T^2 DAQ 118.89 118.24 117.52 116.74 115.90 114.99 461 1515 Statgrafic DOS An. Trend. Exp. Power EXP(4.14952+0.0144573*T) DAE 148.78 150.95 153.15 155.38 157.64 159.93 64 1016 Statgrafic DOS Anal. Trend S Curve EXP(4.68822-1.40076/T) DAS 106.11 106.15 106.19 106.23 106.27 106.3 890 1628 Statgrafic MSDOS ARIMA (p,d,q) (P,D,Q) (0,1,0) (0,0,0) DSA 141.39 142.91 144.43 145.95 147.47 148.99 4 155 Forecats Expert Trial ARIMA Box Jenkins (1,0,0)(0,1,0) 136.60 135.12 134.63 138.20 136.83 138.84 40 756 Realidad Realidad 144.73 146.84 152.97 155.29 157.45 157.98 52
Sim jul-03 ago-03 sep-03 oct-03 nov-03 dic-03
Serie Temporal (Propiedad de COLMASU S.A. - No reproducible) Pronóstico del Período Número
Tabla de diferencias
Diferencia
# Software Modelos Símbolo61 62 63 64 65 66 Diferenci
a Puesto
1 WINQSB Window Simple Average Simple Average 6 SA 1897.82 1897.82 1897.82 1897.82 1897.82 1897.82 1139 282 WINQSB Window Moving Average Medias moviles con 12 meses 12 MA 117.90 117.90 117.90 117.90 117.90 117.90 71 12
3 WINQSB Window Wheigted Moving Average Media Móvil Distribuida con 6 meses 12 WMA 117.90 117.90 117.90 117.90 117.90 117.90 71 134 WINQSB Window Moving Average with Linear Trend Meses 12 más Linear Trend MAT 0.69 17.37 56.36 117.65 201.24 307.13 70 115 WINQSB Window Single Exponential Smoothing Brown Cuadratica Alfa= .34 SES 82.79 82.79 82.79 82.79 82.79 82.79 50 86 NQSB Window Single Exponential Smoothing with Linear Tren Holt Alfa=.34 Beta=.24 SEST 0.05 11.88 44.61 98.26 172.82 268.29 60 97 WINQSB Window Double Exponential Alfa=.34 DES 207.98 207.98 207.98 207.98 207.98 207.98 125 14
8 NQSB Window Double Exponential Smoothing with Linear Tre Alfa=.34 DEST 1.07 2.92 19.81 51.73 98.70 160.70 33 59 WINQSB Window Adaptative Exponential Smoothing Alfa=.00001 Beta: 53.33 AES 8353.30 8353.30 8353.30 8353.30 8353.30 8353.30 5012 6610 WINQSB Window Linear regression with time Tendencia Linear +64.9317 + 1.2282*T LR 53.78 37.27 23.78 13.31 5.86 1.42 14 211 WINQSB Window Holt-Winters Additive Algorithm Holt Alfa=0.16 Beta:0.00001 Gamma:0.93 HWA 1.08 0.19 17.78 67.36 153.71 2.77 24 412 WINQSB Window Holt-Winters Multiplicative Algorithm Holt Alfa=0.34 Beta:0.02 Gamma:0.99 HWM 115.86 119.56 59.73 10.55 12.41 63.83 38 613 Statgrafic DOS Analisis Trend Lineal 64.9317+1.22816*T DAT 53.78 37.28 23.79 13.31 5.86 1.43 14 314 Statgrafic DOS Analisis Trend Quadratic 46.4273+3.0786*T-0.0313634*T^2 DAQ 667.57 701.79 740.24 783.24 831.07 884.25 461 1515 Statgrafic DOS An. Trend. Exp. Power EXP(4.14952+0.0144573*T) DAE 16.46 38.75 70.94 113.48 166.81 231.15 64 1016 Statgrafic DOS Anal. Trend S Curve EXP(4.68822-1.40076/T) DAS 1491.22 1487.98 1484.82 1481.82 1478.89 1476.59 890 1628 Statgrafic MSDOS ARIMA (p,d,q) (P,D,Q) (0,1,0) (0,0,0) DSA 11.13 3.30 0.09 1.50 7.53 18.18 4 155 Forecats Expert Trial ARIMA Box Jenkins (1,0,0)(0,1,0) 66.04 92.28 101.94 42.59 62.35 34.65 40 756 Realidad Realidad 0.00 4.48 67.90 111.52 161.94 175.66 52
Sim
Serie Temporal (Propiedad de COLMASU S.A. - No reproducible) ico del Período
Figura 52 Cálculos del mejor modelo gasolina súper
143
En su orden se puede concluir que el modelo que más se adapta a la serie es el
Tendencia Lineal, obsérvese que en ambos casos da la misma ecuación con dos
softwares diferentes, lo que ratifica el cumplimiento.
4.7.3. Mejor modelo y análisis final frente al análisis previo
Se selecciona el Tendencia Lineal WinQSB, que con los datos completos se presenta el
siguiente grupo de pronósticos.
4.7.4. Pronósticos
Desde agosto de 2003 son simplemente cualitativos sin validez cuantitativa.
Mes Año U.S. Dólar Americano febrero-04 151.790455 marzo-04 156.923465 abril-04 155.640213 mayo-04 155.456891 junio-04 156.3735 julio-04 156.3735 agosto-04 156.006856 septiembre-04 156.556822 octubre-04 152.523742 noviembre-04 145.924157 diciembre-04 142.991008 enero-05 173.543736 febrero-05 179.617767 marzo-05 185.691798 abril-05 184.17329 mayo-05 183.95636 junio-05 185.041009 julio-05 185.041009 agosto-05 184.607149 septiembre-05 185.257938 octubre-05 180.485485 noviembre-05 172.676017 diciembre-05 169.205143
Tabla 24 Pronósticos (especulativos Winter) gasolina súper Fuente: Universidad E.A.F.I.T
144
4.7.5. Bondad de ajuste de pronósticos anteriores
Mes Enero 04
Real 159.78
Pronóstico 144.7621
Error 9.39%
Tabla 25 Errores entre realidad y pronóstico mensual gasolina súper Fuente: Universidad E.A.F.I.T
Acorde a la tabla International Makridakis debería ser máximo de 9.7%, con lo cual
cumplen primera instancia y debe mejorar a futuro.
145
Gas Natural precio Kw - hora
$ 0.00
$ 20.00
$ 40.00
$ 60.00
$ 80.00
$ 100.00
$ 120.00
$ 140.00
$ 160.00
$ 180.00
$ 200.00
sept
iem
bre-
98
ener
o-99
may
o-99
sept
iem
bre-
99
ener
o-00
may
o-00
sept
iem
bre-
00
ener
o-01
may
o-01
sept
iem
bre-
01
ener
o-02
may
o-02
sept
iem
bre-
02
ener
o-03
may
o-03
sept
iem
bre-
03
ener
o-04
may
o-04
sept
iem
bre-
04
ener
o-05
may
o-05
sept
iem
bre-
05
ener
o-06
Mes Año
Dóla
res
Figura 53 Historia más pronósticos gasolina súper Fuente: Universidad E.A.F.I.T
4.8. Estudio proyectivo del precio del petróleo crudo de referencia WTI - NYMEX
en dólares por barril, mediante series temporales estadísticas y estocásticas
Datos desde septiembre de 199826 con pronósticos cuantitativos hasta abril de 2004 y
cualitativos hasta diciembre de 2005.
26 Datos, obtención propia
146
WTI NYMEX precio barril
8.00
13.00
18.00
23.00
28.00
33.00
38.00
Septiem
bre-98
Enero-
99
Mayo-9
9
Septiem
bre-99
Enero-
00
Mayo-0
0
Septiem
bre-00
Enero-01
Mayo-0
1
Septiem
bre-01
Enero-02
Mayo-0
2
Septiem
bre-02
Enero-03
Mayo-0
3
Septiembre-03
Enero-
04
Mayo-0
4
Septiem
bre-04
Enero-
05
Mayo-0
5
Septiembre-
05
Mes Año
Dóla
res
por B
arril
Figura 54 Proyección e historia del petróleo crudo de referencia WTI - NYMEX (en dólares por Barril) Fuente: Universidad E.A.F.I.T
4.8.1. Análisis previo de la serie
La serie está conformada por datos desde septiembre de 1998 hasta diciembre de
2004, al ser graficada la serie se observa en ella una conducta tendencial creciente
alternada, con ruido fuerte aparente.
Elaborada el 15 de febrero 2004 Error promedio último cálculo del 0.0856% mes
147
Time Series Plot for WTI NYMEX Oil CrudeU
SD
ólar
por
Bar
ril O
il C
rude
WTI
NY
ME
X
9-98 9-00 9-02 9-04 9-0610
15
20
25
30
35
40
Figura 55 Gráfica de precio USD petróleo crudo de referencia WTI - NYMEX (en dólares por Barril) Fuente: Universidad E.A.F.I.T
4.8.1.1. Determinación de los componentes de la serie
4.8.1.1.1. Nivel
La figura 9.2 permite determinar que aparte de tener un comportamiento tendencial y
nada de ruido en general, mantiene un multinivel al través de sus valores denotados en
la línea roja horizontal gruesa. Esto indudablemente incide en los pronósticos y de
cierta manera los dificulta y los complica.
148
Smoothed Time Series Plot for WTI NYMEX Oil CrudeD
ólar
es p
or B
arril
de
WTI
NYM
EX O
il C
rude data
smooth
9-98 9-00 9-02 9-04 9-0610
15
20
25
30
35
40
Figura 56 Nivel serie petróleo crudo - líneas rojas Fuente: Universidad E.A.F.I.T
En síntesis la presencia de nivel no debe afectar los pronósticos.
4.8.1.1.2. Aleatoriedad o ruido
En la gráfica siguiente no se nota la presencia de ruido mediano leve durante toda la
graficación. Éste se detecta en tanto si se pudo suavizar o no, es decir si los puntos
originales azules están muy lejos de la línea de suavización roja denota que se dejó
suavizar por lo tanto se deduce que en general no tiene un ruido.
Nivel 1
149
Smoothed Time Series Plot for WTI NYMEX Oil CrudeD
óla
res
por
Bar
ril d
e W
TI N
YM
EX
Oil
Cru
de datasmooth
9-98 9-00 9-02 9-04 9-0610
15
20
25
30
35
40
Figura 57 Serie original suavizada sin ruido, para apreciar tendencia petróleo crudo Fuente: Universidad E.A.F.I.T
4.8.1.1.3. Tendencia
El análisis previo de la serie muestra una marcada presencia de tendencia creciente en
niveles.
4.8.1.1.4. Patrón anual de conducta mensual promedio
La importancia de revisar la conducta mensual promedio permite evaluar de antemano
si existe en la serie temporal un comportamiento estacional repetitivo cada año.
Este patrón es útil cuando los pronósticos obtenidos con Brown u Holt son constantes,
con ella se reconvierten a valores no uniformes mensuales.
En general son datos más o menos similares con desviación estándar inferior al
0.0029% (cero punto cero cero dos nueve por ciento).
150
No. Mes Porcentaje media Contribución anual de 65 datos
1 Enero 104,156 8,68%
2 Febrero 99,5013 8,29%
3 Marzo 99,0792 8,26%
4 Abril 99,2129 8,27%
5 Mayo 102,116 8,51%
6 Junio 99,2184 8,27%
7 julio 106,779 8,90%
8 Agosto 103,209 8,60%
9 Septiembre 95,6018 7,97%
10 Octubre 96,832 8,07%
11 Noviembre 95,1921 7,93%
12 Diciembre 99,1028 8,26%
Tabla 26 Tabla con patrón mensual de conducta. Fuente: Universidad E.A.F.I.T
Seasonal Index Plot for WTI NYMEX Oil Crude
0 3 6 9 12 15
season
95
97
99
101
103
105
107
seas
onal
inde
x
Figura 58 Serie temporizada para determinar factores de peso estacionales por mes petróleo crudo Fuente: Universidad E.A.F.I.T
El siguiente paso es detectar la presencia de componentes irregulares en la serie.
151
4.8.1.1.5. Componentes irregulares
En la siguiente ilustración se observan datos adecuados durante todo el trayecto, no se
asumen problemas en este aspecto.
Irregular Component Plot for WTI NYMEX Oil Crude
9-98 9-00 9-02 9-04 9-0683
93
103
113
123
irreg
ular
Figura 59 Verificación de datos irregulares petróleo crudo Fuente: Universidad E.A.F.I.T
Los análisis previos que siguen a continuación, permiten detectar si hay influencias
repetitivas cada ciertos períodos de tiempo, si son inferiores a doce meses de describen
como estacionalidad y si los períodos de influencia repetitivos son superiores a doce
meses se denotan como ciclicidad.
4.8.1.1.6. Estacionalidad
Para conocer más a fondo esta herramienta se hace el ejemplo con el TRM colombiano
antes de iniciar el análisis estacional del Petróleo Crudo de Referencia WTI.
En la gráfica del dólar se observa una similitud muy alta en cada uno de los objetos
graficados sus líneas rojas de media y sus palotes correspondientes.
152
La simetría permite asumir la existencia de estacionalidad, ya su magnitud será alta
media o baja dependiendo del grado de similitud de los correspondientes palotes en
cada una de las 12 graficaciones realizadas.
En el caso del TRM se asume que hay una buena estacionalidad que indudablemente
se está deteriorando mucho en las etapas finales.
Seasonal Subseries Plot for Dólar TRM a junio 03
0 3 6 9 12 15Season
1300
1600
1900
2200
2500
2800
3100
Dó
lar
TR
M a
ju
nio
03
Seasonal Subseries Plot for WTI NYMEX Oil Crude
0 3 6 9 12 15
Season
10
15
20
25
30
35
40
WTI
NY
ME
X O
il C
rude
Figura 60 Serie temporizada para corroborar la presencia de estacionalidad en TRM como referencia y en la serie evaluada, con estacionalidad inferior de 12 meses y ciclicidad superior a 12 meses petróleo crudo Fuente: Universidad E.A.F.I.T
153
Se podría afirmar que no hay presencia de estacionalidad, al haber serias diferencias
en los esquemas mostrados en la ilustración 8.
4.8.1.1.7. Ciclicidad
La ciclicidad se establece en la medida que exista un buen paralelismo en la gráfica
siguiente en todos los períodos graficados.
Annual Subseries Plot for WTI NYMEX Oil Crude
Season
USD
Dól
ar B
arril
Cru
do
Cycle123456
0 3 6 9 12 1510
15
20
25
30
35
40
Figura 61 Serie temporizada para corroborar la presencia de ciclicidad petróleo crudo Fuente: Universidad E.A.F.I.T
La ilustración anterior ratifica la no presencia de ciclicidad al haber un cruces entre
líneas.
154
4.8.1.1.8. Determinación previa del Modelo: Clásico o Moderno
Análisis Previo Muy alto Alto Medio Bajo Muy bajo No existe
Nivel
Ruido X X
Tendencia Lineal X
Tendencia No Lineal X
Estacionalidad X
Ciclicidad X
Fenómenos Exógenos X
Tabla 27 Síntesis análisis previo del petróleo crudo Fuente: Universidad E.A.F.I.T
4.8.1.2. Hipótesis
El análisis previo demuestra que la primera posibilidad es para un Modelo Holt con
tendencia y ruido o en su defecto un AR.I.MA.
4.8.1.2.1. Preparación de la serie
La serie se recorta en dos etapas, una primera del último valor para corroboración de
resultados de modelo y de perfeccionamiento del mismo, en este caso particular el
primer recorte incluye diciembre de 2003.
El segundo recorte de seis datos permite seleccionar el modelo adecuado, comparando
los meses recortados con los pronósticos de todos los modelos realizados, esto incluye
los meses de junio a noviembre de 2003.
4.8.2. Cálculos del mejor modelo.
Las series temporales mediante el análisis y la utilización de los modelos presentados a
continuación permiten seleccionar el más adecuado.
155
4.8.2.1. Análisis de modelos inicial con segundo recorte de seis meses
# Software Modelos Símbolo Diferencia Puesto
1 WINQSB Window Simple Average Simple Average 6 SA 152 16
2 WINQSB Window Moving Average Medias moviles con 12 meses 12 MA 16 5
3 WINQSB Window Wheigted Moving Average Media Móvil Distribuida con 6 meses 12 WMA 16 4
4 WINQSB Window Moving Average with Linear Trend Meses 12 más Linear Trend MAT 180 28
5 WINQSB Window Single Exponential Smoothing Brown Cuadratica Alfa= .34 SES 5 1
6 WINQSB Window Single Exponential Smoothing with Linear Trend Holt Alfa=.34 Beta=.33 SEST 10 3
7 WINQSB Window Double Exponential Alfa=.34 DES 5 2
8 WINQSB Window Double Exponential Smoothing with Linear Tren Alfa=.34 DEST 20 6
9 WINQSB Window Adaptative Exponential Smoothing Alfa=.00001 Beta: 15.95 AES 1145 66
10 WINQSB Window Linear regression with time Tendencia Linear +18.4311 + 0.2190*T LR 28 9
11 WINQSB Window Holt-Winters Additive Algorithm Holt Alfa=0.34 Beta:0.00001 Gamma:0.67 HWA 23 7
12 WINQSB Window Holt-Winters Multiplicative Algorithm Holt Alfa=0.34 Beta:0.00001 Gamma:0.95 HWM 31 10
13 Statgrafic DOS Analisis Trend Lineal 18.4311+0.218951*T DAT 28 8
14 Statgrafic DOS Analisis Trend Quadratic 13.3285+0.737863*T-8.94676E-3*T^2 DAQ 130 14
15 Statgrafic DOS An. Trend. Exp. Power EXP(2.86963+0.0105374*T) DAE 85 12
16 Statgrafic DOS Anal. Trend S Curve EXP(3.26281-1.07865/T) DAS 104 13
28 Statgrafic MSDOS ARIMA (p,d,q) (P,D,Q) (0,1,0) (2,1,0) DSA 41 11
55 Forecats Expert Trial ARIMA Box Jenkins (2,1,1)(2,0,1) 132 15
56 Realidad Realidad 0
Serie Temporal (Propiedad de COLMASU S.A. - No reproducible) óstico del Período Nú
En la anterior hoja de cálculo de excel, se muestran varias cosas:
Se sacan a competir en el segundo paso con recorte de diciembre de 2003 los modelos
Brown Cuadrático, Holt y Brown Doble del WinQSB, que ocuparon los tres primeros
puestos, de la siguiente tabla se desprende que los tres trabajan bien, por lo cual se
adopta el Holt (que no es bueno en resultados de ruido donde el beta debió haber sido
menor) y que a su vez valida la Hipótesis lanzada.
# Software Modelos Símbolo Diferencia Puesto Pronóstico Dic 035 WINQSB Window Single Exponential Smoothing Brown Cuadratica Alfa= .34 SES 5 1 29.467956 WINQSB Window Single Exponential Smoothing with Linear Trend Holt Alfa=.34 Beta=.33 SEST 10 3 29.467957 WINQSB Window Double Exponential Alfa=.34 DES 5 2 29.72661
56 Realidad Realidad 0 32.23
Serie Temporal (Propiedad de COLMASU S.A. - No reproducible) óstico del Período Nú
En síntesis el análisis inicial no fue concluyente; por lo cual es necesario utilizar el
segundo argumento.
156
4.8.2.2. Análisis final de selección de modelo:
Tabla de cálculos
# Software Modelos Símbolo 58 59 60 61 62 63 Diferencia Puesto
1 WINQSB Window Simple Average Simple Average 6 SA 24.78 24.78 24.78 24.78 24.78 24.78 152 16
2 WINQSB Window Moving Average Medias moviles con 12 meses 12 MA 31.12 31.12 31.12 31.12 31.12 31.12 16 5
3 WINQSB Window Wheigted Moving Average Media Móvil Distribuida con 6 meses 12 WMA 31.12 31.12 31.12 31.12 31.12 31.12 16 4
4 WINQSB Window Moving Average with Linear Trend Meses 12 más Linear Trend MAT 27.34 26.26 25.18 24.10 23.02 21.94 180 28
5 WINQSB Window Single Exponential Smoothing Brown Cuadratica Alfa= .34 SES 29.56 29.56 29.56 29.56 29.56 29.56 5 1
6 WINQSB Window Single Exponential Smoothing with Linear Trend Holt Alfa=.34 Beta=.33 SEST 30.14 29.72 29.30 28.89 28.47 28.05 10 3
7 WINQSB Window Double Exponential Alfa=.34 DES 30.04 30.04 30.04 30.04 30.04 30.04 5 2
8 WINQSB Window Double Exponential Smoothing with Linear Tren Alfa=.34 DEST 28.82 28.56 28.30 28.05 27.79 27.53 20 6
9 WINQSB Window Adaptative Exponential Smoothing Alfa=.00001 Beta: 15.95 AES 15.95 15.95 15.95 15.95 15.95 15.95 1145 66
10 WINQSB Window Linear regression with time Tendencia Linear +18.4311 + 0.2190*T LR 31.13 31.35 31.57 31.79 32.01 32.23 28 9
11 WINQSB Window Holt-Winters Additive Algorithm Holt Alfa=0.34 Beta:0.00001 Gamma:0.67 HWA 30.80 30.66 33.18 32.75 29.98 29.46 23 7
12 WINQSB Window Holt-Winters Multiplicative Algorithm Holt Alfa=0.34 Beta:0.00001 Gamma:0.95 HWM 30.12 30.31 33.19 33.95 30.33 29.98 31 10
13 Statgrafic DOS Analisis Trend Lineal 18.4311+0.218951*T DAT 31.13 31.35 31.57 31.79 32.01 32.23 28 8
14 Statgrafic DOS Analisis Trend Quadratic 13.3285+0.737863*T-8.94676E-3*T^2 DAQ 26.03 25.72 25.39 25.05 24.68 24.30 130 14
15 Statgrafic DOS An. Trend. Exp. Power EXP(2.86963+0.0105374*T) DAE 32.49 32.83 33.18 33.53 33.88 34.24 85 12
16 Statgrafic DOS Anal. Trend S Curve EXP(3.26281-1.07865/T) DAS 25.64 25.65 25.66 25.66 25.67 25.68 104 13
17 Statgrafic DOS Brown Simple Simple: 0.29595 DBS 25.64 25.65 25.66 25.66 25.67 25.67 104 17
28 Statgrafic MSDOS ARIMA (p,d,q) (P,D,Q) (0,1,0) (2,1,0) DSA 32.90 27.47 32.59 30.76 31.76 32.38 41 11
55 Forecats Expert Trial ARIMA Box Jenkins (2,1,1)(2,0,1) 28.90 37.88 27.85 33.08 29.98 23.54 132 15
56 Realidad Realidad 28.98 30.16 31.25 29.04 28.86 30.13 0Sim Jun-08 Jul-08 Ago-08 Sep-08 Oct-08 Nov-08
Serie Temporal (Propiedad de COLMASU S.A. - No reproducible) Pronóstico del Período Número
Tabla de diferencias
Diferencia
# Software Modelos Símbolo 61 62 63 64 65 66 Diferencia Puesto
1 WINQSB Window Simple Average Simple Average 6 SA 17.63 28.94 41.85 18.14 16.64 28.62 152 16
2 WINQSB Window Moving Average Medias moviles con 12 meses 12 MA 4.57 0.92 0.02 4.32 5.10 0.98 16 5
3 WINQSB Window Wheigted Moving Average Media Móvil Distribuida con 6 meses 12 WMA 4.57 0.92 0.02 4.32 5.10 0.98 16 4
4 WINQSB Window Moving Average with Linear Trend Meses 12 más Linear Trend MAT 2.69 15.21 36.85 24.40 34.10 67.06 180 28
5 WINQSB Window Single Exponential Smoothing Brown Cuadratica Alfa= .34 SES 0.34 0.36 2.86 0.27 0.49 0.33 5 1
6 WINQSB Window Single Exponential Smoothing with Linear Trend Holt Alfa=.34 Beta=.33 SEST 1.34 0.19 3.79 0.02 0.15 4.32 10 3
7 WINQSB Window Double Exponential Alfa=.34 DES 1.12 0.01 1.47 1.00 1.39 0.01 5 2
8 WINQSB Window Double Exponential Smoothing with Linear Tren Alfa=.34 DEST 0.03 2.55 8.68 0.99 1.15 6.77 20 6
9 WINQSB Window Adaptative Exponential Smoothing Alfa=.00001 Beta: 15.95 AES 169.78 201.92 234.09 171.35 166.67 201.07 1145 66
10 WINQSB Window Linear regression with time Tendencia Linear +18.4311 + 0.2190*T LR 4.62 1.41 0.10 7.55 9.90 4.39 28 9
11 WINQSB Window Holt-Winters Additive Algorithm Holt Alfa=0.34 Beta:0.00001 Gamma:0.67 HWA 3.32 0.25 3.71 13.75 1.26 0.45 23 7
12 WINQSB Window Holt-Winters Multiplicative Algorithm Holt Alfa=0.34 Beta:0.00001 Gamma:0.95 HWM 1.30 0.02 3.75 24.10 2.17 0.02 31 10
13 Statgrafic DOS Analisis Trend Lineal 18.4311+0.218951*T DAT 4.62 1.41 0.10 7.55 9.90 4.39 28 8
14 Statgrafic DOS Analisis Trend Quadratic 13.3285+0.737863*T-8.94676E-3*T^2 DAQ 8.72 19.73 34.32 15.94 17.43 33.99 130 14
15 Statgrafic DOS An. Trend. Exp. Power EXP(2.86963+0.0105374*T) DAE 12.29 7.13 3.71 20.15 25.24 16.89 85 12
16 Statgrafic DOS Anal. Trend S Curve EXP(3.26281-1.07865/T) DAS 11.15 20.34 31.28 11.39 10.16 19.80 104 13
17 Statgrafic DOS Brown Simple Simple: 0.29595 DBS 11.15 20.34 31.28 11.39 10.16 19.87 104 17
28 Statgrafic MSDOS ARIMA (p,d,q) (P,D,Q) (0,1,0) (2,1,0) DSA 15.37 7.24 1.80 2.96 8.41 5.06 41 11
55 Forecats Expert Trial ARIMA Box Jenkins (2,1,1)(2,0,1) 0.01 59.60 11.56 16.32 1.25 43.43 132 15
56 Realidad Realidad 0.00 0.00 0.00 0.00 0.00 0.00 0Sim
Serie Temporal (Propiedad de COLMASU S.A. - No reproducible) óstico del Período Nú
Figura 62 Cálculos del mejor modelo petróleo crudo Fuente: Universidad EAFIT
157
En su orden se puede concluir que el modelo que más adopta la serie es el Holt
WinQSB.
4.8.3. Mejor modelo y análisis final frente al análisis previo
Se selecciona el Holt WinQSB, que coincide con la Hipótesis del análisis previo y que
con los datos completos presenta el siguiente grupo de pronósticos.
4.8.4. Pronósticos
Desde agosto de 2003 son simplemente cualitativos sin validez cuantitativa.
Mes Año U.S. Dólar Americano Enero 2004 $ 32.57 febrero-04 $ 31.11 marzo-04 $ 30.98 abril-04 $ 31.02 mayo-04 $ 31.93 junio-04 $ 31.02 julio-04 $ 33.39 agosto-04 $ 32.27 septiembre-04 $ 29.89 octubre-04 $ 30.28 noviembre-04 $ 29.77 diciembre-04 $ 30.99 enero-05 $ 33.62 febrero-05 $ 32.11 marzo-05 $ 31.98 abril-05 $ 32.02 mayo-05 $ 32.96 junio-05 $ 32.02 julio-05 $ 34.46 agosto-05 $ 33.31 septiembre-05 $ 30.86 octubre-05 $ 31.25 noviembre-05 $ 30.72 diciembre-05 $ 31.99
Tabla 28 Pronósticos (especulativos Winter) petróleo crudo Fuente: Universidad E.A.F.I.T
158
4.8.5. Bondad de ajuste de pronósticos anteriores
Mes Enero 04
Real 32.23
Pronóstico 29.46
Error 0.0856%
Tabla 29 Errores entre realidad y pronóstico mensual petróleo crudo Fuente: Universidad E.A.F.I.T
Acorde a la tabla International Makridakis debería ser máximo de 9.7%, con lo cual con
7.56% cumple a la perfección.
159
WTI NYMEX precio barril
8.00
13.00
18.00
23.00
28.00
33.00
38.00
Septie
mbre-98
Enero-
99
Mayo-9
9
Septie
mbre-99
Enero-
00
Mayo-0
0
Septie
mbre-00
Enero-
01
Mayo-0
1
Septie
mbre-01
Enero-
02
Mayo-0
2
Septie
mbre-02
Enero-
03
Mayo-0
3
Septie
mbre-03
Enero-
04
Mayo-0
4
Septie
mbre-04
Enero-
05
Mayo-0
5
Septie
mbre-05
Mes Año
Dól
ares
por
Bar
ril
Figura 63 Historia más pronósticos petróleo crudo Fuente: Universidad E.A.F.I.T
4.9. Estudio proyectivo mediante series temporales estadísticas y estocásticas
de la TRM colombiana (dólar americano en pesos colombianos)
Datos desde enero de 199827 con pronósticos cuantitativos hasta abril de 2004 y
cualitativos hasta diciembre de 2005.
27 Datos suministrados por www.banrep.gov.co
160
Figura 64 Proyección e historia del TRM (Dólar Americano en Pesos Colombianos) Fuente: Universidad E.A.F.I.T
4.9.1. Análisis previo de la serie
La serie está conformada por datos desde enero de 1998 hasta febrero 2004, al ser
graficada la serie se observa aparentemente en ella una conducta tendencial creciente
y decreciente alternada suave en varias etapas, parece tener un ruido mínimo.
Elaborada el 10 de febrero 2004 Error promedio último cálculo del 0.739% mes contra un permisible de 9.7% de tabla internacional
T.R.M. Colombia
0.00200.00400.00600.00800.00
1000.001200.001400.001600.001800.002000.002200.002400.002600.002800.003000.003200.00
ene
ro-9
2
may
o-92
sept
iem
bre-
92
ener
o-9
3
may
o-93
sept
iem
bre-
93
ene
ro-9
4
may
o-94
sept
iem
bre-
94
ener
o-9
5
may
o-95
sept
iem
bre-
95
ener
o-9
6
may
o-96
sept
iem
bre-
96
ener
o-9
7
may
o-97
sept
iem
bre-
97
ener
o-9
8
may
o-98
sept
iem
bre-
98
ene
ro-9
9
may
o-99
sept
iem
bre-
99
ener
o-0
0
may
o-00
sept
iem
bre-
00
ener
o-0
1
may
o-01
sept
iem
bre-
01
ener
o-0
2
may
o-02
sept
iem
bre-
02
ener
o-0
3
may
o-03
sept
iem
bre
-03
ener
o-04
may
o-04
sept
iem
bre-
04
ener
o-0
5
Mes Año
Peso
s co
l. po
r dó
lar
amer
ican
o
161
Pronósticos e Historia del Dólar en pesos colombianos
T.R.M. Dólar
0
500
1,000
1,500
2,000
2,500
3,000
3,500
enero
-92
agos
to-92
marzo-9
3
octub
re-93
mayo-9
4
diciem
bre-9
4
julio-95
febrer
o-96
septie
mbre-96
abril-
97
novie
mbre-9
7
junio-98
enero
-99
agos
to-99
marzo-0
0
octub
re-00
mayo-0
1
diciem
bre-0
1
julio-02
febrer
o-03
septie
mbre-03
Mes - Año
Peso
s co
lom
bian
os.
Figura 65 Gráfica de precio USD TRM - Dólar Americano en Pesos Colombianos Fuente: Universidad E.A.F.I.T
4.9.1.1. Determinación de los componentes de la serie
4.9.1.1.1. Nivel
La figura 10.2 permite determinar que aparte de tener un comportamiento tendencial y
algo de ruido en general, mantiene un nivel único al través de sus valores denotados en
la línea roja horizontal gruesa. No se ve problema alguno en cuanto a nivel.
162
Smoothed Time Series Plot for TRM Col
Pes
os C
olom
bian
os p
or D
ólar
Am
eric
ano
datasmooth
1/92 1/95 1/98 1/01 1/04 1/070
0.5
1
1.5
2
2.5
3(X 1000)
Figura 67 Nivel serie TRM - línea roja Fuente: Universidad E.A.F.I.T
En síntesis la presencia de nivel no afectará los pronósticos.
4.9.1.1.2. Aleatoriedad o ruido
En la gráfica siguiente no se nota la presencia de ruido durante toda la graficación.
Éste se detecta en tanto si se pudo suavizar o no, es decir si los puntos originales
azules están muy lejos de la línea de suavización roja denota que se dejó suavizar por
lo tanto se deduce que en general tendría ruido.
Smoothed Time Series Plot for TRM Col
Peso
s C
olom
bian
os p
or D
ólar
Am
eric
ano
datasmooth
1/92 1/95 1/98 1/01 1/04 1/070
0.5
1
1.5
2
2.5
3(X 1000)
Figura 68 Serie original suavizada sin ruido, para apreciar tendencia TRM Fuente: Universidad E.A.F.I.T
Fuente Bibliográfica EAFIT.
Nivel único
163
4.9.1.1.3. Tendencia
El análisis previo de la serie muestra una marcada presencia de tendencia creciente,
con decaimiento al final.
4.9.1.1.4. Patrón anual de conducta mensual promedio
La importancia de revisar la conducta mensual promedio permite evaluar de antemano
si existe en la serie temporal un comportamiento estacional repetitivo cada año.
Este patrón es útil cuando los pronósticos obtenidos con Brown u Holt son constantes,
con ella se reconvierten a valores no uniformes mensuales.
En general son datos más o menos similares con desviación estándar inferior al 0.089%
(cero punto cero ocho nueve por ciento).
No. Mes Porcentaje media Contribución anual de 65 datos
1 Enero 100.61 8.38%
2 Febrero 100.07 8.34%
3 Marzo 99.14 8.26%
4 Abril 99.12 8.26%
5 Mayo 99.29 8.27%
6 Junio 98.79 8.23%
7 julio 99.87 8.32%
8 Agosto 100.67 8.39%
9 Septiembre 102.11 8.51%
10 Octubre 101.32 8.44%
11 Noviembre 100.12 8.34%
12 Diciembre 98.90 8.24%
Tabla 30 Tabla con patrón mensual de conducta de la TRM Fuente: Universidad E.A.F.I.T
164
Seasonal Index Plot for TRM Col
0 3 6 9 12 15
season
98
99
100
101
102
103
seas
onal
inde
x
Figura 69 Serie temporizada para determinar factores de peso estacionales por mes TRM Fuente: Universidad E.A.F.I.T
El siguiente paso es detectar la presencia de componentes irregulares en la serie.
4.9.1.1.5. Componentes irregulares
En la siguiente ilustración se observan unos datos comunes y dentro de un rango
correcto.
Irregular Component Plot for TRM Col
1/92 1/95 1/98 1/01 1/04 1/0793
96
99
102
105
108
irreg
ular
Figura 70 Verificación de datos irregulares TRM Fuente: Universidad E.A.F.I.T
165
Los análisis previos que siguen a continuación, permiten detectar si hay influencias
repetitivas cada ciertos períodos de tiempo, si son inferiores a doce meses de describen
como estacionalidad y si los períodos de influencia repetitivos son superiores a doce
meses se denotan como ciclicidad.
4.9.1.1.6. Estacionalidad
Para conocer más a fondo esta herramienta se hace el ejemplo con el TRM colombiano
antes de iniciar el análisis estacional de la TRM colombiana.
En la gráfica del dólar se observa una similitud muy alta en cada uno de los objetos
graficados sus líneas rojas de media y sus palotes correspondientes.
La simetría permite asumir la existencia de estacionalidad, ya su magnitud será alta
media o baja dependiendo del grado de similitud de los correspondientes palotes en
cada una de las 12 graficaciones realizadas.
En el caso del TRM se asume que hay una buena estacionalidad que indudablemente
se está deteriorando mucho en las etapas finales.
Seasonal Subseries Plot for Dólar TRM a junio 03
0 3 6 9 12 15Season
1300
1600
1900
2200
2500
2800
3100
Dó
lar
TR
M a
ju
nio
03
166
Seasonal Subseries Plot for TRM Col
0 3 6 9 12 15
Season
0
0.5
1
1.5
2
2.5
3(X 1000)
TRM
Col
Figura 71 Serie temporizada para corroborar la presencia de estacionalidad en TRM como referencia y en la serie evaluada, con estacionalidad inferior de 12 meses y ciclicidad superior a 12 meses TRM Fuente: Universidad E.A.F.I.T
Se podría afirmar que existe una seria presencia de estacionalidad
4.9.1.1.7. Ciclicidad
La ciclicidad se establece en la medida que exista un perfecto paralelismo en la gráfica
siguiente en todos los períodos graficados.
Annual Subseries Plot for TRM Col
0 3 6 9 12 15
Season
0
0.5
1
1.5
2
2.5
3(X 1000)
TRM
Col
Cycle12345678910111213
Figura 72 Serie temporizada para corroborar la presencia de ciclicidad TRM Fuente: Universidad E.A.F.I.T
167
La figura anterior ratifica la no presencia de ciclicidad al no haber un perfecto
paralelismo, como hay cruce entre las líneas sobretodo en los últimos tres años, donde
la línea café 11 se cruza con 10 y 12.
4.9.1.1.8. Determinación previa del Modelo: Clásico o Moderno
Análisis Previo Alto Regular Bajo Muy leve Inexistente
Nivel XRuido XTendencia Lineal XTendencia No lineal XEstacionalidad XCiclicidad XFenómenos exógenos X
Tabla 31 Síntesis análisis previo de la TRM Fuente: Universidad E.A.F.I.T
4.9.1.2. Hipótesis
El análisis previo demuestra que la primera posibilidad es para un modelo Winter con
fuerte estacionalidad y/o ninguna ciclicidad o en su defecto un AR.I.MA.
4.9.1.2.1. Preparación de la serie
La serie se recorta en dos etapas, una primera del último valor para corroboración de
resultados de modelo y de perfeccionamiento del mismo, en este caso particular el
primer recorte incluye enero de 2004.
El segundo recorte de doce datos permite seleccionar el modelo adecuado,
comparando los meses recortados con los pronósticos de todos los modelos realizados,
esto incluye los meses de enero a diciembre de 2003.
168
4.9.2. Cálculos del mejor modelo
Las series temporales mediante el análisis y la utilización de los modelos presentados a
continuación permiten seleccionar el más adecuado.
4.9.2.1. Análisis de modelos inicial con segundo recorte de doce meses
En la anterior hoja de cálculo de excel, se muestran varias cosas:
Los dos mejores modelos son de Tendencia Lineal Exponential (2) y Quadratic (3).
Se descarta el 1 Brown Single exponential Smoothing debido a que la serie no tiene
ruido y su alfa es muy alto.
El modelo 4 se descarta por alfa muy alto, a pesar de que su beta es bueno. El 5 se
descarta por ser un ARIMA de baja credibilidad por sus análisis de validación.
Validación primer recorte con un mes:
Los modelos se validan contra enero de 2004, para la validación de primer recorte.
169
W IN Q S B W indow S ing le E xponentia l S m ooth ing 2831.385W IN Q S B W indow S ing le E xponentia l S m ooth ing w ith L inear Trend 2888.968
W IN Q S B W indow D oub le E xponentia l 2852.392W IN Q S B W indow D oub le E xponentia l S m ooth ing w ith L inear Trend 2799.067
W IN Q S B W indow L inear regression w ith tim e 2771.295W IN Q S B W indow H o lt-W inters Additive Algorithm 2858.546
S tatgrafic D O S Analis is Trend L ineal 2771.29S tatgrafic D O S Analis is Trend Q uadratic 3142.21
S tatgrafic D O S An. Trend . E xp . P ow er 3128.09
En síntesis el análisis muestra que el mejor modelo es el de Tendencia lineal, fue
concluyente; por lo cual NO es necesario utilizar el segundo argumento.
170
4.9.2.2. Análisis final de selección de modelo:
Tabla de cálculos
# Software Modelos Símbolo 133 134 135 136 137 138 139 140 141 142 143 1441 WINQSB Window Simple Average Simple Average 6 SA 1413.48 1413.48 1413.48 1413.48 1413.48 1413.48 1413.48 1413.48 1413.48 1413.48 1413.48 1413.482 WINQSB Window Moving Average Medias moviles con 12 meses 12 MA 2534.20 2534.20 2534.20 2534.20 2534.20 2534.20 2534.20 2534.20 2534.20 2534.20 2534.20 2534.20
3 WINQSB Window Wheigted Moving Average Media Móvil Distribuida con 6 meses 12 WMA 2534.20 2534.20 2534.20 2534.20 2534.20 2534.20 2534.20 2534.20 2534.20 2534.20 2534.20 2534.204 WINQSB Window Moving Average with Linear Trend Meses 12 más Linear Trend MAT 2956.82 3021.84 3086.86 3151.88 3216.89 3281.91 3346.93 3411.95 3476.97 3541.98 3607.00 3672.025 WINQSB Window Single Exponential Smoothing Brown Cuadratica Alfa= .34 SES 2764.85 2764.85 2764.85 2764.85 2764.85 2764.85 2764.85 2764.85 2764.85 2764.85 2764.85 2764.856 WINQSB Window Single Exponential Smoothing with Linear Trend Holt Alfa=.34 Beta=.06 SEST 2845.02 2876.21 2907.40 2938.59 2969.78 3000.97 3032.16 3063.35 3094.54 3125.73 3156.92 3188.117 WINQSB Window Double Exponential Alfa=.34 DES 2658.94 2658.94 2658.94 2658.94 2658.94 2658.94 2658.94 2658.94 2658.94 2658.94 2658.94 2658.948 WINQSB Window Double Exponential Smoothing with Linear Trend Alfa=.34 DEST 2925.33 2979.89 3034.45 3089.01 3143.58 3198.14 3252.70 3307.26 3361.83 3416.39 3470.95 3525.519 WINQSB Window Adaptative Exponential Smoothing Alfa=.00001 Beta: 644.27 AES 644.27 644.27 644.27 644.27 644.27 644.27 644.27 644.27 644.27 644.27 644.27 644.2710 WINQSB Window Linear regression with time Tendencia Linear +342.6750 + 16.1023*T LR 2484.28 2500.38 2516.49 2532.59 2548.69 2564.79 2580.90 2597.00 2613.10 2629.20 2645.31 2661.4111 WINQSB Window Holt-Winters Additive Algorithm Holt Alfa=0.35 Beta:0.21 Gamma:0.86 HWA 2884.85 2962.77 2982.75 3055.85 3138.96 3231.55 3400.86 3449.27 3533.37 3485.65 3508.31 3575.4912 WINQSB Window Holt-Winters Multiplicative Algorithm Holt Alfa=0.35 Beta:0.06 Gamma:0.92 HWM 2801.44 2860.50 2841.60 2891.90 2957.23 3034.64 3210.14 3230.85 3301.85 3212.15 3205.28 3246.9213 Statgrafic DOS Analisis Trend Lineal 342.675+16.1023*T DAT 2484.28 2500.38 2516.49 2532.59 2548.69 2564.79 2580.90 2597.00 2613.10 2629.20 2645.31 2661.4114 Statgrafic DOS Analisis Trend Quadratic 685.896+0.734179*T+0.11555*T^2 DAQ 2827.50 2859.09 2890.91 2922.96 2955.23 2987.75 3020.49 3053.46 3086.66 3120.10 3153.76 3187.6615 Statgrafic DOS An. Trend. Exp. Power EXP(6.38589+0.0115457*T) DAE 2755.82 2787.82 2820.20 2852.95 2886.08 2919.59 2953.50 2987.79 3022.49 3057.59 3093.10 3129.0216 Statgrafic DOS Anal. Trend S Curve EXP(7.22618-1.75151/T) DAS 1356.97 1357.10 1357.23 1357.36 1357.49 1357.62 1357.74 1357.86 1357.98 1358.10 1358.22 1358.3428 Statgrafic MSDOS ARIMA (p,d,q) (P,D,Q) (0,1,1) (1,0,0) DSA 2891.09 2915.27 2916.75 2933.46 2957.89 2990.08 3058.45 3090.84 3134.44 3134.48 3150.30 3183.2055 Forecats Expert Trial ARIMA Box Jenkins (0,1,1)(1,1,1) 3035.27 2989.79 3021.08 3122.72 3274.46 3381.38 3443.52 3476.05 3440.97 3322.38 3327.01 3446.9056 Realidad Realidad 2926.46 2956.31 2958.25 2887.82 2853.33 2817.32 2880.40 2832.94 2889.39 2884.17 2836.05 2778.21
Sim ene-03 feb-03 mar-03 abr-03 may-03 jun-03 jul-03 ago-03 sep-03 oct-03 nov-03 dic-03
Serie Temporal (Propiedad de COLMASU S.A. - No reproducible) Pronóstico del Período Número
Luis Mora:3907 Ruido blanco
Tabla de diferencias
Diferencia
# Software Modelos Símbolo 133 134 135 136 137 138 139 140 141 142 143 144 Diferencia Puesto1 WINQSB Window Simple Average Simple Average 6 SA 2289111.51 2380327.49 2386317.44 2173681.38 2073170.90 1970769.55 2151857.22 2014869.53 2178313.28 2162932.02 2023708.25 1862490.70 25668 162 WINQSB Window Moving Average Medias moviles con 12 meses 12 MA 153867.12 178176.01 179817.55 125046.40 101843.32 80156.37 119853.75 89244.99 126159.23 122478.30 91112.82 59540.39 1427 11
3 WINQSB Window Wheigted Moving Average Media Móvil Distribuida con 6 meses 12 WMA 153866.34 178175.16 179816.71 125045.69 101842.68 80155.80 119853.06 89244.39 126158.52 122477.60 91112.22 59539.90 1427 104 WINQSB Window Moving Average with Linear Trend Meses 12 más Linear Trend MAT 921.73 4293.92 16539.50 69725.04 132178.05 215844.80 217649.31 335249.11 345244.38 432717.94 594365.44 798894.53 3164 155 WINQSB Window Single Exponential Smoothing Brown Cuadratica Alfa= .34 SES 26117.15 36656.17 37402.79 15121.13 7828.36 2752.89 13351.34 4635.98 15509.71 14236.79 5069.16 178.44 179 16 WINQSB Window Single Exponential Smoothing with Linear Trend Holt Alfa=.34 Beta=.06 SEST 6631.98 6415.53 2585.52 2577.80 13560.84 33727.32 23031.10 53088.31 42086.11 58350.27 102956.27 168015.55 513 47 WINQSB Window Double Exponential Alfa=.34 DES 71566.42 88428.32 89585.88 52385.60 37787.08 25083.91 49044.09 30275.65 53106.74 50728.10 31367.60 14225.09 594 68 WINQSB Window Double Exponential Smoothing with Linear Trend Alfa=.34 DEST 1.29 555.87 5806.44 40478.22 84242.16 145021.59 138607.29 224981.36 223194.83 283254.94 403098.01 558460.28 2108 129 WINQSB Window Adaptative Exponential Smoothing Alfa=.00001 Beta: 644.27 AES 5208391.20 5345528.96 5354503.44 5033516.60 4879946.08 4722146.30 5000277.38 4790276.37 5040563.81 5017152.01 4803899.57 4553699.92 59750 6610 WINQSB Window Linear regression with time Tendencia Linear +342.6750 + 16.1023*T LR 195521.38 207868.52 195154.55 126189.06 92804.92 63769.89 89702.65 55668.63 76335.61 65008.17 36383.66 13642.94 1218 811 WINQSB Window Holt-Winters Additive Algorithm Holt Alfa=0.35 Beta:0.21 Gamma:0.86 HWA 1731.64 41.76 600.05 28233.41 81586.78 171589.81 270873.41 379862.67 414705.09 361781.80 451928.13 635655.40 2799 1412 WINQSB Window Holt-Winters Multiplicative Algorithm Holt Alfa=0.35 Beta:0.06 Gamma:0.92 HWM 15630.50 9179.56 13606.52 16.68 10794.59 47228.85 108727.15 158335.55 170123.25 107570.88 136330.79 219684.38 997 713 Statgrafic DOS Analisis Trend Lineal 342.675+16.1023*T DAT 195523.15 207872.16 195151.90 126188.35 92805.53 63771.40 89700.25 55667.68 76336.16 65009.70 36381.75 13642.24 1218 914 Statgrafic DOS Analisis Trend Quadratic 685.896+0.734179*T+0.11555*T^2 DAQ 9793.08 9451.73 4534.68 1234.82 10383.61 29046.38 19625.21 48629.07 38915.45 55662.96 100939.64 167649.30 496 315 Statgrafic DOS An. Trend. Exp. Power EXP(6.38589+0.0115457*T) DAE 29118.01 28388.88 19057.80 1215.92 1072.56 10459.15 5343.61 23978.52 17715.61 30074.50 66074.70 123067.66 356 216 Statgrafic DOS Anal. Trend S Curve EXP(7.22618-1.75151/T) DAS 2463298.86 2557472.62 2563265.04 2342307.81 2237537.31 2130724.09 2318493.48 2175861.01 2345216.59 2328889.64 2183981.51 2016030.82 27663 2828 Statgrafic MSDOS ARIMA (p,d,q) (P,D,Q) (0,1,1) (1,0,0) DSA 1251.04 1684.28 1722.25 2083.01 10932.79 29846.02 31701.80 66512.41 60049.50 62655.10 98753.06 164016.90 531 555 Forecats Expert Trial ARIMA Box Jenkins (0,1,1)(1,1,1) 11839.62 1120.91 3947.61 55178.01 177350.48 318163.68 317104.13 413590.47 304240.50 192028.00 241041.72 447146.32 2483 1356 Realidad Realidad 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0
Serie Temporal (Propiedad de COLMASU S.A. - No reproducible) ico del Período
i
Figura 73 Cálculos del mejor modelo TRM
171
En su orden se puede concluir que el modelo que más se adapta a la serie es el
Tendencia Lineal, obsérvese que en ambos casos da la misma ecuación con dos
softwares diferentes, lo que ratifica el cumplimiento.
4.9.3. Mejor modelo y análisis final frente al análisis previo
Se selecciona el Tendencia Lineal WinQSB, que con los datos completos presenta el
siguiente grupo de pronósticos:
4.9.4. Pronósticos
Desde abril de 2004 son simplemente cualitativos sin validez cuantitativa.
Mes Año U.S. Dólar Americano
febrero-04 $ 2,797.75
marzo-04 $ 2,784.40
abril-04 $ 2,757.69
mayo-04 $ 2,757.69
junio-04 $ 2,761.03
julio-04 $ 2,747.67
agosto-04 $ 2,777.72
septiembre-04 $ 2,801.09
octubre-04 $ 2,841.16
noviembre-04 $ 2,817.79
diciembre-04 $ 2,784.40
Tabla 32 Pronósticos (especulativos Winter) de la TRM. Fuente: Universidad E.A.F.I.T
4.9.5. Bondad de ajuste de pronósticos anteriores:
Mes Enero 04
Real 2742.47 pesos
Pronóstico 2771.29 pesos
Error 0.7391%
Tabla 33 Errores entre realidad y pronóstico mensual de la TRM Fuente: Universidad E.A.F.I.T
172
Acorde a la tabla International Makridakis debería ser máximo de 9.7%, con lo cual
cumple el pronóstico anterior de enero de 2004 con 0.7391% de error.
Pronósticos e Historia del Dólar en pesos colombianos
T.R.M. Dólar
0
500
1,000
1,500
2,000
2,500
3,000
3,500
enero
-92
agos
to-92
marzo-9
3
octub
re-93
mayo-9
4
diciem
bre-9
4
julio-95
febrer
o-96
eptie
mbre-96
abril-
97
novie
mbre-9
7
junio-98
enero
-99
agos
to-99
marzo-0
0
octub
re-00
mayo-0
1
diciem
bre-0
1
julio-02
febrer
o-03
eptie
mbre-03
abril-
04
novie
mbre-0
4
Mes - AñoPes
os
colo
mb
ian
os.
Figura 74 Historia más pronósticos TRM Fuente: Universidad E.A.F.I.T
173
4.10. Conclusión
Las series temporales parten de la premisa que el entorno permanece estable.
La serie es un modelo Winter donde la estacionalidad o ciclicidad o ambas no existen o
se están conformando para un futuro o existen en una mínima expresión.
En conclusión, los pronósticos aportados son una ayuda para la gestión técnica y
operativa del fenómeno evaluado, en ningún momento se deben tomar como de estricto
cumplimiento, simplemente son una aproximación estadística al futuro, con sus
limitantes de ocurrencia, para poder planear estratégicamente las acciones que se
deben tomar en el presente con el fin de atenuar las amenazas y aprovechar las
oportunidades futuras pronosticadas.
174
5. Futuros estadísticos de corto y mediano plazo
5.1. Objetivo
• Revisar el comportamiento individual y combinado de los precios de los
diferentes combustibles fósiles proyectados en aras de encontrar parámetros
futuros de corto y mediano plazo, utilizando la estadística descriptiva,
correlacional, uní - bi - multivariada, regresional y múltiple.
5.2. Introducción
Los cambios que se están produciendo en el ámbito socioeconómico son tan
importantes, tan profundos y algunos a tal ritmo, que ya han comenzado a sentirse los
efectos en las organizaciones y en las empresas. En éste contexto de incertidumbre no
son suficientes los análisis convencionales que se alimentan desde y con datos
exclusivos del pasado, se hace imprescindible disponer, además, de nuevas
herramientas que exploren e iluminen las posibles evoluciones futuras de problemáticas
complejas en las que se ven inmersas tanto administraciones públicas como
organizaciones privadas. Sólo así podrán adoptarse las estrategias más adecuadas
para competir o servir eficientemente en un mundo cada día más interrelacionado.
Los análisis estadísticos uni, bi y multivariables y la proyectiva se aplican al explorar las
posibles o probables evoluciones futuras de empresas o sectores, en temáticas
problemáticas de toda índole (políticas, económicas, tecnológicas, etc.) a medio y largo
plazo, mediante el análisis de las variables que más influirán en su evolución y teniendo
en cuenta los comportamientos de los actores implicados.
175
5.3. Resultados y análisis correlacionales, proyectivos, estadísticos, y
multivariados de los principales combustibles fósiles
5.3.1. A N Á L I S I S D E C O R R E L A C I Ó N L I N E A L
=========================================================== Método se lanza una Hipótesis Nula de No asociación, si el p value es menor a 0.05 se rechaza y si es mayor se acepta. Solo se analizan las variables correlacionadas entre sí encerradas en círculos verdes, las rojas no tienen relación. A N Á L I S I S D E C O R R E L A C I Ó N L I N E A L =========================================================== IDENTIFICACIÓN DE LAS VARIABLES ------------------------------- VARIABLE 1 : ACPM - ACPM VARIABLE 2 : Gasolina - Gasolina Súper VARIABLE 3 : GNC - GNC VARIABLE 4 : GLP Prop - GLP Propano VARIABLE 5 : WTI NYME - WTI NYMEX VARIABLE 6 : Fuel Oil - Fuel Oil VARIABLE 7 : TRM Dóla - TRM Dólar Matriz de coeficientes de correlación simple -------------------------------------------- ACPM Gasolina GNC GLP Prop WTI NYME Fuel Oil TRM Dóla -------- -------- -------- -------- -------- -------- -------- ACPM 1.0000 -0.7104 0.9752 0.7701 0.3764 0.8026 0.4346 N = ( 36) ( 36) ( 36) ( 36) ( 36) ( 36) ( 36) p = 0.0000 0.0000 0.0000 0.0000 0.0237 0.0000 0.0081 Gasolina -0.7104 1.0000 -0.6396 -0.3639 -0.3935 -0.6644 -0.0610 N = ( 36) ( 36) ( 36) ( 36) ( 36) ( 36) ( 36) p = 0.0000 0.0000 0.0000 0.0291 0.0176 0.0000 0.7238 GNC 0.9752 -0.6396 1.0000 0.7812 0.2728 0.7707 0.4468 N = ( 36) ( 36) ( 36) ( 36) ( 36) ( 36) ( 36) p = 0.0000 0.0000 0.0000 0.0000 0.1075 0.0000 0.0063 GLP Prop 0.7701 -0.3639 0.7812 1.0000 0.3224 0.5623 0.7412 N = ( 36) ( 36) ( 36) ( 36) ( 36) ( 36) ( 36) p = 0.0000 0.0291 0.0000 0.0000 0.0552 0.0004 0.0000 WTI NYME 0.3764 -0.3935 0.2728 0.3224 1.0000 0.4259 0.3412 N = ( 36) ( 36) ( 36) ( 36) ( 36) ( 36) ( 36) p = 0.0237 0.0176 0.1075 0.0552 0.0000 0.0096 0.0417 Fuel Oil 0.8026 -0.6644 0.7707 0.5623 0.4259 1.0000 0.4908 N = ( 36) ( 36) ( 36) ( 36) ( 36) ( 36) ( 36) p = 0.0000 0.0000 0.0000 0.0004 0.0096 0.0000 0.0024 TRM Dóla 0.4346 -0.0610 0.4468 0.7412 0.3412 0.4908 1.0000 N = ( 36) ( 36) ( 36) ( 36) ( 36) ( 36) ( 36) p = 0.0081 0.7238 0.0063 0.0000 0.0417 0.0024 0.0000 El resultado es asombrosamente concluyente, todas las variables se relacionan entre sí.
176
El análisis se hace de a cada dos: ACPM y Gasolina Super Índice de relación -0.7104 Se relacionan inversamente, mientras uno sube el otro baja en un 71.04% P value= 0.0000 Relación perfecta ACPM y GN Índice de relación +0.9752 Se relacionan directamente, mientras uno se mueve en una dirección el otro también lo hace en la misma dirección en un 97.52% P value= 0.0000 Relación perfecta ACPM y GLP Propano Índice de relación +0.7701 Se relacionan directamente, mientras uno se mueve en una dirección el otro también lo hace en la misma dirección en un 77.01% P value= 0.0000 Relación perfecta ACPM y GLP Propano Índice de relación +0.3764 Se relacionan directamente, mientras uno se mueve en una dirección el otro también lo hace en la misma dirección en un 37.64% P value= 0.0237 Relación casi perfecta ACPM y Fuel Oil Índice de relación +0.8026 Se relacionan directamente, mientras uno se mueve en una dirección el otro también lo hace en la misma dirección en un 80.26% P value= 0.0000 Relación perfecta ACPM y TRM Índice de relación +0.4346 Se relacionan directamente, mientras uno se mueve en una dirección el otro también lo hace en la misma dirección en un 43.46% P value= 0.0081 Relación perfecta
177
Gasolina Super y GN Y así sucesivamente hasta completar los 21 Terminando en Fuel Oil y TRM Índice de relación +0.4908 Se relacionan directamente, mientras uno se mueve en una dirección el otro también lo hace en la misma dirección en un 49.08% P value= 0.0024 Relación casi perfecta
178
5.3.2. C O E F I C I E N T E A L F A D E C R O N B A C H
======================================================= IDENTIFICACIÓN DE LAS VARIABLES ------------------------------- VARIABLE 1 : ACPM ACPM VARIABLE 2 : Gasolina Gasolina Súper VARIABLE 3 : GNC GNC VARIABLE 4 : GLP Prop GLP Propano VARIABLE 5 : WTI NYME WTI NYMEX VARIABLE 6 : Fuel Oil Fuel Oil VARIABLE 7 : TRM Dóla TRM Dólar Número de casos: 36 Número de ítems: 7 Coeficiente alfa de Cronbach = 0.6798 A pesar de que el mínimo debería ser 0.65, se acepta como válido por lo extenso del trabajo y la complejidad del mismo
181
Pesos de los inputs en las funciones de activación de las neuronas intermedias: Intermedia 1 ------------- Umbral 2.46640205 Inputs: ACPM 0.04035398 Gasolina 0.07711274 GNC 0.45649653 GLP Prop -0.26597835 WTI NYME 0.28713869 Fuel Oil -0.15613913 TRM Dóla 3.89747709 Pesos de las neuronas intermedias en las funciones de activación de los outputs: WTI NYME TRM Dóla ------------- ------------- Umbral 0.02496419 2.80660903 Intermedia 1 0.74616042 6.11323618
182
CONJUNTO DE EVALUACIÓN: ---------------------- Estadísticas de las variables output (modelo de regresión) ---------------------------------------------------------- WTI NYME TRM Dólar ------------- ------------- Media variable output 31.3522 2871.7527 Des.estándar var. output 1.6629 86.7816 Media errores estimación 0.3116 0.8778 Des estándar errores 1.5441 13.9193 Ratio D.E.errores/output 0.9286 0.1604 Correlación estim/output 0.3924 0.9874 Como se puede observar la correlación en dependencia con el dólar es infinitamente alta y con el Crudo NYMEX WTI es mediana del 39.24%
183
5.4. Conclusión
El campo de la análisis correlacionales, estadísticos, y multivariados proyectiva
organizacional, cronológicamente están llegando a la madures. Significativos
desarrollos teóricos en estimación y predicción, potentes y económicas computadoras
personales acopladas con el software apropiado, varios estudios en gran escala
investigando la precisión de los métodos predictivos, y lo mas importante, la
considerable experiencia ganada a través de la aplicación de tales métodos, han
contribuido a su madures. Hoy el campo de los pronósticos descansan en sólidas
bases teóricas así como una base practica y realista que aumenta su importancia y
utilidad a las empresas.
A pesar de ser una metodología madura y conocida, no solo se utiliza muy poco en
nuestro medio, sino que es subvalorada.
Con el presente proyecto se pretendió aplicarlo a un negocio en donde esta
metodología es muy poco utilizada, no solo con el propósito de mejorar la planeación
estratégica del mismo.
184
6. Conclusiones
La humanidad, desde épocas inmemoriales, ha sentido la necesidad apremiante de
conocer qué le de deparará el futuro y ante la incertidumbre asume diferentes
posiciones para afrontar ese devenir. La proyectiva y la prospectiva se presentan como
una forma de aproximación al futuro, en donde tienen cabida diferentes metodologías
con distintas formas de recolectar y analizar la información.
La selección de las variables fundamentales que impactan el entorno, los recursos y la
organización es uno de los actores clave del éxito en la aplicación de los métodos de
pronósticos, por tanto, es fundamental que los directivos de las empresas les den el
manejo adecuado, tanto a las variables en si mismas como a las relaciones que existen
entre ellas.
Los análisis estadísticos, proyectivos y prospectivos cuentan con una serie de métodos
que pueden adecuarse de manera idónea a la situación particular de cada una de las
empresas, lo importante es que estas metodologías sean aplicadas utilizando enfoques
multidisciplinarios, que se conviertan en ejercicios que agreguen valor, que permitan
generar la cultura en los tomadores de decisión de mirar el futuro y anticiparse a él para
lograr ventajas competitivas que les posibiliten la permanencia en su negocio.
La toma de decisiones debe hacerse bajo un modelo comprobado a nivel internacional
de validez científica, por ello se recomienda trabajar bajo la filosofía de una toma de
decisiones enfocada en la planeación estratégica tecnológica a partir de los estados
futuros.
185
Los escenarios no sirven para predecir el futuro, sirven para proyectar, por lo tanto, es
importante enmarcarse en estos procesos con un conocimiento profundo de las
metodologías posibles para prospectar, proyectar, pronosticar, entendiendo sus
conceptos fundamentales, ventajas y limitaciones y procedimientos técnicos entre otros.
La aplicación de esta metodología, que se realizo para aplicación de la Gerencia de
Distribución Energía de las EEPPM E. S. P. es muy valiosa desde el punto de vista de
ser un iniciador de la cultura de mirar con ojos críticos los posibles futuros a los cuales
debe enfrentarse como unidad estratégica de negocio. Sin embargo, es primordial que
adopte metodologías con mayor validez científica, que satisfagan sus necesidades
primordiales y que con ello dé un paso adelante en el mejoramiento continuo de su
proceso de planeación estratégica.
La Gerencia de Distribución Energía de las EEPPM debe apropiar metodologías para
realizar pronósticos, que le permitan configurar los entornos futuros posibles, con un
adecuado nivel científico para un horizonte de largo plazo y realizar el monitoreo
permanente de los indicadores, todo ello enmarcado dentro del proceso de planeación.
La recomendación para la Gerencia de Distribución Energía es la de complementar la
utilización del método desarrollado con un conjunto de métodos de mayor aplicación
científica a la UEN’s, que le permitan alcanzar logros más veraces y confiables a futuro
ya que si bien el método utilizado puede ser interesante como iniciador de pensamiento,
no esta directamente direccionado a las verdaderas necesidades de la UEN’s, ni de
ninguna compañía en particular.
187
7. Referencias bibliográficas.
7.1. Bibliografía clásica
• Ackoff, Russell L. Rediseñando el futuro. Editorial Limusa S.A. de C.V. Grupo Noriega Editores,
México, 1995.
• Anderson, David R., Sweeney, Dennis J. y Williams, Thomas A. – Estadística para administración y
economía. – 7 ed., Thompson, México, 1999.
• Bas, Enric – Prospectiva: herramientas para la gestión estratégica del cambio. Editorial Ariel, S.A., Barcelona,
España, 1999.
• Bell, Daniel. The coming of Post-industrial Society. Basic Books, Nueva York, United States, 1993.
• Bertalanffy, Ludwig von. Perspectivas en la teoría general de sistemas. Editorial Alianza, Bogotá,
Colombia, 1993.
• Bertalanffy, Ludwig von. Teoría general de los sistemas. Editorial Fondo de Cultura Económica,
Bogotá, Colombia, 1994.
• Boyd Jr., Harper W. – Westfall, Ralph – Stasch, Stanley F. – Investigación de Mercados: texto y casos –
Cuarta reimpresión - Limusa Noriega Editores – México, 1993.
• Bright. J.R. A Brief Introduction to Technology Forecasting. Concepts and exercises. Pemaquid Press, 1972.
• Cabrejos Doig, Belisario G. - Investigación de Mercados. Centro de Publicaciones EAFIT- Universidad
EAFIT –- Medellín, Colombia 1989.
• Carrión García, Andrés. Métodos Cuantitativos de ayuda a la Gestión: Técnicas de Previsión. Departamento
de Estadística e Investigación Operativa – Publicaciones – Dr. Titular de Escuela – Universidad
Politécnica de Valencia, Valencia, España, 1995.
• Castresana Ruiz, José Ignacio. Blanco Martínez, Adolfo. El liderazgo cultural estratégico como base de la
calidad de gestión en la empresa Aplicación de análisis estructural M.I.C. M.A.C. E.S.I.C. 185, Madrid,
España 1996.
188
• Cely B., Alexandra V. Metodología de los escenarios para estudios prospectivos. En Paper, Colombia,1999.
• CEPAL. Precios al detalle de los productos refinados del petróleo en algunos países de América Latina, CEPAL,
Bogotá, Colombia, 1998.
• Considine, Douglas M. Enciclopedia de energía. 6 volumenes, Publicaciones Marcombo, México,
1986.
• Courtney, Hugh; Kirkland, Jane y Viguerie, Patrick. La gestión en la incertidumbre: Estrategia en tiempos
de incertidumbre. Ediciones Deusto S.A., Bilbao, España, 1999.
• Dalkey, N. – Helmer, O. An experimental application of the Delphi Method to the use of Experts.
Management Science. Número 9 – U.S.A., 1963.
• Decouflé, André-Clément. La Prospectiva. Ediciones Oikos-Tau, S.A., Barcelona, España 1974.
• De La Puerta, Enrique y Escorsa, Pere. La estrategia tecnológica de la empresa: una visión de conjunto. En:
Economía Industrial – Septiembre - Octubre – 1991; p. 93 – 107.
• De Miguel Fernández, Enrique. Introducción a la Gestión “Management” - Volumen I y II -
Departamento de Organización de Empresas, Economía Financiera y Contabilidad. – E.T.S.I.
Industriales. Universidad Politécnica de Valencia, Valencia, España, 1993.
• Diccionario Larousse Multimedia. Ediciones Larousse S.A. de C.V. México D.F., México,
Versión 2000.
• Drucker Peter – La sociedad post capitalista – USA, 1993.
• Drucker, Peter – Management: Tasks, Responsibilities, and Practices. Ed. Harper and Row – Nueva
York, U.S.A., 1974.
• Duperrin, J.C. – Godet, M. – Methode de hierarchisation des elements d'un systeme. Rapport Economique
du C.E.A. – Francia – 1972.
• ECOPETROL. Ministerio de Minas y Energía. Código de petróleos y recopilación de las disposiciones
referentes a hidrocarburos. - 3. ed. Ecopetrol Bogotá, Colombia 1997.
• Empresas Públicas de Medellín E.S.P.. EEPPM El negocio de generación de energía en los próximos diez
años. Gerencia Generación Energía. Medellín. Medellín, Colombia. 2000.
189
• Escorsa, Pere. Mapas tecnológicos y estrategias – VII Congreso Latinoamericano de Gestión e
Innovación Tecnológica – Universidad Politécnica de Valencia – GESTEC – Valencia, España,
1999.
• Escudero, Laureano F. La estadística aplicada a la empresa : fundamentos prácticos de la estadística de
empresa. Serie La empresa moderna. Publicación Madrid : Ibérico Europea, 1968.
• Fayol, Henri – Administración industrial y general. Editorial Herrero Hermanos, España, 1976.
• Gabiña, Juanjo. El futuro revisado. La reflexión prospectiva como arma estrategia y decisión. – Alfaomega
Grupo Editor – Marcombo Barcelona España – Tercer Mundo Editores – Bogotá – Colombia –
1995.
• Godet, Michel – De la anticipación a la acción – Alfaomega Grupo Editor – Marcombo Barcelona
España – Tercer Mundo Editores – Bogotá – Colombia – 1993.
• Godet, Michel – De la anticipación a la acción: manual de prospectiva y estrategia – Editorial Alfaomega
Marcombo Boixerau Editores – Barcelona – España – 1999.
• Godet, Michel - Prospective et planification stratégique. Económica – París, Francia, 1985.
• Granger, C. W. J. – Forecasting in Business and Economics. – Nueva York: Academia Press,
1980. Citado por: De Miguel Fernández, Enrique. – Introducción a la gestión: Management. –
Universidad Politécnica de Valencia, Valencia España, 1993, 2v.
• Kaplan, Robert S. – Norton, David – Cuadro de mando integral – Edición especial 2000 K.P.G.M.
Latinoamérica – Barcelona, España, 1997.
• Kotler, Philip – Dirección de Mercadotecnia: análisis, planeación, implementación y control – Editorial
Prentice-Hall Hispanoamericana, S.A. – México – México – 1996.
• Hill, Charles W. L. y Jones, Garerh R. Administración Estratégica Un Enfoque Integrado. Mc Graw
Hill, Bogotá, Colombia, 1996.
• Iñíguez, César Martín. Prospectiva. Ciencia y tecnología. SECAB n. 39. Bogotá, Colombia, 1994.
190
• Isaza, José Fernando. Estudio financiado por la Agencia Canadiense para el Desarrollo (ACDI) a través del
Programa de Asistencia para el Sector Energético (ESMAP), auspiciado por el Banco Mundial y el Programa de
las Naciones Unidas para el Desarrollo (PNUD). Bogota, Colombia, 1986.
• Jahoda, Marie, – Deutsch, Morton and Cook, Stuart W. – Research Methods in Social Relations. –
Dryden, Nueva York, U.S.A., 1951.
• Jaramillo Restrepo, Luis Jaime. Estudio Proyectivo de la exportación bananera de la zona de Urabá – Tesis
de maestría en Administración – Universidad EAFIT- Medellín, Colombia, 2000.
• Jones, H and Twiss, B.C. – Forecasting Technology for Planning Decisions – London: Mac Millan
Press,1980. Citado por: De Miguel Fernández, Enrique. – Introducción a la gestión: Management. –
Universidad Politécnica de Valencia, Valencia España, 1993, 2v.
• Latin American Conference of the Center for Global Energy Studies, Gas, Power and Regulation in
Latin America From State Monopoly to Private Investment, Publicación: Center for Global Energy Studies,
Miami Beach, Florida, 1998.
• Landeta Rodríguez, Jon. El método Delphi: una técnica de previsión para la incertidumbre. Editorial Ariel
Practicum S.A., Barcelona, España, 1999.
• Lefèbvre, J. F. L’analyse structurelle, methods et développements. Tesis doctoral de tercer ciclo. –
Universidad de París – IX Dauphine – París, Francia, 1982.
• Makridakis, Spyros y Wheelwright, Steven C. – Métodos de pronósticos. – Limusa, Mexico,1998.
• Martino. J. Technological Forecasting for Decision Making. Elsevier., 1972.
• Miklos, Tomás – Telo, María Elena. Planeación prospectiva: una estrategia para el desarrollo del futuro.
Limusa Noriega Editores, México, 1997.
• Millet, S. – Honton, E. - A Manager’s Guide to Technology Forecasting, and Strategy Analysis Method- Batelle
Press – Ohio - U.S.A. – 1991.
• Mojica Sastoque, Francisco. La Prospectiva. LEGIS Editores S.A., Bogotá, Colombia 1991.
• Mora Gutiérrez, Luis Alberto, Pérez, Anastasi, y Ríos, Álvaro. Congreso Ibero Latinoamericano de Alta
tecnología. ALTEC 2001, San José de Costa Rica. Octubre de 2001.
191
• Mora Gutiérrez, Luis Alberto - Pérez Peral, Anastasio - Determinación de los factores claves de éxito y
estrategias para el fortalecimiento de las relaciones empresa-universidad–empresa, mediante el análisis estructural
prospectivo M.I.C. M.A.C. en Europa y Latinoamérica. – Grupo Internacional de Gestión de Tecnología
Comunidad Europea Gestec II – Ponencia IV Encuentro latinoamericano de Prospectiva –
Universidad Externado de Colombia – Bogotá – Colombia – Agosto de 2000.
• Mora Gutiérrez, Luis Alberto. Análisis estructural prospectivo y competitivo de la gestión del mantenimiento en
industrias de alta tecnología en la ciudad de Medellín (Colombia). – Ensayo de Tesis Doctoral de tercer ciclo
Ingeniería Industrial – Universidad Politécnica de Valencia – Valencia, España, Diciembre de
1998.
• Mora Gutiérrez, Luis Alberto. Estudio de análisis estructural prospectivo para alcanzar con éxito los mercados
internacionales aéreos A.C.E.S. Colombia – Universidad EAFIT. – Medellín, Colombia, Agosto de
2000.
• O’Connor. W. J. A Methodology for Analogies. Journal of Technological Forecasting and Social Change. 1971.
Citado por: De Miguel Fernández, Enrique. – Introducción a la gestión: Management. – Universidad
Politécnica de Valencia, Valencia España, 1993, 2v.
• Pardinas, Felipe – Metodología y técnicas de la investigación en ciencias sociales – Editorial Siglo XX –
Buenos Aires, Argentina, 1969.
• Pérez Peral, Anastasio – Michelly, Jordy – Mora, Luis – Redondo, Julia – Sariego, Pedro – Ramírez,
Sonia – Ibarz, Tony - Libretti, Vicenzo –Giacometi, Miretta – Lladós, Rosa María – Otros –
Estudio prospectivo euturístico sobre relaciones Universidad – Empresa en Iberoamérica – Foro de resultados
integrales – Grupo de Gestión de Tecnología GESTEC _ Red Alfa Tipo II Comunidad Europea -
Unitát de Formadores – Universidad Politécnica de Catalunya – Barcelona, España, Mayo de 1999.
• Porter, Michel E. – Please Note Location of Nearest Exit: Exit Barries and Planning. California
Management Review. Volumen 19. California – U.S.A. – 1976.
• Porter, Michel E. – The Competitive Advantage of Nations. Free Press. Nueva York – U.S.A. 1990.
192
• Porter, Michel E.- Estrategia Competitiva: técnicas para el análisis de sectores industriales y de la competencia.
Decimosexta edición. Compañía Editorial Continental, S.A. de C.V. Azcapotzalco – México, 1992.
• Porter, Michel E.- Ser competitivo: nuevas aportaciones y conclusiones – Ediciones Deusto S.A. – Bilbao,
España, 1999.
• Porter, Michel E.- Ventaja Competitiva. Undécima edición. Compañía Editorial Continental, S.A. de
C.V. Azcapotzalco – México, 1995.
• Prahalad, C. K. – Hamel, Gary – La organización por unidades estratégicas de negocio ya no sirven – Harvard
Deusto Review – España, 1991.
• Roubelat, Fabrice – Godet, Michel – Gabiña, Juanjo – Monti, Régine – Meunier, Francis – La caja
de herramientas de la prospectiva – Cuadernos publicados por la Electricité de France, Mission
Prospective – Laboratoire d’Investigation Prospective et Stratégique – CNAM – 2 rue Conté –
75003 – París – Francia – 1996.
• Sachs, Lothar. Estadística aplicada Libros, Monografías. Labor, Barcelona, España, 1978.
• Santesmases, Miguel. Diseño y Análisis de Encuestas de Investigación Social y de Mercados. DYANE. –
Ed Piramide, Barcelona, España, 1999.
• Schwartz, Peter – The art of the long view - Doubleday. – U.S.A. -.1991.
• Schwartz, Peter – The planification strategique par scénarios – Futuribles – Número 4 – Francia – 1991.
• Steiner, George A. – Planeación estratégica – Compañía Editorial Continental – México, 1985.
• Ténière-Buchot, P. F. – Méthodes de programmation aplicables aux activités scientifiques et technologiques –
UNESCO – Nueva York – U.S.A. – 1990.
• Ténière-Buchot, P. F. – Modèle Popole – Analyse et prévision. – París, Francia, Febrero 1973.
• Toffler, Alvin – Toffler, Heidi – Handy, Charles – Porter, Michael – Prahalad, C.K. – Hamel, Gary
– Senge, Peter – Hammer, Michael – Bennis, Warren – Kotter, John – Covey, Stepen – Naisbitt,
John – Thurow, Lester – Kelly, Kevin – Ries, Al – Trout, Jack – Repensando el futuro – Editado por
Rowan Gibson – Grupo Editorial Norma – Bogotá – Colombia – 1997.
193
• Uexcüll, J. Von – Unwelt und Innenwelt der tiere – Segunda Edición – Berlín – Alemania – Springer –
1920.
• Unidad de Planeación Minero Energética UPME. Futuros para una energía sostenible en Colombia. –
Ministerio de Minas y Energía – Bogotá, Colombia, 2000.
• Valls Pasola, Jaume – Escorsa Castell, Pere – Tecnología e innovación de la empresa. dirección y gestión –
Edición UPC – Politext 65 – Barcelona, España – 1997.
• Whorf, B. L. – Collected Papers on Metalinguistic – Foreign Service Institute – Department of State –
Washington – U.S.A. – 1952.
• Whorf, B. L. – Language, Thought and Reality: Selected Writings of B.L. Whorf – John Caroll, Ed. John
Wiley & Sons – Nueva York – U.S.A. – 1953.
194
7.2. Referencias de internet
• Rodríguez Cortezo, Jesús (2000). La prospectiva tecnológica como herramienta estratégica – En
Revista de la Asociación Española de Científicos N° 2 – Acta Científica y Tecnológica
http://www.aecientificos.es/Prospectiva.html
• Instituto de Prospectiva Tecnológica (1999).– ¿Qué es la estrategia?., estudios y análisis
prospectivos http://www.prospecti.es/estrateg/quees.htm
• MINMINAS@2003. Política petrolera en Colombia , www.minminas.gov.co
• ECOPETROL@2003. Derivados del petróleo, exploración, producción y comercialización de
hidrocarburos. Precios mensuales de combustibles. www.ecopetrol.com.co
• Historia del petróleo en Colombia, precios del barril de petróleo a nivel mundial, Precios
Combustibles. www.portafolio.com.co
• ECOGAS@2003. Transporte y comercialización de gas natural. www.ecogas.com.co
• PDVSA@2003. Historia del petróleo, precios internacionales, refinación y características.
www.pdvsa.com
• UPME@2003. Precios combustibles, historia y tendencias. www.upme.gov.co
195
7.3. Otras referencias usadas, mas no citadas
• Hanke, John E. – Reitsh, Arthur G. – Pronósticos en los Negocios - Editorial Prentice Hall
Hispanoamericana, S.A. - Traducido por Sergio Kourchenko Barrena – México – México – 1995
• Makridakis, Spyros - Wheelwright, Steven C. – Métodos de pronósticos – Editorial Limusa Noriega
Editores – Primera Edición - México – México - 1998
• Otras publicaciones EAFIT. referidas al mismo tema, en forma secuencial:
• Revistas El Camacolero: número 1239 de Enero-febrero de 1997, número 1244 de agosto de 1997 y
1249 de Ene-Feb de 1998. – Medellín – Colombia.
• Publicaciones EAFIT en eventos y revistas nacionales e internacionales.
• Softwares utilizados: Statgraphic D.O.S. y bajo Window, Forecast Expert Trial, QSB +++ y QSB
30 y QSB bajo Window, Excel 97, Minitab, Forecast Pro y S.P.S.S., Logarex, etc. otros de
validación.