MODELOS DE PRONOSTICOS

Anlisis de series de tiempo

Segundo semestre 2012

Medicin del error en el pronstico

Yt valor de una serie de tiempo en el periodo t
Y valor del pronstico para Y
t

Error del pronstico o residual :

e Y Y
t

Medicin del error en el pronstico

El error correspondiente a cualquier pronstico es

la diferencia entre el valor observado en la serie
de tiempo y el pronstico.

La mayora de los mtodos implica promediar

alguna funcin del error.

El error de pronstico puede ser positivo o

negativo dependiendo si el pronstico es
demasiado alto o demasiado bajo.

Una medida de la precisin de los pronsticos es

la suma de los errores.

Medicin del error en el pronstico

El problema es que si se suman los errores al ser

unos positivos y otros negativos se cancelarn.

Puede evitarse esto tomando los valores

absolutos o elevando al cuadrado cada uno de los
errores, antes de sumarlos y promediarlos.

Algunos mtodos son:

Desviacin absoluta de la media :

n

DAM

Y Y
t 1

Medicin del error en el pronstico

Error medio cuadrado :

Y Y
n

EMC

t 1

Este mtodo penaliza los errores mayores ya que

eleva cada uno al cuadrado.

Se usa en casos que se prefiere una tcnica que

produzca errores moderados a otra que
generalmente tenga errores pequeos pero
ocasionalmente arroje algunos muy grandes.

Medicin del error en el pronstico

En ocasiones es ms til calcular los errores en

porcentajes y no en cantidades.

El porcentaje del error medio absoluto (PEMA)

se calcula encontrando el error absoluto en cada
periodo, dividiendo ste entre el valor real
observado para ese periodo y despus
promediando estos errores absolutos de
porcentaje.
n

PEMA

t 1

Yt Yt
Yt
n

Medicin del error en el pronstico

El PEMA indica qu tan grande son los errores

comparados con los valores reales de la serie.

Se puede utilizar el PEMA para comparar la

precisin de la misma u otra tcnica sobre dos
series completamente diferentes.

A veces resulta necesario determinar si un

mtodo de pronstico est sesgado (pronstico
consistentemente alto o bajo).

Para esto se utiliza el porcentaje medio de error

(PME).

Medicin del error en el pronstico

El PME se calcula encontrando el error en cada

periodo, dividiendo ste entre el valor real de ese
periodo y promediando despus estos
porcentajes de error.

Y Y

PME

t 1

Yt
n

Si un mtodo de pronstico no est sesgado el

PME dar un porcentaje cercano a cero.

Medicin del error en el pronstico

Si el resultado es un porcentaje negativo grande

el mtodo de pronstico est sobrestimando en
forma consistente.

Si el resultado es un porcentaje positivo grande

el mtodo de pronstico est subestimando en
forma consistente.

Es realista esperar que una tcnica produzca

errores relativamente pequeos.

Las mediciones de precisin de un pronstico se

podran utilizar para buscar una tcnica ptima.

Medicin del error en el pronstico

La tabla siguiente muestra el n de clientes

diarios que requieren trabajos de reparacin y un
pronstico de estos datos.

La tcnica de pronstico utiliza el n de clientes

atendidos en el periodo anterior como el
pronstico del periodo actual.

Medicin del error en el pronstico

Periodo
(t)

Datos

Pronstico

Yt

Yt Yt

58

54

58

-4

60

54

55

60

-5

62

55

62

62

65

62

63

65

-2

70

63

Total

12

Yt

Error

Medicin del error en el pronstico

DAM=4,3
EMC=23.5
PEMA=6,95%
PME=2,03%

El DAM indica que cada pronstico est desviado

en un promedio de 4.3 clientes.

El EMC y el PEMA se compararn con cualquier

otro mtodo de pronstico.

El PME indica que la tcnica no est desviada ya

que su valor es cercana a cero.

Medicin del error en el pronstico

Uno de los requerimientos bsicos de una tcnica

de pronstico es que de un patrn de residuos
que sea aleatorio.

Esto se puede probar mediante un correlograma

de los residuos.

Otro requerimiento es que los residuos tengan

una distribucin aproximadamente normal.

Esto se puede probar mediante un histograma de

los residuos.

Series de tiempo

Recordemos que una serie de tiempo es un

conjunto de observaciones de un cierto
fenmeno tomadas en tiempos especficos,
generalmente a intervalos iguales.

Una serie de tiempo se define por medio de los

valores Y1 , Y2 , ..., Yt , ..., Yn de una variable Y
observada en periodos de tiempo iguales t.

Series de tiempo

Ejemplo, la siguiente tabla muestra la produccin

anual (en millones de unidades) durante 12 aos
de una compaa.

Series de tiempo
Ao

Periodo t

1997

1998

1999

2000

2001

12

2002

16

2003

13

2004

10

2005

17

2006

10

14

2007

11

22

2008

12

24

Produccin Yt

Series de tiempo

Anlisis de series de tiempo

El anlisis de las series de tiempo consiste en una

descripcin de los movimientos componentes
presentes.

Equivale a investigar los factores T, C, E e I y

suele llamarse descomposicin de series de
tiempo, en sus movimientos componentes
bsicos.

Un modelo de series de tiempo puede expresarse

como alguna combinacin de estos 4
componentes.

Modelos de series de tiempo

En general, se supone que una serie de tiempo

contiene sus componentes en forma aditiva o en
forma multiplicativa.

Modelo aditivo: supone que el valor de los datos

originales Y, es la suma de los 4 componentes.

Y T C E I

Modelo multiplicativo: supone que el valor de los

datos originales Y, es el producto de los 4
componentes.

Y T C E I

Modelos de series de tiempo

En el modelo aditivo los datos se expresan en las

unidades originales y el valor de una componente
no afecta los valores de otros componentes.

En el modelo multiplicativo slo la componente

de tendencia se expresa en unidades originales,
las componente estacionales y cclicas se
expresan en nmeros relativos o porcentajes,
adems hay una dependencia mutua.

Por ejemplo, una produccin de Y=37.800

unidades (pares) de zapatos de una empresa de
calzado en el ao 2006 se puede descomponer en

Modelos de series de tiempo

T=40.000 unidades

C=100% no existe efecto por el ciclo del negocio

E=105% la produccin de calzado tiene una

variacin estacional de +5% para ese ao

I=90% por algunas fuerzas no conocidas el

nmero de zapatos producidos sufre una
variacin irregular de -10% en ese ao

Entonces

37.800 40.000 1,00 1,05 0,90

Modelos de series de tiempo

El modelo multiplicativo es el que se usa ms a

menudo ya que caracteriza a la mayora de las
series de tiempo econmicas o de negocios.

Trataremos con ese modelo para separar las

componentes que influyen en los valores de la
serie de tiempo.

Anlisis de tendencia

El anlisis de tendencia es el procedimiento

mediante el cual se determina la direccin del
movimiento de la serie de tiempo a largo plazo.

El comportamiento general de una variable, con

frecuencia puede analizarse mejor observando su
tendencia a largo plazo.

Se supone que existe una tendencia que puede

ser ascendente, descendente o constante.

Lo primero que se debe decidir es si la tendencia

es una lnea recta o una curva.

Anlisis de tendencia

La estimacin de la tendencia se puede realizar

por los siguientes mtodos.

1.

Mtodo de mano libre

Mtodo de los semipromedios
Mtodo de los mnimos cuadrados

Mtodo de mano libre: consiste en trazar una

recta o curva de tendencia mirando la grfica,
depende demasiado del juicio personal.

Anlisis de tendencia
2.

Mtodo de los semipromedios: consiste en

separar los datos en 2 partes (de preferencia
iguales) se calcula la media de cada parte y se
ajusta una lnea de tendencia que pase por las 2
medias.

Suele conducir a resultados pobres cuando se

utiliza en forma indiscriminada, slo es aplicable
cuando la tendencia es lineal.

Anlisis de tendencia
3.

Mtodo de los mnimos cuadrados: de los

modelos de tendencia de las serie de tiempo el
ms utilizado es la lnea recta.

Si Y representa los valores de la tendencia y X los

periodos de tiempo, la recta de tendencia es:

Y a bX

a y b se obtienen por el mtodo de los mnimos

cuadrados

XY nXY

b
X nX
2

a Y bX

Anlisis de tendencia

En el ejemplo anterior la ecuacin de

tendencia lineal obtenida por el mtodo de
mnimos cuadrados es
Y 0, 727 1, 773 X

Series de tiempo
Ao

Periodo Produccin Produccin

(X)
(Y)
estimada Y

1997

2,5

1998

4,3

1999

6,0

2000

7,8

2001

12

9,6

2002

16

11,4

2003

13

13,1

2004

10

14,9

2005

17

16,7

2006

10

14

18,5

2007

11

22

20,2

2008

12

24

22,0

Variaciones cclicas

Los datos anuales contienen slo 2 componentes:

la tendencia y el ciclo.

Las variaciones estacionales son cambios

mensuales o trimestrales que no se revelan en
los datos anuales.

Las variaciones irregulares tienen efectos

positivos y negativos en periodos cortos y tienden
a compensarse en el curso de un ao.

Por esta razn cuando los datos son anuales, se

pueden aislar los ciclos.

Variaciones cclicas

Suponiendo un modelo multiplicativo y dividiendo

por los valores de la tendencia:
Y T C

C
Yt
T

Al multiplicar por 100 se obtienen porcentajes

(ndice cclico), una medida de 100% indica
ausencia de efectos cclicos.

En el ejemplo se determin el componente cclico

de los valores de la serie utilizando la tendencia
lineal.

Variaciones cclicas
Ao

Produccin Tendencia
YT
(Y)

Indices cclicos Desviacio

Y / YT 100 nes (%)

1997

2,5

80

-20

1998

4,3

69,8

-30,2

1999

6,0

83,3

-16,7

2000

7,8

115,4

15,4

2001

12

9,6

125

25

2002

16

11,4

140,4

40,4

2003

13

13,1

99,2

-0,8

2004

10

14,9

67,1

-32,9

2005

17

16,7

101,8

1,8

2006

14

18,5

75,7

-24,3

2007

22

20,2

108,9

8,9

2008

24

22,0

109,1

9,1

Variaciones cclicas

Series de tiempo

Si la serie de tiempo est bien descrita por la

tendencia, estacionalidad y los ciclos, la variacin
residual deber ser aleatoria.

Los componentes de una serie se combinan en

forma:

F T S C R

F
T
S
C
R

Pronstico de demanda (en unidades o en $)

Nivel de tendencia (en unidades o en $)
Indice de estacionalidad
Indice cclico
Indice residual

Series de tiempo

En la prctica, con frecuencia el modelo se reduce

slo a los componentes de tendencia y estacionalidad.

Esto se hace porque un modelo bien especificado

posee un valor de ndice residual (R) de 1 y esto no
afecta el pronstico.

Se puede tratar el ndice cclico (C) igual a 1 ya que,

por lo general, el modelo se actualiza cuando se
dispone de nueva informacin.

La variacin cclica tiende a compensarse con la

actualizacin.

Series de tiempo

La tendencia puede determinarse por algn

promedio mvil o por regresin.

El mtodo de mnimos cuadrados minimiza las

diferencias cuadrticas entre la informacin real y la
curva de tendencia.

Una lnea de tendencia tiene la forma

Donde t es el periodo de tiempo, y T es el nivel de

demanda promedio o tendencia.

a y b vienen dadas por

T a bt

Series de tiempo
D (t ) N ( D )(t )

b
t Nt
t

a D bt

Donde

N
Dt
D
t

Es el nmero de observaciones
Demanda real en el tiempo t
Demanda promedio para los N periodos
Promedio de t en los N periodos

Series de tiempo

El componente de estacionalidad est

representado por un ndice que cambia para cada
periodo que se pronostica.

Este ndice es una razn de la demanda real por

la demanda promedio.

Dt
St
Tt
SIndice
de estacionalidad en el tiempo t
t
TValor
de tendencia
t

Series de tiempo

El pronstico viene dado por

Ft Tt St L

Donde
pronosticada en el tiempo t
FDemanda
t
LNmero de periodos en el ciclo estacional

Ejemplo. Un fabricante de ropa debe decidir

sobre cantidades de compra. Se especifican 5
estaciones del ao verano, otoo, invierno,
festividades y primavera. Se requiere un
pronstico para 3 estaciones adelante.

Periodo de
SeriesdePeriodo
de
tiempo
venta
tiempo (t)

Ventas
(Dt)

Verano

$ 9458

Otoo

11542

Invierno

14489

Festividades

15754

Primavera

17269

Verano

11514

Otoo

12623

Invierno

16086

Festividades

18098

Primavera

10

21030

Verano

11

12788

Otoo

12

16072

Invierno

13

Festividades

14

Primavera

15

Descomposicin clsica

Descomposicin clsica

Descomposicin clsica

Descomposicin clsica

Descomposicin clsica

Evaluacin del mtodo de pronstico

Pasos para evaluar una tcnica de pronstico

1.

Elegir un mtodo de pronstico con base en la

intuicin y patrn de los datos.

2.

Se dividen los datos en 2 conjuntos, uno de

creacin del modelo y otro de prueba.

3.

Crear el modelo con el primer conjunto de datos.

4.

Utilizar el modelo para pronosticar el segundo

conj. de datos y evaluar el error de pronstico

5.

Elegir la tcnica, modificarla o elegir otra tcnica.