Es un estimado cuantitativo (o conjunto de

estimados) acerca de la verosimilitud de eventos

futuros, que se elabora con base en la

informacin pasada y actual.

Las predicciones de los hechos y condiciones

futuras, es una adivinacin calculada del futuro.

Pronosticar es muy importante en muchos tipos

de empresas, ya que las predicciones de hechos

futuros se pueden incorporar al proceso de la

toma de decisiones.

Cualquier organizacin debe ser capaz de hacer

predicciones

inteligentes

para

poder

tomar

decisiones

 El

anlisis de series de tiempo, consiste en

encontrar el patrn del pasado y proyectarlo al
futuro.
En funcin de los modelos de series de tiempo
podemos distinguir entre:

Pronstico ex post

Pronstico ex ante

Las observaciones en las variables endgenas y en

las variables explicativas ya se conocen con
certeza durante el periodo pronosticado, de este
modo, los pronsticos ex post pueden verificarse
contra los datos existentes y proporcionan un
medio para evaluar un modelo del pronstico.

Tambin
predice valores de la variable
dependiente ms all del periodo de estimacin
original, pero usa variables explicativas que
pueden conocerse o pueden no conocerse aun con
certeza.

Ex Ante

Ex Post

Pronstico
Condicional
Pronstico
Incondicional

Los valores para una o mas variables explicativas

no se conocen, as que se deben usar suposiciones
(o pronsticos) para producir un pronostico de la
variable dependiente

Las variables explicativas deben conocerse con certeza

para el periodo entero del pronstico. Una forma en
que puede ocurrir esto es haciendo que las variables
explicativas aparezcan con rezagos de tiempo, aun si
las variables explicativas no aparecen con rezagos,
podemos ser capaces de pronosticarlas perfectamente,
generando de este modo pronsticos incondicionales
para la variable dependiente.

Mtodos de proyeccin. Estos mtodos tratan de encontrar el

patrn total de los datos para proyectarlos al futuro, y son:
Promedios Mviles
Suavizacin Exponencial
Box-Jenkins

Mtodo de separacin. Es aquel que separa la serie en sus

componentes para identificar el patrn de cada componente, y

se llama: Mtodo de Descomposicin de Series de Tiempo.

Periodo

El patrn de los datos

El costo del pronstico

La exactitud deseada

La disponibilidad de la informacin

La facilidad de operar y entender

Puntos en el tiempo (das, semanas, meses, o aos en el futuro), generan

los pronsticos. Este intervalo de tiempo se llama periodo u horizonte de
tiempo. Su duracin se clasifica de la siguiente forma:
Inmediato - menos de 1 mes

Corto Plazo - 1 a 3 meses

Medio (+) de 3 meses a (-) de 2 aos
Largo Plazo 2 aos o (+)

Considerar los componentes presentes (tendencia, ciclo, variacin

estacional o alguna combinacin de ellos) para determinar el modelo a
emplear.

Es pertinente tener varios costos, considerando el costo de desarrollar el

modelo. El costo de la operacin real de la tcnica es importante.

El grado de complejidad puede tener una influencia definitiva en el costo

total del pronstico.

Los datos histricos de una variable de inters utilizada por distintos

mtodos de pronsticos requiere diferentes cantidades, datos histricos o
anteriores, por ello la cantidad de datos disponibles es importante,
observando la puntualidad de los datos con que se cuenta.

1.
2.
3.
4.
5.
6.

Ambiente de decisin y funcin de prdida

Objeto del pronstico
Planteamiento del Pronstico
Horizonte del Pronstico
Conjunto de informacin
Mtodos y complejidad, el principio de la
parsimonia y el principio de contraccin

Buenos pronsticos = buenas decisiones

Cada pronstico conlleva una estructura de costo o prdida, asociada
a cada decisin, por lo tanto decisiones incorrectas conducen a prdidas
positivas.
La funcin de prdida tiene la forma L(e), es decir la prdida depende del
error de pronstico
L(e) = 0

PRONSTICO PERFECTO
L(e) es IDNTICA cuando los errores casi idnticos al pronstico,
producen prdidas casi idnticas.
L(e) aumenta a medida que tambin aumenta el valor absoluto de e (ms
grande el tamao absoluto del error ser mayor la prdida).

Resultado del evento

Tiempo del evento

Serie temporal

Decidir el tipo de pronstico:

Puntual o puritual (un solo nmero ejemplo ndice de crecimiento
del PIB del 2008 a 2009)
De Intervalo (intervalo de valores reflejando incertidumbre en el

pronstico, pero proporcionan ms informacin que el puntual)

De Densidad (expresa toda la distribucin de probabilidades del valor

futuro de la serie de inters)

Cantidad de periodos (etapas) entre hoy y la fecha del pronstico que se

elabora, en general se habla de un pronstico de h etapas a futuro, para lo
cual el horizonte h est a discrecin del usuario.

Todo pronstico depende de la calidad de la informacin, ya se explcita o

implcita con que se cuente.

Principio de la parsimonia: los modelos simples, en igualdad de

condiciones, son preferibles a los modelos complicados.

(se interpretan, entienden y revisan con mayor facilidad).

Principio de la contraccin: al imponer restricciones sobre los modelos de

pronstico se mejora la eficacia del mismo.

Principio MACOS (mantenerlo complicadamente sencillo).

Los procedimientos de pronsticos pueden tambin clasificarse de acuerdo

con su tendencia a ser ms cuantitativos (Anlisis de series de tiempo y
Modelos Causales) o cualitativos.

Una tcnica puramente cualitativa es aquella que no

requiere de una abierta manipulacin de datos, slo se
utiliza el juicio de quin pronostica.
Desde luego, incluso aqu, el juicio del pronosticador es
en realidad el resultado de la manipulacin mental de
datos histricos pasados.
No requieren de elementos de juicio.
Ciertos procesos cuantitativos requieren de una
manipulacin de datos mucho mas compleja que otros.
Debemos enfatizar de nuevo que junto con los nuevos
procedimientos mecnicos y de manipulacin de datos,
se deben emplear elementos de juicio y sentido comn

Anlisis de Series de
Tiempo

El anlisis consiste en encontrar el patrn del

pasado y proyectarlo al futuro.

Patrones de una serie de tiempo:

Horizontal o estacionario
Tendencia a largo plazo
Efecto estacional

Modelos Causales

Efecto cclico

Modelos de Regresin:
Lineal Simple
Lineal Mltiple

La aceptacin de que las tcnicas de pronsticos funcionan sobre datos

generados en sucesos histricos pasados conduce a la identificacin de cuatro
pasos en el proceso de pronstico:

Es importante obtener datos adecuados y asegurarse que son correctos.

Este paso es el mayor reto de todo el proceso y el ms difcil de controlar,

ya que los pasos siguientes se efectan sobre los datos, sean o no relevantes
para el problema en cuestin.

Algunos datos pueden no ser pertinentes al problema, por lo que reduciran

la precisin del pronstico.

Otros datos pueden ser los adecuados, pero en ciertos periodos histricos.

Implica ajustar los datos reunidos en un modelo de pronstico que sea el

adecuado para minimizar el error del pronstico.

Se debe establecer un balance entre un enfoque de pronstico complejo

(ms precisin) y un enfoque sencillo (fcil de entender) de manera que lo
utilicen efectivamente.

Ocurre una vez que se recolectaron y tal vez redujeron, los datos

adecuados y que se seleccion un modelo de pronstico apropiado.

Es entonces cuando se observan los errores de pronstico y se resumen de

algn modo.