Métodos de Predicción

Exploración
de patrones
de series de
tiempo
Sesión 03
Saltar a la primera
página
Saltar a la primera
página
Exploración de patrones de
datos

 Se requieren suficientes datos

históricos
 Se apoyan en la suposición de que
el pasado puede extenderse hacia el
futuro

Saltar a la primera
página
 Las técnicas cuantitativas
pueden ser:
Estadísticas Se enfocan en patrones y en
cambios en los patrones y
sus perturbaciones

Determinísticas Son de tipo causal,

establecen relación entre
la variable a pronosticar y
otras variables
Saltar a la primera
página
 Con relación a las técnicas
cuantitativas estadísticas se
presentan dos enfoques:
 Los datos se pueden descomponer
en componentes de tendencia,
cíclicos, estacionales y aleatorios.
 Modelos econométricos de series de
tiempo y Box-Jenkins.

Saltar a la primera
página
Componentes de series de tiempo:

 Una serie de tiempo consta de datos

que se reúnen, registran u observan
sobre incrementos sucesivos de
tiempo.
 Se requiere un enfoque sistemático
para analizarlas.

Saltar a la primera
página
Descomposición clásica de series de
tiempo:
Componente Descripción
Tendencia Es el componente de largo plazo que
representa el crecimiento o disminución
en la serie sobre un periodo amplio.
Cíclico Es la fluctuación en forma de onda
alrededor de la tendencia.
Estacional Es un patrón de cambio que se repite a
sí mismo año tras año.
Aleatorio Mide la variabilidad de las series de
tiempo después de retirar los otros
componentes. Saltar a la primera
página
 Exploración de patrones de datos
series de tiempo: Datos estacionarios
 Las fuerzas que generan la serie
se han estabilizado y el medio
permanece relativamente sin
cambios.
 Se puede lograr la estabilidad
haciendo correcciones sencillas a
factores como crecimiento de la
población o la inflación.
 La serie se puede transformar en
una serie estable.
 La serie es un conjunto de errores
de pronóstico, de una técnica de
pronóstico que se considera
adecuada.
Saltar a la primera
página
 Exploración de patrones de datos series
de tiempo : Datos con tendencia
 Productividad creciente y
nueva tecnología producen
cambios.
 El incremento de la
población elevan la
demanda por productos.
 El poder de compra se
afecta por la inflación.
 Aumenta la aceptación en
el mercado de un producto.

Saltar a la primera
página
Exploración de patrones de datos series
de tiempo : Datos con estacionalidad
 El clima
influye en la
variable de
interés.
 El año
calendario
influye en la
variable. Saltar a la primera
página
 Exploración de patrones de datos
series de tiempo : Series cíclicas
 El ciclo del negocio influye sobre la variable.
 Cambios en el gusto popular.
 Cambios en la población.
 Cambios en el ciclo de vida del producto.

Saltar a la primera
página
Análisis de autocorrelación

Saltar a la primera
página
Saltar a la primera
página
Datos Tab. 2 - 1

Saltar a la primera
página
Diagrama de dispersión Yt vs Yt-1

Saltar a la primera
página
Diagrama de dispersión Yt vs Yt-2

Saltar a la primera
página
Autocorrelación

Saltar a la primera
página
 Autocorrelación
Función de autocorrelación: VCR

Desfase ACF T LBQ

1 0.571913 1.98 5.00
2 0.462687 1.25 8.59
3 0.110583 0.27 8.82

Saltar a la primera
página
Probar si el ρ es diferente de 0

Saltar a la primera
página
Saltar a la primera
página
Saltar a la primera
página
Saltar a la primera
página
 ¿Datos aleatorios?
Desfase ACF T LBQ
1 -0.191171 -1.21 1.57
2 -0.006293 -0.04 1.58
3 -0.145224 -0.89 2.53
4 0.104475 0.63 3.04
5 -0.253756 -1.50 6.13
6 0.028640 0.16 6.17
7 0.169071 0.95 7.63
8 -0.027390 -0.15 7.67
9 -0.032551 -0.18 7.73
10 0.021546 0.12 7.75

Saltar a la primera
página
Datos con tendencia

Saltar a la primera
página
Saltar a la primera
página
Primera diferencia

Saltar a la primera
página
Saltar a la primera
página
Datos con estacionalidad

Saltar a la primera
página
Datos con estacionalidad

Saltar a la primera
página
Saltar a la primera
página
Medición del error en el pronóstico

 Se compara la precisión de dos o más

técnicas de pronóstico.
 Se mide la confiabilidad de una
técnica de pronóstico.
 Se busca la técnica óptima.

Saltar a la primera
página
Medición del error en el pronóstico
Periodo, t Yt Pronóstico, Yt
1 58 -
2 54 58
3 60 54
4 55 60
5 62 55
6 62 62
7 65 62
8 63 65
9 70 63
Saltar a la primera
página
Fórmulas de medición del error en
el pronóstico

Yt  valor de una serie de tiempo en el periodo t

Yˆ  valor del pronóstico para Y
t t

Error del pronóstico o residual :

e  Y  Yˆ
t t t

Saltar a la primera
página
Fórmulas de medición del error en
el pronóstico
Desviación absoluta media :
n

 Y  Yˆ t t
DAM  t 1
n
Error medio cuadrado :

 Y  Yˆ 
n 2
t t
EMC  t 1
n
Saltar a la primera
página
Fórmulas de medición del error en
el pronóstico
Porcentaje de error medio absoluto :
n Yt  Yˆt
 Yt
t 1
PEMA 
n
Porcentaje medio de error :



n
Y  Yˆ t

t 1 Yt
PME 
n Saltar a la primera
página
 Determinación de la idoneidad
de una técnica de pronóstico
 ¿Los residuales son aleatorios?
 ¿Los residuales se distribuyen normalmente?
 ¿Son significativas las estadísticas t para todos
los valores de los parámetros estimados?
 ¿Los que toman las decisiones entienden la
técnica para poder emplearla?

Saltar a la primera
página
Saltar a la primera
página
Saltar a la primera
página
Saltar a la primera
página
Saltar a la primera
página
Saltar a la primera
página
Saltar a la primera
página
Saltar a la primera
página