UNIVERSIDAD METROPOLITANA

DEPARTAMENTO DE MATEMÁTICAS

MODELOS ESTOCÁSTICOS

PROFESOR: MANUEL CAMPOS

TALLER

INTEGRANTES:

● MADIO, VALERIA CARNET: 20171110566

● MESBER, SIMÓN CARNET: 20171110074

Caracas, 22 de febrero de 2020

 A continuación se mostrará un informe acerca del análisis de los datos
asignados que corresponden a la serie de tiempo del dólar en Venezuela con
diversos modelos donde se dividieron los datos en periodo de ajuste donde el
modelo empleado se ajusta de la manera más apropiada, el periodo de prueba
donde se proceden a pronosticar datos en un periodo de tiempo donde ya se
posee información para poder deducir la veracidad de los pronósticos y por
último el pronóstico donde verdaderamente se genera la información futura con
el modelo que mejor se ajustó a la serie de tiempo dada.

1. Promedios móviles simples.

Esta técnica se utiliza cuando se quiere dar más importancia a conjuntos

de datos más recientes para obtener el pronóstico, en este caso se trataba de
53 días. El pronóstico se obtiene al calcular la media aritmética del conjunto de
datos más recientes seleccionado. La sensibilidad a los cambios en el
comportamiento de la serie se reduce al utilizar un número mayor de
observaciones en el conjunto de datos, pero esto genera un mayor error
cuadrado.

Que la serie no sea estacionaria es un pro para la implementación de este

modelo ya que este no maneja bien los datos que poseen dicha característica.

Se generaron cuatro (4) variaciones, es decir, se implementó este modelo

para 4 promedios móviles simples distintos los cuales fueron 3, 5, 6 y 9.
 Imagen 1: Promedios Móviles Simples.
Creación: Propia.

Como se puede vislumbrar en la imagen 1, el MA (3) es el que produjo

menor error cuadrado y esto se debe a que la serie de tiempo asignada posee
ciertos picos que son repetitivos, pero sin ser estacionaria y por esto mientras
mayor fuese el rango para generar el promedio móvil simple la curva se iba a ir
aplanando cada vez más impidiendo así la replicación de la serie de tiempo
analizada.

Este modelo generó un error cuadrado de 25152766,88, pero no fue el

óptimo.

Además, este modelo sólo pronostica 1 dato, los demás son la repetición
de este lo que da a entender que el comportamiento de ahí en adelante va a ser
constante y esto es algo muy poco probable en la realidad.

Las fórmulas empleadas fueron:

𝑥1 +𝑥2 +⋯𝑥𝑡
● Promedio Móvil Simple: MA (3) = Ft+1= = 𝑠1
𝑇
1
● Error Cuadrado: 𝑛 ∗ ∑𝑛𝑖=1 (𝑥𝑖 − 𝐹𝑖 )2

2. Promedios móviles dobles.

Este método consiste en calcular un conjunto de promedios móviles y en

seguida calcular un segundo conjunto como promedio móvil del primero.

Se utiliza para realizar pronósticos de series que tienen una tendencia

lineal, ya que este método maneja menor esta. A su vez, otorga más valor a las
observaciones recientes por lo que refleja de manera general el comportamiento
de la serie de tiempo lo que no hace este método el óptimo dado que no toma
en cuenta todas las posibles variaciones que pudiese presentar la serie.
 Imagen 2: Pronóstico Promedio Móvil Doble.
Creación: Propia.

Como se puede ver en la imagen 2, este modelo tuvo un error cuadrado

de 4813735729 el cual fue mayor que el promedio móvil simple, esto se debe a
que, como se dijo en el modelo anterior, mientras mayor sea el rango del
promedio más aplanada va a ser la curva y como la serie estudiada a pesar de
no ser estacionaria ni cíclica posee ciertos picos y desniveles, no es conveniente
que el modelo a emplear aplane la curva en gran medida puesto que no sería
totalmente verídico el pronóstico ejecutado.

Las fórmulas empleadas fueron:

𝑥1 +𝑥2 +⋯𝑥𝑡
● Promedio Móvil Simple: MA (3)= Ft+1= = 𝑠1
𝑇
𝑥1 +𝑥2 +⋯𝑥𝑡
● Promedio Móvil Doble: : MA(3x3)= Ft+1= = 𝑠2
𝑇

● Tendencia: at= 2𝑠1 − 𝑠2

2
● Estacionalidad: bt= 𝑛−1 ∗ (𝑠1 − 𝑠2 )

● Función: Ft+m= at+mbt

1
● Error Cuadrado: 𝑛 ∗ ∑𝑛𝑖=1 (𝑥𝑖 − 𝐹𝑖 )2
 3. Suavizamiento exponencial simple.

El método de suavizamiento exponencial simple puede considerarse

como una evolución del método de promedio móvil, en este caso se calcula el
promedio de una serie de tiempo con un mecanismo de autocorrección que
busca ajustar los pronósticos en dirección opuesta a las desviaciones del
pasado mediante una corrección que se ve afectada por un coeficiente de
suavización.

Así entonces, este modelo de pronóstico precisa tan sólo de tres tipos de
datos: el pronóstico del último período, la demanda del último período y el
coeficiente de suavización.

El pronóstico de suavización exponencial simple es óptimo para patrones

de demanda aleatorios o nivelados como es este caso donde se pretende
eliminar el impacto de los elementos irregulares históricos mediante un enfoque
en períodos de demanda reciente; este posee una ventaja sobre el modelo de
promedio móvil ponderado ya que no requiere de una gran cantidad de períodos
y de ponderaciones para lograr óptimos resultados.

En este caso se hizo uso de Excel Solver para poder determinar el

coeficiente de suavización óptimo, es decir, el que minimizará el error cuadrado
en mayor medida obteniendo así los siguientes datos.
 Imagen 3: Suavizamiento Exponencial Simple.
Creación: Propia.

En la imagen 3 se logra apreciar que el error cuadrado de este modelo fue

de 13020017,74 ajustándose a la serie de tiempo a estudiar, pero no lo suficiente
como para recrearla y pronosticar de una manera certera dado que como bien
se nota en la gráfica hay ciertos picos de la serie de tiempo que el modelo aplana.

Además, este modelo sólo pronostica 1 dato, los demás son la repetición
de este lo que da a entender que el comportamiento de ahí en adelante va a ser
constante y esto es algo muy poco probable en la realidad.

Las fórmulas empleadas fueron:

● Función: Ft+1= 𝛼 ∗ 𝑥𝑡 + ((1 − 𝛼) ∗ 𝐹𝑡)

1
● Error Cuadrado: 𝑛 ∗ ∑𝑛𝑖=1 (𝑥𝑖 − 𝐹𝑖 )2

4. Suavizamiento Exponencial Doble.

En el caso del método de suavizamiento exponencial doble lo que varía

con respecto al suavizamiento exponencial simple es que para pronosticar
además de poseer la constante de suavizamiento se toman en cuenta tanto la
estacionalidad como la tendencia.
 Imagen 4: Suavizamiento Exponencial Doble.
Creación: Propia.

Se puede apreciar que el error cuadrado en este modelo fue de

39312673,37 siendo mayor que en el suavizamiento exponencial simple dado
que a pesar de tomar en cuenta la estacionalidad y la tendencia en este caso la
serie a estudiar no posee estacionalidad.

Lo bueno de este modelo es que su pronóstico puede hacerse hasta

varios datos después en vez de pronosticar el siguiente y repetirlo a los demás.

Las fórmulas empleadas fueron:

● Función: Ft+1= 𝛼 ∗ 𝑥𝑡 + ((1 − 𝛼) ∗ 𝐹𝑡) = 𝑠1

● Función: Ft+1= 𝛼 ∗ 𝑠1 + ((1 − 𝛼) ∗ 𝐹𝑡) = 𝑠2
● Tendencia: at= 2𝑠1 − 𝑠2
𝛼
● Estacionalidad: bt= 1−𝛼 ∗ (𝑠1 − 𝑠2 )

● Función: Ft+m= at+mbt

1
● Error Cuadrado: 𝑛 ∗ ∑𝑛𝑖=1 (𝑥𝑖 − 𝐹𝑖 )2

5. Holts.

Referirse a tendencia significa hablar de un incremento o decremento

sobre el promedio de la serie de tiempo. Otros métodos como promedios móviles
y suavización exponencial simple no consiguen prever la tendencia con
anterioridad, sin embargo, una modificación a este último lo logra, dando origen
a otro método para pronosticar.

Con este método se agrega una constante de suavización sigma, cuya

función es reducir el error que ocurre entre la demanda real y el pronóstico.
 Imagen 5: Método de Holts.
Creación: Propia.

Este es uno de los modelos que mejor se ajustó a la serie de tiempo

estudiada con un error cuadrado de 13052009,04 dado que reduce la
aleatoriedad usando la diferencia entre los promedios calculados en dos (2)
períodos consecutivos.

En este método se empleó de igual manera Excel Solver para poder

generar los valores constantes de alfa y sigma que produjeran el menor error
cuadrado obteniendo los resultados vistos en la imagen 5.

Las fórmulas empleadas fueron:

● Función: 𝑆1=𝑥1
● Función: 𝑆𝑡 = 𝛼 ∗ 𝑥𝑡 + ((1 − 𝛼) ∗ (𝑆𝑡−1 + 𝑏𝑡−1 )
● Estacionalidad: 𝑏1 =𝑥2 − 𝑥1
● Estacionalidad: 𝑏𝑡 = 𝛿 ∗ (𝑠𝑡 − 𝑠𝑡−1 ) + (1 − 𝛿) ∗ 𝑏𝑡−1
● Función: 𝐹𝑡 +m= 𝑆𝑡 + 𝑚𝑏𝑡
1
● Error Cuadrado: 𝑛 ∗ ∑𝑛𝑖=1 (𝑥𝑖 − 𝐹𝑖 )2
 6. Autorregresivo.

Es una representación de un tipo de proceso aleatorio, el cual describe

ciertos procesos variables en el tiempo. El modelo autorregresivo especifica que
la variable de salida depende linealmente de sus propios valores anteriores.

Este se realizó de 3er orden. Como bien se puede notar se empleó la

opción de Excel de análisis de datos-regresión para ejecutar este modelo dado
que es una manera muy sencilla donde se especifican todos los datos de interés.
El error fue de 11861191,54, el menor entre todos los modelos y se procedieron
a realizar las predicciones.

Imagen 6: Modelo Autorregresivo.

Creación: Propia.

La fórmula empleada fue:

● Función: 𝐹𝑡 + 1 = 𝑎𝑡 + (𝑎𝑡−1 ∗ 𝐹𝑡 )

Se realizó su respectiva gráfica comparándola con la original, como se

puede ver en la imagen 6.
 Para culminar, se realizó una gráfica comparativa entre la serie original y
todos los modelos, donde se puede observar que la gráfica de Holts es la mas
cercana a la original.

Imagen 7: Gráfico comparativo de Todos los Modelos.

Creación: Propia.

Como se mencionó con anterioridad, el modelo mejor ajustado a la serie

de tiempo estudiada es el autorregresivo por los motivos ya especificados en su
sección correspondiente, tomando en cuenta que su error cuadrático fue el
menor y a pesar de poder solamente hacer la predicción de un (1) día y repetir
este en los demás. Sin embargo, a nivel de gráfico, el modelo de Holts es el que
mejor se ajusta a la serie original a pesar de que su error cuadrático diera mayor
que el de autorregresivo.