MA461 Estadística Inferencial

UNIDAD 5: Serie de Tiempo

Semana 15 – Sesión 01
Logro: Al finalizar la unidad, el estudiante aplica el enfoque de descomposición o atenuación
exponencial a la serie de tiempo, para hacer el pronóstico del valor que podría tomar una variable en
función del tiempo, en la resolución de casos de su especialidad seleccionando la mejor estimación.

Serie de Tiempo Estacionaria. Suavización Exponencial y Medición del Error.

Tipos de las Series de Tiempo.

Series No Estacionarias Series Estacionarias

Características
- Media y/o Variabilidad cambian a lo largo - Media y la Variabilidad se mantienen
del tiempo. constantes a lo largo del tiempo.
- Tienen tendencia y/o Estacionalidad. - No tienen tendencia.
Herramienta Estadística
- Método de Descomposición. (Modelo
- Método Suavización/Atenuación Exponencial.
multiplicativo)

Llegada de Turistas a Peru. 2005 - 2019 Venta e Inmatriculación de vehículos livianos. 2019
14397
Cantidad de Turistas

15000 14114

13445
14000 13306

12692 12770
13000 12378
Cantidad

12073 12200
11899 11832
12000
10889

11000

10000
febrero

junio

sept.

nov.

dic.
agosto
enero

mayo

octubre
marzo

abril

julio
2019…
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
2017
2018

Año Mes

La serie de tiempo es: La serie de tiempo es:

No estacionaria, porque presenta tendencia Estacionaria, porque no presenta tendencia, ya que
(creciente) línea roja. las ventas de autos oscilan alrededor de una línea
En el Ejemplo, para pronosticar la llegada de media. Además, no presenta una componente
turistas en los siguientes periodos se puede estacional, pues no existe/detecta un patrón que se
utilizar la técnica de descomposición de un repita.
modelo multiplicativo. Para pronosticar las ventas, se utiliza la técnica de:
suavización exponencial.
 MA461 Estadística Inferencial
UNIDAD 5: Serie de Tiempo

Ejemplos de Series de Tiempo Estacionaria.

- Cantidad de almuerzos vendidos en la cafetería de la universidad.

- Ventas de autos livianos.
- Demanda de gasolina semanal.

Demanda de gasolina semanal

24
Demanda de gasolina

23
22 22
21
20 20
19
18 18
17
16
15
1 2 3 4 5 6 7 8 9 10 11 12 13
Semanas

- Los datos (valores originales) de la serie de tiempo se representa con la línea azul y la línea roja
punteada, representa los valores originales “suavizados” (se atenúan los datos extremos, se suavizan),
cuando aplicamos el Método de Atenuación (Suavización) Exponencial para realizar pronósticos.

Series de Tiempo Estacionarias

Son aquellas, cuyas propiedades estadísticas son independientes del tiempo.

Es decir, que:
- El proceso de generación de los datos tiene una media constante.
- La variabilidad de la serie de tiempo es constante en el tiempo.
Los valores de una serie estacionaria oscilan en torno a un valor medio (están estacionarios alrededor del valor
medio), por lo tanto, se mantiene sin aumentar o disminuir. No exhiben comportamiento de tendencia, ni
variaciones cíclicas o estacionalidad.

Una serie estacionaria es mucho más fácil de predecir. Si se comportaba de una manera en el pasado (digamos
con una determinada media y varianza), podremos suponer que se seguirá comportando de la misma forma en
el futuro (si no acontece en evento extraordinario, o sea, si no se manifiesta el componente irregular). Es decir,
tiene una gran probabilidad de continuar comportándose de la misma forma y se recomienda utilizar la técnica
estadística del Método de Suavización Exponencial.
 MA461 Estadística Inferencial
UNIDAD 5: Serie de Tiempo

Técnicas Estadísticas de Pronósticos: Método de Suavización Exponencial.

Es un método de pronóstico que se basa en suavizar (promediar), los valores pasados de una serie de tiempo
en forma exponencialmente creciente, supone que los datos son estacionarios (sin tendencia ni
estacionalidad). Las observaciones se ponderan asignando los pesos (α) más grandes a las más recientes.
Modelo matemático:
𝑌̂𝑡+1 = 𝛼𝑌𝑡 + 𝛼(1 − 𝛼)𝑌𝑡−1 + 𝛼(1 − 𝛼)2 𝑌𝑡−2 + 𝛼(1 − 𝛼)3 𝑌𝑡−3 +. ..

Método de Suavización Exponencial Simple

̂ 𝒕+𝟏 = 𝜶 ∗ 𝒀𝒕 + (𝟏 − 𝜶) ∗ 𝒀
Modelo matemático: 𝒀 ̂𝒕

donde: Ŷt+1 Nuevo valor suavizado o valor de pronóstico para el siguiente periodo (t + 1).
α Constante de suavización (0 < α < 1)
Yt Valor real de la serie en el periodo t
Ŷt Valor suavizado/estimado en el periodo t
et Error del pronóstico en el periodo t (et = Yt - Ŷt)

Considerar que para el primer pronóstico se cumple que: ̂ 𝟏 = 𝒀𝟏

𝒀

Importante:
- El método de suavización exponencial solo pronostica un periodo más (a muy corto plazo).
- El valor real de “α” -constante de suavización- determina el grado hasta el cual, la observación más reciente
puede influir en el valor del pronóstico.

Constante de suavización Interpretación

Si α → 0 El nuevo pronóstico, es similar al anterior.
El nuevo pronóstico, incluirá un ajuste sustancial de cualquier
Si α → 1
error ocurrido en el pronóstico anterior.

Medición del Error de Pronóstico.

¿Qué tan exactos son los pronósticos en una Serie de Tiempo?

Para saber que tan exactos son los pronósticos obtenidos, debemos medir el error del pronóstico en relación
con el valor real de la serie.

Error de Pronóstico: concepto clave relacionado con la medida de exactitud del pronóstico es el error de
pronóstico, definido como: Valor real – Valor pronóstico.

Y se lee:
Error de pronóstico (et) et = error de pronóstico en el periodo t
(error = Valor real – Valor pronóstico) Yt = Valor real de la serie en el periodo t
̂𝒕
𝒆𝒕 = 𝒀𝒕 − 𝒀 𝑌̂𝑡 = Valor del pronóstico en el periodo t
 MA461 Estadística Inferencial
UNIDAD 5: Serie de Tiempo

Algunas medidas de exactitud para los pronósticos, las cuales utilizaremos para determinar qué tan bueno es
un método en particular, para reproducir los datos de las series de tiempo original.

Indicadores de medición del error en el pronóstico:

1. Desviación Absoluta de la Media (DAM)
2. Error Medio Cuadrado (EMC)
3. Porcentaje de Error Medio Absoluto (PEMA)
4. Porcentaje Medio de Error (PME)

Meses Y: Ventas (miles Pronóstico M1 Error M1 Pronóstico M2 Error M2

de soles) 𝑌̂𝑡 ̂𝒕
𝒆 𝒕 = 𝒀𝒕 − 𝒀 𝑌̂𝑡 ̂𝒕
𝒆 𝒕 = 𝒀𝒕 − 𝒀
Enero 10 11 -1 9 1
Febrero 12 13 -1 14 -2
Marzo 15 14 1 17 -2

1. DAM: Desviación Absoluta de la Media 2. EMC: Error Medio Cuadrado

2
∑𝑛𝑡=1|𝑌𝑡 − 𝑌̂𝑡| ∑𝑛𝑡=1(𝑌𝑡 − 𝑌̂𝑡)
𝐷𝐴𝑀 = 𝐸𝑀𝐶 =
𝑛 𝑛
La desviación media absoluta (MAD) mide la El error medio cuadrado (EMC) siempre se calcula
exactitud del pronóstico que evita el problema de utilizando el mismo denominador, n,
los errores positivos y negativos que se compensan independientemente del modelo. El EMC es más
entre sí. Expresa exactitud en las mismas unidades sensible que DAM para medir un error de
que los datos, lo cual ayuda a conceptualizar la pronóstico inusualmente grande.
cantidad de error.

3. PEMA: Porcentaje de Error Medio Absoluto 4. PME: Porcentaje Medio del Error

|𝑌𝑡 − 𝑌̂𝑡| (𝑌𝑡 − 𝑌̂𝑡)

∑𝑛𝑡=1 ∑𝑛𝑡=1
𝑌𝑡 𝑌𝑡
𝑃𝐸𝑀𝐴 = 𝑃𝑀𝐸 =
𝑛 𝑛
El error porcentual absoluto medio (PEMA) mide la El porcentaje medio del error (PME) mide si el
exactitud de los valores ajustados de las series de enfoque de pronóstico esta sesgado o no. Si el valor
tiempo. PEMA expresa la exactitud como un es positivo se puede estar subestimando, y si el
porcentaje. valor es negativo se puede estar sobreestimando.

Tips:
Las medidas de exactitud de los pronósticos son factores importantes en la comparación de distintos métodos
de elaboración de pronósticos, pero se debe tener cuidado de no depender demasiado de ellas. Debe tomarse
con cuidado la elección de un método.
 MA461 Estadística Inferencial
UNIDAD 5: Serie de Tiempo

Señal de Rastreo o señal de control (SR):

Comprende alguna medición del error a través del tiempo y establece límites, de modo que, cuando la señal
de rastreo rebase dichos límites, se alerte al pronosticador cuándo el pronóstico no será el adecuado.

𝑪𝑬𝑭 𝑆𝑢𝑚𝑎 𝑑𝑒 𝑒𝑟𝑟𝑜𝑟𝑒𝑠

𝑺𝑹 = =
𝑫𝑨𝑴 𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑎 𝑚𝑒𝑑𝑖𝑎

Donde: 𝑪𝑬𝑭 = ∑𝑛 ̂
𝑡=1(𝑌𝑡 − 𝑌𝑡)

Un conjunto de señales de rastreo nos proporcionará la información necesaria para actualizar la constante de
suavización (alfa α), en el caso que, el valor de la señal de rastreo se encuentre fuera de los límites [-1.5 ; +1.5],
esto nos indicará un cambio en el valor de alfa, y se desecha el pronóstico.

Gráfico de los límites de la señal de rastreo

Para seleccionar la constante de suavización (α) adecuada (bajo control), debe encontrarse dentro de los
límites [-1.5 , 1.5] de la Señal de Rastreo.

Ejemplo: ¿para qué valores de Alfa, los pronósticos deberán ser desechados?
Alfa CEF DAM SR
0,3 -2,9421 1,4556 -2,0212
0,5 -1,0952 1,0755 -1,0183
0,8 2,2655 1,4456 1,5672
Para los valores de Alfa 0,3 y 0,8 los pronósticos deberán ser desechados ya que les corresponde una señal de
rastreo SR que se encuentra fuera de los límites permitido.

Escoger el mejor modelo del pronóstico.

Luego de evaluar la idoneidad del pronóstico con la señal de rastreo, se escogerá el mejor modelo de pronóstico
en base al menor valor del indicador de medición de error PEMA.
 MA461 Estadística Inferencial
UNIDAD 5: Serie de Tiempo

Ejercicio para desarrollar en la clase:

Con el propósito de crear la logística necesaria que satisfaga la incorporación de nuevos autos liviano al país,
se recopila y analiza la información que al respecto tiene el INEI. Se le solicita a Usted, realizar el pronóstico de
la cantidad de los nuevos autos, que se incorporan al parque vehicular en el mes de junio del 2021. Si el
pronóstico de las ventas mensuales hallado supera los 13500 autos nuevos, se deberán actualizar los protocolos
de logística para la incorporación de autos nuevos. Use la constante de suavización α = 0.5, α = 0.7 y α = 0.9

Venta e Inmatriculación de vehículos livianos

15000
14397
14114

14000 13445
13306

12692 12770
Cantidad

13000
12378
12073 12200
11899 11832
12000

10889
11000

10000
Junio Julio Agosto Sept Oct Nov Dic Enero Febrero Marzo Abril Mayo
Meses
Fuente: Asociación Automotriz del Perú

Venta e Inmatriculación de vehículos livianos. Junio de 2020 a Mayo 2021

Junio Julio Agosto Sept Octubre Noviembre Diciembre Enero Febrero Marzo Abril Mayo

14114 12692 11899 12073 13306 10889 11832 12378 13445 12770 12200 14397

Identifique el mejor pronóstico para el mes de junio 2021, se han utilizado tres constantes de suavización:
α = 0.5, α = 0.7 y α = 0.9

Solución:
● Interpretación
Determinar si se debe actualizar los protocolos de logística para la incorporación de autos
nuevos.

● Representación
Sean las variables,
Variable Y (dependiente): Y-datos de la Serie de tiempo: Venta de vehículos livianos
Variable X (independiente): X-unidad de tiempo: Meses
Herramienta Estadística: Suavización exponencial – Medidas de error
 MA461 Estadística Inferencial
UNIDAD 5: Serie de Tiempo

● Cálculo:
A continuación, se muestra una tabla en Word, cópiela a Excel y desarrolle con la asesoría de su docente
el pronóstico para junio 2021, los cálculos de los indicadores de medición de error y señal de rastreo para
las constantes de suavización mencionadas.

Para Alfa = 0,5

Tabla 1: Cálculo de medición de error para la constante de suavización α = 0.5
̂1
Y1 = 𝒀 ̂ 𝒕+𝟏 = 𝜶 ∗ 𝒀𝒕 + (𝟏 − 𝜶) ∗ 𝒀
𝒀 ̂𝒕

α= 0,5
Meses Yt Ŷt et = Yt - Ŷt Abs(et) Abs(et)/ Yt e t / Yt et 2
Junio 14114
Julio 12692
Agosto 11899
Sept 12073
Octubre 13306
Noviembre 10889
Diciembre 11832
Enero 12378
Febrero 13445
Marzo 12770
Abril 12200
Mayo 14397
Junio Pronóstico
SR
CEF DAM PEMA PME ECM
[-1,5;1.5]

α= 0,5

X: Meses Yt Ŷt et = Yt - Ŷt Abs(et) Abs(et)/ Yt et / Yt et 2

Junio 14114 14114,0000
Julio 12692 14114,0000 -1422,0000 1422,0000 0,1120 -0,1120 2022084,0000
Agosto 11899 13403,0000 -1504,0000 1504,0000 0,1264 -0,1264 2262016,0000
Setiembre 12073 12651,0000 -578,0000 578,0000 0,0479 -0,0479 334084,0000
Octubre 13306 12362,0000 944,0000 944,0000 0,0709 0,0709 891136,0000
Noviembre 10889 12834,0000 -1945,0000 1945,0000 0,1786 -0,1786 3783025,0000
Diciembre 11832 11861,5000 -29,5000 29,5000 0,0025 -0,0025 870,2500
Enero 12378 11846,7500 531,2500 531,2500 0,0429 0,0429 282226,5625
Febrero 13445 12112,3750 1332,6250 1332,6250 0,0991 0,0991 1775889,3906
Marzo 12770 12778,6875 -8,6875 8,6875 0,0007 -0,0007 75,4727
Abril 12200 12774,3438 -574,3438 574,3438 0,0471 -0,0471 329870,7432
Mayo 14397 12487,1719 1909,8281 1909,8281 0,1327 0,1327 3647443,4670
Junio Pronóstico 13442,0859 -1343,8281 979,9304 0,0783 -0,0154 1393520,0805 -1,3714
CEF (Suma) DAM PEMA PME ECM SR [-1,5;1.5]
SR=CEF/DAM
 MA461 Estadística Inferencial
UNIDAD 5: Serie de Tiempo

Para Alfa = 0,7

Tabla 2: Cálculo de medición de error para la constante de suavización α = 0.7 (pegue la tabla de Excel)

α= 0,7

X: Meses Yt Ŷt et = Yt - Ŷt Abs(et) Abs(et)/ Yt et / Yt et 2

Junio 14114 14114,0000
Julio 12692 14114,0000 -1422,0000 1422,0000 0,1120 -0,1120 2022084,0000
Agosto 11899 13118,6000 -1219,6000 1219,6000 0,1025 -0,1025 1487424,1600
Setiembre 12073 12264,8800 -191,8800 191,8800 0,0159 -0,0159 36817,9344
Octubre 13306 12130,5640 1175,4360 1175,4360 0,0883 0,0883 1381649,7901
Noviembre 10889 12953,3692 -2064,3692 2064,3692 0,1896 -0,1896 4261620,1939
Diciembre 11832 11508,3108 323,6892 323,6892 0,0274 0,0274 104774,7241
Enero 12378 11734,8932 643,1068 643,1068 0,0520 0,0520 413586,3202
Febrero 13445 12185,0680 1259,9320 1259,9320 0,0937 0,0937 1587428,7243
Marzo 12770 13067,0204 -297,0204 297,0204 0,0233 -0,0233 88221,1124
Abril 12200 12859,1061 -659,1061 659,1061 0,0540 -0,0540 434420,8737
Mayo 14397 12397,7318 1999,2682 1999,2682 0,1389 0,1389 3997073,1950
Junio Pronóstico 13797,2196 -452,5435 1023,2189 0,0816 -0,0088 1437736,4571 -0,4423
CEF (Suma) DAM PEMA PME ECM SR [-1,5;1.5]
SR=CEF/DAM

Para Alfa = 0,9

Tabla 3: Cálculo de medición de error para la constante de suavización α = 0.9 (Complete los datos faltantes)

α= 0,9

X: Meses Yt Ŷt et = Yt - Ŷt Abs(et) Abs(et)/ Yt et / Yt et 2

Junio 14114 14114,0000
Julio 12692 14114,0000 -1422,0000 1422,0000 0,1120 -0,1120 2022084,0000
Agosto 11899 12834,2000 -935,2000 935,2000 0,0786 -0,0786 874599,0400
Setiembre 12073 11992,5200 80,4800 80,4800 0,0067 0,0067 6477,0304
Octubre 13306 12064,9520 1241,0480 1241,0480 0,0933 0,0933 1540200,1383
Noviembre 10889 13181,8952 -2292,8952 2292,8952 0,2106 -0,2106 5257368,3982
Diciembre 11832 11118,2895 713,7105 713,7105 0,0603 0,0603 509382,6493
Enero 12378 11760,6290 617,3710 617,3710 0,0499 0,0499 381147,0109
Febrero 13445 12316,2629 1128,7371 1128,7371 0,0840 0,0840 1274047,4518
Marzo 12770 13332,1263 -562,1263 562,1263 0,0440 -0,0440 315985,9654
Abril 12200 12826,2126 -626,2126 626,2126 0,0513 -0,0513 392142,2567
Mayo 14397 12262,6213 2134,3787 2134,3787 0,1483 0,1483 4555572,5934
Junio Pronóstico 14183,5621 77,2913 1068,5600 0,0854 -0,0049 1557182,4122 0,0723
CEF (Suma) DAM PEMA PME ECM SR [-1,5;1.5]
SR=CEF/DAM
 MA461 Estadística Inferencial
UNIDAD 5: Serie de Tiempo

Tabla 4. Resumen. (pegue la tabla de Excel)

Alfa CEF DAM PEMA PME EMC SR [-1.5;1.5] PRONÓSTICO

0.5 -1343.8281 979.9304 0.0783 -0.0154 1393520.0805 -1.3714 13442.0859

0.7 -452.5435 1023.2189 0.0816 -0.0088 1437736.4571 -0.4423 13797.2196

0.9 77.2913 1068.5600 0.0854 -0.0049 1557182.4122 0.0723 14183.5621

● Análisis:

1ro: Analizando la señal de rastreo (SR): Todos los valores de la señal de rastreo están dentro de los límites permitidos,
por lo tanto, no se descarta ninguno de los pronósticos.
2do: De las tres opciones que quedan para elegir, se toma aquella que tiene menor PEMA, es decir, se elige la
opción que corresponde a alfa=0.5.
Por lo tanto, el mejor pronóstico para junio del 2021 es 13442.0859 autos. Ya que su señal de rastreo está
dentro de los límites permitidos y le corresponde el menor PEMA.

● Argumentación
De acuerdo con los resultados obtenidos, no se actualizarán los protocolos de logística para la
incorporación de autos nuevos, ya que el pronóstico no supera los 13500 autos.