Documentos de Académico
Documentos de Profesional
Documentos de Cultura
En donde:
Yt + 1= valor pronosticado en el siguiente periodo
Yt = valor real en el periodo t
k = número de términos en el promedio móvil
Los pronósticos de promedios móviles son apropiados solamente cuando las series no
exhiben tendencias muy marcadas.
En el uso de promedios móviles de orden k, el promedio de las últimas k observaciones
disponibles se utiliza para pronosticar la próxima observación. El pronóstico para un periodo
adelante con un promedio móvil de orden k=3 se da por la expresión:
Ejemplo
Suavizamiento exponencial
Mientras que el método de promedios móviles sólo toma en cuenta las observaciones más
recientes, el suavizamiento exponencial simple proporciona un promedio móvil con un peso
exponencial de todos los valores observados con anterioridad. Con frecuencia, el modelo es
apropiado para los datos que no tienen una tendencia predecible hacia arriba o hacia abajo. El
objetivo es estimar el nivel real. Luego, esta estimación del nivel se utiliza como un pronóstico
de los valores futuros.
El suavizamiento exponencial revisa continuamente el valor estimado de las experiencias
más recientes. Este método se basa en promediar (suavizar) los valores pasados de una serie
en una forma exponencialmente decreciente.
La ponderación se denota por α, donde 0 < α < 1.
En una representación de suavizamiento exponencial, el pronóstico nuevo (para el tiempo t
+ 1) puede concebirse como la suma ponderada de la nueva observación (en el tiempo t) y el
pronóstico antiguo (para el tiempo t). El peso α se da al nuevo valor observado y el peso (1 -
α) se da al último pronóstico. La ecuación de suavizamiento exponencial es:
De esta manera, el nuevo pronóstico Ŷt + 1 es el antiguo (Ŷt) ajustado en α veces el error Yt -
Ŷt en el pronóstico antiguo.
En la ecuación anterior, la constante de suavizamiento α sirve como factor de ponderación. El
valor de α determina la medida en que la observación actual influye en el pronóstico de la
siguiente observación.
Cuando α se acerca a uno, básicamente el nuevo pronóstico será la última observación real.
(De forma equivalente, el nuevo pronóstico será el pronóstico antiguo más un ajuste sustancial
por el error que haya ocurrido en el pronóstico anterior). A la inversa, cuando α se acerca a
cero, el pronóstico nuevo será muy similar al pronóstico anterior y la última observación real
tendrá poca importancia.
Ejemplo
Conclusión
En estos temas pudiste contemplar el análisis de correlación que es la fortaleza de la relación
lineal que existe entre dos variables y se mide mediante la correlación que existe entre ellas.
Así como el coeficiente de autocorrelación que es importante, pues en problemas de regresión
en los cuales las variables dependientes e independientes están orientadas hacia el tiempo o
son datos de series de tiempo, a menudo es insostenible la consideración de errores no
correlacionados.
Cerrando con el tema de métodos de pronósticos basados en promedios, suavización
exponencial y descomposición, para analizar los componentes de una serie de tiempo debe
considerarse la manera en que se relacionan los componentes con la serie original.
Mientras que el método de promedios móviles sólo toma en cuenta las observaciones
más recientes, el suavizamiento exponencial simple proporciona un promedio móvil
con un peso exponencial de todos los valores observados con anterioridad.