Clase 01/04

Prueba 1 (19/04): Estrategia y Pronósticos.

Hoy veremos otras técnicas de tendencia (cambio en el promedio de datos).

Importante
Como en la clase anterior vimos que la estacionalidad y la tendencia era aditiva, entonces
se usa el siguiente modelo:

Sin embargo, si estamos en el caso donde la estacionalidad y tendencia son

multiplicativas, se utiliza la siguiente fórmula:

Si la tendencia es multiplicativa y la estacionalidad aditiva, entonces para encontrar la

estacionalidad se divide la serie entre la tendencia, en ese caso estamos en un método de
descomposición mixto.

 Hay muchas formas de descomposición, que van desde restas hasta logaritmos,
nosotros vimos uno específico.
Pronósticos de Series con tendencia (Cómo encontrar un pronóstico de
valores de una Serie de tiempo a partir de la tendencia)
La tendencia significa un cambio en el promedio de los datos y no necesariamente sigue el
mismo patrón en todas las series de tiempo (no hay una regla de como debe ser la
tendencia).
Métodos a utilizar:
Regresión lineal simple: Una variable en función al tiempo (variable predictora X).

Método de Holt (Alisado exponencial doble):

Pronóstico de TENDENCIA donde hay valores originales de la serie de tiempo

(demanda): El pronóstico se hace en base a un modelo aditivo, donde se suma el
intercepto con el periodo en el tiempo t.

Pronóstico de TENDENCIA donde NO hay valores originales de la serie de tiempo

(demanda): Se busca pronosticar T periodos más sin tener los valores originales de la serie
de tiempo, es por esto que el G(t) (pendiente) se multiplica por T (cantidad de periodos
después del último valor de la serie de tiempo).
Ejemplo: Serie de tiempo de Venta de bolsas de comida de perro

1) Regresión lineal simple:

Analicemos el pronóstico de la tendencia (Y(t)) a partir de la fórmula de regresión.

 El promedio del error al cuadrado nos indica que tan bien se ha hecho el
pronóstico, lo ideal es que sea el menor valor posible.
Error: Pronóstico de tendencia – Valores originales de serie de tiempo (Demanda)

 El error se eleva al cuadrado y se le calcula el promedio para luego compararlo con

el error del método de Holt.

2) Método de Holt:

 Como vemos hay 2 parámetros, Alpha y beta dependiendo de estos parámetros

varía el ajuste.

 Para encontrar el S y G 1, necesitamos el S(0) y G(0), una de las formas mas

simples es encontrar el intercepto (S) en el tiempo 0 es a partir de la regresión
lineal, al igual que la pendiente G(0).
o Otra forma es tomar el S como el primer punto de la serie de tiempo y el G
se puede buscar como el promedio de la diferencia de cada valor de la serie
original de tiempo.
 El Alpha y Beta debemos encontrarlos, pero se le puede dar un valor inicial, en el
ejemplo se usa: Beta=0.2 y Alpha=0.3
 En Excel se escribe la fórmula solo para los primeros valores (S(1) y G(1)), es
importante fijar los valores de Alpha y Beta, para luego se arrastrar esto para el
resto de los valores.
 Se comienza a aplicar la fórmula del F (primera de la siguiente imagen):

 Para pronosticar se utiliza la segunda formula de la imagen anterior, donde el T

corresponde a la cantidad de periodos después del ultimo valor de la demanda
(serie original).
¿Cómo encontrar los valores de Alpha y Beta óptimos?
Me fijo en los errores (La diferencia entre la demanda (Serie original) y el F(t)).

 La idea es que los errores sean lo menores posibles, que se acerquen al 0.

Se puede utilizar cualquiera de los siguientes criterios para determinar los valores de
Alpha y Beta:

 En Excel se utiliza “solver”, con el criterio de EMC, el promedio de errores al

cuadrado
Error:

Medida de desempeño: Permite establecer que modelo de predicción es el mejor para

cada serie de tiempo individual (siempre depende de la serie).

 Lo que se quiere siempre es minimizar las medidas de desempeño.

(REVISAR COMO HACE EL SOLVER)
Luego de realizar el procedimiento, se llega al resultado de:
  Esto significa que la pendiente es constante (Beta=0).
¿Tiene sentido al ver el grafico?

Si tiene sentido.
El Alpha es 1: Eso quiere decir que el nivel (modelo) se iguala al valor real de la serie de
tiempo.

Forma de comparar que modelo es mejor que otro para una serie en particular:
En este caso tenemos que Holt nos da mejor estimación, porque tiene un menor error
(porque persigue a la curva este método).

Pronósticos de Series con Estacionalidad (Cómo encontrar un pronóstico de

una Serie de tiempo a partir de la estacionalidad)
 Puede que tenga tendencia o no, pero lo importante es que tenga estacionalidad.

En este caso se trabaja con una estacionalidad multiplicativa, donde los factores “i” son los
diferentes tiempos de la serie.

 Para normalizar se exige que la sumatoria de factores es “n”.

Modelo de Alisado exponencial Triple:

 Como vemos, se considera una estacionalidad multiplicativa.

Inicialización de factores de tendencia:

Inicialización de factores estacionales:

Ejemplo: LAN (clase pasada)

 Se usarán los mismos datos utilizados la clase pasada.

1) Hay 3 factores a calcular con el solver que desconocemos, pero se ponen valores
iniciales:

2) Vemos las fórmulas:

3) Inicializamos los valores (ponerlos en el valor 0):

Partimos con la inicialización de S(0) y G(0), podemos utilizar la regresión para encontrar
el intercepto y pendiente, tal como vimos anteriormente. También se puede usar lo visto
para el alisado exponencial triple:

 V1: Promedio de los datos del primer patrón (enero (1) hasta diciembre (1))
 Vm: Promedio de los datos del último patrón (enero (n) hasta diciembre (n))
Al ver el Excel, vemos que hay 7 patrones y 12 periodos (cada mes).
  Con esto obtenemos el G(0).
S(0):

 Donde “N” es la cantidad de periodos (12 en este caso).

C(0):

 Primero al valor inicial (Y) se le quita la tendencia T, para tener los diferentes
factores de estacionalidad:

Determinar la tendencia:
T(1) = S(0) + 1*G(0)
T(2) = S(0) + 2*G(0)
T(3) = S(0) + 3*G(0)
 Otra forma de obtener la tendencia es mediante la regresión.
Ahora se aplica la formula anterior:

C(1): Promedio de todos los eneros.

C(2): Promedio de todos los febreros.

 Así sucesivamente hasta C(12).

Ahora se normalizan los factores encontrados, con la finalidad de que sumen 12:
Ahora se comienzan a utilizar las fórmulas de el alisado exponencial triple:

 Se ponen valores cualquier a los parámetros iniciales:

 La fórmula del St y Gt se actualizan hasta el final (solo basta con ponerlas 1 vez en
Excel).
Luego de actualizar los coeficientes estacionales, se utiliza la fórmula de pronósticos.
(REVISAR EXCEL), (VEMOS QUE HAY UNA PARTE EN BLANCO EN EL EXCEL, ESO OCURRE
PORQUE ESTAMOS PRONOSTICANDO Y SE NECESITAN DATOS ANTERIORES).
Cuando no hay datos de S(t) ni G(t), para realizar el pronóstico, se utiliza el mismo
procedimiento que en el alisado exponencial doble.

Los errores se utilizan para comparar los pronósticos.

Error: Diferencia entre el teórico y real.
Promedio de errores cuadrados para usar el solver para encontrar los parámetros.
Solver:

 Busca minimizar el promedio de errores al cuadrado.

 Se colocan las restricciones de las fórmulas.
 Se señalan las celdas de los parámetros para que los obtenga.
Luego del solver, se calcula automática y nuevamente la estimación con los nuevos
parámetros.

Comentarios de profe:

 La aleatoriedad no está incluida en los modelos de alisado exponencial doble y

triple.
 Las medidas de desempeño son importantes para determinar si los errores son
correctos (no hay nada extraíble), si hay algo que se puede extraer, entonces se
puede seguir modelando.
Modelos de Box-Jenkins: Es un modelado iterativo en 3 etapas para la predicción.

 Se utiliza para series con estacionalidad.

Pasos básicos del modelo:

 La visualización es de suma importancia, pues si no hay estacionalidad basta con

un alisado doble, pero si hay estacionalidad, entonces necesariamente debo
utilizar un alisado doble o un modelo de Box-Jenkins.

Hasta aquí es la parte de pronósticos.

 Esto de pronostico es bastantemente utilizado cuando salimos al campo laboral, es

por eso que es necesario verlo en detalle y practicarlo.

Próxima semana:
Control alisado doble y triple

 Entender cuando se usa el Alpha y beta.

 No se extraerá el modelo de los datos.