Unidad Didáctica 2

“Pronósticos- El papel que

desempeñan los datos
históricos”
Economía Matemática
Prof. Carla Reyes López
 01 02 03
Modelo de Holt
(ponderación
exponencial con Estacionalidad La caminata
tendencia) aleatoria

04 05 06
El método
El papel que Delphi y el
desempeñan grupo de
los datos Pronósticos
consenso
históricos cualitativos
 Modelos de pronósticos de serie de
tiempo
El modelo de Holt nos permite pronosticar hasta k periodos en el futuro. En este
modelo, tenemos ahora dos parámetros de ponderación, alfa y beta , ambos entre 0
y 1. El término Lt indica el nivel a largo plazo o valor básico de los datos de la serie
de tiempo. El término Tt indica el incremento o decremento esperados por periodo
(es decir, la tendencia).

𝑦𝑡+𝑘 = 𝐿𝑡 + 𝑘𝑇𝑡

𝐿𝑡 = 𝛼𝑦𝑡 + (1 − 𝛼)(𝐿𝑡−1 + 𝑇𝑡−1 )

𝑇𝑡 = 𝛽(𝐿𝑡 −𝐿𝑡−1 ) + (1 − 𝛽)𝑇𝑡−1

 Modelos de pronósticos de serie de
tiempo- Ejemplo
Amy puede detectar que los datos incluyen una tendencia obvia, como se esperaría
de una empresa nueva con éxito. Quiere aplicar el modelo de tendencia de Holt a los
datos para generar su pronóstico de utilidades por acción (PUA) del decimotercer
trimestre.
Utilidades/Acción
0,70
0,60
0,50
0,40
0,30
0,20
0,10
0,00
-0,10 0 2 4 6 8 10 12 14

-0,20
-0,30
 Modelos de pronósticos de serie de
tiempo- Ejemplo
Utilidades/Acción
0,70
0,60 Amy observa que alfa* = 0.59 y
0,50
beta* = 0.42 y que el EPMA ha sido
0,40
0,30
reducido hasta 38%, lo que es una
0,20 mejoría de casi 12.5% sobre el
0,10 EPMA con sus estimaciones
0,00 iniciales de alfa = 0.5 y beta= 0.5.
-0,10 0 2 4 6 8 10 12 14

-0,20
-0,30
Estacionalidad
Cuando se hacen pronósticos
utilizando datos de una serie de
tiempo, uno puede a menudo sacar
provecho de la estacionalidad. La
estacionalidad comprende
movimientos hacia arriba y hacia
abajo en un patrón de duración
constante que se repite
Estacionalidad

El método para tratar patrones estacionales como éstos

consiste en cuatro pasos:
(1) observar los datos originales que exhiben un patrón
estacional; observe que a partir del examen de los
datos y de nuestro propio juicio, suponemos un
patrón estacional de m periodos.
(2) Utilizando el método numérico descrito en la siguiente
sección, desestacionalizamos los datos.
(3) Utilizando el mejor método de pronóstico disponible,
hacemos un pronóstico en términos
desestacionalizados.
(4) Reestacionalizamos el pronóstico para que incluya el
patrón estacional.
 Desestacionalidad
Es importante que observe en esta figura los
informes trimestrales del carbón en Estados
Unidos. Frank Keetch es el administrador de
Gillette Coal Mine y está intentando hacer un
pronóstico de la demanda para los siguientes
dos trimestres. La intuición le dice a Frank
que espere recibos del carbón que deben ser
mayores al promedio en el primero y cuarto
trimestres (efecto del invierno) y menores al
promedio en el segundo y tercer trimestres
(efecto de la primavera/verano).
El procedimiento para
desestacionalizar datos es
simplemente hacer un promedio de
todas las variaciones que ocurren
dentro de una estación. Por lo tanto,
para datos trimestrales, se utiliza un
promedio de cuatro periodos para
eliminar la estacionalidad dentro de
ese año. A fin de desestacionalizar
una serie de tiempo completa, el
primer paso es calcular una serie de
promedios móviles de m periodos,
donde m es la duración del patrón
estacional.
Promedio móvil centrado

Promedio móvil
centrado
Estas relaciones representan el grado al cual
una observación particular queda por debajo
(como el .682 para el periodo tres o por
encima (como el 1.24 para el periodo cuatro)
del nivel típico. Observe que estas relaciones
para el tercer trimestre tienden a estar por
debajo de 1.0 y las relaciones para el cuarto
trimestre tienden a estar por encima de 1.0.
Estas relaciones forman la base para el
desarrollo de un “índice estacional”
Índice estacional
Estos índices estacionales
representan lo que los datos de esa
estación específica serían en
promedio en comparación con el
promedio de la serie completa. Un
índice estacional mayor que 1 significa
que esa estación es más alta que el
promedio del año; de manera similar,
un índice menor que 1 significa que la
estación es menor que el promedio
del año.
 Datos
desestacionalizados

Los datos desestacionalizados

parecen “subir y bajar” mucho menos
que los datos originales.

Pronóstico
Una vez desestacionalizados los datos, se
puede hacer un pronóstico
desestacionalizado. Éste deberá estar basado
en una metodología apropiada, que tome en
cuenta el patrón de los datos
desestacionalizados (es decir, si en los datos
aparece una tendencia, utilizar un modelo
basado en tendencias).
Índice estacional
Estos índices estacionales
representan lo que los datos de esa
estación específica serían en
promedio en comparación con el
promedio de la serie completa. Un
índice estacional mayor que 1 significa
que esa estación es más alta que el
promedio del año; de manera similar,
un índice menor que 1 significa que la
estación es menor que el promedio
del año.
 El papel que desempeñan los datos
históricos: divide y vencerás

Los datos históricos juegan un papel importante en la elaboración y prueba

de modelos de pronóstico. Uno espera que un razonamiento preceda la
elaboración de un modelo de pronóstico cuantitativo. Pueden haber razones
teóricas para creer que existe una relación entre algunas de las variables
independientes y la variable dependiente a pronosticar y, por lo tanto, resulta
apropiado un modelo causal. De manera alternativa, uno podría adoptar el
punto de vista de las series de tiempo respecto a que el “comportamiento del
pasado” es un buen indicativo del futuro.
 El papel que desempeñan los datos
históricos: divide y vencerás

1. En un modelo causal que utilice una función de pronóstico lineal,

𝑦 = 𝛽0 + 𝛽1 𝑥 se deben definir los valores de 𝛽𝑜 𝑦 𝛽1 .
2. En un modelo de series de tiempo que utilice un promedio móvil
ponderado de n periodos,𝑦𝑡+1 = 𝛼0 𝑦𝑡 + 𝛼1 𝑦𝑡−1 + ⋯ + 𝛼𝑛−1 𝑦𝑡−𝑛+1 debe
especificarse el número de términos, n, y los valores de los pesos de
ponderación, 𝛼0 , 𝛼1 , … 𝛼𝑛−1
3. En un modelo de series de tiempo que utilice la ponderación exponencial,
𝑦𝑡+1 = 𝛼𝑦𝑡 + (1 − 𝛼) 𝑦𝑡 , debe definirse el valor de 𝛼.
 El papel que desempeñan los datos
históricos: divide y vencerás

En cualquiera de estos modelos, a fin de definir los valores de los

parámetros, uno generalmente deberá hacer uso de los datos históricos.
Una guía útil al buscar cómo usar tales datos es, en efecto, la fórmula
“divide y vencerás”. De manera más directa, esto significa que a menudo es
práctica provechosa utilizar parte de los datos para estimar los parámetros y
el resto de los datos para probar el modelo. Con datos reales, también es
importante “limpiar” los datos; esto es, analizarlos en busca de
irregularidades, información perdida o circunstancias especiales, y ajustarlos
de manera correspondiente.
 Pronósticos cualitativos
JUICIO EXPERTO
Muchos de los pronósticos que se consideran importantes no están basados en
modelos formales.
Este punto parece obvio en el ámbito de los asuntos a nivel mundial (asuntos de
guerra y paz, por así decirlo). Quizás sea más sorprendente saber que esto
también ocurre a menudo en asuntos económicos.
Los administradores, antes de llegar a una decisión, deben tomar en consideración
una amplia variedad de fuentes de datos. No se debe ignorar la opinión de los
expertos. Una medida inteligente y útil de todos los pronósticos —cuantitativos y
cualitativos— es un registro del desempeño pasado. El buen desempeño en el
pasado es un tipo razonable de prueba nula. Un excelente historial de desempeño
no promete buenos resultados futuros. Un historial pobre, sin embargo, casi nunca
crea entusiasmo sobre grandes desempeños futuros. Por lo tanto, los
administradores deben escuchar con cautela a los expertos y sujetarlos a
un estándar de desempeño.
Método Delphi
El método Delphi y el grupo de concenso

El método Delphi confronta el problema de obtener un pronóstico combinado a

partir de un grupo de expertos. Un enfoque consiste en reunir a los expertos en una
sala de juntas y dejar que analicen el evento hasta que surja un consenso. No es
sorprendente que este grupo sea conocido como grupo de consenso. Este
planteamiento encuentra problemas debido a las dinámicas de grupo en este tipo
de ejercicio. Un individuo dominante puede causar un enorme efecto en el
pronóstico debido a su personalidad, reputación o habilidades para el debate. Un
análisis preciso podría quedar degradado a una posición secundaria.
Pronósticos populares e investigación de
mercados

Se enfocan principalmente en el pronóstico de la demanda por un producto o grupo

de productos. Están basadas en el principio de preguntar ya sea a quienes están
cerca del consumidor final, como son los vendedores, o a los consumidores
mismos, sobre un producto o sus planes de compra.
 Pronósticos
populares e
Alto
investigación de costo
mercados

Consulta
a
vendedo
res
Posible
Esquizof conflicto
renia de de
producto interese
s
Pronósticos populares e investigación de
mercados

Consulta a clientes.
La investigación de mercados es una disciplina grande e importante por derecho
propio. Incluye una diversidad de técnicas, desde grupos de clientes hasta
encuestas a clientes y otras técnicas, para probar la mercadotecnia. El objetivo es
hacer predicciones sobre el tamaño y estructura del mercado de bienes y/o
servicios específicos. Estas predicciones (pronósticos) están basadas por lo general
en pequeñas muestras y son cualitativas, en el sentido de que los datos originales
generalmente consisten en evaluaciones subjetivas por parte de los clientes. Existe
un amplio abanico de técnicas cuantitativas que ayudan a determinar cómo reunir y
analizar los datos.