Pronósticos

1. Recopilación de datos: Deben ser datos adecuados y asegurarse que, con correctos, es por
esto que se debe tener una fuente confiable.
2. Reducción o condensación de datos: Ya que algunos datos no son pertinentes con el
problema, es mejor reducirlos o aumentar la base de datos en estudio.
3. Construcción del modelo: Implica ajustar los datos obtenidos en un modelo adecuado para
minimizar e error del pronóstico. Mientras más sencillo el modelo, mejor será para
aceptar el proceso por parte de los administradores.
4. Extrapolación del modelo (pronostico en sí): Se revisa la precisión del proceso mediante el
pronóstico de periodos recientes de los que se conocen los valores históricos reales. El
examen de los patrones de error conduce con frecuencia al analista a la modificación del
procedimiento de pronóstico, el cual genera después alguno más preciso.

Componentes de las series de tiempo:

Tendencia: Componente de largo plazo que representa el crecimiento o disminución en la serie

sobre un periodo amplio.

Componente cíclico: Es la fluctuación en forma de onda alrededor de la tendencia.

Componente estacional: Es un patrón de cambio que se remite a si mismo periodo tras periodo
(año, trimestre, etc.)

Componente aleatorio: Mide la variabilidad de los seres de tiempo después de retirar los otros
componentes.

Auto correlación: Es la correlación existente entre una variable desfasada uno o más periodos y la
misma variable.
Función de auto correlación (FAC):

ST Aleatoria: Todos los r k (retrasos) cercanos (estadísticamente iguales) a cero.

ST con tendencia: Observaciones sucesivas están muy correlacionadas. Lugo los r k son bastante
diferentes de cero para los primeros retardos k, y luego caen hacia cero en forma gradual.

ST Estacional: Habrá un r k significativamente diferente de cero para k correspondiente al retraso

estacional (si datos son mensuales, k=12) o para retardos múltiplos de k.

Función de auto correlación parcial (FAP):

Serie estacionaria: Es aquella cuyas propiedades estadísticas básicas, como la media y varianza,
permanecen constantes en el tiempo. Se dice que si no presenta crecimiento o declinación es
estacionaria. (si no tiene tendencia es estacionaria). Los coeficientes de auto correlación de datos
estacionarios caen a cero después del segundo o tercer periodo de desfasa cimiento, mientras que
la serio no estacionarias son significativamente diferentes de cero durante varios periodos.

Medición de error en el pronóstico:

 Desviación absoluta de la media (DAM): Mide la precisión de un pronóstico mediante el

promedio de la magnitud de los errores de pronostico (valores absolutos de cada error).
 Error medio cuadrático (EMC): Cada error residual se eleva al cuadrado, luego estos
valores se suman y se dividen entre el número de observaciones. Este enfoque penaliza los
errores mayores de pronóstico, ya que eleva cada uno al cuadrado. Es útil ya que es
preferible un pronóstico con errores moderados, antes que uno con errores pequeño,
pero que ocasionalmente arroje algunos en extremo grandes.
 Porcentaje de error medio absoluto (PEMA): En ocasiones, resulta más útil calcular los
errores de pronósticos en términos de porcentaje y no en cantidades. Es útil cuando el
tamaño o magnitud de la variable de pronóstico es importante en la evaluación de la
precisión del pronóstico.
 Porcentaje medio de error (PME): a veces resulta necesario determinar si un método de
pronostico esta sesgado. Si un pronóstico no está sesgado, la ecuación producirá un
porcentaje cercano a cero.

Metodología de Box- Jenkins (ARIMA): Modelo de promedio móvil autor regresivo integrado.

 Parte autor regresiva (AR (P=orden de la parte autor regresiva)): La FAC decrece
lentamente, y la FAP se anula después del P.
 Parte de promedio móvil (MA (Q= orden de parte móvil)): La FAC se anula después de Q
diferenciantes. Y la FAP decrece lentamente.

En general el modelo ARIMA (P, D, Q) donde D es las diferenciaciones en veces.