Documentos de Académico
Documentos de Profesional
Documentos de Cultura
“Pronósticos- Modelos de
pronósticos de series de tiempo”
Economía Matemática
Prof. Carla Reyes López
01 02 03
Promedios móviles:
Extrapolación del Ajuste de pronóstico de las
comportamiento curvas ventas de puntuales
histórico de Steco
04 05 06
Ponderación Modelo de Holt
exponencial: (ponderación
el modelo exponencial con
Estacionalidad
básico tendencia)
Modelos de pronósticos de serie de
tiempo
Estos modelos producen pronósticos mediante la extrapolación del comportamiento
histórico de valores de una sola variable particular de interés.
Por ejemplo, uno podría estar interesado en las ventas de un artículo en particular, o
también en la fluctuación a lo largo del tiempo de un precio específico en el mercado.
Los modelos de series de tiempo utilizan una técnica para extrapolar el comportamiento
histórico hacia el futuro.
Los datos de las series de tiempo son datos históricos en orden cronológico, con un solo
valor por periodo.
Por lo tanto, los datos para la estación de servicio de la sección anterior no son datos de
una serie de tiempo y no pueden analizarse utilizando las técnicas de esta sección.
Extrapolación del comportamiento
histórico
Siempre que tengamos valores para una variable Pronóstico
Datos históricos para el
de interés específica (una sola), que pueda ser Ventas
periodo t+2
trazada en función del tiempo, estos valores a
menudo se conocen como series de tiempo, y
cualquier método utilizado para analizar y
extrapolar dichas series en el futuro entra en una
categoría general llamada análisis de series de Pronóstico
para el
tiempo.
periodo t+1
Ésta es actualmente un área de investigación muy
activa en estadística y ciencias de la
administración. En términos de un desarrollo
formal apenas si presentaremos una mera
explicación superficial. Tiempo
Ajuste de curvas
La diferencia principal, por lo que se refiere a las series de tiempo, se debe a que el
tiempo es la variable independiente.
Las observaciones históricas de la variable dependiente son trazadas en función del
tiempo, y la curva es entonces ajustada para que coincida con estos datos. La curva
entonces se extiende hacia el futuro para obtener un pronóstico. En este contexto, la
extensión de la curva simplemente significa una evaluación de la función obtenida
para valores más grandes de t, el tiempo.
El modelo de series de tiempo supone que el sistema que produce y es
esencialmente estacionario (o estable), y continuará su acción en el futuro como ha
venido ocurriendo en el pasado.
Ajuste de curvas
Los patrones futuros en los cambios de y se parecerán mucho a los patrones pasados.
Esto significa que el tiempo está sustituyendo muchos factores que pueden ser difíciles
de medir pero que con el tiempo parecen variar de manera constante y sistemática.
Si el sistema que produce y cambia de manera considerable (por ejemplo, debido a
cambios ambientales, tecnológicos o en las políticas del gobierno), entonces la
hipótesis de un proceso estacionario no es válida y en consecuencia un pronóstico
basado en el tiempo como variable independiente estará muy propenso a errores.
Igual que con los modelos causales, es, por supuesto, posible utilizar una función
diferente a la lineal para extrapolar una serie de observaciones (es decir, para
pronosticar el futuro).
𝑦𝑡 = 𝐵0 + 𝐵1 𝑡 + 𝐵2 𝑡 2 + ⋯ + 𝑏𝑘 𝑡 𝑘
Promedios móviles: pronóstico de las
ventas de puntales de STECO
La hipótesis subyacente a modelos de este tipo es que el desempeño promedio durante
el pasado reciente es un buen pronóstico del futuro.
Ejemplo. El vicepresidente de operaciones de STECO decide probar varios modelos de
inventarios usando datos históricos En particular, decide utilizar los datos de ventas
mensuales del año anterior de puntales de acero inoxidable y ver qué tan bien hubieran
funcionado si el año anterior STECO hubiera utilizado dichos modelos.
• La idea de que los datos recientes son más importantes que los datos más antiguos puede
ponerse en práctica con un promedio móvil ponderado de n periodos. Éste generaliza el
concepto de un promedio móvil simple de n periodos donde, como hemos visto, cada
coeficiente de ponderación es 1/n. En esta forma más general, tomando n = 3 como
ejemplo específico, podríamos hacer que
• Para hacer que Solver escoja ponderaciones que minimicen la DMA, hacemos lo siguiente:
1. Hacemos clic en Herramientas, después en “Solver”.
2. Definimos G16 como celda objetivo e indicamos a Solver que deseamos minimizarla.
3. Indicamos que las celdas que cambian son B1:B3.
4. Añadimos las restricciones de que (a) B4 1.0, (b) B1:B3 0, (c) B1:B3 1, (d) B1
B2, y (e) B2 B3 .
5. Hacemos clic en Resolver para obtener los resultados que se muestran en la figura
13.16
Ponderación exponencial: el
modelo básico
• Vimos que, utilizando un promedio móvil ponderado, hay muchas maneras
diferentes de asignar coeficientes decrecientes de ponderación que sumen 1. Una
de ellas se llama ponderación o suavización exponencial, que es un nombre
abreviado para promedio móvil ponderado exponencialmente.
• Éste es un esquema que pondera los datos recientes con mayor peso que los datos
pasados, con coeficientes que sumen 1.
• En este modelo, para cualquier t >=1 el pronóstico para el periodo t + 1, identificado
como 𝑦𝑡+1 , es una suma ponderada (con coeficientes que suman 1) de las
ventas observadas en el periodo t (es decir, yt) y del pronóstico para el periodo t
(que era 𝑦𝑡 ).
𝑦𝑡+1 =∝ 𝑦𝑡 + (1 −∝)𝑦𝑡
Ponderación exponencial: el
modelo básico
𝑦𝑡+1 =∝ 𝑦𝑡 + (1 −∝)𝑦𝑡
• Donde α es una constante especificada por el usuario tal que 0<= α <= 1
• El valor asignado a α determina cuánto peso relativo se le da al coeficiente de
ponderación de la observación más reciente al calcular el pronóstico del periodo
siguiente. Observe que si a α se le asigna un valor cercano a 1, casi todo el peso se
coloca en la demanda real del periodo t.
• Aunque los resultados obtenidos del modelo de ponderación exponencial son
impresionantes, está claro que los valores numéricos específicos dependen del
valor seleccionado para la constante de ponderación α y de la “estimación inicial”
𝑦𝑡 .