Unidad Didáctica 2

“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.

𝑦𝑡−1 = 𝑣𝑒𝑛𝑡𝑎𝑠 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑎𝑠 𝑑𝑒 𝑝𝑢𝑛𝑡𝑢𝑎𝑙𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑚𝑒𝑠 𝑡

𝑦𝑡 = 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑒𝑛𝑡𝑎𝑠 𝑑𝑒 𝑝𝑢𝑛𝑡𝑢𝑎𝑙𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡

 Promedios móviles: pronóstico de las
ventas de puntales de STECO
Está interesado en elaborar un pronóstico de las ventas con un mes de anticipación;
esto es, tomará los valores históricos conocidos y1,..., yt - 1 (demanda en los meses 1 a
t – 1) y utilizará esta información para producir 𝑦𝑡 el pronóstico de la demanda en el mes
t.
En otras palabras, tomará las ventas pasadas reales, hasta mayo por ejemplo, y las
utilizará para pronosticar las ventas de junio; después utilizará las ventas hasta junio
para pronosticar las ventas en julio, y así sucesivamente.
El proceso producirá una secuencia de valores 𝑦𝑡 . Al comparar estos valores con los
valores yt reales observados, se obtiene un indicativo de cómo hubiera funcionado el
modelo de pronóstico si realmente hubiera estado en uso el año anterior.
Desviación media absoluta (DMA) y el error
porcentual medio absoluto (EPMA)

𝑡𝑜𝑑𝑜𝑠 𝑙𝑜𝑠 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜𝑠 |𝑣𝑒𝑛𝑡𝑎𝑠 𝑟𝑒𝑎𝑙𝑒𝑠 − 𝑣𝑒𝑛𝑡𝑎𝑠 𝑑𝑒𝑙 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜|

𝐷𝑀𝐴 =
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜

|𝑣𝑒𝑛𝑡𝑎𝑠 𝑟𝑒𝑎𝑙𝑒𝑠 − 𝑣𝑒𝑛𝑡𝑎𝑠 𝑑𝑒𝑙 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜|

𝑡𝑜𝑑𝑜𝑠 𝑙𝑜𝑠 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜𝑠 ∗ 100%
𝐸𝑃𝑀𝐴 = 𝑣𝑒𝑛𝑡𝑎𝑠 𝑟𝑒𝑎𝑙𝑒𝑠
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜
 Desviación media absoluta (DMA) y el error
porcentual medio absoluto (EPMA)
• El promedio móvil simple tiene dos inconvenientes, uno filosófico y otro operacional.
• El inconveniente filosófico se centra en el hecho de que al calcular un pronóstico (digamos,
𝑦8 ), a la observación más reciente (y7) no se le da una mayor importancia o coeficiente
que a una observación más antigua, como y5. Esto se debe a que a cada una de las
últimas n observaciones se le asigna el coeficiente 1/n. Este procedimiento de asignar
coeficientes iguales es opuesto a la intuición personal de que en muchos casos los datos
más recientes deben contener más información sobre el futuro que los datos más antiguos.
• El segundo inconveniente, que es operacional, es que en el promedio móvil, si se van a
incluir n observaciones, deben extraerse entonces (n – 1) elementos de datos para
combinarse con la observación actual (la número n). Todos estos datos deben ser
almacenados de alguna manera a fin de calcular el pronóstico. Éste no es un problema
serio si sólo se trata de una pequeña cantidad de pronósticos. La situación cambia
bastante para aquella empresa que necesite pronosticar la demanda de miles de productos
individuales en una base de artículo por artículo.
 Promedio móvil ponderado de n-periodos

• 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

𝑦7 =∝0 𝑦6 +∝1 𝑦5 +∝2 𝑦4

• donde las α (que se conocen como coeficientes de ponderación) son números no

negativos, escogidos de forma que los coeficientes más pequeños sean asignados a los
datos más antiguos y que todos los coeficientes sumen 1. Existen, por supuesto,
innumerables maneras de seleccionar un conjunto de α que satisfaga estos criterios.
 Promedio móvil ponderado de n-periodos-
Solución con Solver

• 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 .