ST Unsam

Introducción
a las Series
Temporales
Guía de estudio para el
curso de Métodos
Cuantitativos
Fernando Dobrusky
Sergio Raño
Demián Raspall Galli
Versión 1.1
2012
Introducción a las Series Temporales Dobrusky – Raño – Raspall Galli
Contenido
1. Introducción ......................................................................................................................................... 3
2. Conceptos Básicos en Series Temporales ............................................................................................ 5
2.1. Serie Temporal ............................................................................................................................. 5
2.2. Proceso Estacionario .................................................................................................................... 5
2.3. Tendencia..................................................................................................................................... 6
2.4. Estacionalidad .............................................................................................................................. 6
2.5. Ciclos ............................................................................................................................................ 7
2.6. Sesgo y precisión .......................................................................................................................... 7
2.7. Notación....................................................................................................................................... 8
3. El proceso de la estimación ................................................................................................................. 9
4. Tipos de Error..................................................................................................................................... 10
5. Técnicas simples de estimación ......................................................................................................... 12
5.1. Media Acumulada ...................................................................................................................... 12
5.2. Naive .......................................................................................................................................... 13
5.3. Media móvil ............................................................................................................................... 14
5.4. Media móvil ponderada ............................................................................................................. 16
5.5. Ajuste exponencial ..................................................................................................................... 17
5.6. ARRES ......................................................................................................................................... 19
5.7. Demandas a futuro .................................................................................................................... 22
6. Técnicas con tendencia y estacionalidad ........................................................................................... 23
6.1. Holt’s .......................................................................................................................................... 24
6.2. Winter’s ..................................................................................................................................... 26
6.3. Holt Winter´s.............................................................................................................................. 28
6.4. Otros Modelos ........................................................................................................................... 30
7. Software utilizado .............................................................................................................................. 32
7.1. Uso del Excel .............................................................................................................................. 32
7.2. Uso de herramientas estadísticas .............................................................................................. 33
7.3. Desarrollo de software a medida ............................................................................................... 34
8. Ejemplo de utilización ........................................................................................................................ 36
2
9. Bibliografía ......................................................................................................................................... 43
1. Introducción
Series temporales se utilizan para estimar el futuro de una variable en base a su historia. El uso
más común de series temporales es para pronosticar la demanda futura de un producto o
servicio en función de la demanda de períodos anteriores, aunque también se utiliza para
estimar otras variables.
Estimar la demanda es una función clave para cualquier proveedor, productor, vendedor, etc.
Poder conocer la demanda es esencial para poder planificar las operaciones, preparar la
infraestructura y poder satisfacer la demanda.
Aquellas organizaciones que pueden estimar su demanda con mayor exactitud pueden trabajar
de forma eficiente, generando una fuerte ventaja competitiva frente al resto.
Existen distintas formas de estimar la demanda futura:
- Conocimiento: Alguien sabe qué va a pasar, y le preguntamos a quien sabe, por ejemplo,
una empresa puede preguntarle a sus clientes cuánto van a comprar en los meses
futuros.
- Experimento: Otra forma, que en general se aplica frente al lanzamiento de un producto
nuevo, del que no se tiene historia ni se sabe qué va a pasar, es hacer un experimento
de laboratorio, a veces llamado “focus group”, en el que los resultados se extrapolan a
la base total del mercado para estimar la demanda total
- Causal: Se puede entender cuáles son los factores que afectan la demanda de un
servicio o producto (PBI, cantidad de población, inversión en publicidad, etc.) y a través
de modelos estimar cómo se comportará la demanda en función de variaciones en esas
variables. Para resolver este tipo de casos se usa la regresión
- Series Temporales: En este caso la respuesta está en la historia. Nadie informa, a nadie
se le pregunta, no importan las causas, ni siquiera importa qué se está estimando. Hay
números que representan la demanda en períodos pasados y se obtienen números que
representan la demanda en períodos futuros.
Es importante, al estimar la demanda, entender que muchas veces uno no tiene la información
de la demanda pero sí de las ventas. En algunos casos son similares, pero en otros casos, en los
3
que hubo quiebres de stock, la demanda pudo ser mayor a las ventas. En esos casos es
importante corregir la información, ya que sino se corre el riesgo de tener estimaciones
menores a la demanda real.
En este apunte vamos a ver cómo se resuelven algunos modelos de Series Temporales, y en qué
casos conviene usar cada uno.
4
2. Conceptos Básicos en Series Temporales
A continuación describimos algunos conceptos que facilitarán la comprensión del tema
2.1. Serie Temporal
Una serie temporal es un conjunto de observaciones de un proceso, tomadas a intervalos

regulares. Por ejemplo, la demanda semanal de un producto, que nos da 52 valores en el año.
Es importante ver que las series temporales suponen un agrupamiento de información. No nos
importa cuántos productos se vendieron cada día, sino el total de cada semana. Este
agrupamiento tiene que estar alineado con lo que nos interesa predecir, puede ser demanda
anual, mensual, semanal, o diaria, como en el caso de un hotel que queremos saber la demanda
de habitaciones día a día.
En la serie temporal es importante que todos los períodos tengan igual duración (no puedo
tomar un período de 3 meses, después uno de un mes, etc. todos tienen que tener igual
duración. También es importante que los datos sean completos. Si no tenemos los datos de un
período el mismo debe ser estimado, ya que un sistema de estimación tomaría un valor
inexistente como demanda 0, lo cual modificaría los estimados, aumentando el error.
En las series temporales se asume que los datos tienen un patrón de comportamiento que es
consistente, y a ese patrón se le suma un “ruido” que no tiene ningún patrón y no se puede
predecir. Conceptualmente, este comportamiento puede pensarse como el elemento aleatorio
de las decisiones humanas o el impacto de variables que tienen efectos puntuales en la
demanda y modifican levemente el patrón (por ejemplo el clima, aspectos políticos, etc.). En las
series temporales se busca entender el patrón e ignorar el ruido.
En las series se busca encontrar un
patrón de comportamiento. A ese patrón
se le suma un "ruido"
2.2. Proceso Estacionario
Un proceso estacionario es un proceso que se mueve alrededor de la media. Si bien puede

tener aumentos o disminuciones puntuales, no se trata de un proceso que aumenta o
disminuye en forma constante. Un ejemplo podría ser el consumo mensual de sal en un
supermercado. Si bien algunos meses se vende un poco más, otros se vende un poco menos,
5
mirando los últimos 20 o 30 meses, se puede observar que el total de Kg vendidos fluctúa
alrededor de la media. Alguien podría decir que por las campañas de salud para consumir
menos sal, la venta se ve impactada y está disminuyendo. Si este es el caso, entonces no sería
un proceso estacionario.
2.3. Tendencia
Cuando un proceso tiene tendencia, se indica que las observaciones van aumentando o
disminuyendo con el paso del tiempo. Esto no significa que estrictamente cada observación
tiene que ser siempre mayor o siempre menor a la anterior. Por el ruido (error) que hay en cada
observación (o por la estacionalidad) puede haber valores menores posteriores a observaciones
pasadas en un proceso con tendencia ascendente. Ejemplos de procesos con tendencia hay
muchos. La población en sí es un proceso que va aumentando, y en general ventas asociadas
con la población tienden a aumentar (venta total de pañales, etc.)
2.4. Estacionalidad
Cuando un proceso tiene estacionalidad, las variaciones (aumentos y descensos) se repiten en

intervalos siempre iguales y conocidos. Por ejemplo, la venta de helados, aumenta en verano,
disminuye en invierno. Hay estacionalidades anuales, mensuales (en los supermercados se
vende más a principio de mes que a fin de mes), semanales (la utilización de un cajero
automático para retirar dinero es distinta un lunes que un sábado), diarias (la utilización del
transporte público varía a distintas horas del día).
Hay quienes discuten que toda demanda de un producto o servicio tiene estacionalidad. Incluso
el papel higiénico, donde si bien la cantidad total de consumo no varía, se sabe que cerca de
Navidad y Fin de año aumenta notoriamente el consumo de papel de alta calidad y disminuye el
de baja calidad. Si un productor de papel higiénico no conoce este proceso estacional puede
perder ventas y market share frente a la competencia.
6
2.5. Ciclos
A diferencia de procesos estacionales, los ciclos son muy difíciles de predecir, y no se pueden
predecir utilizando series temporales. En un ciclo, si bien hay períodos de crecimiento y
períodos de decrecimiento, estos no tienen una duración definida y no se repiten en períodos
iguales.
Desde el punto de vista de Series Temporales, un proceso cíclico se trata como un proceso con
tendencia en cada una de sus etapas. En estos casos, es importante estar atento al cambio de
dirección del ciclo, para poder reaccionar con los estimados en forma rápida.
2.6. Sesgo y precisión
En series temporales, es importante entender la diferencia de concepto entre precisión y sesgo.
Por ejemplo, si estimamos la demanda, y cada período estimamos 3 unidades más de la

demanda, exactamente 3 unidades, estamos teniendo una estimación muy precisa, pero con un
sesgo de 3 unidades.
Si, en cambio, todos los períodos nos equivocamos por valores que van de 1 a 50, y a veces por
menos, otras por más, puede ser que estemos en una estimación sin sesgo pero poco precisa.
Las estimaciones pueden ser precisas sin sesgo, precisas con sesgo, imprecisas sin sesgo o
imprecisas con sesgo
Si lo quisiésemos representar gráficamente:
Preciso sin sesgo Preciso con sesgo Impreciso sin sesgo Impreciso con sesgo
7
En general, el sesgo es más fácil de resolver que la precisión, que en muchos casos se debe al
ruido del proceso y es imposible de mejorar.
2.7. Notación
Vamos a llamar Zt a la observación real de la variable (demanda) en el tiempo t, por ejemplo, si

vemos Z15=245, estamos diciendo que la demanda del período 15 fue efectivamente 245.
Vamos a llamar Z´t al estimado de nuestro modelo para el período t. Por ejemplo, si vemos
Z´15=272, estamos diciendo que la demanda estimada por nuestro modelo para el período 15
fue de 272.
Para simplificar, durante este apunte, vamos a utilizar t para denotar el tiempo actual, sobre el
que conocemos la demanda, y t+1 el valor del período próximo futuro, sobre el que no
conocemos la demanda.
En los modelos de series temporales, vamos a estimar Z´t+1 utilizando Zt, Zt-1, Zt-2, etc.
Cuando uno estima, uno trata de ser lo más exacto posible, pero siempre van a existir, en
mayor o menor grado, errores. La forma de medirlos y notar la medición es
𝑟" = 𝑍" − 𝑍′"
Siendo r por Residuo.
Es decir, el error es la diferencia entre el valor observado menos el que se había estimado para
el período. Un error positivo indica que se estimo muy bajo, y un error negativo indica que se
sobre estimó.
8
3. El proceso de la estimación
Para estimar una serie temporal hay 5 pasos:
- Obtener los datos numéricos de la variable a estimar. Los datos pueden ser internos,
como ventas, quiebres de stock, etc. o externos, como mercado total, indicadores
económicos, etc.
- Limpiar los datos: verficar que los datos relevados sean adecuados en calidad y
cantidad, completar datos faltantes, eliminar datos que tienen un comportamiento
distinto por causas específicas, etc.
- Generar la estimación basada en los datos numéricos. Esto se hace con una serie de
técnicas, de las cuales vamos a ver algunas
- Evaluar la exactitud de la técnica utilizada. Los resultados deben ser monitoreados. Así
como la exactitud (medida minimizando los errores que se obtienen con varias técnicas
posibles) se utiliza para seleccionar la técnica a utilizar, es importante continuar
controlándola.
- Incluir decisiones cualitativas. A veces la persona que toma la decisión puede, por
políticas de la empresa, disminuir o aumentar la estimación dependiendo los costos de
quiebres de stock, o los costos de almacenamiento.
- Aplicar las estimaciones para tomar decisiones. Una vez definida la demanda a futuro
hay que comprar las materias primas, planificar la producción, si es un servicio preparar
los recursos necesarios, etc.
9
4. Tipos de Error
Los distintos tipos de error sirven para evaluar distintos elementos de los resultados de la
aplicación de una técnica a un conjunto de datos.
Residuo de la estimación
𝑟" = 𝑍" − 𝑍′"
La diferencia entre el valor real y el valor estimado para un período.
Residuo medio (RM)

Sesgo
( 𝑟"
"*+
Este valor debería ser cercano a 0, y si el mismo no es cercano a 0, puede ser un indicador de
que nuestra estimación tiene sesgo. Esto es porque los errores positivos se balancean con los
errores negativos
Residuo absoluto medio (RAM)

Precision
(| 𝑟" |
"*+
Este valor, al tomar el valor absoluto de la diferencia es un test de precisión, y no mide el sesgo.
10
Media de los cuadrados de los residuos (MCR)
( 𝑟"-
"*+
Al igual que el RAM, mide la precisión, tomando el cuadrado de las distancias
Raíz cuadrada de la media de los cuadrados de los residuos (RMCR)
( 𝑟"-
"*+
Es la raíz cuadrada del MCR, con lo que en unidades está en similares unidades a la variable con
lo que da una idea del error que se comete en cada estimación.
Este es el error que recomendamos utilizar para comparar métodos. Comparación de métodos
Residuo porcentual absoluto medio (RPAM)
)
𝑟"
(. . ∗ 100
𝑍"
"*+
En este caso, se obtiene un valor relativo que permite dar información clara para gente que no
conoce el modelo, por ejemplo 3,4% de error.
11
5. Técnicas simples de estimación
A continuación describimos una serie de técnicas utilizadas en series temporales. Se las conoce
como técnicas simples porque sirven para casos en los que no hay tendencia o estacionalidad.
5.1. Media Acumulada Procesos estacionarios
Si consideramos la situación de una variable que se va generando de acuerdo a
𝑍" = 𝐿 + 𝑛"
Siendo L el nivel sobre el que oscila la variable y n el ruido aleatorio que tiene en cada período
t.
Como el valor de L no lo conocemos, lo tenemos que estimar. Al saber que el ruido n tiene una
media igual a 0, la mejor estimación para L sería el promedio de todas las observaciones que
hay.
𝑍’"6+ = (𝑍+ + 𝑍- + 𝑍8 + ⋯ . +𝑍" ) / 𝑡
A medida que aumentan las observaciones, el valor de la estimación se va estabilizando. El

error depende de la volatilidad que tenga la variable y los niveles de ruido n.
Si bien esta es la mejor técnica para casos en los que la variable es puramente estacionaria, en
la realidad son pocos los casos en los que se puede encontrar una variable puramente
estacionaria, y en general se deben usar otros métodos más complejos.
En el gráfico se puede ver cómo una variable es estimada con la media acumulada
12
Media Acumulada
35
30
25
Forecasts/Actuals
20
15
10
5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Time
5.2. Naive Toma periodo anterior
Si consideramos un proceso que se genera de acuerdo a la siguiente ecuación:
𝑍" = 𝑍">+ + 𝑛"
Cada observación del proceso es simplemente el valor de la observación anterior más (o

menos) un valor de ruido aleatorio. Como serie temporal no tiene patrón, no tiene
estacionalidad y no tiene tendencia, pero tampoco es estacionaria.
Cuando queremos estimar un valor, como no tenemos información de cómo va a ser el ruido
(no sabemos ni el valor ni la unidad), la mejor estimación para el período siguiente es el período
actual.
𝑍’"6+ = 𝑍"
Esta situación se puede ver en las acciones en la bolsa (sin contar períodos de crisis), en las que
si uno quiere estimar cuánto va a valer el día de mañana la acción de la compañía X, la mejor
apuesta es tomar el valor de hoy.
13
Lamentablemente esta información no es muy útil desde el punto de vista financiero, así como
la estimación Naive no tiene mucha utilidad práctica.
Si vemos gráficamente, para el mismo set de datos:
Naive
35
30
25
Forecasts/Actuals
20
15
10
5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Time
Vemos que la estimación va repitiendo los movimientos de la variable con un período de

retraso.
5.3. Media móvil
Muchas veces una variable parece estacional durante períodos de tiempo, pero eventualmente
cambia de nivel. Por ejemplo, cuando la demanda de un producto nuestro es estacional, pero
un competidor deja el mercado, nuestra demanda aumenta, pero vuelve a ser estacional en un
nivel distinto.
Para este tipo de situaciones, una técnica como la media acumulada estaría tomando para
estimar todos los valores históricos, con lo que estaría teniendo un sesgo en cada estimación.
Lo que hace esta técnica es tomar el promedio de los M últimos valores
14
"
1
𝑍′"6+ = ( 𝑍@
𝑀
@*">A6+
Por ejemplo, si M=3, tenemos una media móvil con M=3, para t=7 la fórmula sería:
𝑍C + 𝑍D + 𝑍E
𝑍′B =
3
El valor apropiado de M depende de cada situación. En general, con M chicos el modelo

responde rápidamente a los cambios, pero también se mueve con los ruidos de cada
observación. Con M grandes, están más suavizados los efectos de los ruidos, pero tarda más
períodos en acomodarse a los cambios.
En general conviene probar varias situaciones y elegir la que minimice los errores.
Vemos a continuación gráficos para M =2 y M = 4
Media Móvil 2
35
30
25
Forecasts/Actuals
20
15
10
5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Time
15
Media Móvil 4
35
30
25
Forecasts/Actuals
20
15
10
5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Time
Podemos notar que a medida que M aumenta, la estimación se suaviza.
También se puede ver que si M=1, se trata de una técnica Naive, y para M muy grandes, es muy
parecida a la media acumulada.
5.4. Media móvil ponderada Igual a media movil pero dandole mas peso
a las ultimas observaciones
Este modelo es similar al de media móvil, pero en lugar de asignar un valor similar de peso a
cada una de las previas M observaciones, se les asigna un peso diferenciado, dándole más peso
a las últimas observaciones.
Por ejemplo, para un M = 3, y con pesos de 3/6, 2/6 y 1/6, la fórmula quedaría así:
3 𝑍C + 2 𝑍D + 1 𝑍E
𝑍′B =
6
Esta técnica puede dar mejores resultados que la media móvil, pero genera la complicación de
tener que definir los pesos de cada observación, que para grandes M puede ser complejo.
En general, para estos casos se usa el ajuste exponencial
16
Alfa le da el peso a la observación y a la estimacion del periodo

5.5. Ajuste exponencial anterior
En este caso, para estimar el período que sigue (t+1), no solamente tomamos el valor de Z, sino
que también tomamos en cuenta el valor que estimamos en el período anterior Z’. Para ello se
utiliza un parámetro α que está entre 0 y 1 y define cuánto peso tiene la observación y cuánto
tiene la estimación del período t en la estimación de t+1.
Alfa alto (1) se adapta rapido a

𝑍′"6+ = ∝ 𝑍" + (1 − 𝛼) 𝑍′" los cambios (Naive). El alfa bajo suaviza
la estimacion
Donde 0 ≤ α ≤ 1
El alfa es definido por el analista y se busca un alfa tal que minimice errores, para esto se puede
iterar manualmente o utilizar el solver. Para entender alfa, un alfa de 0,2 implica que se le da
un peso de 20% a la última observación y el 80% se divide en observaciones anteriores, ya que
Z’ fue calculado usando observaciones anteriores.
Esta técnica se llama ajuste exponencial porque les da un peso exponencialmente menor a cada
una de las observaciones, siendo mayor la última y menor la primer observación. Esto se puede
observar haciendo pasaje de términos:
Z't+1 = aZt + (1-a)Z't
Z't = aZt-1 + (1-a)Z't-1
Z't+1 = aZt + (1-a)(aZt-1 + (1-a)Z't-1)
Z't+1 = aZt + a(1-a)Zt-1 + (1-a)2Z't-1
Z't+1 = aZt + a(1-a)Zt-1 + a(1-a)2Zt-2 + (1-a)3Z't-3
Z't+1 = a(1-a)0Zt + a(1-a)1Zt-1 + a(1-a)2Zt-2 + a(1-a)3Zt-3...
Con lo que quedaría, para un α = 0.5
17
Z't+1 = 0.5 Zt + 0.25 Zt-1 + 0.125 Zt-2 + 0.0625 Zt-3...
Es de notar que un α = 1 se trata de una técnica Naive, y un α = 0 simplemente toma la primer

estimación y la repite.
Otro punto importante a tener en cuenta es que, a parte del valor de α, Hay que definir el
primer valor de Z’ ya que al utilizarlo en la fórmula para el período siguiente. Este tema de
valores iniciales impacta en varias técnicas. Si bien hay varias recomendaciones, la nuestra es
usar Z’1 = Z1 , es decir tomar la primer observación como primer estimación, y a partir de la
segunda ya utilizar la fórmula.
En el siguiente gráfico podemos ver el peso que tiene cada observación previa a t en función del
α.
Peso de las observaciones según α
1
0,9
Peso efectivo
0,8
0,7 alpha=.1
0,6
0,5 alpha=.5
0,4
0,3 alpha=.9
0,2
0,1
0
0 1 2 3 4 5
Observación (previas a t)
Y en el siguiente gráfico podemos ver cómo se comporta con los mismos datos vistos
anteriormente una técnica de ajuste exponencial con α = 0.5
18
Ajuste exponencial
35
30
25
Forecasts/Actuals
20
15
10
5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Time
Encontrar alpha que minimize el error
5.6. ARRES Se adapta mas facil a los saltos
Esta técnica se la conoce por su nombre en inglés: Adaptive Response Rate Exponential
Smoothing (Ajuste exponencial con ratio de respuesta adaptable)
Como vimos en ajuste exponencial, un alfa bajo tiende a suavizar las estimaciones, pero tarda
en adaptarse a cambios en el nivel, un alfa alto, en cambio, se adapta rápidamente a los
cambios de nivel, pero genera saltos en las estimaciones porque es muy susceptible al ruido. La
idea de esta técnica es tener un alfa variable, que se adapte, y que en tiempos de “estabilidad”
sea bajo, pero que cuando hay cambios de nivel sea alto.
Esta técnica fue propuesta por Trigg y Leach y deja que alfa varíe período a período, y se utiliza
un valor β (beta), generalmente predeterminado en 0.2, pero puede ser distinto si el analista
decide cambiarlo.
Lo que se hace, es calcular un valor E que es un ajuste exponencial del estimado del error (el
error en sí es r ) usando β como parámetro
Et = b rt + (1- b) Et-1
19
Y a la vez, calculamos A que es un ajuste exponencial de los errores absolutos
At = b|rt| + (1- b)At-1
A partir de ahí calculamos α
at = | (Et / At ) |
Notando que alfa va cambiando para cada período por eso es αt
Para calcular, entonces, Z’, usamos la fórmula del ajuste exponencial
Z 't+1 = at Zt + (1-at) Z 't
Lo que pasa en esta técnica es que, mientras hay errores chicos y el signo del error va
cambiando, E se mantiene bajo, cercano a 0, con lo que alfa es bajo. Si se produce un salto en el
nivel, los errores pasan a tener todos el mismo signo, y son mayores, con lo que E crece,
llegando a valores cercanos a A, y llevando a alfa a valores cercanos a 1.
Si tomamos un set de datos que tiene un salto en el nivel, y aplicamos la técnica vemos en la
siguiente tabla y gráfico:
20
ARRES
500 1,200
450
1,000
400
Forecasts/Actuals
350 0,800
300 0,600 Zt
250 Z't
200 0,400 αt
150 0,200
100
0,000
50
0 -0,200
1 3 5 7 9 11 13 15 17 19
Time
21
Vemos que alfa, mientras las observaciones son estables se mantiene entre 0 y 0.4, pero en el
momento en que se produce un salto, alfa sube a valores cercanos a 1, adaptándose la
estimación muy rápidamente.
En cuanto a los valores iniciales de A y E, se pueden tomar valores de 1 que da un alfa inicial
igual a 1, ya que rápidamente se adapta, sin impactar en valores futuros.
5.7. Demandas a futuro
En todas las técnicas evaluadas hasta ahora, se estiman los valores de un período para
adelante, ya que al no tener la observación del período próximo, no se pueden estimar dos
períodos para adelante, o más.
En todos estos casos, se asume que la demanda es estacionaria, con lo que, si tenemos que
estimar 2 o más períodos para adelante, simplemente lo que utilizamos es la última estimación
que tenemos para todos los períodos que fueran necesarios estimar:
𝑍′"6K = 𝑍′"6+ 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑘 ≥ 1
Sin embargo, para los casos en los que hay cambios en el nivel, a medida que se extiende en el
futuro la estimación, esto genera una disminución importante en la precisión.
22
6. Técnicas con tendencia y estacionalidad
Muchos de los elementos que uno quiere estimar (en la realidad, casi todos), tienen algún tipo
de tendencia y/o estacionalidad.
Con las técnicas vistas hasta ahora, la tendencia generaría un sesgo constante, ya que al no
tomarla en cuenta para estimaciones futuras, se va produciendo una distancia insalvable.
Si vemos en el gráfico cómo se comporta una estimación de media móvil frente a un proceso
con tendencia creciente:
Vemos que tanto para M=3 como para M=5, las estimaciones toman un promedio de las
observaciones anteriores, y siempre se “quedan cortas”
Una posibilidad podría ser, en este caso, sumarle 20 unidades a la estimación de M=3, con lo
que nos daría una estimación perfecta, pero lamentablemente, en la realidad los procesos no
se comportan aumentando de 10 en 10 cada período, con lo que necesitamos técnicas de
estimación un poco más complejas, que si bien tienen la filosofía de “sumar” la tendencia a la
observación, tienen un poco más de ingeniería en el cálculo de esa tendencia.
Existen varios métodos, pero acá vamos a ver el método de Holt para series con tendencia, el
de Winter para series con estacionalidad y el de Holt y Winter para estacionalidad y tendencia.
23
6.1. Holt’s
Lo que hace el procedimiento de Holt es diferenciar el nivel que tiene un proceso en cada t de
la tendencia (lo que aumenta o disminuye en cada período) y estima con un ajuste exponencial
ambos valores.
El componente de nivel, Lt, puede ser visto como la estimación del nivel de la demanda del
período t sin el ruido y el componente de tendencia Tt puede ser visto como la estimación de la
diferencia de los dos niveles anteriores (cuánto aumenta por cada t).
Para obtener el estimado Z’, simplemente sumamos L y T.
Para estimar L usamos un ajuste exponencial con el parámetro α, y para estimar T usamos un
ajuste exponencial con el parámetro β. Notar que este β tiene un significado distinto al β
utilizado en ARRES.
Si ponemos la técnica en fórmulas:
Z 't+1 = Lt+1 + Tt+1
donde: Lt+1 = a Zt + (1-a) (Lt + Tt)
y: Tt+1 = b (Lt+1 - Lt) + (1- b) Tt
Los parámetros alfa y beta toman valores entre 0 y 1 y son definidos en el momento de armar
el modelo. Pueden ser optimizados con el Solver o manualmente, para minimizar los errores.
Los efectos de valores altos o bajos de los parámetros son similares a los de ajuste exponencial,
donde valores más cercanos a 1 le dan más peso a la última observación y valores más cercanos
a 0 le dan importancia a la historia.
Vemos un ejemplo de datos, su estimación y el gráfico de los mismos:
24
Método Holt
700
600
Forecasts/Actuals
500
400 Zt
300 Z't
200
100
0
1 2 3 4 5 6 7 8 9 10
Time
25
En este caso se puede pronosticar a futuro, tomando el último pronóstico Z’ y sumándole

tantos valores de T como períodos para el futuro se quiera estimar.
Otro tema a definir en este caso son los valores iniciales. En este caso se puede usar Z1 para L1 y
Z2 – Z1 para T1.
Es importante aclarar que si bien uno puede pensar que se puede utilizar este modelo para
procesos sin tendencia, y que en ese caso T sería 0, no lo recomendamos, ya que este modelo
“busca” la tendencia, con lo que aumentaría los errores de estimación frente a un modelo
estacionario.
6.2. Winter’s
En el caso de procesos con estacionalidad, existen también varias técnicas que lo estiman. Acá
vamos a ver la que nos parece más útil.
Veamos con un ejemplo simple, si yo vendo helados, y mis ventas en verano son alrededor de
150, en invierno alrededor de 50 y en otoño y primavera alrededor de 100, yo podría decir que
tengo un nivel L de ventas en cada estación de 100, y una serie de índices de estacionalidad que
son:
- Invierno 0,50
- Primavera 1,00
- Verano 1,50
- Otoño 1,00
Y podría desdoblar mi estimación de nivel y mi estimación de los índices estacionales y

simplemente multiplicarlos para tener mi estimación de la demanda de helado.
El modelo utilizado es:
Z't+1 = Lt+1 St+1-m
Donde
26
Lt+1 = a (Zt/St) + (1- a) Lt
St+1 = g (Zt+1/Lt+1) + (1- g) St+1-m
Siendo L el nivel, S el índice de estacionalidad y m la cantidad de períodos en cada ciclo.
Gamma (g) representa el parámetro que usamos para realizar un ajuste exponencial en los
valores de los índices de estacionalidad.
Si usamos un m=4 (por ejemplo 4 estaciones), para t=12
Z '13 = L13 S9
L13 = a (Z12/S12) + (1- a) L12
S13 = g (Z13/L13) + (1- g) S9
En este caso, con cada observación, definimos el L para calcular el Z´ siguiente y el S 1ue se
usará en m períodos.
m puede ser 2 por semestres, 4 por estaciones, 7 por días de la semana, 12 por meses, 24 por
horas, 31 por días, 52 por semanas al año, o cualquier valor en el que los períodos se repiten a
cada ciclo.
En este caso, alfa y gamma pueden ser definidos por el usuario, de la misma manera que en
técnicas vistas anteriormente.
En cuanto a los valores iniciales, se tiene que utilizar un ciclo entero de datos para tomarlos.
Este ciclo no se toma en cuenta para calcular los errores.
R
1
𝐿R6+ = ( 𝑍@
𝑚
+*+
Por ejemplo, para un período de 12 meses:
( 𝑍+ + 𝑍- + 𝑍8 + 𝑍T + 𝑍E + … . . + 𝑍+- )
𝐿+8 =
12
Al tomar el promedio de todo un ciclo, eliminamos los factores estacionales de los datos.
Para obtener cada valor de S inicial, simplemente dividimos el valor observado en cada período
por el valor medio de L:
27
𝑍@
𝑆@ = 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖 𝑑𝑒 1 𝑎 𝑚
𝐿R6+
En el siguiente gráfico se puede ver una demanda estacional y cómo es estimada con el modelo
de Winter
Se puede observar que las primeras doce observaciones no son estimadas ya que fueron
utilizadas para definir los valores iniciales.
6.3. Holt Winter´s
Para situaciones en las que hay tendencia y estacionalidad, la solución es la combinación de las
técnicas vistas:
Z't+1 = (Lt+1 + Tt+1 ) St+1-m
Donde
28
Lt+1 = a (Zt/St) + (1- a) (Lt + Tt)
Tt+1 = b (Lt+1 - Lt) + (1- b) Tt
St+1 = g (Zt+1/Lt+1) + (1- g) St+1-m
Desarrollar valores iniciales para esta técnica es más difícil, y necesitamos dos ciclos de datos
para obtenerlos.
Lo primero que se hace es tomar la media del ciclo 1 y el ciclo 2, y obtenemos la tendencia
como la diferencia entre las medias, dividido la cantidad de períodos que hay en el ciclo, m.
Para estimar el nivel L del período inicial, lo que se hace es tomar el promedio del ciclo, menos
(m-1)/2 tendencias. Es decir si tenemos un promedio de la semana, el nivel del primer día es
ese promedio menos 3 tendencias diarias.
Y para cada indicador de estacionalidad, tomamos el promedio entre los 2 ciclos, de la

observación de ese período sobre el nivel más la cantidad correspondiente de tendencias:
29
Para los m períodos.
Como los índices de estacionalidad S no están normalizados (la suma de los mismos debería dar
m), se deben normalizar. Para esto simplemente se suman, se divide cada S por el total y se
multiplica cada S por m, con lo que los valores de S modificados dan una suma de m.
En el siguiente gráfico se puede ver la demanda de una variable que tiene estacionalidad y
tendencia, y su estimación utilizando la técnica Holt Winter’s.
6.4. Otros Modelos
Existen otros modelos que han quedado fuera de esta guía de estudios, pero que se considera
importante mencionar. Uno de ellos es el denominado: ARMA (Autoregresive Moving Average) que
surge de la combinación de dos modelos (un modelo de auto regresión (AR) y un modelo de generación
de datos referidos a la media móvil (MA)) y ARIMA (Autoregressive Integrated Moving-Average) es la
abreviatura en inglés de los denominados modelos auto regresivos, integrados de medias móviles.
Básicamente, se hacen regresiones de cada observación con las observaciones previas, y así se realiza el
elemento auto regresivo del modelo. Para el elemento de media móvil (que no es la misma vista en este
30
apunte, se toma a cada observación como combinación lineal de los errores obtenidos en observaciones
pasadas con el modelo.
La diferencia entre ARMA y ARIMA es que ARIMA se usa en casos con tendencia.
Muchos sistemas hechos a medida utilizan estas técnicas, aunque no siempre los resultados obtenidos
son mejores a las técnicas simples vistas en este apunte.
Para profundizar sobre estos métodos existe bibliografía y software específicos.
31
7. Software utilizado
Para realizar modelos de series temporales, existe la posibilidad de usar Excel, paquetes
estadísticos que tienen la funcionalidad de estimar series temporales, o el desarrollo de un
software a medida que contemple las necesidades particulares de la empresa. A continuación
se describen en cada caso.
7.1. Uso del Excel
Para los ejemplos utilizados en este apunte, y para muchos casos reales, el Excel es una
herramienta suficiente, ya que las fórmulas utilizadas no son complicadas y una tabla puede
armarse con facilidad.
Tiene las ventajas de que el usuario está familiarizado con la herramienta. Los datos en general
están en Excel y se puede modificar de acuerdo a las necesidades.
Una vez armado un modelo, es muy fácil adaptarlo a una nueva serie de datos
En esta pantalla se puede observar un modelo en Excel:
32
El caso explicado al final de este apunte está también resuelto con Excel
7.2. Uso de herramientas estadísticas
Existen muchas herramientas que tienen funcionalidad para estimar series temporales, entre
ellas SPSS, SAS, etc.
Si tomamos el módulo SPSS Trends de SPSS, el proceso es:
Definir las variables:
Se seleccionan los modelos a aplicar
33
Como resultado el software recomienda cuál es el modelo que más se adapta, las proyecciones
pedidas y puede graficar los resultados.
Otras aplicaciones tienen similar funcionalidad y recomendamos leer el manual del usuario para
utilizarlo.
7.3. Desarrollo de software a medida
En muchos casos, una empresa que utiliza habitualmente series temporales para proyectar la
demanda de múltiples productos puede decidir desarrollar un sistema que tome en cuenta sus
necesidades y facilite sus operaciones.
Un ejemplo es el caso de un importante grupo editorial que produce un diario de tirada diaria,
revistas mensuales y revistas bimestrales.
El diario tiene una estacionalidad semanal (el domingo se vende mucho más que un lunes, por
ejemplo), y otra estacionalidad anual (en lugares de veraneo, por ejemplo, es muy distinta la
34
venta en invierno que en verano). Las revistas tienen estacionalidad anual, pero menos
marcada. Por otro lado, tienen miles de puntos de venta, cada uno con sus características
particulares. Y como si eso fuera poco, hay eventos puntuales, como elecciones, mundial de
fútbol, o la muerte de alguna persona famosa, que impactan enormemente en el volumen de la
demanda.
El software desarrollado fue hecho a través de la adaptación de varios modelos distintos, con la
funcionalidad de marcar eventos que impactan en la demanda, para poder utilizarlos en futuros
eventos similares, pero no ser tenidos en cuenta en el modelo de series temporales para
estimar la actividad en condiciones normales.
El software automáticamente toma información del sistema de gestión del grupo editorial, y en
minutos estima la demanda y propone cantidades de distribución a cada uno de los puntos de
venta. Estos valores recomendados pueden ser manualmente modificados de acuerdo a
información recibida en forma externa (por ejemplo que un punto de venta está cerrado, etc.)
La implementación de este sistema le permitió al grupo editorial reducir considerablemente las

pérdidas por ejemplares no vendidos.
35
8. Ejemplo de utilización
Si tomamos los datos de cantidad de pasajeros de cabotaje en un aeropuerto español entre los
años 1998 y 2002 y queremos estimar el año 2003, de acuerdo a la siguiente tabla:
36
Lo primero que hacemos es poner todos los datos en una columna y graficar, para ver si
podemos decir que hay tendencia y estacionalidad:
PT
140.000
120.000
100.000
80.000
60.000
PT
40.000
20.000
0
ene-98
abr-98
jul-98
oct-98
ene-99
abr-99
jul-99
oct-99
ene-00
abr-00
jul-00
oct-00
ene-01
abr-01
jul-01
oct-01
ene-02
abr-02
jul-02
oct-02
Se ve que hay estacionalidad (picos en verano europeo) y hay cierta tendencia, va aumentando.
Por esto decidimos utilizar el método Holt Winter’s.
Lo que se hace, es armar el modelo en Excel:
37
38
Y se deben definir los valores iniciales:
39
Cargamos en el modelo los valores iniciales y optimizamos los parámetros (alfa, beta y gama).
Para optimizarlos se puede iterar hasta encontrar los valores que minimicen el error RMCR, o se
puede usar el solver.
40
Estimamos los valores para 2003
Y graficamos incluyendo las estimaciones
120.000
110.000
100.000
90.000
Valores Reales
80.000
Estimación
70.000
60.000
ene-98
may-98
sep-98
ene-99
may-99
sep-99
ene-00
may-00
sep-00
ene-01
may-01
sep-01
ene-02
may-02
sep-02
ene-03
may-03
sep-03
Finalmente analizamos los resultados:
Se ve una baja en 2001, que se debió al ataque terrorista del 11-9-2001, que disminuyó la
cantidad de pasajeros, pero se estima una recuperación.
41
En función de los estimados a futuro se pueden tomar decisiones, como aumentar el espacio de
espera, el estacionamiento, etc.
En algunos casos puede darse que efectos puntuales impactan en la demanda (como un plan
canje de autos, terremotos, etc.) si estos efectos son puntuales, se puede cambiar en los datos
históricos para que no afecten las estimaciones.
42
9. Bibliografía
- Demand Forecasting, Jim Masters

- Estadística Aplicada a los Negocios y Economía, Allen Webster
- Estadística Teórica y Aplicada, Vicente Novo Sanjurjo
- Forecasting Methods and Applications, Spyros Makridakis, Steven Wheelwright y Rob
Hyndman
- Investigación de Operaciones, Frederick Hillier y Gerald Lieberman
- Microsoft Excel User Guide
- Time Series Forecasting, Samuel Bodily
43

ST Unsam

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

ST Unsam

Cargado por

Copyright:

Formatos disponibles

Introducción

Existen distintas formas de estimar la demanda futura:

2. Conceptos Básicos en Series Temporales

A continuación describimos algunos conceptos que facilitarán la comprensión del tema

2.1. Serie Temporal

Una serie temporal es un conjunto de observaciones de un proceso, tomadas a intervalos

2.2. Proceso Estacionario

Un proceso estacionario es un proceso que se mueve alrededor de la media. Si bien puede

Cuando un proceso tiene estacionalidad, las variaciones (aumentos y descensos) se repiten en

2.6. Sesgo y precisión

En series temporales, es importante entender la diferencia de concepto entre precisión y sesgo.

Por ejemplo, si estimamos la demanda, y cada período estimamos 3 unidades más de la

Si lo quisiésemos representar gráficamente:

Vamos a llamar Zt a la observación real de la variable (demanda) en el tiempo t, por ejemplo, si

𝑟" = 𝑍" − 𝑍′"

Siendo r por Residuo.

Para estimar una serie temporal hay 5 pasos:

𝑟" = 𝑍" − 𝑍′"

La diferencia entre el valor real y el valor estimado para un período.

Residuo medio (RM)

Residuo absoluto medio (RAM)

Media de los cuadrados de los residuos (MCR)

Al igual que el RAM, mide la precisión, tomando el cuadrado de las distancias

Raíz cuadrada de la media de los cuadrados de los residuos (RMCR)

Residuo porcentual absoluto medio (RPAM)

5. Técnicas simples de estimación

5.1. Media Acumulada Procesos estacionarios

Si consideramos la situación de una variable que se va generando de acuerdo a

𝑍’"6+ = (𝑍+ + 𝑍- + 𝑍8 + ⋯ . +𝑍" ) / 𝑡

A medida que aumentan las observaciones, el valor de la estimación se va estabilizando. El

5.2. Naive Toma periodo anterior

Si consideramos un proceso que se genera de acuerdo a la siguiente ecuación:

𝑍" = 𝑍">+ + 𝑛"

Cada observación del proceso es simplemente el valor de la observación anterior más (o

Si vemos gráficamente, para el mismo set de datos:

Vemos que la estimación va repitiendo los movimientos de la variable con un período de

5.3. Media móvil

Lo que hace esta técnica es tomar el promedio de los M últimos valores

El valor apropiado de M depende de cada situación. En general, con M chicos el modelo

Vemos a continuación gráficos para M =2 y M = 4

Podemos notar que a medida que M aumenta, la estimación se suaviza.

En general, para estos casos se usa el ajuste exponencial

Alfa le da el peso a la observación y a la estimacion del periodo

Alfa alto (1) se adapta rapido a

Z't+1 = aZt + (1-a)Z't

Z't = aZt-1 + (1-a)Z't-1

Z't+1 = aZt + (1-a)(aZt-1 + (1-a)Z't-1)

Z't+1 = aZt + a(1-a)Zt-1 + (1-a)2Z't-1

Z't+1 = aZt + a(1-a)Zt-1 + a(1-a)2Zt-2 + (1-a)3Z't-3

Z't+1 = a(1-a)0Zt + a(1-a)1Zt-1 + a(1-a)2Zt-2 + a(1-a)3Zt-3...

Con lo que quedaría, para un α = 0.5

Z't+1 = 0.5 Zt + 0.25 Zt-1 + 0.125 Zt-2 + 0.0625 Zt-3...

Es de notar que un α = 1 se trata de una técnica Naive, y un α = 0 simplemente toma la primer

Peso de las observaciones según α

Encontrar alpha que minimize el error

5.6. ARRES Se adapta mas facil a los saltos

Y a la vez, calculamos A que es un ajuste exponencial de los errores absolutos

At = b|rt| + (1- b)At-1

A partir de ahí calculamos α

Notando que alfa va cambiando para cada período por eso es αt

Para calcular, entonces, Z’, usamos la fórmula del ajuste exponencial

Z 't+1 = at Zt + (1-at) Z 't

5.7. Demandas a futuro