Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Pronos Ticos
Pronos Ticos
=
=
=
5. Frmulas de medicin del error
en el pronstico
( )
n
Y Y
EMC
cuadrado medio Error
n
Y Y
DAM
media absoluta Desviacin
n
t
t t
n
t
t t
=
=
=
1
2
1
:
5. Frmulas de medicin del error en
el pronstico
( )
n
Y
Y Y
PME
error de medio Porcentaje
n
Y
Y Y
PEMA
absoluto medio error de Porcentaje
n
t
t
t
n
t
t
t t
=
=
=
1
1
:
6. Modelos de series de tiempo
6.1. Modelos no formales:
Estas tcnicas suponen que los
periodos recientes son los mejores
para pronosticar el futuro.
El mtodo ms sencillo es el mtodo
del ltimo valor:
Pronstico = ltimo valor
6.1. Mtodo del ltimo valor
t Yt Yt+1 et
1 42
2 52 42 10
3 54 52 2
4 65 54 11
5 51 65 -14
6 64 51 13
6.2. Metodos de promedio
Promedios simples:
Se obtiene la media de todos los
valores pertinentes, la cual se
emplea para pronosticar el
periodo siguiente.
Promedios simples:
t Yt Yt+1
1 42
2 52 42
3 54 47.00
4 65 49.33
5 51 53.25
6 64 52.80
Promedios mviles:
Este mtodo no considera la media de todos
los datos, sino solo los ms recientes.
Se puede calcular un promedio mvil de n
periodos.
El promedio mvil es la media aritmtica de
los n periodos ms recientes.
Promedios mviles:
promedio mvil
t Yt n=3 n=4
1 42
2 52
3 54
4 65 49.33
5 51 57.00 53.25
6 64 56.67 55.5
6.3. Metodos de suavizamiento
exponencial
El mtodo de suavizamiento exponencial puede
dar una ponderacin mayor a las observaciones
ms recientes.
Las ponderaciones se asigna mediante la
constante o, 0 < o < 1.
El modelo se expresa como:
pronstico = o (ltimo valor) + (1 - o)(ltimo pronstico)
6.3. Metodos de suavizamiento
exponencial
t Yt o=0.1 o=0.5
1 42
2 52 42 42
3 54 43.00 47.00
4 65 44.10 50.50
5 51 46.19 57.75
6 64 46.67 54.38
6.4. Descomposicin de series de
tiempo
Las tendencias son movimientos a largo plazo en
una serie de datos a lo largo del tiempo.
La tendencia puede ser descrita por una recta o por
una curva.
Las tendencias se dan por varias causas: cambios
en la poblacin, cambios en la productividad,
cambios tecnolgicos, etc.
En este tipo de anlisis la variable independiente es
el tiempo.
6.4.1. Tendencia lineal
El mtodo ms empleado para describir una
tendencia lineal es el de mnimos cuadrados,
para encontrar una lnea de mejor ajuste para un
conjunto de puntos.
Y = a + bX
Y = valor pronosticado en un periodo X
a = valor de la tendencia cuando X = 0
b = pendiente de la recta de tendencia
X = periodo (codificado)
6.4.1. Tendencia lineal: ejemplo
Ao Periodo X Demanda (Y)
1994 1 35
1995 2 42
1996 3 48
1997 4 51
1998 5 54
1999 6 60
2000 7 71
2001 8 75
6.4.1. Tendencia lineal: ejemplo
30
35
40
45
50
55
60
65
70
75
80
1994 1995 1996 1997 1998 1999 2000 2001
6.4.1. Tendencia lineal: ejemplo
X Y XY X
1 35
2 42
3 48
4 51
5 54
6 60
7 71
8 75
Sumas
6.4.1. Tendencia lineal: frmulas
( )
n
x
b
n
y
a
x x n
y x xy n
b
=
=
2
2
6.4.1. Tendencia lineal
t Yt Yt et
1 35
2 42
3 48
4 51
5 54
6 60
7 71
8 75
9
6.4.1. Tendencia lineal
Se puede calcular el coeficiente de
determinacin, a fin de evaluar qu tan
correcta es la estimacin de la recta de
regresin.
El coeficiente de determinacin r se calcula
como:
| |
( ) | | ( ) | |
2
2
2 2
2
2
=
y y n x x n
y x xy n
r
6.4.1. Tendencia lineal
Tambin es posible calcular intervalos
de confianza para la estimacin. Para
ello es necesario calcular el error
estndar de la estimacin.
2
2
=
n
xy b y a y
S
e
6.4.1. Tendencia lineal
Nivel de confianza Z Frmula
68% 1 y Se
95% 2 y 2Se
99% 3 y 3Se
7. Aplicacin de varios mtodos a datos
desestacionalizados
Los datos muestran alguna tendencia creciente a lo
largo del tiempo, adems de una marcada
estacionalidad. Se proceder a desestacionalizar los
datos, lo que permite observar hasta donde las
variaciones se deben a efectos estacionales o bien, a
otros factores.
El proceso de ajuste estacional se realizar a travs
del clculo de factores estacionales:
Factor estacional = Prom. periodo / prom. global
Ao Trim. Yt
1 1 13618
2 12930
3 13138
4 16532
2 1 14514
2 14128
3 15568
4 17448
3 1 13984
2 13644
3 15898
4 19300
7. Aplicacin de varios mtodos a
datos desestacionalizados
10000
11000
12000
13000
14000
15000
16000
17000
18000
19000
20000
1 2 3 4 1 2 3 4 1 2 3 4
Trimestres
7. Aplicacin de varios mtodos a
datos desestacionalizados
T
Ao
Suma Prom
Factor
Estac.
1 2 3
1 13618 14514 13984 42116 10529 0.9323
2 12930 14128 13644 40702 10175 0.9010
3 13138 15568 15898 44604 11151 0.9873
4 16532 17448 19300 53280 13320 1.1794
Total 45175.50
Prom. 11293.88
Ao Trim. Yt Yt ajust.
1 1 13618.00 14607.27
2 12930.00 14351.12
3 13138.00 13306.33
4 16532.00 14017.29
2 1 14514.00 15568.36
2 14128.00 15680.79
3 15568.00 15767.47
4 17448.00 14793.96
3 1 13984.00 14999.86
2 13644.00 15143.59
3 15898.00 16101.70
4 19300.00 16364.25
7. Aplicacin de varios mtodos a
datos desestacionalizados
Se aplican varios mtodos de pronstico para
finalmente seleccionar el mejor pronstico.
A. Mtodo de pronstico del ltimo valor
B. Promedios mviles
C. Suavizamiento exponencial
D. Suavizamiento exponencial con tendencia
Otros mtodos:
Modelos de tendencia con ajuste estacional
Modelo de promedios mviles integrados
autorregresivos (ARIMA o Box-Jenkins)
Pronsticos causales (modelos
economtricos)
Mtodos de pronsticos subjetivos