Está en la página 1de 45

MODELOS DE PRONOSTICOS

Anlisis de series de tiempo

Segundo semestre 2012

Medicin del error en el pronstico


Yt valor de una serie de tiempo en el periodo t
Y valor del pronstico para Y
t

Error del pronstico o residual :


e Y Y
t

Medicin del error en el pronstico

El error correspondiente a cualquier pronstico es


la diferencia entre el valor observado en la serie
de tiempo y el pronstico.

La mayora de los mtodos implica promediar


alguna funcin del error.

El error de pronstico puede ser positivo o


negativo dependiendo si el pronstico es
demasiado alto o demasiado bajo.

Una medida de la precisin de los pronsticos es


la suma de los errores.

Medicin del error en el pronstico

El problema es que si se suman los errores al ser


unos positivos y otros negativos se cancelarn.

Puede evitarse esto tomando los valores


absolutos o elevando al cuadrado cada uno de los
errores, antes de sumarlos y promediarlos.

Algunos mtodos son:

Desviacin absoluta de la media :


n

DAM

Y Y
t 1

Medicin del error en el pronstico


Error medio cuadrado :

Y Y
n

EMC

t 1

Este mtodo penaliza los errores mayores ya que


eleva cada uno al cuadrado.

Se usa en casos que se prefiere una tcnica que


produzca errores moderados a otra que
generalmente tenga errores pequeos pero
ocasionalmente arroje algunos muy grandes.

Medicin del error en el pronstico

En ocasiones es ms til calcular los errores en


porcentajes y no en cantidades.

El porcentaje del error medio absoluto (PEMA)


se calcula encontrando el error absoluto en cada
periodo, dividiendo ste entre el valor real
observado para ese periodo y despus
promediando estos errores absolutos de
porcentaje.
n

PEMA

t 1

Yt Yt
Yt
n

Medicin del error en el pronstico

El PEMA indica qu tan grande son los errores


comparados con los valores reales de la serie.

Se puede utilizar el PEMA para comparar la


precisin de la misma u otra tcnica sobre dos
series completamente diferentes.

A veces resulta necesario determinar si un


mtodo de pronstico est sesgado (pronstico
consistentemente alto o bajo).

Para esto se utiliza el porcentaje medio de error


(PME).

Medicin del error en el pronstico

El PME se calcula encontrando el error en cada


periodo, dividiendo ste entre el valor real de ese
periodo y promediando despus estos
porcentajes de error.

Y Y

PME

t 1

Yt
n

Si un mtodo de pronstico no est sesgado el


PME dar un porcentaje cercano a cero.

Medicin del error en el pronstico

Si el resultado es un porcentaje negativo grande


el mtodo de pronstico est sobrestimando en
forma consistente.

Si el resultado es un porcentaje positivo grande


el mtodo de pronstico est subestimando en
forma consistente.

Es realista esperar que una tcnica produzca


errores relativamente pequeos.

Las mediciones de precisin de un pronstico se


podran utilizar para buscar una tcnica ptima.

Medicin del error en el pronstico

La tabla siguiente muestra el n de clientes


diarios que requieren trabajos de reparacin y un
pronstico de estos datos.

La tcnica de pronstico utiliza el n de clientes


atendidos en el periodo anterior como el
pronstico del periodo actual.

Medicin del error en el pronstico


Periodo
(t)

Datos

Pronstico

Yt

Yt Yt

58

54

58

-4

60

54

55

60

-5

62

55

62

62

65

62

63

65

-2

70

63

Total

12

Yt

Error

Medicin del error en el pronstico

DAM=4,3
EMC=23.5
PEMA=6,95%
PME=2,03%

El DAM indica que cada pronstico est desviado


en un promedio de 4.3 clientes.

El EMC y el PEMA se compararn con cualquier


otro mtodo de pronstico.

El PME indica que la tcnica no est desviada ya


que su valor es cercana a cero.

Medicin del error en el pronstico

Uno de los requerimientos bsicos de una tcnica


de pronstico es que de un patrn de residuos
que sea aleatorio.

Esto se puede probar mediante un correlograma


de los residuos.

Otro requerimiento es que los residuos tengan


una distribucin aproximadamente normal.

Esto se puede probar mediante un histograma de


los residuos.

Series de tiempo

Recordemos que una serie de tiempo es un


conjunto de observaciones de un cierto
fenmeno tomadas en tiempos especficos,
generalmente a intervalos iguales.

Una serie de tiempo se define por medio de los


valores Y1 , Y2 , ..., Yt , ..., Yn de una variable Y
observada en periodos de tiempo iguales t.

Series de tiempo

Ejemplo, la siguiente tabla muestra la produccin


anual (en millones de unidades) durante 12 aos
de una compaa.

Series de tiempo
Ao

Periodo t

1997

1998

1999

2000

2001

12

2002

16

2003

13

2004

10

2005

17

2006

10

14

2007

11

22

2008

12

24

Produccin Yt

Series de tiempo

Anlisis de series de tiempo

El anlisis de las series de tiempo consiste en una


descripcin de los movimientos componentes
presentes.

Equivale a investigar los factores T, C, E e I y


suele llamarse descomposicin de series de
tiempo, en sus movimientos componentes
bsicos.

Un modelo de series de tiempo puede expresarse


como alguna combinacin de estos 4
componentes.

Modelos de series de tiempo

En general, se supone que una serie de tiempo


contiene sus componentes en forma aditiva o en
forma multiplicativa.

Modelo aditivo: supone que el valor de los datos


originales Y, es la suma de los 4 componentes.

Y T C E I

Modelo multiplicativo: supone que el valor de los


datos originales Y, es el producto de los 4
componentes.

Y T C E I

Modelos de series de tiempo

En el modelo aditivo los datos se expresan en las


unidades originales y el valor de una componente
no afecta los valores de otros componentes.

En el modelo multiplicativo slo la componente


de tendencia se expresa en unidades originales,
las componente estacionales y cclicas se
expresan en nmeros relativos o porcentajes,
adems hay una dependencia mutua.

Por ejemplo, una produccin de Y=37.800


unidades (pares) de zapatos de una empresa de
calzado en el ao 2006 se puede descomponer en

Modelos de series de tiempo

T=40.000 unidades

C=100% no existe efecto por el ciclo del negocio

E=105% la produccin de calzado tiene una


variacin estacional de +5% para ese ao

I=90% por algunas fuerzas no conocidas el


nmero de zapatos producidos sufre una
variacin irregular de -10% en ese ao

Entonces

37.800 40.000 1,00 1,05 0,90

Modelos de series de tiempo

El modelo multiplicativo es el que se usa ms a


menudo ya que caracteriza a la mayora de las
series de tiempo econmicas o de negocios.

Trataremos con ese modelo para separar las


componentes que influyen en los valores de la
serie de tiempo.

Anlisis de tendencia

El anlisis de tendencia es el procedimiento


mediante el cual se determina la direccin del
movimiento de la serie de tiempo a largo plazo.

El comportamiento general de una variable, con


frecuencia puede analizarse mejor observando su
tendencia a largo plazo.

Se supone que existe una tendencia que puede


ser ascendente, descendente o constante.

Lo primero que se debe decidir es si la tendencia


es una lnea recta o una curva.

Anlisis de tendencia

La estimacin de la tendencia se puede realizar


por los siguientes mtodos.

1.

Mtodo de mano libre


Mtodo de los semipromedios
Mtodo de los mnimos cuadrados

Mtodo de mano libre: consiste en trazar una


recta o curva de tendencia mirando la grfica,
depende demasiado del juicio personal.

Anlisis de tendencia
2.

Mtodo de los semipromedios: consiste en


separar los datos en 2 partes (de preferencia
iguales) se calcula la media de cada parte y se
ajusta una lnea de tendencia que pase por las 2
medias.

Suele conducir a resultados pobres cuando se


utiliza en forma indiscriminada, slo es aplicable
cuando la tendencia es lineal.

Anlisis de tendencia
3.

Mtodo de los mnimos cuadrados: de los


modelos de tendencia de las serie de tiempo el
ms utilizado es la lnea recta.

Si Y representa los valores de la tendencia y X los


periodos de tiempo, la recta de tendencia es:

Y a bX

a y b se obtienen por el mtodo de los mnimos


cuadrados

XY nXY

b
X nX
2

a Y bX

Anlisis de tendencia

En el ejemplo anterior la ecuacin de


tendencia lineal obtenida por el mtodo de
mnimos cuadrados es
Y 0, 727 1, 773 X

Series de tiempo
Ao

Periodo Produccin Produccin


(X)
(Y)
estimada Y

1997

2,5

1998

4,3

1999

6,0

2000

7,8

2001

12

9,6

2002

16

11,4

2003

13

13,1

2004

10

14,9

2005

17

16,7

2006

10

14

18,5

2007

11

22

20,2

2008

12

24

22,0

Variaciones cclicas

Los datos anuales contienen slo 2 componentes:


la tendencia y el ciclo.

Las variaciones estacionales son cambios


mensuales o trimestrales que no se revelan en
los datos anuales.

Las variaciones irregulares tienen efectos


positivos y negativos en periodos cortos y tienden
a compensarse en el curso de un ao.

Por esta razn cuando los datos son anuales, se


pueden aislar los ciclos.

Variaciones cclicas

Suponiendo un modelo multiplicativo y dividiendo


por los valores de la tendencia:
Y T C

C
Yt
T

Al multiplicar por 100 se obtienen porcentajes


(ndice cclico), una medida de 100% indica
ausencia de efectos cclicos.

En el ejemplo se determin el componente cclico


de los valores de la serie utilizando la tendencia
lineal.

Variaciones cclicas
Ao

Produccin Tendencia
YT
(Y)

Indices cclicos Desviacio


Y / YT 100 nes (%)

1997

2,5

80

-20

1998

4,3

69,8

-30,2

1999

6,0

83,3

-16,7

2000

7,8

115,4

15,4

2001

12

9,6

125

25

2002

16

11,4

140,4

40,4

2003

13

13,1

99,2

-0,8

2004

10

14,9

67,1

-32,9

2005

17

16,7

101,8

1,8

2006

14

18,5

75,7

-24,3

2007

22

20,2

108,9

8,9

2008

24

22,0

109,1

9,1

Variaciones cclicas

Series de tiempo

Si la serie de tiempo est bien descrita por la


tendencia, estacionalidad y los ciclos, la variacin
residual deber ser aleatoria.

Los componentes de una serie se combinan en


forma:

F T S C R

F
T
S
C
R

Pronstico de demanda (en unidades o en $)


Nivel de tendencia (en unidades o en $)
Indice de estacionalidad
Indice cclico
Indice residual

Series de tiempo

En la prctica, con frecuencia el modelo se reduce


slo a los componentes de tendencia y estacionalidad.

Esto se hace porque un modelo bien especificado


posee un valor de ndice residual (R) de 1 y esto no
afecta el pronstico.

Se puede tratar el ndice cclico (C) igual a 1 ya que,


por lo general, el modelo se actualiza cuando se
dispone de nueva informacin.

La variacin cclica tiende a compensarse con la


actualizacin.

Series de tiempo

La tendencia puede determinarse por algn


promedio mvil o por regresin.

El mtodo de mnimos cuadrados minimiza las


diferencias cuadrticas entre la informacin real y la
curva de tendencia.

Una lnea de tendencia tiene la forma

Donde t es el periodo de tiempo, y T es el nivel de


demanda promedio o tendencia.

a y b vienen dadas por

T a bt

Series de tiempo
D (t ) N ( D )(t )

b
t Nt
t

a D bt

Donde

N
Dt
D
t

Es el nmero de observaciones
Demanda real en el tiempo t
Demanda promedio para los N periodos
Promedio de t en los N periodos

Series de tiempo

El componente de estacionalidad est


representado por un ndice que cambia para cada
periodo que se pronostica.

Este ndice es una razn de la demanda real por


la demanda promedio.

Dt
St
Tt
SIndice
de estacionalidad en el tiempo t
t
TValor
de tendencia
t

Series de tiempo

El pronstico viene dado por

Ft Tt St L

Donde
pronosticada en el tiempo t
FDemanda
t
LNmero de periodos en el ciclo estacional

Ejemplo. Un fabricante de ropa debe decidir


sobre cantidades de compra. Se especifican 5
estaciones del ao verano, otoo, invierno,
festividades y primavera. Se requiere un
pronstico para 3 estaciones adelante.

Periodo de
SeriesdePeriodo
de
tiempo
venta
tiempo (t)

Ventas
(Dt)

Verano

$ 9458

Otoo

11542

Invierno

14489

Festividades

15754

Primavera

17269

Verano

11514

Otoo

12623

Invierno

16086

Festividades

18098

Primavera

10

21030

Verano

11

12788

Otoo

12

16072

Invierno

13

Festividades

14

Primavera

15

Descomposicin clsica

Descomposicin clsica

Descomposicin clsica

Descomposicin clsica

Descomposicin clsica

Evaluacin del mtodo de pronstico

Pasos para evaluar una tcnica de pronstico

1.

Elegir un mtodo de pronstico con base en la


intuicin y patrn de los datos.

2.

Se dividen los datos en 2 conjuntos, uno de


creacin del modelo y otro de prueba.

3.

Crear el modelo con el primer conjunto de datos.

4.

Utilizar el modelo para pronosticar el segundo


conj. de datos y evaluar el error de pronstico

5.

Elegir la tcnica, modificarla o elegir otra tcnica.