Está en la página 1de 52

SERIES DE TIEMPO

Una serie de tiempo se basa en una secuencia de datos


puntuales igualmente espaciados (semanales,
mensuales, trimestrales, etc.). Los datos para
pronsticos de series de tiempo implican que los va
lores futuros se predicen solamente a partir de los
valores pasados y que se pueden ignorar otras
variables, sin importar qu tan potencialmente valiosas
sean.
Descomposicin de una serie de tiempo
Una serie de tiempo tiene cuatro componentes:
1. La tendencia es el movimiento gradual, hacia arriba o hacia
abajo, de los datos en el tiempo. Los cambios en el ingreso, la
poblacin, la distribucin de edades o los puntos de vista
culturales pueden ser causantes del movimiento en una
tendencia.
2. La estacionalidad es un patrn de datos que se repite despus de
un periodo de das, semanas, meses o trimestres. Existen seis
patrones comunes de estacionalidad:
3. Los ciclos son patrones, detectados en los datos, que ocurren
cada cierta cantidad de aos. Usualmente estn sujetos al ciclo
comercial y son de gran importancia para el anlisis y la
planeacin del negocio a corto plazo. La prediccin de los ciclos
de negocio es difcil porque stos pueden verse afectados por los
acontecimientos polticos o la turbulencia internacional.

4. Las variaciones aleatorias son seales generadas en los datos


por casualidad o por situaciones inusuales. No siguen ningn
patrn discernible y, por lo tanto, no se pueden predecir.
SERIES DE TIEMPO (Enfoque intuitivo)
La forma ms simple de pronosticar es suponer que la
demanda del siguiente periodo ser igual a la demanda
del periodo ms reciente.
Resulta que para algunas lneas de productos, este
enfoque intuitivo es el modelo de pronstico ms
efectivo en costos y ms eficiente con respecto al
objetivo.
SERIES DE TIEMPO (Promedios mviles)
Mtodo de pronsticos que utiliza un promedio de los n
periodos ms recientes de datos para pronosticar el
siguiente periodo.
SERIES DE TIEMPO (Promedios mviles)
Ejemplo:
La tienda de suministros para jardn de Donna quiere hacer un pronstico con el
promedio mvil de 3 meses, incluyendo un pronstico para las ventas de cobertizos
el prximo enero.

Solucin: El pronstico para diciembre es de 20 2 /3 . Para proyectar la demanda


de cobertizos en el prximo enero, sumamos las ventas de octubre, noviembre y
diciembre y dividimos entre 3: pronstico de enero = (18 + 16 + 14)/3 = 16.
SERIES DE TIEMPO (Promedios mviles)
Cuando se presenta una tendencia o un patrn localizable, pueden utilizarse
ponderaciones para dar ms nfasis a los valores recientes. Esta prctica permite que
las tcnicas de pronstico respondan ms rpido a los cambios, puesto que puede
darse mayor peso a los periodos ms recientes. La eleccin de las ponderaciones es
un tanto arbitraria porque no existe una frmula establecida para determinarlas. Por
lo tanto, decidir qu ponderaciones emplear requiere cierta experiencia.

Un promedio mvil ponderado puede expresarse matemticamente como:


SERIES DE TIEMPO (Promedios mviles)
Ejemplo:
La tienda de suministros para jardn de Donna (vea el
ejemplo 1) quiere pronosticar las ventas de cobertizos
ponderando los ltimos 3 meses, dando ms peso a los
datos recientes para hacerlos ms significativos.
SERIES DE TIEMPO (Promedios mviles)

Si las ponderaciones asignadas fueran 4, 2 y 1 (en lugar de


3, 2 y 1), cul es el pronstico para enero con el promedio
mvil ponderado?
SERIES DE TIEMPO (Promedios mviles)
Tanto los promedios mviles simples como los ponderados
son efectivos para suavizar las fluctuaciones repentinas en el
patrn de la demanda con el fin de obtener estimaciones
estables. Sin embargo, los promedios mviles presentan tres
problemas:
1. Aumentar el tamao de n (el nmero de periodos
promediados) suaviza de mejor manera las fluctuaciones,
pero resta sensibilidad al mtodo ante cambios reales en los
datos.
2. Los promedios mviles no reflejan muy bien las tendencias.
Porque son promedios, siempre se quedarn en niveles
pasados, no predicen los cambios hacia niveles ms altos ni
ms bajos. Es decir, retrasan los valores reales.
3. Los promedios mviles requieren amplios registros de datos
histricos.
SERIES DE TIEMPO (Promedios mviles)
En la figura 4.2, una grfica de los datos de los ejemplos 1 y 2, se ilustra el
efecto de retraso de los modelos de promedios mviles. Observe que
tanto las lneas de los promedios mviles simples como las de
promedios mviles ponderados retrasan la demanda real. Sin embargo,
los promedios mviles ponderados usualmente reaccionan ms rpido
ante los cambios detectados en la demanda. Incluso en periodos a la
baja (vea noviembre y diciembre), siguen la demanda de manera ms
cercana.
TAREA
La tabla siguiente da el nmero de unidades de sangre tipo A que el hospital
Woodlawn utiliz en las ltimas 6 se manas:

a) Pronostique la demanda para la semana del 12 de octubre usando un promedio


mvil de 3 semanas.

b) Utilice un promedio mvil ponderado de tres semanas, con ponderaciones de .1,


.3 y .6, usando .6 para la semana ms reciente. Pronostique la demanda para la
semana del 12 de octubre.
c) Calcule el pronstico para la semana del 12 de octubre usando suavizamiento
exponencial con un pronstico de 360 para el 31 de agosto y = .2.
SERIES DE TIEMPO (Suavizamiento exponencial)
Es un sofisticado mtodo de pronstico de promedios
mviles ponderado que sigue siendo bastante fcil de
usar. Implica mantener muy pocos registros de datos
histricos.
La frmula bsica para el suavizamiento exponencial se
expresa como sigue:

Nuevo pronstico = Pronstico del periodo anterior +


(Demanda real del mes anterior Pronstico del periodo
anterior)

donde es la ponderacin, o constante de suavizamiento,


elegida por quien pronostica, que tiene un valor de entre 0 y 1.
SERIES DE TIEMPO (Suavizamiento exponencial)
La ecuacin tambin puede escribirse como:

Donde:
Ft = nuevo pronstico
Ft1 = pronstico del periodo anterior
= constante de suavizamiento (o ponderacin) (0 1)
At1 = demanda real en el periodo anterior
SERIES DE TIEMPO (Suavizamiento exponencial)
SERIES DE TIEMPO (Suavizamiento exponencial)
La constante de suavizamiento, , se encuentra generalmente en un
intervalo de .05 a .50 para aplicaciones de negocios. Puede
cambiarse para dar ms peso a datos recientes (cuando es alta) o
ms peso a datos anteriores (si es baja). Cuando llega al extremo
de 1.0, entonces en la ecuacin Ft = 1.0At-1. Todos los valores
anteriores se desechan y el pronstico se vuelve idntico al modelo.
intuitivo, el cual se mencion anteriormente en este captulo. Es
decir, el pronstico para el siguiente periodo es considerar
exactamente la misma demanda del periodo actual.

Seleccin de la constante de suavizamiento El enfoque de


suavizamiento exponencial es fcil de usar y se ha aplicado con xito
en prcticamente todo tipo de negocios. Sin embargo, el valor
apropiado de la constante de suavizamiento, , puede hacer la
diferencia entre un pronstico preciso y uno impreciso. Se eligen
valores altos de cuando el promedio subyacente tiene
probabilidades de cambiar. Se emplean valores bajos de cuando el
promedio en que se basa es bastante estable. Al elegir los valores de
la constante de suavizamiento, el objetivo es obtener el pronstico
ms preciso.
SERIES DE TIEMPO (Suavizamiento exponencial)
Medicin del error de pronstico

La exactitud general de cualquier modelo de pronstico


promedios mviles, suavizamiento exponencial u otro
puede determinarse al comparar los valores pronosticados
con los valores reales u observados. Si Ft denota el pronstico
en el periodo t, y At denota la demanda real del periodo t, el
error de pronstico (o desviacin) se define como:

Error de pronstico = Demanda real Valor pronosticado


= At Ft
SERIES DE TIEMPO (Suavizamiento exponencial)
Desviacin absoluta media (MAD).
Su valor se calcula sumando los valores absolutos de los
errores individuales del pronstico y dividiendo el
resultado entre el nmero de periodos con datos (n):
SERIES DE TIEMPO (Suavizamiento exponencial)
Ejemplo: Durante los ltimos 8 trimestres, en el puerto de
Baltimore se han descargado de los barcos grandes
cantidades de grano. El administrador de operaciones del
puerto quiere probar el uso de suavizamiento exponencial
para ver qu tan bien funciona la tcnica para predecir el
tonelaje descargado. Supone que el pronstico de grano
descargado durante el primer trimestre fue de 175
toneladas. Se examinan dos valores de : = .10 y = .50.
Compare los datos reales con los pronosticados (usando
cada uno de los dos valores de ) y despus encuentre la
desviacin absoluta y las MAD.
SERIES DE TIEMPO (Suavizamiento exponencial)
SERIES DE TIEMPO (Suavizamiento exponencial)
Para evaluar la exactitud de cada constante de
suavizamiento, podemos calcular los errores de
pronstico en trminos de desviaciones absolutas y
MAD.
SERIES DE TIEMPO (Suavizamiento exponencial)
Error cuadrtico medio (MSE)
Es una segunda forma de medir el error global de
pronstico. El MSE es el promedio de los cuadrados de
las diferencias encontradas entre los valores
pronosticados y los observados. Su frmula es:
SERIES DE TIEMPO (Suavizamiento exponencial)
El administrador de operaciones del puerto de Baltimore
quiere calcular ahora el MSE para = .10.
Se usan los mismos datos pronosticados para = .10 en el ejemplo anterior, despus se
calcula el MSE

Este MSE = 190.8 es bueno o malo? Todo depende de los MSE calculados para otros mtodos de
pronstico. Un MSE ms bajo es mejor porque es un valor que queremos minimizar. El MSE
exagera los errores porque los eleva al cuadrado.
SERIES DE TIEMPO (Suavizamiento exponencial)
Error porcentual absoluto medio
Un problema tanto con la MAD como con el MSE es que sus valores dependen
de la magnitud del elemento que se pronostica. Si el elemento pronosticado
se mide en millares, los valores de la MAD y del MSE pueden ser muy grandes.
Para evitar este problema, podemos usar el error porcentual absoluto medio
(MAPE). ste se calcula como el promedio de las diferencias absolutas
encontradas entre los valores pronosticados y los reales, y se expresa como un
porcentaje de los valores reales. Es decir, si hemos pronosticado n periodos
y los valores reales corresponden a esa misma cantidad de periodos, el MAPE
se calcula como:
SERIES DE TIEMPO (Suavizamiento exponencial)
El puerto de Baltimore ahora quiere calcular el MAPE cuando =
.10.

El MAPE expresa el error como un porcentaje de los errores


reales, sin que est distorsionado por un solo valor muy grande.
SERIES DE TIEMPO (Suavizamiento exponencial)

Suavizamiento exponencial con ajuste de tendencia


El suavizamiento exponencial simple, como cualquier
tcnica de promedios mviles, falla en su respuesta a las
tendencias.

Existen otras tcnicas de pronstico que permiten manejar


mejor las tendencias. Sin embargo, como el suavizamiento
exponencial es un enfoque tan comn en los negocios, lo
estudiaremos con mayor detalle.
SERIES DE TIEMPO (Suavizamiento exponencial
con ajuste de tendencia)
Suponga que la demanda de un producto o servicio ha
Venido aumentando en 100 unidades cada mes y que hemos
obtenido pronsticos con = 0.4 en el modelo de
suavizamiento exponencial. La tabla siguiente muestra un
retraso considerable en los meses 2, 3, 4 y 5, aun cuando
nuestra estimacin inicial para el mes 1 es perfecta.
SERIES DE TIEMPO (Suavizamiento exponencial
con ajuste de tendencia)
La idea es calcular un promedio suavizado
Exponencialmente de los datos y despus ajustar el retraso
positivo o negativo encontrado en la tendencia. La nueva
frmula es:

Pronstico incluyendo la tendencia(FITt ) =


Pronstico suavizado exponencialmente (Ft ) + tendencia
suavizada exponencialmente (Tt )
SERIES DE TIEMPO (Suavizamiento exponencial
con ajuste de tendencia)
Con el suavizamiento exponencial ajustado por la tendencia, las estimaciones del
promedio y de la tendencia se suavizan. Este procedimiento requiere dos constantes de
suavizamiento: para el promedio y para la tendencia. Despus calculamos el
promedio y la tendencia para cada periodo:

Ft = (Demanda real del ltimo periodo) + (1 )(Pronstico del ltimo


Periodo + Tendencia estimada para el ltimo periodo)

o: Ft = (At1) + (1 )(Ft1 + Tt1)

Tt = (Pronstico de este periodo Pronstico del ltimo periodo + (1 )(Tendencia


estimada para el ltimo periodo)

o: Tt = (Ft Ft1) + (1 )Tt1

Donde:
Ft = pronstico suavizado exponencialmente de la serie de datos incluidos en el periodo t.
Tt = tendencia suavizada exponencialmente en el periodo t
At = demanda real en el periodo t
= constante de suavizamiento para el promedio (0 1)
= constante de suavizamiento para la tendencia (0 1)
SERIES DE TIEMPO (Suavizamiento exponencial
con ajuste de tendencia)
As, los tres pasos para calcular el pronstico con ajuste de
tendencia son:
Paso 1: Calcule Ft, el pronstico suavizado
exponencialmente para el periodo t, usando la ecuacin.

Paso 2: Calcule la tendencia suavizada, Tt, usando


la ecuacin.

Paso 3: Calcule el pronstico incluyendo la tendencia,


FITt, con la frmula FITt = Ft + Tt.
SERIES DE TIEMPO (Suavizamiento exponencial
con ajuste de tendencia)
Un importante fabricante de Portland quiere pronosticar la
demanda de un equipo para control de la contaminacin.
Una revisin de las ventas histrica, como se muestra a
continuacin, indica que hay una tendencia creciente.

A las constantes de suavizamiento se les asignan los valores = .2


y = .4. La compaa supone que el pronstico inicial para el
mes 1 (F1) fue de 11 unidades y que la tendencia durante el mismo
periodo (T1) fue de 2 unidades.
SERIES DE TIEMPO (Suavizamiento exponencial
con ajuste de tendencia)
SERIES DE TIEMPO (Suavizamiento exponencial
con ajuste de tendencia)
Tambin realizamos los mismos clculos para el tercer mes:

En la siguiente tabla se completa el pronstico para el periodo de


10 meses.
SERIES DE TIEMPO (Suavizamiento exponencial
con ajuste de tendencia)
SERIES DE TIEMPO (Suavizamiento exponencial
con ajuste de tendencia)
En la siguiente grfica se compara la demanda real (At) contra un
pronstico de Suavizamiento exponencial que incluye la tendencia
(FITt). El FIT incorpora la tendencia en la demanda real.
SERIES DE TIEMPO (Suavizamiento exponencial
con ajuste de tendencia)
El valor de la constante de suavizamiento de la tendencia, , se
parece a la constante porque una alta responde ms rpido a
cambios recientes de una tendencia. Una baja da menos peso a
las tendencias ms recientes y tiende a suavizar la tendencia actual.
Los valores de pueden encontrarse por prueba y error o utilizando
algn software comercial sofisticado para calcular pronsticos, con
La MAD como medida de comparacin.
A menudo, el suavizamiento exponencial simple se denomina
suavizamiento de primer orden, y al suavizamiento con ajuste de la
tendencia se le llama suavizamiento de segundo orden o
Suavizamiento doble. Tambin se utilizan otros modelos de
suavizamiento exponencial, como el suavizamiento ajustado a la
estacin y el suavizamiento triple, los cuales estn fuera de los
alcances de este curso.
TAREA
Los ingresos en el despacho de abogados Smith and Wesson para el periodo de febrero a
julio han sido como sigue:

A) Use suavizamiento exponencial con ajuste de tendencia para Pronosticar el ingreso de


agosto para este despacho de abogados. Suponga que el pronstico inicial para febrero es de
65,000 Dlares y el ajuste de tendencia inicial es de 0. Las constantes
de suavizamiento seleccionadas son = .1 y = .2.

B) Resuelva el problema 4.19 con = .1 y = .8.

C) Usando MAPE, determine la constante de suavizamiento que proporciona el mejor


pronstico.
SERIES DE TIEMPO (Proyeccin de tendencia)

El ltimo mtodo de pronsticos de series de tiempo que


analizaremos es la proyeccin de la tendencia.
Esta tcnica ajusta una recta de tendencia a una serie de
datos puntuales histricos, y despus
proyecta dicha recta al futuro para obtener pronsticos
de mediano y largo plazos. Se pueden desarrollar
varias ecuaciones matemticas (por ejemplo,
exponencial y cuadrtica), pero en esta seccin
veremos slo tendencias lineales (en lnea recta).
SERIES DE TIEMPO (Proyeccin de tendencia)
Si decidimos desarrollar una recta de tendencia lineal mediante un mtodo
estadstico preciso, podemos aplicar el mtodo de mnimos cuadrados. Este
enfoque resulta en una lnea recta que minimiza la suma de los cuadrados de las
diferencias verticales o desviaciones de la recta hacia cada Una de las
observaciones reales. En la figura se ilustra el mtodo de mnimos cuadrados.
SERIES DE TIEMPO (Proyeccin de tendencia)
Una recta de mnimos cuadrados se describe en trminos de su
interseccin con el eje y (la altura a la cual cruza al eje y) y su
pendiente (el ngulo de la recta). Si podemos calcular la
interseccin con el eje y y la pendiente, podremos expresar la
recta con la siguiente ecuacin:

donde (que se lee y apostrofe) = valor calculado de la variable


que debe predecirse (llamada variable dependiente)
a = interseccin con el eje y
b = pendiente de la recta de regresin (o la tasa de cambio en y
Para los cambios dados en x)
x = variable independiente (que en este caso es el tiempo)
SERIES DE TIEMPO (Proyeccin de tendencia)
Los estadsticos han desarrollado ecuaciones que se utilizan
para encontrar los valores de a y b para cualquier recta de
regresin. La pendiente b se encuentra mediante:

Donde b = pendiente de la recta de regresin


= signo de sumatoria
x = valores conocidos de la variable independiente
y = valores conocidos de la variable dependiente
= promedio de los valores de x
= promedio de los valores de y
n = nmero de puntos de datos u observaciones
La interseccin con el eje y, a, puede calcularse como sigue:
SERIES DE TIEMPO (Proyeccin de tendencia)
En la tabla siguiente se muestra la demanda de energa elctrica
en N. Y. Edison durante el periodo 2001 a 2007, en megawatts. La
empresa quiere pronosticar la demanda para 2008 ajustando una
recta de tendencia a estos datos.
SERIES DE TIEMPO (Proyeccin de tendencia)
Con una serie de datos en funcin del tiempo, podemos minimizar los
clculos transformando los valores de x (tiempo) en nmeros ms simples. En
este caso podemos designar el ao 2001 como ao 1, 2002 como ao 2, etc.
Despus pueden usarse las ecuaciones para crear el modelo de proyeccin de
la tendencia.
SERIES DE TIEMPO (Proyeccin de tendencia)
As, la ecuacin de mnimos cuadrados para la tendencia es = 56.70 + 10.54x. Para proyectar la
demanda en 2008, primero denotamos el ao 2008 en nuestro nuevo sistema de cdigo como
x = 8:
Demanda en 2008 = 56.70 + 10.54(8) = 141.02, o 141 megawatts.

Para evaluar el modelo, graficamos la demanda histrica y la recta de tendencia en la figura . En


este caso, debemos tener cuidado y tratar de comprender el cambio en la demanda de 2006 a
2007.
SERIES DE TIEMPO (Proyeccin de tendencia)
Notas sobre el uso del mtodo de mnimos cuadrados
El empleo del mtodo de mnimos cuadrados implica que se han
cumplido tres requisitos:

1. Siempre deben graficarse los datos porque los datos de mnimos


cuadrados suponen una relacin lineal. Si parece que exista una curva
presente, probablemente sea necesario el anlisis curvilneo.

2. No se predicen periodos lejanos a la base de datos dada. Por ejemplo, si


tenemos los precios promedio de las existencias de Microsoft durante 20
meses, slo podemos pronosticar 3 o 4 meses hacia el futuro.
Los pronsticos de ms tiempo tienen poca validez estadstica. Por lo
tanto, no pueden tomarse datos de 5 aos de ventas y proyectar 10 aos
hacia el futuro. El mundo es demasiado incierto.

3. Se supone que las desviaciones calculadas alrededor de la recta de


mnimos cuadrados son aleatorias (vea la figura 4.4). Por lo general, estn
distribuidas normalmente, con la mayora de las observaciones cerca de la
recta y slo unas cuantas ms lejos.
TAREA
Las ventas mensuales en Telco Batteries, Inc., fueron como sigue:

a) Grafique los datos de las ventas mensuales.


b) Pronostique las ventas para enero usando cada
una de las tcnicas siguientes:
i) Mtodo intuitivo.
ii) Un promedio mvil de 3 meses.
iii) Un promedio mvil ponderado de 6 meses
empleando .1,.1, .1, .2, .2 y .3, con las ponderaciones
ms altas a los meses ms recientes.
iv) Suavizamiento exponencial con = .3 y un
pronstico para septiembre de 18.
v) Una proyeccin de tendencia.
c) Con los datos proporcionados, qu mtodo le permitira elaborar
el pronstico de ventas para el prximo mes de marzo?
MTODOS ASOCIATIVOS DE PRONSTICO
A diferencia del pronstico de series de tiempo, los modelos de pronstico asociativo casi
Siempre consideran varias variables relacionadas con la cantidad que se desea predecir. Una
vez determinadas dichas variables, se construye un modelo estadstico que se usa para
pronosticar el elemento de inters. Este enfoque es ms poderoso que los mtodos de series
de tiempo que incluyen slo valores histricos para la variable a pronosticar.
En un anlisis asociativo pueden considerarse muchos factores. Por ejemplo, las ventas de
computadoras personales Dell se relacionan con el presupuesto para publicidad de Dell, los
Precios de la compaa, los precios y estrategias promocionales de la competencia, e incluso
con la economa nacional y los ndices de desempleo. En este caso, las ventas de
computadoras personales se denominan como la variable dependiente y las otras variables
son las variables independientes. El trabajo del administrador es desarrollar la mejor relacin
estadstica entre las ventas de computadoras personales y las variables independientes. El
modelo de pronsticos asociativo cuantitativo ms comn es el anlisis de regresin
lineal.
MTODOS ASOCIATIVOS DE PRONSTICO:
ANLISIS DE REGRESIN LINEAL
Con el fin de realizar un anlisis de regresin lineal, Podemos usar el
mismo modelo matemtico que empleamos con el mtodo de mnimos
cuadrados para efectuar la proyeccin de tendencias. Las variables
dependientes que deseamos pronosticar seguirn siendo . Pero la variable
independiente, x, ya no necesita ser el tiempo. Usamos la ecuacin

cuando = valor de la variable dependiente (en nuestro ejemplo, ventas)


a = interseccin con el eje y
b = pendiente de la recta de regresin
x = variable independiente