Documentos de Académico
Documentos de Profesional
Documentos de Cultura
curso.
MODELOS DE PRONÓSTICOS - INGENIERÍA CIVIL
INDUSTRIAL
Profesor.
•Ph.D.(c) Giuliani Coluccio P.
• Email: gcoluccio@ucsc.cl
Reglas del curso y
evaluaciones
• Certámenes (55%)
• Certamen 1: 25% (08 de oct)
• Certamen 2: 25% (29 de junio)
• Controles (20%)
• Promedio 2 controles: 10 sept/ 05 de nov
• Laboratorio (25%)
• Certamen de laboratorio; 15%; 26 de nov.
• Controles de entrada todas las clases; 10%
Reglas del curso y
evaluaciones
• Asistencia
• Catedra= 80% (ayudantía y catedra)
•Laboratorio= 90%
◦ Tendencia (T)
◦ Variación cíclica (C)
◦ Variación estacional (E)
◦ Variación irregular (I)
++
Ejemplo: Serie estacionaria
• Tendencia.
• Estacionalidad
• Heterocedasticidad
Exploración de patrones de datos mediante
autocorrelación
Periodo t Mes Yt Yt-1 Yt-2
1 Enero 123
• Coeficiente de autocorrelación (rk): 2 Febrero 130 123
Correlación de una variable a través 3 Marzo 125 130 123
del tiempo mediante desfases de uno 4 Abril 138 125 130
o k periodos. 5 Mayo 145 138 125
Y Y Y Y
nk
Y Y Y
t t k Y t t 1
rk t 1 r1 t 1
Y Y
n
Y Y
n 2
2
t t
t 1 t 1
r1=0.572= las ventas sucesivas del producto están correlacionadas una con otra.
r2=0.463= autocorrelación moderada, en la serie de tiempo, desfasada 2 periodos.
Exploración de patrones de datos mediante
autocorrelación
Eje horizontal: -1≤r≤1, eje vertical izquierdo: nº de periodos de desfase, eje vertical
derecho: r
Exploración de patrones de datos
mediante autocorrelación
Aleatoriedad
• Si una serie es aleatoria, la correlación entre Yt
y Yt-1 es cercana a cero y los valores sucesivos
de la serie no tienen relación entre si.
• Distribución aprox. normal
1 n con media cero y
desviación estándar .
• Se puede considerar aleatoria una muestra si
los c.a. están en el intervalo:
1
0Z
n
Exploración de patrones de datos
mediante autocorrelación
Tendencia
• Si una serie tiene tendencia Yt y Yt-1
estarán altamente correlacionados, y
los coeficientes de autocorrelación
serán diferentes de cero de manera
significativa para los primeros
desfases y disminuirán gradualmente
hacia cero al aumentarse los desfases
(hay menos términos).
Exploración de patrones de datos
mediante autocorrelación
Estacionalidad
• Si una serie es estacional, un patrón se repite
a sí mismo en forma regular durante un
intervalo particular (por lo regular un año)
• Se presentarán c.a. significativos en el periodo
de desfase correspondiente.
• Por ejemplo, en datos trimestrales aparecerá
un c.a. significativo en el periodo de desfase 4.
Exploración de patrones de datos mediante
autocorrelación
Series estacionarias
Porcentaje medio de
Error cuadrático
error (PME)
medio (ECM)
Parte I: Tratamiento de
Series Estacionarias
MODELOS DE PRONÓSTICOS - INGENIERÍA CIVIL
INDUSTRIAL
Series Estacionarias
◦ Métodos no formales
◦ Métodos de promedio simple
◦ Métodos de promedios móviles
◦ Atenuación exponencial
Modelos no formales
• Las técnicas no formales más sencillas suponen que los periodos recientes son los
mejores para pronosticar el futuro.
Yˆt 1
• Donde es el pronóstico realizado en el periodo t para el periodo t+1.
• Ejemplo, la tabla siguiente presenta las ventas de sierras por trimestre de Tool Company.
Año Trimestre t Ventas Año Trimestre t Ventas
1988 1 1 500 3 15 250
2 2 350 4 16 550
3 3 250 1992 1 17 550
4 4 400 2 18 400
1989 1 5 450 3 19 350
2 6 350 4 20 600
3 7 200 1993 1 21 750
4 8 300 2 22 500
1990 1 9 350 3 23 400
2 10 200 4 24 650
3 11 150 1994 1 25 850
4 12 400 2 26 600
1991 1 13 550 3 27 450
2 14 350 4 28 700
Modelos no formales
Se usan los datos de 1988 a 1993 para crear el modelo y 1994 para la prueba.
Se usa la técnica que las ventas del trimestre siguiente son las mismas que las del
trimestre anterior.
800
700
600
Nº de sierras
Real
500
Pronostico
400
300
200
100
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
Modelos no formales
La técnica puede adaptarse para tomar en cuenta esta tendencia agregando la diferencia
entre éste y el último periodo.
Yˆt 1 Yt Yt Yt 1
El modelo es:
Para algunos fines la proporción de cambio pudiera ser mejor que la cantidad absoluta de
cambio, entonces el modelo sería
Y
Yˆt 1 Yt t
Yt 1
Es decir, en el siguiente trimestre, la variable tomará el valor en el trimestre del año anterior
Modelos no formales
La principal debilidad de este método es que ignora todo lo ocurrido desde el año pasado,
incluyendo cualquier patrón de tendencia.
Modelos no formales
ˆ
Yt 1 Yt 3
Yt Yt 1 ... Yt 3 Yt 4
4
Un promedio simple se obtiene promediando todos los valores históricos y usando este
promedio para pronosticar el siguiente periodo.
n
Yt Yˆ Y
Yt 1
ˆ 241 243
t 1 n ˆY25 Y21 750
9800
Yˆ25 408,33 e Y25 Yˆ25 441,67
24
Notar que se utilizan los 24 primeros trimestres para pronosticar el trimestre 25.
Promedios simples
El pronóstico para el segundo trimestre de 1994 incluye un dato más que se incorpora a la
historia anterior
10650
Yˆ26 426
25
El método no parece apropiado para estos datos, este método debe emplearse cuando los
datos son estacionarios: sin tendencia, estacionalidad u otros patrones sistemáticos.
Promedios móviles
El método de promedio simple usa, para pronosticar, la media de todos los datos, pero
también se puede usar la media de los datos más recientes (promedio móvil).
ˆ
M t Yt 1
Yt Yt 1 Yt 2 ... Yt n 1
n
Donde:
Mt
promedio móvil en el periodo t
Yˆ
t 1
pronóstico para el siguiente periodo
Yt
valor real en el periodo t
n
nº de términos en el promedio móvil
Promedios móviles
M 20 Yˆ21
Y Y Y ... Y17 475
20 19 18
1994 1 25 850 575 275
2 26 600 600 0
4
3 27 450 625 -175
4 28 700 637,5 62,5
1995 1 29 650
Venta de sierras
900
800
700
Nº de sierras
Real
600 Pronostico
500
400
300
1 2 3 4 5 6 7 8
Promedios móviles
• Una suposición del promedio móvil es que los datos son estacionarios.
• La tabla muestra las rentas por semana de Video Store y los pronósticos con
promedios móviles de 3 periodos.
t Arriendos por Pronóstico Error
semana
1 654 - -
2 658 - -
3 665 - -
4 672 659 13
5 673 665 8 Nótese que todos los errores son
6 671 670 1 positivos, lo que significa que el
7 693 672 21 pronóstico no se ajustó a la tendencia.
8 694 679 15
9 701 686 15
10 703 696 7
11 702 699 3
12 710 702 8
13 712 705 7
14 711 708 3
15 728 711 17
16 - 717
R e n ta s p o r s e m a n a s
Rentas de videos
740
Al ser los errores positivos
720 el pronóstico subestima
700 los valores reales
680
660
640
620
1 2 3 4 5 6 7 8 9 10 11 12
Semanas
Promedios móviles ponderados
• Una variante a la que se conoce como promedios móviles ponderados, implica la
selección de pesos distintos para cada valor de los datos.
Yˆt 1
pronóstico para el periodo siguiente
0 1
constante de suavización
Yt
Yt 1 valor real para el periodo más reciente
Yt k valor real para el periodo que precede al más reciente
valor real para los k periodos precedentes al más reciente
Suavizamiento exponencial
Se utiliza un procedimiento simplificado, que requiere un pronóstico “semilla” inicial.
Donde
Yˆt 1 Se debe elegir de tal
pronóstico para el periodo siguiente
Ŷt forma que minimice el
Yt pronóstico para el periodo más reciente ECM.
valor real para el periodo más reciente
Periodo Ventas Pronos.
Yt Yˆt et
1 500 500 Yˆt 1 Yt (1 ) Yˆt
2 350 500 -150
3 250 485 -235
Yˆ21 Y2 (1 ) Yˆ2
4 400 462 -62 Yˆ3 0,1(350) (1 0,1) 500 485 e3 250 485 235
5 450 455 -5
6 350 455 -105
7 200 444 -244
8 300 420 -120
9 350 408 -58
10 200 402 -202
Alfa óptimo?
11 150 382 -232
12 400 359 41
13 550 363 187
14 350 382 -32
Suavizamiento exponencial
El PME de -11,5% (sesgo) implica que los pronósticos son consistentemente muy grandes,
se debe investigar la posibilidad de tendencia o variación estacional en los datos.
Yˆ
Otro factor que afecta el pronóstico es la elección del valor inicial t en el ejemplo se usó
500.
Yt
Esta elección da mucho peso a en periodos posteriores, sin embargo, la influencia del
pronóstico inicial disminuye al incrementarse t.