Estructura del

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%

• Promedio de certámenes azul

Introducción
 Serie de tiempo
• “ Secuencia ordenada de observaciones sobre una variable
independiente (tiempo)”
• Matemáticamente, una serie de tiempo se define por medio de
los valores de una variable “Y” observada en periodos de tiempo
iguales.
Y  f (t )
• Luego, Y es una función de t, esto es
Series de tiempo
Componentes.

◦ Tendencia (T)
◦ Variación cíclica (C)
◦ Variación estacional (E)
◦ Variación irregular (I)

Una predicción se hace mediante la combinación de las proyecciones de cada

componente individual.
Serie de tiempo
• Clasificación
• Estacionaria: Media y la varianza constantes.
• No estacionaria: Media y/o varianza cambian a lo largo del
tiempo.
Serie Estacionaria

Que ventajas tiene una serie Estacionaria?

Serie No Estacionaria
• Descripción de las series de tiempo

• Los datos presentan forma creciente (tendencia).

• Existe influencia de ciertos periodos de cualquier unidad de
tiempo (estacionalidad).
• Aparición de outliers (aleatoriedad).
• Fluctuación (onda) alrededor de la tendencia (ciclicidad).

++
Ejemplo: Serie estacionaria

*Variación mensual de lluvia

desde 1989 a 2007.
Ejemplo: Serie no
estacionaria
Naturaleza

• 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

• La tabla siguiente muestra el nº de 6 Junio 142 145 138

7 Julio 141 142 145
unidades vendidas de un determinado
8 Agosto 146 141 142
producto (Y) donde las variables Yt-1 y
9 Septiembre 147 146 141
Yt-2 son valores de Y que se han 10 Octubre 157 147 146
desfasado uno y dos periodos 11 Noviembre 150 157 147
respectivamente. 12 Diciembre 160 150 157
Exploración de patrones de datos mediante
autocorrelación

Para calcular el coeficiente de autocorrelación de primer orden (r1) o la correlación entre

Yt y Yt-1 se usa
n 1

 Y  Y Y Y 
nk

 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

Un correlograma es un gráfico que muestra las autocorrelaciones de varios

desfasamientos de una serie de tiempo.

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
0Z
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

• Una serie que no tiene crecimiento o declinación es estacionaria.

• Los coeficientes de correlación de datos estacionarios caen a cero después del

segundo o tercer periodo de desfase.
 Error en el pronostico
Notación

Desviación absoluta Porcentaje error medio

de la media (DAM) absoluto (PEMA)

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.

• El modelo más sencillo es Yˆt 1  Yt

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.

Yˆt 1  Yt Yˆ25  650  e25  Y25  Yˆ25  850  650  200

Yˆ26  850  e26  Y26  Yˆ26  600  850  250

 Ventas de sierras
900

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:

Esta ecuación toma en cuenta la cantidad de cambio entre trimestres.

 Modelos no formales
Yˆ25  Y24   Y24  Y23   650  (650  400)  900
El pronóstico para el primer trimestre
de 1994:
 e25  Y25  Yˆ25  850  900  50

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

El pronóstico para el primer trimestre de 1994 con este modelo es

Y 650
Yˆ25  Y24 24  650  1056
Y23 400
 Modelos no formales
También se podría usar un promedio de los cambios absolutos o de los porcentajes de
cambios.

Si el patrón estacional es fuerte, el modelo apropiado podría ser

Yˆt 1  Yt 3

Es decir, en el siguiente trimestre, la variable tomará el valor en el trimestre del año anterior
 Modelos no formales

El pronóstico para el primer trimestre de 1994 sería

Yˆ241  Y243
Yˆ  Y  750
25 21

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

pronostica estacionalidad promedia la cantidad de

Se pueden combinar métodos, cambio de los últimos 4 trimestres
por ejemplo, estacionalidad (tendencia)
más tendencia

El pronóstico para el primer trimestre de 1994 sería

 Y  Y   ...   Y243  Y244 
Yˆ241  Y243  24 241
4
ˆ
Y25  Y21 
 Y24  Y23    Y23  Y22    Y22  Y21    Y21  Y20 
 762,5
4
 Promedios simples

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 241 243
t 1 n ˆY25  Y21  750

En el ejemplo de las sierras, el pronóstico para el primer trimestre de 1994 sería

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

• El promedio móvil para el periodo t es la media de las n observaciones más

recientes.
• Este método funciona mejor con datos estacionarios, no maneja muy bien la
tendencia o la estacionalidad, aunque lo hace mejor que el método de promedio
simple.
• La respuesta a los cambios de la serie depende del nº de periodos n que se incluyen
en el promedio móvil.
• Para datos mensuales un promedio móvil de 12 meses suaviza los efectos
estacionales.
• Entre mayor es el orden del promedio móvil, mayor será el efecto de suavizamiento
 Año Trimestre t Ventas Pronóstico Error
La siguiente tabla utiliza un
promedio móvil de 4 trimestres 1992 1 17 550
para pronosticar las ventas de 2 18 400
sierras de Tool Company. 3 19 350
4 20 600
1993 1 21 750 475 275
El pronóstico para el primer 2 22 500 525 -25
trimestre de 1993 sería 3 23 400 550 -150
4 24 650 562,5 87,5

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.

• Veamos lo que sucede en datos con tendencia

• 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.

• Generalmente, la observación más reciente recibe mayor ponderación y el peso

disminuye para los valores más antiguos.

• Para el promedio móvil ponderado la suma de los pesos siempre es igual a 1.

• Un caso particular de promedio móvil ponderado es el suavizamiento exponencial.

 Suavizamiento exponencial
Este método utiliza como pronóstico un promedio móvil ponderado, donde los pesos que
se asignan disminuyen en forma exponencial según la antigüedad de los periodos (pesos
exponencialmente decrecientes).
Yˆt 1  Yt   (1   ) Yt 1   (1   ) 2 Yt  2  ...   (1   ) k Yt  k

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.

Yˆt 1  Yt  (1   ) Yˆt = Yˆt 1  Yˆt   (Yt  Yˆt )

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
Yˆ21  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.