• Modelos de pronósticos de series de tiempo

Estos modelos producen pronósticos mediante la extrapolación del

comportamiento histórico de valores de una sola variable particular de
interés.
Por ejemplo, uno podría estar interesado en las ventas de un artículo en
particular, o también en la fluctuación a lo largo del tiempo de un precio
específico en el mercado.
Los modelos de series de tiempo utilizan una técnica para extrapolar el
comportamiento histórico hacia el futuro.
Los datos de las series de tiempo son datos históricos en orden
cronológico, con un solo valor por periodo.
Por lo tanto, los datos para la estación de servicio de la sección anterior no
son datos de una serie de tiempo y no pueden analizarse utilizando las
técnicas de esta sección.
• Extrapolación del comportamiento histórico Ventas
Siempre que tengamos valores para una variable de interés
específica (una sola), que pueda ser trazada en función del
tiempo, estos valores a menudo se conocen como series de
tiempo, y cualquier método utilizado para analizar y extrapolar
dichas series en el futuro entra en una categoría general
llamada análisis de series de tiempo.
Ésta es actualmente un área de investigación muy activa en
estadística y ciencias de la administración. En términos de un
desarrollo formal apenas si presentaremos una mera
explicación superficial.
• Ajuste de curvas
La diferencia principal, por lo que se refiere a las series de tiempo, se debe a que el
tiempo es la variable independiente.
Las observaciones históricas de la variable dependiente son trazadas en función del
tiempo, y la curva es entonces ajustada para que coincida con estos datos. La curva
entonces se extiende hacia el futuro para obtener un pronóstico. En este contexto, la
extensión de la curva simplemente significa una evaluación de la función obtenida para
valores más grandes de t, el tiempo.
En este contexto, la extensión de la curva simplemente significa una evaluación de la
función obtenida para valores más grandes de t, el tiempo.
El modelo de series de tiempo supone que el sistema que produce y es esencialmente
estacionario (o estable), y continuará su acción en el futuro como ha venido ocurriendo
en el pasado.
Los patrones futuros en los cambios de y se parecerán mucho a los patrones pasados.
Esto significa que el tiempo está sustituyendo muchos factores que pueden ser difíciles
de medir pero que con el tiempo parecen variar de manera constante y sistemática.
Si el sistema que produce y cambia de manera considerable (por ejemplo, debido a
cambios ambientales, tecnológicos o en las políticas del gobierno), entonces la hipótesis
de un proceso estacionario no es válida y en consecuencia un pronóstico basado en el
tiempo como variable independiente estará muy propenso a errores.
Igual que con los modelos causales, es, por supuesto, posible utilizar una función
diferente a la lineal para extrapolar una serie de observaciones (es decir, para
pronosticar el futuro).
La hipótesis subyacente a modelos de este tipo es que el desempeño promedio
durante el pasado reciente es un buen pronóstico del futuro.
Ejemplo. El vicepresidente de operaciones de STECO decide probar varios
modelos de inventarios usando datos históricos En particular, decide utilizar los
datos de ventas mensuales del año anterior de puntales de acero inoxidable y ver
qué tan bien hubieran funcionado si el año anterior STECO hubiera utilizado
dichos modelos.
=𝑣𝑒𝑛𝑡𝑎𝑠 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑎𝑠 𝑑𝑒 𝑝𝑢𝑛𝑡𝑢𝑎𝑙𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑚𝑒𝑠 𝑡
=𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑒𝑛𝑡𝑎𝑠 𝑑𝑒 𝑝𝑢𝑛𝑡𝑢𝑎𝑙𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡
Está interesado en elaborar un pronóstico de las ventas con un mes de
anticipación; esto es, tomará los valores históricos conocidos y1,...,yt-1 (demanda
en los meses 1 a t–1) y utilizará esta información para producir el pronóstico de la
demanda en el mes t.
En otras palabras, tomará las ventas pasadas reales, hasta mayo por ejemplo, y
las utilizará para pronosticar las ventas de junio; después utilizará las ventas hasta
junio para pronosticar las ventas en julio, y así sucesivamente.
El proceso producirá una secuencia de valores . Al comparar estos valores con
los valores yt reales observados, se obtiene un indicativo de cómo hubiera
• Desviación media absoluta (DMA) y el error porcentual medio absoluto
(EPMA)

- El promedio móvil simple tiene dos inconvenientes, uno filosófico y otro

operacional.
- El inconveniente filosófico se centra en el hecho de que al calcular un pronóstico
(digamos, 𝑦8 ), a la observación más reciente (y7) no se le da una mayor
importancia o coeficiente que a una observación más antigua, como y5. Esto se
debe a que a cada una de las últimas n observaciones se le asigna el coeficiente
1/n. Este procedimiento de asignar coeficientes iguales es opuesto a la intuición
personal de que en muchos casos los datos más recientes deben contener más
información sobre el futuro que los datos más antiguos.
- El segundo inconveniente, que es operacional, es que en el promedio móvil, si se
van a incluir n observaciones, deben extraerse entonces (n – 1) elementos de
datos para combinarse con la observación actual (la número n). Todos estos datos
Éste no es un problema serio si sólo se trata de una pequeña cantidad de
pronósticos. La situación cambia bastante para aquella empresa que necesite
pronosticar la demanda de miles de productos individuales en una base de artículo
por artículo.
• Promedio móvil ponderado de n-períodos
- La idea de que los datos recientes son más importantes que los datos más
antiguos puede ponerse en práctica con un promedio móvil ponderado de n
periodos. Éste generaliza el concepto de un promedio móvil simple de n periodos
donde, como hemos visto, cada coeficiente de ponderación es 1/n. En esta forma
más general, tomando n = 3 como ejemplo específico, podríamos hacer que

- donde las α (que se conocen como coeficientes de ponderación) son números no

negativos, escogidos de forma que los coeficientes más pequeños sean asignados
a los datos más antiguos y que todos los coeficientes sumen 1. Existen, por
supuesto, innumerables maneras de seleccionar un conjunto de α que satisfaga
estos criterios.
- Para hacer que Solver escoja ponderaciones que minimicen la DMA, hacemos lo
siguiente:
1. Hacemos clic en Herramientas, después en “Solver”.
2. Definimos G16 como celda objetivo e indicamos a Solver que deseamos minimizarla.
3. Indicamos que las celdas que cambian son B1:B3.
4. Añadimos las restricciones de que (a) B4 1.0, (b) B1:B3 0, (c) B1:B3 1, (d) B1 B2, y
(e) B2 B3 .
5. Hacemos clic en Resolver para obtener los resultados que se muestran en la figura
13.16
• Ponderación exponencial: el modelo básico
- Vimos que, utilizando un promedio móvil ponderado, hay muchas maneras diferentes
de asignar coeficientes decrecientes de ponderación que sumen 1. Una de ellas se
llama ponderación o suavización exponencial, que es un nombre abreviado para
promedio móvil ponderado exponencialmente.
- Éste es un esquema que pondera los datos recientes con mayor peso que los datos
pasados, con coeficientes que sumen 1.
- En este modelo, para cualquier t >=1 el pronóstico para el periodo t + 1, identificado
como , es una suma ponderada (con coeficientes que suman 1) de las ventas
observadas en el periodo t (es decir, yt) y del pronóstico para el periodo t (que era ).
- Donde α es una constante especificada por el usuario tal que 0<= α <= 1
- El valor asignado a α determina cuánto peso relativo se le da al coeficiente de
ponderación de la observación más reciente al calcular el pronóstico del periodo
siguiente. Observe que si a α se le asigna un valor cercano a 1, casi todo el peso se
coloca en la demanda real del periodo t.
- Aunque los resultados obtenidos del modelo de ponderación exponencial son
impresionantes, está claro que los valores numéricos específicos dependen del valor
seleccionado para la constante de ponderación α y de la “estimación inicial” .