Análisis de Series de Tiempo

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
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.
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

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.
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
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).
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.
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.
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.

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
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.
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
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
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
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.
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.
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.
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
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
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.

Análisis de Series de Tiempo

Cargado por

Copyright:

Formatos disponibles

Análisis de Series de Tiempo

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Análisis de Series de Tiempo

Cargado por

Copyright:

Formatos disponibles

MODELOS DE PRONOSTICOS

Anlisis de series de tiempo

Segundo semestre 2012

Medicin del error en el pronstico

Error del pronstico o residual :

Medicin del error en el pronstico

El error correspondiente a cualquier pronstico es

La mayora de los mtodos implica promediar

El error de pronstico puede ser positivo o

Una medida de la precisin de los pronsticos es

Medicin del error en el pronstico

El problema es que si se suman los errores al ser

Puede evitarse esto tomando los valores

Algunos mtodos son:

Desviacin absoluta de la media :

Medicin del error en el pronstico

Este mtodo penaliza los errores mayores ya que

Se usa en casos que se prefiere una tcnica que

Medicin del error en el pronstico

En ocasiones es ms til calcular los errores en

El porcentaje del error medio absoluto (PEMA)

Medicin del error en el pronstico

El PEMA indica qu tan grande son los errores

Se puede utilizar el PEMA para comparar la

A veces resulta necesario determinar si un

Para esto se utiliza el porcentaje medio de error

Medicin del error en el pronstico

El PME se calcula encontrando el error en cada

Si un mtodo de pronstico no est sesgado el

Medicin del error en el pronstico

Si el resultado es un porcentaje negativo grande

Si el resultado es un porcentaje positivo grande

Es realista esperar que una tcnica produzca

Las mediciones de precisin de un pronstico se

Medicin del error en el pronstico

La tabla siguiente muestra el n de clientes

La tcnica de pronstico utiliza el n de clientes

Medicin del error en el pronstico

Medicin del error en el pronstico

El DAM indica que cada pronstico est desviado

El EMC y el PEMA se compararn con cualquier

El PME indica que la tcnica no est desviada ya

Medicin del error en el pronstico

Uno de los requerimientos bsicos de una tcnica

Esto se puede probar mediante un correlograma

Otro requerimiento es que los residuos tengan

Esto se puede probar mediante un histograma de

Recordemos que una serie de tiempo es un

Una serie de tiempo se define por medio de los

Ejemplo, la siguiente tabla muestra la produccin

Anlisis de series de tiempo

El anlisis de las series de tiempo consiste en una

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

Un modelo de series de tiempo puede expresarse

Modelos de series de tiempo

En general, se supone que una serie de tiempo

Modelo aditivo: supone que el valor de los datos

Modelo multiplicativo: supone que el valor de los

Modelos de series de tiempo