Maestro Guillermo Conde Medina

Universidad Tecmilenio
Pronsticos para la toma de
decisiones
Definicin
PRONSTICO
Prediccin de una condicin y hecho futuro.

Utilidad
Proporciona informacin clave y precisa para
tomar la mejor decisin posible.

HERRAMIENTA
Aplicaciones

Departamentos de mercadotecnia
Finanzas
Administracin del personal
Produccin
Control de procesos
Administracin estratgica
Pronosticar
Se tiene que analizar informacin de hechos
pasados y hacer una prediccin en funcin de los
resultados de dicho anlisis.


Analizar datos
Identificar patrn
Extrapolar o
ampliar patrn
Pronosticar
Pronosticar
SUPUESTO


El patrn o comportamiento identificado sigue
siendo el mismo en el futuro.
Proceso administrativo
ETAPAS
Planear
Organizar
Dirigir
Controlar

Pronosticar (cmo sera ese futuro)
Planear (cmo queremos estar en el futuro)
PRONSTIC
OS
Pronsticos y planeacin
Pronosticar y planear son dos cosas
distintas que tienen una estrecha
relacin.


Pronosticar (cmo sera ese
futuro)

Planear (cmo queremos
estar en el futuro)
Pronsticos
Para planear con estrategia los objetivos, se
requiere estimar cmo ser el escenario de la
organizacin.

La realizacin de pronsticos ayuda a las
organizaciones a definir sus objetivos y a realizar
estrategias de fundamentadas y consistentes.

Tipos de pronsticos
Cuali Cuanti
Desestacionalizacin
Suavizacin
exponencial
Promedios mviles
Box Jenkins
Delphi
Inv. De Mercado
Criterio informado
Analoga de ciclo de
vida
Tipos de pronsticos
Cuali
Se utilizan para
predecir eventos
sin precedentes
Se utilizan
cuando los datos
no son confiables
Cuanti
Se utiliza cuando
se tienen datos
previos
disponibles
Se supone que el
comportamiento
del pasado se
repite en el futuro
Pronsticos cuantitativos
Tcnicas cuanti
Series de tiempo
Promedios
mviles
Suavizacin
exponencial
Des-
Estacionalizacin
Box - Jenkins
Causales
Regresin lineal,
exponencial,
logartmica
Pronsticos cuali: Delphi

Involucra a un equipo de expertos que no estn
fsicamente juntos a la hora de emitir sus
opiniones.


La ventaja de esto es que se evita el sesgo de
las opiniones o que stas pudieran tener cierta
tendencia.
Pronsticos cuali: Delphi
El proceso se repite 2 o 3 veces.
Despus de leer las opiniones, cada participante puede defender su
opinin o modificarla.
Tras la contestacin, se resumen los comentarios y se devuelven a
los expertos.
Conformado el equipo de expertos, se enva un cuestionario que los
participantes responden por escrito.
Pronsticos cuali: Delphi
Al finalizar las rondas el equipo investigador
debe ya tener una idea clara sobre el futuro
que se pronostic.
Una vez que los investigadores estn
satisfechos con las opiniones, puede
considerarse reunir a los expertos y debatirlas.
Pronsticos cuali: Analoga del ciclo
de vida
Introduccin
Crecimient
o
Madurez
Deceso
Medidas de desempeo del
pronstico
Error de pronstico
Desviacin absoluta media
Error cuadrtico medio
Error de pronstico
Todo pronstico tiene cierto grado de
incertidumbre.

La incertidumbre puede originarse por la
presencia del componente irregular en la
descripcin de una serie de tiempo.

Tambin puede originarse del grado de exactitud
a la hora de predecir los dems componentes de
una serie de tiempo (tendencia, estacional,
cclico).

Error de pronstico

Se ha sealado la importancia de que la tcnica
de prediccin concuerde con el patrn de datos
que caracteriza una serie de tiempo.

De lo contrario, los errores muestran un patrn
con respecto al tiempo (si estos son graficados).
Medidas de desempeo del
pronstico
La mxima precisin posible de los pronsticos
se busca en funcin del anlisis de sus errores.
Existe una notacin bsica que es la siguiente:



e
t
= Error de pronstico
D
t
= Valor real de una serie de tiempo en el perodo
t
F
t
= Valor pronosticado en el perodo t
t t t
F D e =
Medidas de desempeo del
pronstico
Desviacin absoluta media (DAM o MAD, por sus
siglas en ingls).




Error cuadrtico medio (ECM)




n
F D
DAM
n
t
t t
=

=
1
( )
n
F D
ECM
n
t
t t
=

=
1
2
Patrones de series de tiempo
Paralela a las abscisas, sin cambio a
travs del tiempo Constante o lineal
Crecimiento o decremento a travs del
tiempo Tendencia
Fluctuaciones hacia arriba y abajo que se
repiten en perodos de un ao o menos Estacional
Fluctuaciones hacia arriba y abajo que se
repiten en perodos mayores a un ao Cclico
Factores no controlables, el azar
Irregular
Patrones de series de tiempo
Tiempo
Variable
Cclico
Estacion
al
Tendenci
al
Lineal
Irregular
Algunos conceptos
Es una sucesin cronolgica
de observaciones de una
variable particular.
Serie de
tiempo
Aspecto que puede asumir
cualquier valor posible.
Aquello cuyo
comportamiento queremos
predecir a travs del tiempo.
Variable
Series de tiempo
Ao Trimestre Depsitos temporales
(millones de dlares)
2001 1 35.3
2 37.6
3 38.1
4 39.5
2002 1 37.9
2 39.9
3 40.1
4 41.2
Algunos conceptos
Datos de series de tiempo
Ventas unitarias de un producto
Ventas totales en dlares de una compaa
Tasa de desempleo
Produccin de un objeto
Calidad del aire o del agua
Nivel de inventario
Poblacin de una ciudad
Temperatura media diaria
C
o
n

r
e
s
p
e
c
t
o

a
l

t
i
e
m
p
o

Tcnicas segn patrn de serie de
tiempo
Lineal
Tendencial
Estacional
Promedio mvil simple
Suavizacin
exponencial simple
Promedio mvil doble
Suavizacin
exponencial doble
Mtodo de Winters
Desestacionalizacin
Patrn segn horizonte de
tiempo
Lineal
Tendencial
Estacional
Inmediato plazo
Corto plazo
Mediano Plazo
Largo Plazo
Largo plazo
Factores para seleccionar una
tcnica de pronstico
El perodo u horizonte de tiempo
El patrn de los datos
El costo del pronstico
La exactitud deseada
La disponibilidad de informacin
La facilidad de operar y entender
Factores para seleccionar una
tcnica de pronstico
El perodo u horizonte de tiempo (das,
semanas, meses, trimestres, aos).

Inmediato
plazo
Menos de
un mes
Corto plazo
Un mes a
seis meses
Mediano
plazo
De seis
meses a
menos de
dos aos
Largo plazo
Dos aos o
ms
Factores para seleccionar una
tcnica de pronstico
El patrn de los datos
Ningn patrn es
mutuamente
excluyente, pueden
estar combinados
dos o ms.
Factores para seleccionar una
tcnica de pronstico
El costo del pronstico

Mientras ms complejo es el
modelo a construir para
efectuar el pronstico se
incurren en mayores costos.
Factores para seleccionar una
tcnica de pronstico

La exactitud deseada.



La disponibilidad de informacin.
En funcin de la
situacin se
determina el margen
de error a tolerar.
Distintos mtodos
requieren diferentes
cantidades de datos
histricos.
Factores para seleccionar una
tcnica de pronstico
La facilidad de operar y entender.
Los administradores son los
responsables de tomar la decisiones,
ninguno tendr confianza en las
predicciones mediante una tcnica o
mtodo que no entiende.
CPFR
Llamado en espaol Planeacin, preparacin de
pronsticos y reposiciones de inventario a nivel
colaborativo.





Es un enfoque nuevo de administracin de la
cadena de suministro para lograr pronsticos ms
exactos.
CPFR
Los clientes y
proveedores dentro de la
cadena de suministro
comparten informacin
durante los pronsticos y
la planeacin.
Se intercambia
informacin sobre sus
demandas pronosticadas
y se desarrolla un
pronstico conjunto para
planear la reposicin de
inventarios.
CPFR Aspectos clave
Todas las partes
deben estar
dispuestas a
compartir informacin
confidencial.
Relacin colaborativa
a largo plazo.
Se debe invertir
tiempo y recursos
para un exitoso
CPFR.
CPFR
Pronsticos con series de tiempo de
factor constante (inmediato y corto
plazo)
(Con componente irregular)
Promedios mviles
Promedios mviles
PROMEDIO MVIL SIMPLE
Demanda promedio para
n perodos



Pronstico
t t
n t t
t
A F
n
D D D
A
=
+ + +
=
+
+
1
1 1 1

A
t
= promedio de datos o
valores reales
F
t+1
= Pronstico de perodo
futuro
Ejemplo
Demanda
0
5
10
15
20
25
30
35
0 2 4 6 8 10 12 14 16
Perodo Demanda
1 10
2 18
3 29
4 15
5 30
6 12
7 16
8 8
9 22
10 14
11 15
12 27
13 30
14 23
15 15
PROMEDIO MVIL SIMPLE
Ejemplo
Ejemplo
Ejemplo
0
5
10
15
20
25
30
35
0 2 4 6 8 10 12 14 16
Tarea
Mes Demanda
Enero 48.5
Febrero 46.0
Marzo 54.4
Abril 49.8
Mayo 48.1
Junio 55
Julio 47.7
Agosto 45.2
Septiembre 51
Octubre 47.5
Noviembre 49.1
Diciembre 50.8
Determine el pronstico
para enero del
siguiente ao por
medio de promedio
mvil con n=3 y n=6.

Utilice MAD o ECM
para determinar que
promedio mvil es ms
acertado.
Pronsticos con series de tiempo de
componente tendencial (corto y
mediano plazo)

(Con componente irregular)

Promedios mviles dobles
Tendencia
La tendencia es el movimiento gradual, ascendente o
descendente, de los datos a travs del tiempo. Los
trminos a y b son los componentes de una ecuacin de la
recta o tendencia (a es la constante y b la pendiente).
Tiempo
Variable
Tiempo
Variable
bx a y + =
bx a y =
Tendencia
Comprendamos que la pendiente es el grado de
inclinacin de un elemento respecto de la
horizontal.

Puede ser positiva, o creciente ya que, al
aumentar los valores de x, aumentan los valores
de y. Tambin puede ser negativa, o decreciente,
es decir que al aumentar los valores de x,
disminuyen los valores de y. Incluso puede ser
nula, sin pendiente, lo que equivale
prcticamente a una recta constante.
Promedio mvil doble
Una vez que se tiene un grupo de promedios
mviles, se vuelve a calcular por segunda vez un
promedio mvil del primer conjunto.

Los datos de la serie de tiempo deben de
presentar cierta tendencia para poder aplicarse
este mtodo, de lo contrario se caera en
considerables errores de precisin.
Promedios mviles
PROMEDIO MVIL DOBLE






Promedio de los
promedios
A
t
= promedio de datos o
valores reales
F
t+p
= Pronstico de p
perodos en el futuro
L
t
= Elemento constante para
un perodo t
T
t
= Pendiente en el perodo t
n = Nmero de perodos en el
promedio mvil
p = Nmero de perodos
futuros a pronosticar

t t t
A A L 2 =
) (
1
2
t t t
A A
n
T

=
p T L F
t t p t
+ =
+
n
A A A
A
n t t
t
1 1 1

+
+ + +
=

Ejemplo
Mes Ventas
1 116
2 133
3 139
4 157
5 154
6 159
7 162
8 172
9 163
10 163
11 164
12 191
Mes Ventas
13 201
14 219
15 207
16 205
17 210
18 207
19 225
20 223
21 257
22 232
23 240
24 241
Ejemplo
0
50
100
150
200
250
300
1 3 5 7 9 11 13 15 17 19 21 23
Ventas
Ventas
Ejemplo
Ejemplo
0
50
100
150
200
250
300
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Ventas
Pronstico
Ejemplo
85 . 253
) 1 ( 54 . 4 31 . 249
25
25
24 24 25
=
+ =
+ =
F
F
p b a F
39 . 258
) 2 ( 54 . 4 31 . 249
26
26
24 24 26
=
+ =
+ =
F
F
p b a F
Tarea
Calcule el pronstico de
ventas del mes de octubre
usando un promedio mvil
doble con n=3 y n=4.
Determine a travs de la
MAD qu mtodo es ms
acertado y elija el pronstico
correspondiente para
octubre.
Mes Venta real
oct-12 5540
nov-12 5580
dic-12 5650
ene-13 5720
feb-13 5730
mar-13 5710
abr-13 5930
may-13 5940
jun-13 6010
jul-13 6030
ago-13 6020
sep-13 6100
oct-13
Pronsticos con series de tiempo de
factor constante (inmediato, corto y
mediano plazo)

(Lineal con irregularidades)

Suavizacin exponencial simple
Suavizacin exponencial
SUAVIZACIN EXPONENCIAL SIMPLE
Pronsticos
F
t
= Pronstico de perodo
presente
F
t+1
= Pronstico de perodo
futuro
= Constante de suavizacin
D
t
= Valor real de la demanda
(presente)


( )
( )
t t t t
t t t
F D F F

F D F
+ =
+ =
+
+
o
o o
1
1
1
Ejemplo
Ejemplo
0
5
10
15
20
25
30
35
0 2 4 6 8 10 12 14 16
Demanda (Dt)
Ft (=0,1)
Ft (=0,3)
( )
( )
t t t t
t t t
F D F F

F D F
+ =
+ =
+
+
o
o o
1
1
1
Tarea
Da Demanda
1 35
2 47
3 46
4 39
5 26
6 33
7 24
8 39
9 24
10 26
11 36
12 43
13
Determine el
pronstico para el
perodo 13 por medio
de suavizacin
exponencial simple
con =0.2 y =0.4 .

Utilice MAD o ECM
para determinar que
constante de
suavizacin es ms
acertado.

Ejercicio
2013 Demanda
Enero 48
Febrero 46
Marzo 54
Abril 49
Mayo 48
Junio 55
Julio 47
Agosto 45
Septiembre 51
Octubre 47
Noviembre 49
Diciembre 50
Determine el pronstico
para enero del
siguiente ao usando
promedios mviles
(n=2, n=4) y
suavizacin
exponencial (=0.15 y
=0.72).

Utilice MAD o ECM
para determinar que
mtodo es ms
acertado.
Ejercicio
Determine el pronstico
para enero del
siguiente mes usando
suavizacin
exponencial doble
(=0.52, =0.84, =0.6,
=0.9)

Utilice MAD o ECM
para determinar con
qu constantes de
suavizacin es ms
acertado.

Mes Venta real
oct-12 5540
nov-12 5580
dic-12 5650
ene-13 5720
feb-13 5730
mar-13 5710
abr-13 5930
may-13 5940
jun-13 6010
jul-13 6030
ago-13 6020
sep-13 6100
oct-13
Pronsticos con series de tiempo de
factor tendencial (corto y mediano
plazo)

(Tendencia)

Suavizacin exponencial doble
(Mtodo de Holt)
Suavizacin exponencial doble
Consiste en realizar dos
suavizaciones
exponenciales, a partir de
las cuales se obtendr el
pronstico que buscamos
realizar, mediante un
clculo realizado con una
expresin sencilla. La
primera se aplica a los
valores observados en la
serie de tiempo y la
segunda a la serie
atenuada obtenida
mediante la primera
atenuacin.
Variable
Tiempo
bx a y + =
Suavizacin exponencial
SUAVIZACIN EXPONENCIAL DOBLE
Factor lineal

L
t
= Factor constante del
perodo presente
T
t-1
= Factor tendencial
ajustado de un perodo
anterior
= Constante de suavizacin
para factor constante
D
t-1
= Valor o dato real de un
perodo anterior

D
t
= Valor o dato real del
perodo presente

) )( 1 (
1 1
+ + =
t t t t
T L D L o o
Suavizacin exponencial
SUAVIZACIN EXPONENCIAL DOBLE
Factor tendencial

T
t
= Factor tendencial
ajustado del perodo
presente
= Constante de suavizacin
para factor tendencial
T
t-1
= Factor tendencial
ajustado de un perodo
anterior
L
t
= Factor constante del
perodo presente
L
t-1
= Factor constante de un
perodo anterior
1 1
) 1 ( ) (

+ =
t t t t
T L L T | |
Suavizacin exponencial
SUAVIZACIN EXPONENCIAL DOBLE
Pronstico

T
t
= Factor tendencial de un
perodo presente
p = Nmero de perodos
futuros a pronosticar
L
t
= Factor constante del
perodo presente


p T L F
t t p t
+ =
+
Modelos causales



(Regresin lineal)
Conceptos
Variable: Elemento que puede adoptar
diversos valores.


Variable independiente Es la variable
causa.
Variable dependiente Es la variable
efecto.


Conceptos
Regresin

Es un mtodo.

Establece un modelo algebraico o frmula.

Describe la relacin entre dos o ms variables.

Conceptos
Regresin

Regresin simple Una variable independiente
influye sobre una dependiente.

Regresin mltiple Se estudian dos o ms
variables independientes.

Regresin lineal El modelo es un polinomio de
grado 1.
Regresin no lineal En cualquier otro caso se
llama no lineal.
Ecuaciones
Ecuacin de la recta (modelo matemtico)
bx a y
x y
+ =
+ =
.
.
1 0
| |
Variable
dependiente que
se quiere
pronosticar.
Interseccin Pendiente Variable
independiente
Ecuaciones
Ecuacin de la recta (modelo matemtico)
bx a y
x y
+ =
+ =
.
.
1 0
| |
Aplicacin de mnimos cuadrados ordinarios Para obtener la
ecuacin de la recta Recta a la que estn lo ms cerca posible los
puntos en un diagrama de dispersin.
Frmulas
Interseccin
( )( ) ( )( )
( ) ( )
( ) ( )( )
( ) ( )
2
2
2
2
2

=
x x n
y x xy n
b
x x n
xy x y x
a
Pendiente
+ Conceptos
Diagrama de dispersin

Ilustracin grfica que se usa en el anlisis de
regresin.

Cada punto representa un valor de la variable
independiente y un valor asociado de la variable
dependiente.




+ Conceptos
Coordenada
Punto de un diagrama de dispersin donde se
grafican los valores de x y y para el caso.


Patrn lineal

Aquel donde las coordenadas de un diagrama de
dispersin caen en un patrn de valo alargado que
se aproxima a la forma de una lnea recta.



Diagrama de
dispersin
0
5
10
15
20
25
30
0 1 2 3 4 5 6 7
Ventas (y)
Ventas (y)
Perodo Ventas
1 10
2 15
3 17
4 25
5 22
6 26
Diagrama de
dispersin
0
5
10
15
20
25
30
0 1 2 3 4 5 6 7
Ventas (y)
Ventas (y)
Perodo Ventas
1 10
2 15
3 17
4 25
5 22
6 26
Modelo matemtico perfecto de
regresin lineal simple
Se debe cumplir:
Error estndar bajo (Se)
Coeficiente de correlacin alto
Coeficiente de determinacin alto
Supuestos;
oNormalidad
oIgualdad de varianza
oIndependencia
Prueba
Prueba
ANOVA
Error estndar de
estimacin
2
2

|
.
|

\
|

=

.
n
y y
Se
i i
Medida de grado de dispersin de los valores y
estimados alrededor de la recta de regresin.

Cuando los errores son pequeos, el modelo
tiende cada vez ms a lo ptimo.
Error estndar de estimacin
2
2

|
.
|

\
|

=

.
n
y y
Se
i i
Errores pequeos
Se ubican cerca de la
recta.
Hay poca dispersin.
El modelo es casi
perfecto.
La muestra es grande.

1 Se = 68%
2 Se = 95 %
3 Se = 99 %

Un nivel de confianza
grande determina que
ms puntos caen dentro
de los lmites.
Anlisis de
correlacin
Correlacin habla del grado de asociacin entre dos
variables.
1 1 s s r
Si r=1 la correlacin de las variables es positiva y todos
los puntos caen dentro de la recta de regresin.
0 1
1 0
s s
s s
r
r
Si r=-1 la correlacin es negativa y todos los puntos
caen dentro de la recta de regresin.
Anlisis de
correlacin
-1 1 0.5 0 -0.5
Correlacin
negativa
perfecta
Correlacin
positiva
perfecta
Ninguna
correlacin
Positiva
dbil
Negativa
dbil
Negativa
media
Negativa
fuerte
Positiva
media
Positiva
fuerte
CORRELACIN CORRELACIN
Anlisis de correlacin
( ) ( )( )
( ) ( ) | | ( ) ( ) | |
2
2
2
2




=
i i i i
i i i
y y n x x n
y x y x n
r
Coeficiente de determinacin
r
2

Ejemplo de las fotocopiadoras
r = 0.759 75.9%
La correlacin es positiva fuerte con tendencia a
perfecta.

r
2
= 0.576 57.6%
Un 57.6% de las fotocopiadoras vendidas son
explicadas por el nmero de llamadas realizadas. El
42.4% son explicadas por otras variables.
Supuestos
1. Normalidad

2. Igualdad de varianzas

3. Independencia

Para calcular los supuestos se
utilizan los residuales (y-).

Prueba de hiptesis
Nivel de significancia

Un resultado se denomina estadsticamente
significativo cuando no es probable que haya sido
debido al azar.

Una diferencia estadsticamente significativa
solamente significa que hay evidencias estadsticas de
que hay una diferencia.

Prueba de hiptesis
El nivel de significacin de un test es un concepto
estadstico asociado a la verificacin de una hiptesis.


En pocas palabras, se define como la probabilidad de
tomar la decisin de rechazar la hiptesis nula cuando
sta es verdadera.
0 :
0 :
1
1 0
=
=
|
|
A
H
H
Prueba de hiptesis
Si F
modelo
> F
tabla
se rechaza la Hiptesis nula (H
0
), y
por lo tanto se acepta la Hiptesis alternativa (H
A
).
0 :
0 :
1
1 0
=
=
|
|
A
H
H
La relacin entre x y y no es
significante.

La relacin entre x y y es
significante.
Si podemos rechazar H
0
en el nivel de significancia ,
entonces decimos que el modelo de regresin lineal
simple es significante en el nivel de significancia .
Prueba de hiptesis
F
tabla


F
,p,n-p-1
se obtiene de la siguiente manera:

En el numerador se busca el nmero de variables
independientes
se conoce como p y en el denominador n - p - 1.
Para efectos prcticos siempre se usar un nivel de
significancia () de 0.05.

Prueba de hiptesis
F
tabla


F
,p,n-p-1

No se rechaza
H
0
Se rechaza H
0
Desestacionalizacin
Desestacionalizar los datos con promedio mvil
centrado
Encontrar una ecuacin de lnea de tendencia con
los datos
Calcular los ndices estacionales dividiendo el
dato real entre dato calculado con promedio mvil
Calcular el promedio de los ndices estacionales
para cada perodo de la estacin
Determinar el pronstico multiplicando la
tendencia por los ndices correspondientes
Box Jenkins

(Series de tiempo)
Pasos de la metodologa
1.- Identificacin tentativa
Se utilizan datos antiguos para identificar en
forma tentativa un modelo apropiado de Box-
Jenkins.


2.- Estimacin
Se utilizan datos antiguos para estimar los
parmetros del modelo identificado en forma
tentativa.
Pasos de la metodologa
3.- Comprobacin del diagnstico
Se utilizan varios diagnsticos para comprobar
si es adecuado el modelo identificado en forma
tentativa, y para recomendar un modelo
mejorado.

4.-Pronstico
Una vez que se obtuvo el modelo final, se usa
para pronosticar valores futuros de series
temporales.
Pasos de la metodologa
Identificacin del
modelo tentativo
Estimacin de los
parmetros del
modelo tentativo
Verificacin del
modelo
Es el modelo
adecuado?
Usar el modelo y
pronosticar
Box Jenkins Series estacionarias
Los modelos clsicos de Box-Jenkins
describen series temporales estacionarias.








Para efectos del mtodo se distinguen
principalmente series estacionarias de las no
estacionarias.
Tiempo
Variable
Box Jenkins Diferenciacin
Cuando se dispone de una serie de tiempo no
estacionaria, usamos la diferenciacin para
transformarla en una serie temporal
estacionaria.


La diferenciacin consiste en obtener las
primeras diferencias de los valores de la serie
temporal no estacionaria.



1
=
t t t
y y z
Donde t = 2, 3,,n
Box Jenkins Diferenciacin
A veces, es necesario usar otras formas de
diferenciar para generar valores de series
temporales estacionarias.


Se pueden obtener las segundas diferencias
(las primeras diferencias de las primeras
diferencias) de los valores originales de la
serie temporal, de ser necesario.



( ) ( )
2 1 1
=
t t t t t
y y y y z
Donde t = 3, 4,,n
Box Jenkins Diferenciacin
Funcin de Autocorrelacin Muestral
(SAC)


Mide la relacin lineal entre las observaciones
de la serie temporal separadas por un
desfasamiento de k unidades de tiempo.

r
k
siempre estar entre -1 y 1.


Funcin de Autocorrelacin Muestral
(SAC)
El desfase se refiere a:
t y
t
1 15
2 14.406
4
3 14.938
3
4 16.037
4
5 15.632
0
6 14.397
5
7 13.895
9
y
t
y
t+1
15 14.406
4
14.406
4
14.938
3
14.938
3
16.037
4
16.037
4
15.632
0
15.632
0
14.397
5
14.397
5
13.895
9
13.895
9
.
Datos originales
de una serie de
tiempo
k=1
(desfasamiento
de 1)
y
t
y
t+2
15 14.938
3
14.406
4
16.037
4
14.938
3
15.632
0
16.037
4
14.397
5
15.632
0
13.895
9
14.397
5
.
13.895
9
.
k=2
(desfasamiento
de 2)
Funcin de Autocorrelacin Muestral
(SAC)

Parte de la metodologa de Box-Jenkins es
examinar e intentar clasificar el
comportamiento de la SAC, ya que sta con
respecto a una serie temporal puede mostrar
una variedad de comportamientos diferentes.

Bsicamente el comportamiento de la SAC
radica se desencadena en dos eventos: se
trunca y se extingue.

Funcin de Autocorrelacin Muestral
(SAC)

Se dice que la SAC se trunca despus del
desfasamiento k si no hay espigas en los
desfasamientos mayores que k.

Se dice que se extingue si la funcin decrece
en una forma permanente.

Truncarse implica que la funcin se corta o
decrece con rapidez; a su vez tambin podra
extinguirse rpida o lentamente.

Funcin de Autocorrelacin Muestral
(SAC)
Funcin de Autocorrelacin Muestral
(SAC)
Funcin de Autocorrelacin Muestral
(SAC)
Se pueden disponer de la funcin SAC para
determinar si la serie temporal es estacionaria
o no.


Si la SAC de los valores de la serie temporal
se trunca o se extingue rpidamente, entonces
se deben considerar que los valores de la
serie temporal son estacionarios.


Funcin de Autocorrelacin Muestral
(SAC)
Se pueden disponer de la funcin SAC para
determinar si la serie temporal es estacionaria
o no.

Si la SAC de los valores de la serie temporal
se extinguen muy lentamente, entonces se
deben considerar que los valores de la serie
temporal son no estacionarios.


Funcin de Autocorrelacin Muestral (SAC)
Funcin de Autocorrelacin Parcial
Muestral (SPAC)

sta es la funcin de autocorrelacin muestral
de las observaciones de la serie temporal
separadas por un desfasamiento de k
unidades de tiempo sin los efectos e las
observaciones que intervienen.

Al igual que la funcin SAC, la SPAC tiene una
variedad de comportamientos diferentes, que
se clasifican de la misma manera: puede
truncarse o extinguirse.
Identificacin del modelo

Se necesitan tanto el SAC y el SPAC para
elegir el modelo que represente mejor la serie
de tiempo.

Los modelos que se pueden usar son:

Modelos autoregresivos
Modelos de promedios mviles
Modelo de promedios mviles
autoregresivos
Identificacin del modelo
Modelo Autocorrelaci
n
Autocorrelacin
parcial
Autoregresivo (AR) Extingue Trunca
Promedio mvil (MA) Trunca Extingue
Promedio autoregresivo
(ARIMA)
Extingue Extingue
Si ambas grficas se truncan hay que determinar cul
se trunca ms rpidamente para elegir MA o AR.

Estimacin de los parmetros

Modelo (p, q, d)

p = Modelo autoregresivo de orden p
q = Modelo de promedio mvil de orden q
d = Nmero de diferenciaciones

Modelos autoregresivos (AR)

Los modelos autoregresivos son apropiados
para series de tiempo estacionarias y que
tienen un coeficiente de
que se relaciona con el nivel constante de la
serie. z
t
es un mltiplo constante de z
t-1
, el
valor de la serie temporal en el perodo
anterior, ms un choque aleatorio o
perturbacin aleatoria que describe el efecto
de todos los factores que no son z
t-1
en z
t
.



t t t
a z z + =
1 1
|
Modelos autoregresivos (AR)
En los modelos AR(1) los coeficientes de
autocorrelacin se aproximan gradualmente
(extingue) a cero mientras que los de
autocorrelacin parcial caen a cero despus
del primer desfasamiento de tiempo.

Para los modelos AR(2) los coeficientes de
autocorrelacin se aproximan a cero
(extingue) y los de autocorrelacin parcial
caen a cero (trunca) despus del segundo
desfasamiento.
Modelos de promedio mvil (MA)


Los modelos de promedio mvil MA(q)
proporcionan pronsticos con base en una
combinacin lineal de un nmero finito de
errores pasados, mientras que los modelos
autoregresivos AR(p) pronostican como una
funcin lineal de un nmero finito de valores
anteriores.
Modelos de promedio mvil (MA)
Los coeficientes de autocorrelacin en el
modelo MA(1) caen a cero (truncan) despus
del primer desfasamiento de tiempo mientras
que los coeficientes de autocorrelacin parcial
se extinguen.

Los coeficientes de autocorrelacin del modelo
MA(2) se truncan despus del segundo
desfasamiento de tiempo mientras que los
coeficientes de autocorrelacin parcial se
aproximan a cero gradualmente (extingue).
Verificacin del modelo

Un modelo ser adecuado cuando los errores o
irregularidades sean aleatorios, cumpliendo as los
supuestos de normalidad vistos antes.

Con ayuda de las grficas de autocorrelacin
parcial se debe comparar las autocorrelaciones
individuales contra 2/n con respecto a cero. Las
relaciones que queden comprendidas en estos
lmites se consideran como cercanas a cero y dan
validez al modelo.
Verificacin del modelo
Otra forma efectiva es utilizar la estadstica de
Ljung Box Q en la cual un resultado menor a 0.05
implica la existencia de errores no aleatorios y por
lo tanto, el modelo es inadecuado.
( )
( )

=

+ =
m
k
k
m
k n
e r
n n Q
1
2
2