UNIVERSIDAD NACIONAL FEDERICO VILLARREAL

FACULTAD DE CIENCIAS ECONOMICAS

MODELOS DE PRONOSTICOS:
Análisis de series de tiempo

Primer semestre 2017

Wilfredo Zenón Chino Villegas

 Medición del error en el pronóstico
Yt  valor de una serie de tiempo en el periodo t
Yˆt  valor del pronóstico para Yt
Error del pronóstico o residual :
et  Yt  Yˆt
 Medición del error en el pronóstico
 El error correspondiente a cualquier pronóstico es
la diferencia entre el valor observado en la serie
de tiempo y el pronóstico.

 La mayoría de los métodos implica promediar

alguna función del error.

 El error de pronóstico puede ser positivo o

negativo dependiendo si el pronóstico es
demasiado alto o demasiado bajo.

 Una medida de la precisión de los pronósticos es

la suma de los errores.
 Medición del error en el pronóstico
 El problema es que si se suman los errores al ser
unos positivos y otros negativos se cancelarán.

 Puede evitarse esto tomando los valores

absolutos o elevando al cuadrado cada uno de los
errores, antes de sumarlos y promediarlos.

 Algunos métodos son:

Desviación absoluta de la media :

n

 Y  Yˆt t
DAM  t 1
n
 Medición del error en el pronóstico
Error medio cuadrado :

 Y  Yˆ 
n 2
t t
EMC  t 1
n
 Este método penaliza los errores mayores ya que
eleva cada uno al cuadrado.

 Se usa en casos que se prefiere una técnica que

produzca errores moderados a otra que
generalmente tenga errores pequeños pero
ocasionalmente arroje algunos muy grandes.
 Medición del error en el pronóstico
 En ocasiones es más útil 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 éste entre el valor real
observado para ese periodo y después
promediando estos errores absolutos de
porcentaje.
n Yt  Yˆt

t 1 Yt
PEMA 
n
 Medición del error en el pronóstico
 El PEMA indica qué tan grande son los errores
comparados con los valores reales de la serie.

 Se puede utilizar el PEMA para comparar la

precisión de la misma u otra técnica sobre dos
series completamente diferentes.

 A veces resulta necesario determinar si un

método de pronóstico está sesgado (pronóstico
consistentemente alto o bajo).

 Para esto se utiliza el porcentaje medio de error

(PME).
 Medición del error en el pronóstico
 El PME se calcula encontrando el error en cada
periodo, dividiendo éste entre el valor real de ese
periodo y promediando después estos
porcentajes de error.



n
Y  Yˆ 
t

t 1 Yt
PME 
n

 Si un método de pronóstico no está sesgado el

PME dará un porcentaje cercano a cero.
 Medición del error en el pronóstico
 Si el resultado es un porcentaje negativo grande
el método de pronóstico está sobrestimando en
forma consistente.

 Si el resultado es un porcentaje positivo grande

el método de pronóstico está subestimando en
forma consistente.

 Es realista esperar que una técnica produzca

errores relativamente pequeños.

 Las mediciones de precisión de un pronóstico se

podrían utilizar para buscar una técnica óptima.
 Medición del error en el pronóstico
 La tabla siguiente muestra el nº de clientes
diarios que requieren trabajos de reparación y un
pronóstico de estos datos.

 La técnica de pronóstico utiliza el nº de clientes

atendidos en el periodo anterior como el
pronóstico del periodo actual.
Medición del error en el pronóstico
Periodo Datos Pronóstico Error
(t) Yt Yˆt Yt  Yˆt
1 58 - -
2 54 58 -4
3 60 54 6
4 55 60 -5
5 62 55 7
6 62 62 0
7 65 62 3
8 63 65 -2
9 70 63 7
Total 12
 Medición del error en el pronóstico
 DAM=4,3
 EMC=23.5
 PEMA=6,95%
 PME=2,03%

 El DAM indica que cada pronóstico está desviado

en un promedio de 4.3 clientes.

 El EMC y el PEMA se compararán con cualquier

otro método de pronóstico.

 El PME indica que la técnica no está desviada ya

que su valor es cercana a cero.
 Medición del error en el pronóstico
 Uno de los requerimientos básicos de una técnica
de pronóstico es que de un patrón de residuos
que sea aleatorio.

 Esto se puede probar mediante un correlograma

de los residuos.

 Otro requerimiento es que los residuos tengan

una distribución 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
fenómeno tomadas en tiempos específicos,
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 producción

anual (en millones de unidades) durante 12 años
de una compañía.
Series de tiempo

Año Periodo t Producción Yt

1997 1 2
1998 2 3
1999 3 5
2000 4 9
2001 5 12
2002 6 16
2003 7 13
2004 8 10
2005 9 17
2006 10 14
2007 11 22
2008 12 24
Series de tiempo

Producción anual compañía, 1997 - 2008

30
Producción (millones de

25

20
unidades)

15

10

0
1996 1998 2000 2002 2004 2006 2008 2010
Años
 Análisis de series de tiempo
 El análisis de las series de tiempo consiste en una
descripción de los movimientos componentes
presentes.

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

suele llamarse descomposición de series de
tiempo, en sus movimientos componentes
básicos.

 Un modelo de series de tiempo puede expresarse

como alguna combinación 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
 Modelos de series de tiempo
 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 sólo la componente

de tendencia se expresa en unidades originales,
las componente estacionales y cíclicas se
expresan en números relativos o porcentajes,
además hay una dependencia mutua.

 Por ejemplo, una producción de Y=37.800

unidades (pares) de zapatos de una empresa de
calzado en el año 2006 se puede descomponer
en
 Modelos de series de tiempo
 T=40.000 unidades

 C=100% no existe efecto por el ciclo del negocio

 E=105% la producción de calzado tiene una

variación estacional de +5% para ese año

 I=90% por algunas fuerzas no conocidas el

número de zapatos producidos sufre una
variación irregular de -10% en ese año

 Entonces 37.800  40.000 1,00 1,05  0,90

 Modelos de series de tiempo
 El modelo multiplicativo es el que se usa más a
menudo ya que caracteriza a la mayoría de las
series de tiempo económicas o de negocios.

 Trataremos con ese modelo para separar las

componentes que influyen en los valores de la
serie de tiempo.
 Análisis de tendencia
 El análisis de tendencia es el procedimiento
mediante el cual se determina la dirección 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 línea recta o una curva.
 Análisis de tendencia
 La estimación de la tendencia se puede realizar
por los siguientes métodos.

 Método de mano libre

 Método de los semipromedios
 Método de los mínimos cuadrados

1. Método de mano libre: consiste en trazar una

recta o curva de tendencia mirando la gráfica,
depende demasiado del juicio personal.
 Análisis de tendencia
2. Método 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 línea de tendencia que pase por las 2
medias.

 Suele conducir a resultados pobres cuando se

utiliza en forma indiscriminada, sólo es aplicable
cuando la tendencia es lineal.
 Análisis de tendencia
3. Método de los mínimos cuadrados: de los
modelos de tendencia de las serie de tiempo el
más utilizado es la línea 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 método de los mínimos
cuadrados

b
 XY  nXY
a  Y  bX
 X  nX
2 2
 Análisis de tendencia
 En el ejemplo anterior la ecuación de
tendencia lineal obtenida por el método de
mínimos cuadrados es
Y  0,727  1,773 X

Producción anual compañía

30

25

20
Y

15

10

0
0 2 4 6 8 10 12 14
X
Series de tiempo
Año Periodo Producción Producción
(X) (Y) estimada Yˆ 
1997 1 2 2,5
1998 2 3 4,3
1999 3 5 6,0
2000 4 9 7,8
2001 5 12 9,6
2002 6 16 11,4
2003 7 13 13,1
2004 8 10 14,9
2005 9 17 16,7
2006 10 14 18,5
2007 11 22 20,2
2008 12 24 22,0
 Variaciones cíclicas
 Los datos anuales contienen sólo 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 año.

 Por esta razón cuando los datos son anuales, se

pueden aislar los ciclos.
 Variaciones cíclicas
 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

(índice cíclico), una medida de 100% indica
ausencia de efectos cíclicos.

 En el ejemplo se determinó el componente cíclico

de los valores de la serie utilizando la tendencia
lineal.
Variaciones cíclicas
Año Producción Tendencia Indices cíclicos Desviacio
(Y) YT  Y / YT 100 nes (%)
1997 2 2,5 80 -20
1998 3 4,3 69,8 -30,2
1999 5 6,0 83,3 -16,7
2000 9 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 cíclicas

Indices cíclicos

160,0
140,0
120,0
Indice (%)

100,0
80,0
60,0
40,0
20,0
0,0
0 2 4 6 8 10 12 14
Años
 Series de tiempo
 Si la serie de tiempo está bien descrita por la
tendencia, estacionalidad y los ciclos, la variación
residual deberá ser aleatoria.

 Los componentes de una serie se combinan en

forma:

F  T  S C  R

F Pronóstico de demanda (en unidades o en $)

T Nivel de tendencia (en unidades o en $)
S Indice de estacionalidad
C Indice cíclico
R Indice residual
 Series de tiempo
 En la práctica, con frecuencia el modelo se
reduce sólo a los componentes de tendencia y
estacionalidad.

 Esto se hace porque un modelo bien especificado

posee un valor de índice residual (R) de 1 y esto
no afecta el pronóstico.

 Se puede tratar el índice cíclico (C) igual a 1 ya

que, por lo general, el modelo se actualiza
cuando se dispone de nueva información.

 La variación cíclica tiende a compensarse con la

actualización.
 Series de tiempo
 La tendencia puede determinarse por algún
promedio móvil o por regresión.

 El método de mínimos cuadrados minimiza las

diferencias cuadráticas entre la información real y
la curva de tendencia.

 Una línea de tendencia tiene la forma T  a  bt

 Donde t es el periodo de tiempo, y T es el nivel

de demanda promedio o tendencia.

 a y b vienen dadas por

 Series de tiempo

b
 D (t )  N ( D )(t )
t
a  D  bt
 t  Nt2 2

 Donde

N Es el número de observaciones
Dt Demanda real en el tiempo t
D Demanda promedio para los N periodos
t Promedio de t en los N periodos
 Series de tiempo
 El componente de estacionalidad está
representado por un índice que cambia para cada
periodo que se pronostica.

 Este índice es una razón de la demanda real por

la demanda promedio.
Dt
St 
Tt

SIndice
t
de estacionalidad en el tiempo t
TValor
t
de tendencia
 Series de tiempo
 El pronóstico viene dado por
Ft  Tt  St  L

 Donde
FtDemanda pronosticada en el tiempo t
LNúmero de periodos en el ciclo estacional

 Ejemplo. Un fabricante de ropa debe decidir

sobre cantidades de compra. Se especifican 5
estaciones del año verano, otoño, invierno,
festividades y primavera. Se requiere un
pronóstico para 3 estaciones adelante.
SeriesdePeriodo
de
venta
tiempo
Periodo de
tiempo (t)
Ventas
(Dt)
Verano 1 $ 9458
Otoño 2 11542
Invierno 3 14489
Festividades 4 15754
Primavera 5 17269
Verano 6 11514
Otoño 7 12623
Invierno 8 16086
Festividades 9 18098
Primavera 10 21030
Verano 11 12788
Otoño 12 16072

Invierno 13 ?
Festividades 14 ?
Primavera 15 ?
Descomposición clásica
Descomposición clásica
Descomposición clásica
Descomposición clásica
Descomposición clásica
 Evaluación del método de pronóstico
 Pasos para evaluar una técnica de pronóstico

1. Elegir un método de pronóstico con base en la

intuición y patrón de los datos.

2. Se dividen los datos en 2 conjuntos, uno de

creación 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 pronóstico

5. Elegir la técnica, modificarla o elegir otra técnica.