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
Medicin del error en el pronstico
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.
Medicin del error en el pronstico
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
Medicin del error en el pronstico
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.
Medicin del error en el pronstico
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
Medicin del error en el pronstico
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).
Medicin del error en el pronstico
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.
Medicin del error en el pronstico
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.
Medicin del error en el pronstico
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.
Medicin del error en el pronstico
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
Medicin del error en el pronstico
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.
Medicin del error en el pronstico
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
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 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
Modelos de series de tiempo
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
Modelos de series de tiempo
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.
Anlisis de tendencia
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.
Anlisis de tendencia
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.
Anlisis de tendencia
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
Anlisis de tendencia
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
Descomposicin clsica
Descomposicin clsica
Descomposicin clsica
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.