Estadística y Pronósticos para La Toma de Decisiones
Estadística y Pronósticos para La Toma de Decisiones
Estadística y Pronósticos para La Toma de Decisiones
pronósticos
para la toma
de decisiones
Estadística y series
de tiempo
Tema 7. Métodos de
pronósticos basados en
promedios, suavización
exponencial y descomposición
Introducción
Los administradores siempre tratan de reducir la incertidumbre y de hacer mejores estimaciones de lo que su-
cederá en el futuro. El propósito principal de los pronósticos es lograr esos objetivos. Existen numerosas formas
de pronosticar el futuro. En muchas empresas (especialmente en las más pequeñas) todo el proceso es subje-
tivo, pues involucra métodos empíricos, intuición y años de experiencia.
También hay muchos modelos de pronósticos cuantitativos, tales como los promedios móviles, los de sua-
vización exponencial, proyecciones de tendencias, mínimos cuadrados y análisis de regresión. Una de las par-
tes más difíciles de los pronósticos es la recolección de datos válidos y confiables.
Métodos de pronósticos
Promedios
Suavización
Exponencial
Descomposición
Un economista frecuentemente se enfrenta a variables cuyos valores son medidos en diferentes puntos en el
tiempo, y muy a menudo, estos puntos en el tiempo, son equidistantes.
Por ejemplo las ventas totales de una persona encargada de negocios pueden ser registradas diariamente, se-
manalmente, mensualmente o anualmente y estos datos siguen ciertos patrones que deben identificarse para
poderlos utilizar con el fin de modelarlos y poder pronosticar su comportamiento en el futuro, con el fin de tomar
decisiones.
Donde
Descomposición
Un método para el análisis de los datos de series de tiempo incluye un intento por identificar los factores que
influyen en cada valor de la serie. Este procedimiento de análisis se llama descomposición. Cada componente
(tendencia (T), estacional (S), cíclico (C) o irregular (I)) se estudia por separado.
Las proyecciones de cada componente se pueden combinar para producir pronósticos de valores futuros de una
serie de tiempo.
Para estudiar los componentes de una serie de tiempo, debe considerarse la manera en que se relacionan los
componentes con la serie original.
La tarea se lleva a cabo al especificar un modelo (relación matemática) que exprese la variable Y de la serie de
tiempo en términos de los componentes T, S, C e I.
El modelo de series de tiempo se expresa generalmente ya sea como un modelo aditivo, donde el valor de la
serie de tiempo en el tiempo t se especifica como:
Yt = Tt + St + Ct + lt
Yt = Tt x St x Ct x lt
Ambos modelos son igualmente aceptables; sin embargo, es frecuentemente más fácil entender las técnicas
asociadas con el análisis de series de tiempo si se refieren al modelo multiplicativo.
Técnicas de suavizamiento
Si podemos determinar qué componentes realmente existen en una serie de tiempo, entonces se puede desar-
rollar un mejor pronóstico.
Desafortunadamente, la existencia de la variación irregular o aleatoria a menudo oculta las otras componentes.
Una de las formas más simples de remover la fluctuación aleatoria es suavizar las series de tiempo. En esta
sección se describirán dos métodos para hacer esto: promedios móviles y suavizamiento exponencial.
Promedios móviles
Cuando en una serie de tiempo no están presentes una marcada tendencia o fluctuaciones estacionales, puede
utilizarse el promedio móvil para generar pronósticos confiables a corto plazo.
Se puede especificar un número constante de puntos al inicio y se puede calcular una media con las observa-
ciones más recientes.
El término promedios móviles se utiliza para describir este enfoque. Conforme está disponible cada nueva
observación, se calcula una nueva media sumando el valor más reciente y eliminando el valor más antiguo.
Entonces se usa el promedio móvil para pronosticar el siguiente periodo. Un promedio móvil de orden k, MA (k),
se calcula mediante:
En el uso de promedios móviles de orden k, el promedio de las últimas k observaciones disponibles se utiliza
para pronosticar la próxima observación. El pronóstico para un periodo adelante con un promedio móvil de or-
den k=3 se da por la expresión:
Yt + Yt-1 + Yt-2
Yt+1 =
3
Ejemplo:
Como parte de un esfuerzo para pronosticar las ventas de gasolina, el gerente de cinco estaciones de gasolina
registró las ventas trimestrales (en miles de litros) para los últimos cuatro años. Los datos se presentan a con-
tinuación. Se aplica el promedio móvil de k=3 periodos.
1 1 1 39 -
2 2 37 -
3 3 61 -
4 4 58 45.7
5 2 1 18 52.0
6 2 56 45.7
7 3 82 44.0
8 4 27 52.0
9 3 1 41 55.0
11 3 49 45.7
12 4 66 53.0
13 4 1 54 61.3
14 2 42 56.3
15 3 90 54.0
16 4 66 62.0
66.0
Para calcular el primer promedio móvil de tres periodos, se agrupan los periodos 1, 2 y 3 y luego se prome-
dian. De este modo, el primer promedio móvil es:
Y3 +Y2 +Y1
Y4 =
3
39+37+61
=
3
137
=
3
=45.7
Y4 +Y3 +Y2
Y4 =
3
1 1 1 39 -
2 2 37 -
3 3 61 -
4 4 58 45.7
5 2 1 18 52.0
6 2 56 45.7
7 3 82 44.0
8 4 27 52.0
9 3 1 41 55.0
10 2 69 50.0
11 3 49 45.7
12 4 66 53.0
13 4 1 54 61.3
14 2 42 56.3
15 3 90 54.0
16 4 66 62.0
66.0
Mientras que el método de promedios móviles sólo toma en cuenta las observaciones más recientes, el
suavizamiento exponencial simple proporciona un promedio móvil con un peso exponencial de todos los va-
lores observados con anterioridad. Con frecuencia, el modelo es apropiado para los datos que no tienen una
tendencia predecible hacia arriba o hacia abajo. El objetivo es estimar el nivel real. Luego, esta estimación del
nivel se utiliza como un pronóstico de los valores futuros.
El suavizamiento exponencial revisa continuamente el valor estimado de las experiencias más recientes.
Este método se basa en promediar (suavizar) los valores pasados de una serie en una forma exponencial-
mente decreciente.
Ŷt+1=Ŷt+ α(Yt-Ŷt)
De esta manera, el nuevo pronóstico Ŷt + 1 es el antiguo (Ŷt) ajustado en α veces el error Yt - Ŷt en el pronóstico
antiguo.
En la ecuación anterior, la constante de suavizamiento α sirve como factor de ponderación. El valor de α deter-
mina la medida en que la observación actual influye en el pronóstico de la siguiente observación.
Cuando α se acerca a uno, básicamente el nuevo pronóstico será la última observación real. (De forma equiva-
lente, el nuevo pronóstico será el pronóstico antiguo más un ajuste sustancial por el error que haya ocurrido
en el pronóstico anterior). A la inversa, cuando α se acerca a cero, el pronóstico nuevo será muy similar al
pronóstico anterior y la última observación real tendrá poca importancia.
Ejemplo:
Como parte de un esfuerzo para pronosticar las ventas de gasolina, el gerente de cinco estaciones de gasolina
registró las ventas trimestrales (en miles de litros) para los últimos cuatro años. Los datos se presentan a con-
tinuación. Se aplica el suavizamiento exponencial con α = 0.2 y α = 0.7 y se grafican los resultados.
α=0.2 α=0.7
1 1 1 39 39.0 39.0
2 2 37 39.0 39.0
3 3 61 38.6 37.6
4 4 58 43.1 54.0
5 2 1 18 46.1 56.8
6 2 56 40.5 29.6
7 3 82 43.6 48.1
8 4 27 51.2 71.8
9 3 1 41 46.4 40.4
10 2 69 45.3 40.8
11 3 49 50.1 60.6
12 4 66 49.8 52.5
13 4 1 54 53.1 61.9
14 2 42 53.3 56.4
15 3 90 51.0 46.3
16 4 66 58.8 76.9
Ŷ3=39.0+0.2(37-39)=38.6
Variable
Valor real
alfa = 0.2
alfa = 0.7
90
80
70
60
50
40
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Tiempo
Cierre
En estos temas pudiste contemplar el análisis de correlación que es la fortaleza de la relación lineal que existe
entre dos variables y se mide mediante la correlación que existe entre ellas.
Así como el coeficiente de autocorrelación que es importante, pues en problemas de regresión en los cuales
las variables dependientes e independientes están orientadas hacia el tiempo o son datos de series de tiem-
po, a menudo es insostenible la consideración de errores no correlacionados.
Cerrando con el tema de métodos de pronósticos basados en promedios, suavización exponencial y descom-
posición, para analizar los componentes de una serie de tiempo debe considerarse la manera en que se rela-
cionan los componentes con la serie original.
Mientras que el método de promedios móviles sólo toma en cuenta las observaciones más recientes,
el suavizamiento exponencial simple proporciona un promedio móvil con un peso exponencial de to-
dos los valores observados con anterioridad.
Checkpoint
Asegúrate de comprender:
Levin, R. y Rubin, D. (2010). Estadística para administración y economía (7ª ed.). México. Pearson educación
Rodríguez, J., Pierdant, E. y Rodríguez, C. (2016). Estadística para administración (2ª ed.). México: Editorial
Patria