Tema 3.5

3.5 MÉTODOS DE SERIES DE TIEMPOS USANDO UN SOFTWARE.
Los métodos de elaboración de pronósticos se clasifican como cuantitativos o cualitativos.

Los métodos cuantitativos se utilizan cuando:
 Se dispone de información pasada sobre la variable que se pronosticará
 La información puede cuantificarse
 Es razonable suponer que el patrón del pasado seguirá ocurriendo en el futuro. En
estos casos puede elaborarse un pronóstico con un método de series de tiempo o un
método causal.
Los mejores tres métodos de series de tiempo: suavización (promedios móviles,
promedios móviles ponderados y suavización exponencial), proyección de tendencias y
proyección de tendencias ajustada por influencia estacional.
Los métodos cualitativos por lo general involucran el uso del juicio experto para
elaborar pronósticos. Una ventaja de los procedimientos cualitativos es que pueden
aplicarse cuando la información sobre la variable que se está pronosticando no puede
cuantificarse o son escasos.
• Método Delphi
• Juicio experto
• Redacción de escenarios
• Enfoques intuitivos
En el análisis de las series de tiempo, las mediciones pueden hacerse cada hora,
diario, a la semana, cada mes, anualmente o en cualquier otro intervalo regular de
tiempo. Aunque los datos de las series de tiempo suelen mostrar fluctuaciones
aleatorias, las series de tiempo también
muestran un desplazamiento o
movimiento gradual hacia valores
relativamente altos o bajos a través de un
lapso largo. A este desplazamiento gradual
de la serie de tiempo se le conoce como la
tendencia de la serie de tiempo.
Este desplazamiento o tendencia suele
deberse a factores de largo plazo como
variaciones en las características
demográficas de la población, en la
tecnología o en las preferencias del
público.
Otros patrones de tendencia posibles
Promedios móviles (simples de orden k)
Yt + Yt-1 +……+ Yt-k+1

F t+1 =
k
El método de los promedios móviles utiliza el promedio de los k valores de datos más
recientes en la serie de tiempo como el pronóstico para el siguiente periodo.
El término móvil indica que, mientras se dispone de una nueva observación para la serie de
tiempo, reemplaza a la observación más antigua de la ecuación anterior y se calcula un
promedio nuevo. Como resultado, el promedio cambiará, o se moverá, conforme surjan nuevas
observaciones.
Yt : observación en el período t Ft: pronóstico para el período t
Promedios móviles ponderados
En el método de promedios móviles, cada observación en el cálculo recibe el mismo peso.
Una variación, conocida como promedios móviles ponderados, consiste en

seleccionar diferentes pesos para cada valor de datos y luego calcular un promedio
ponderado de los k valores de datos más recientes como el pronóstico.
En la mayoría de los casos la observación más reciente recibe el mayor peso, y el peso
disminuye para los valores de datos más antiguos. Por ejemplo, para la serie de tiempo de
las venta de nafta semanal el cálculo de un promedio móvil ponderado de tres semanas,
donde la observación más reciente recibe un peso del triple del peso dado a la observación
más antigua y la siguiente observación más antigua recibe un peso del doble que la
observación más antigua.
Para la semana 4 el cálculo es:
3/6*19+2/6*21+1/6*17=19.33
En general, si creemos que el pasado reciente es un mejor pronosticador del

futuro que el pasado distante, los pesos más grandes deben darse a las
observaciones más recientes.
Suavización exponencial
La suavización exponencial utiliza un promedio ponderado de

valores de series de tiempo pasadas como pronóstico.
La fórmula muestra que el pronóstico para el periodo t+1 es un promedio ponderado del valor
real en el periodo t y el pronóstico para el periodo t.
Es un caso especial del método de promedios móviles ponderados en el cual seleccionamos sólo
un peso, el peso para la observación más reciente.
Los pesos para los demás valores se calculan de forma automática y se vuelven cada vez más
pequeños a medida que las observaciones se alejan en el pasado.
Podemos demostrar que el pronóstico de la suavización exponencial para cualquier periodo
también es un promedio ponderado de todos los valores reales previos.
Por ejemplo, para una serie de tiempo que consta de tres periodos de datos: Y1, Y2 y Y3.
Comenzamos F1=Y1
Por lo tanto, el pronóstico de suavización exponencial para el periodo dos es igual al valor real de
la serie de tiempo en el periodo 1.
Para el periodo 3 el pronóstico es:
Por último, al sustituir esta expresión para F3 en la expresión para F4, se obtiene:
Por consiguiente, F4 es un promedio ponderado de los primeros tres valores de la serie de tiempo.
Constante suavización =0.2

Proyección de la tendencia
En este punto se muestra cómo pronosticar los valores

de una serie de tiempo que exhibe una tendencia lineal
a largo plazo. El tipo de series de tiempo para las
cuales el método de proyección de tendencias es
aplicable, muestra un incremento o disminución
constante en el tiempo. Debido a que este tipo de serie
de tiempo no es estable, los métodos de suavización descritos en la sección anterior no son
aplicables
Ejemplo
La serie de tiempo para el numero de bicicletas vendidas parece tener un incremento general o
una tendencia ascendente.
Para una tendencia lineal, el volumen

ventas estimado expresado como una función del tiempo.
T = valor de tendencia para las ventas de bicicletas en el periodo t Las

t
ecuaciones para calcular b y b son

1 0
Ecuación para el componente de tendencia lineal para las series de tiempo de
ventas de bicicletas.
T =20.4 + 1.1t
t
La pendiente de 1.1 en la ecuación de tendencia indica que durante los 10 años

pasados la empresa ha experimentado un crecimiento medio en las ventas de
alrededor de 1100 unidades por año.
La proyección de tendencia del año siguiente,
T =20.4 + 1.1* 11=32.5

11
Componentes de tendencia y estacional
La eliminación del efecto estacional de una serie de tiempo se conoce como

desestacionalización de la serie de tiempo. Después de hacerlo, las comparaciones periodo a
periodo son más significativas y pueden ayudar a identificar si existe una tendencia.
El enfoque que seguimos en este punto es apropiado en situaciones cuando sólo están
presentes los efectos estacionales o en situaciones en que se dan tanto el componente
estacional como el de tendencia.
El primer paso es calcular los índices estacionales y utilizarlos para
desestacionalizar los datos.
Luego, si es evidente una tendencia en los datos desestacionalizados, utilizamos el

análisis de regresión sobre los datos desestacionalizados para estimar la tendencia.
Análisis de regresión lineal simple
El análisis de regresión se relaciona en gran medida con la estimación y/o predicción de la media
(de la población) o valor promedio de la variable dependiente, con base en los valores conocidos
o fijos de las variables explicativas.
Población total de 60 familias de una comunidad hipotética. Ingreso semanal (X) y gasto de
consumo semanal (Y ), en dólares.
Las 60 familias se dividen en 10 grupos de ingresos (de $80 a
$260). Se tienen 10 valores fijos de X y los correspondientes valores de Y para cada uno de los
valores X; así que hay 10 subpoblaciones Y
Resulta importante distinguir dichos valorescondicionales esperados del valor esperado

incondicional del gasto de consumo semanal, E(Y).
E(Y)=7272/60=121,2
Es incondicional en el sentido de que para obtener esta cifra se omiten los niveles de ingresos
de las diversas familias
Curva de regresión poblacional
Desde el punto de vista geométrico, una curva de regresión poblacional es simplemente el

lugar geométrico de las medias condicionales de la variable dependiente para los valores
fijos de la (s) variables explicativa(s).
Es la curva que conecta las medias de las subpoblaciones de Y que corresponden a los
valores del regresor X.
Bibliografía
• Anderson R., Sweeney D., Williams T., Camm J. y Cochran J. (2015), “Quantitative
Methods for Business” Cengage Learning. USA.
• Anderson D., Sweeney D. y Williams T. (2008), “Estadística para Administración y
Economía”. 10º edición. Ed. Thomson. México.
• Canavos, G. (2003), “Probabilidad y Estadística. Teoría y aplicaciones”. Mc Graw Hill.
Interamericana de México.
• Enders, W. (2008), “Applied Econommetric Time Series”. Editorial Wiley. Inglaterra.
• Guisande Gonzalez, C., Vaamonde Liste, A. y Barreiro Felpeto, A. (2011), “Tratamiento
de datos con R, Statistica y SPSS”. Ed. Díaz de Santos. España.
• Gujarati, D. y Porter D. (2010), “Econometría” 5° Edición. Mc Graw Hill. México.
• Hanke, J. and Wichern, D. (2006). “Pronósticos en los negocios”. Editoral Pearson.
México.
• Levine D., Stephan D, Krehbiel T., and Berenson M. (2008). “Statistics for Managers”.
Pearson New Jersey.

Tema 3.5

Cargado por

Copyright:

Formatos disponibles

Tema 3.5

Cargado por

Información del documento

Descripción original:

Título 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

Tema 3.5

Cargado por

Copyright:

Formatos disponibles

3.5 MÉTODOS DE SERIES DE TIEMPOS USANDO UN SOFTWARE.

Los métodos de elaboración de pronósticos se clasifican como cuantitativos o cualitativos.

Promedios móviles (simples de orden k)

Yt + Yt-1 +……+ Yt-k+1

Promedios móviles ponderados

En el método de promedios móviles, cada observación en el cálculo recibe el mismo peso.

Una variación, conocida como promedios móviles ponderados, consiste en

En general, si creemos que el pasado reciente es un mejor pronosticador del

La suavización exponencial utiliza un promedio ponderado de

Constante suavización =0.2

En este punto se muestra cómo pronosticar los valores

Para una tendencia lineal, el volumen

T = valor de tendencia para las ventas de bicicletas en el periodo t Las

ecuaciones para calcular b y b son

La pendiente de 1.1 en la ecuación de tendencia indica que durante los 10 años

T =20.4 + 1.1* 11=32.5

Componentes de tendencia y estacional

La eliminación del efecto estacional de una serie de tiempo se conoce como

Luego, si es evidente una tendencia en los datos desestacionalizados, utilizamos el

Análisis de regresión lineal simple

Resulta importante distinguir dichos valorescondicionales esperados del valor esperado

Curva de regresión poblacional

Desde el punto de vista geométrico, una curva de regresión poblacional es simplemente el

También podría gustarte