Métodos de Series de Tiempo y

Estadísticas

Fórmulas de Métodos No Estacionales de Pronóstico

Debajo encontrará las formulas de los métodos de pronóstico para series de tiempo
incluidas en el software Cristal Ball.

Nota de CB Predictor: Este apéndice no muestra la formula del promedio móvil

simple debido a lo simple de su naturaleza.

Promedio Móvil Doble

La fórmula que CB Predictor utilize para este método es:

2 -
-----------
2*S[1](t) - S[2](t) + – 1 (S[1](t) - S[2](t))
p

donde S[1](t) representa el promedio móvil (con periodo p) de los datos históricos,
S[2](t) representa el promedio móvil de la serie S[1](t) (con periodo p), y p
representa el número de periodos sobre los cuales están los promedios móviles.

Suavización Exponencial Sim ple

La fórmula que CB Predictor usa para este método es:

S[1](t) = a * y(t-1) + (1 - a) * S[1](t - 1)

donde S[1](t) representa la suavización exponencial simple “estimado suavizado”

para el periodo de tiempo t, y(t) es el valor histórico del dato en el tiempo t, y a es
la constante de suavización entre 0 y 1.

Suavización Exponencial Doble de Holt

CB Predictor utilize este método en lugar de la suavización exponencial doble de
Brown. La diferencia es que cuando se aplica la ecuación exponencial de
suavización simple por segunda vez, el método de Holt permite utilizar una
constante de suavización diferente (b), comparado con el método Brown que usa la
misma constante en ambas operaciones.

La fórmula para la suavización exponencial doble de Holt es:

S[2](t) = b * (S[1](t) - S[1]( t - 1)) + (1 - b) * S[2](t - 1)

donde S[2](t) representa la suavización exponencial doble “estimado suavizado”

para el periodo de tiempo t, S[1](t) representa la suavización exponencial simple
“estimado suavizado” para el periodo de tiempo t, y(t) es el valor histórico del dato
en el tiempo t, a y b son las constantes de suavización con valores entre 0 y 1.
Fórmulas de Métodos Estacionales de Pronóstico
Debajo encontrará las formulas de los métodos de pronóstico para series de tiempo
no estacionales.

Suavización Aditiva Estacional

CB Predictor utiliza las siguientes ecuaciones para calcular este método:

(Nivel) Lt = a * (Yt - St-s) + (1 - a) * Lt-1

(Estacional) St = g * (Yt - Lt) + (1 - g) * St-s
(Pronóstico para el periodo m) Ft+m = Lt + St+m-s
donde los parámetros son:

a alpha
g gamma
m el número de periodos a pronosticar hacia adelante
s el largo de la estacionalidad
Lt el nivel de las series en el tiempo t
St el componente estacional en el tiempo t

Suavización Multiplicativa Estacional

CB Predictor utiliza las siguientes ecuaciones para calcular este método:

(Nivel) Lt = a * (Yt / St-s) + (1 - a) * Lt-1

(Estacional) St = g * (Yt / Lt) + (1 - g) * St-s
(Pronóstico para el periodo m) Ft+m = Lt * St+m-s
donde los parámetros son:

a alpha
g gamma
m el número de periodos a pronosticar hacia adelante
s el largo de la estacionalidad
Lt el nivel de las series en el tiempo t
St el componente estacional en el tiempo t

Suavización Estacional Aditiva Holt-W inters’

(Nivel) Lt = a * (Yt - St-s) + (1 - a) * (Lt-1 + bt-1)
(Tendencia) bt = b * (Lt - Lt-1) + (1 - b) * bt-1
(Estacional) St = g * (Yt - Lt) + (1 - g) * St-s
(Pronóstico para el periodo m) Ft+m = Lt + m*bt + St+m-s
donde los parámetros son:

a alpha
b beta
g gamma
m el número de periodos a pronosticar hacia adelante
s el largo de la estacionalidad
Lt el nivel de las series en el tiempo t
bt la tendencia de las series en el tiempo t
St el componente estacional en el tiempo t

Suavización Estacional Multiplicativa Holt-W inters’

(Nivel) Lt = a * (Yt / St-s) + (1 - a) * (Lt-1 + bt-1)
(Tendencia) bt = b * (Lt - Lt-1) + (1 - b) * bt-1
(Estacional) St = g * (Yt / Lt) + (1 - g) * St-s
(Pronóstico para el periodo m) Ft+m = (Lt + m*bt) * St+m-s
donde los parámetros son:

a alpha
b beta
g gamma
m el número de periodos a pronosticar hacia adelante
s el largo de la estacionalidad
Lt el nivel de las series en el tiempo t
bt la tendencia de las series en el tiempo t
St el componente estacional en el tiempo t
Medidas de Error del Pronóstico de Series de
Tiempo
CB Predictor calcula tres diferentes medidas de error para adaptarse a cada
pronóstico del pronóstico de las series de tiempo. CB Predictor utilize una de estas
medidas de error para determiner cuál método de pronóstico para series de tiempo
es el major.

ERCM
Error de la raíz cuadrada de la media. Esta es una medida absoluta del error que
eleva al cuadrado las desviaciones para evitar que las desviaciones negativas y
positivas se cancelen mutuamente. Esta medida también tiende a exagerar errors
grandes, lo que puede ayudar al comparar diferentes métodos.

n
2
∑ ( Yt – Ŷt )
RMSE = t--------------------------
=1 ------
n
La fórmula para calcular el ERCM es:

donde Yt es el valor actual de un punto para un periodo de tiempo t, n es el número

Ŷ
total de puntos adaptados, y t es el valor del pronóstico adaptado para el periodo
de tiempo t. Por ejemplo, el ERCM para la muestra graficada en la Figura 2.9 es
0.3068.

Para calcular el ERCM para un grupo de datos:

Ŷt
1. Mida la diferencia entre cada punto pronosticado ( ) y su punto
actual correspondiente (Yt).
2. Eleve al cuadrado la diferencia.
3. Repita los pasos 1 a 2 para cada punto y sume los resultados.
4. Divida la suma entre el número de diferencias medidas.
5. Saque la raíz cuadrada.

DAM
Desviación absoluta de la media. Este es un error estadístico que promedia la
distancia entre cada par de datos actuales y adaptados.

n
ˆ
∑ Yt – Yt
t = 1-------------------
MAD = ---------
n
La fórmula para calcular el DAM es:

donde Yt es el valor actual de un punto para un dado periodo de tiempo t, n es el

Ŷt
número total de puntos adaptados, y es el valor pronosticado para el periodo de
tiempo t. Por ejemplo, la DAM para una muestra de datos graficada en la Figura 2.9
es 0.2799.

Para calcular la DAM de un grupo de datos:

1 Mida la diferencia entre cada punto

Ŷt
pronosticado ( ) y su punto actual correspondiente (Yt).
2 Tome los valores absolutos de esas
diferencias.
3 Sume todos los valores absolutos de las
diferencias.
4 Divida ese valor entre el número total de
desviaciones medidas (n).

PAEM
Porcentaje absolute de error de la media. Esta es una medida relativa del error que
utilize valores absolutes para evitar que las desviaciones negativas y positivas se
cancelen mutuamente, y también utiliza errores relativos para permitirle comparar
la exactitud del pronóstico entre los modelos de series de tiempo.

n
( Y t – Ŷ t )
∑
-------------------- ( 100 )
Yt
t-------------------------------
=1 -----------------
MAPE =
n
La fórmula para calcular el PAEM es:

donde Yt es el valor actual de un punto para un dado periodo de tiempo t, n es el

Ŷt
número total de puntos adaptados, y es el valor pronosticado para el periodo de
tiempo t.

Nota de CB Predictor: Si Yt es igual a cero, CB Predictor elimina el término

( Yt – Y ˆ)
t
--------------------
Yt
.

Por ejemplo, el PAEM de los datos graficados en la Figura 2.9 is 138.17%.

Para calcular el PAEM para un grupo de datos:

1 Mida la diferencia entre cada punto

Ŷt
pronosticado ( ) y su punto actual correspondiente (Yt).
2 Divida la diferencia entre el valor actual.
3 Multiplique el resultado del paso 2 por 100.
4 Tome el valor absoluto de este producto.
5 Repita los pasos 1 a 4 para cada punto
adaptado y sume los resultados.
6 Divida la suma entre el número de
diferencias medidas.
Intervalos de Confianza
El intervalo de confianza define el rango dentro del cual un valor pronosticado tiene
cierta probabilidad de ocurrir. CB Predictor usa el método empírico para calcular los
intervalos de confianza.

y
Si definimos 1 como el primer dato histórico de una serie con un total de n
observaciones, suponga que en el periodo de tiempo t iniciamos a pronosticar m
periodos de datos hacia el futuro. Entonces, definimos al error del pronóstico del
periodo-m en el periodo t como et(m).

El error estándar de la predicción (S) es igual a la raíz cuadrada de la media de los

n–m
∑ et ( m )
2

S(m) = t = 1---------
--------
n–m
errores pronosticados al cuadrado, o

Asumiendo que los errores pronosticados se distribuyen normalmente, la formula

yt + m
para predecir el valor futuro de en el tiempo t con un intervalo de confianza

ŷ t + m ( t ) ± 1.959996S ( m )
del 95% dicho intervalo es:

El método empírico es razonablemente preciso mientras la cantidad de datos

históricos sea lo suficientemente grande.

Estadísticas de Pronósticos de Series de Tiempo

Otra estadística calculada para cualquier pronóstico de series de tiempo es Theil’s
U.

Estadística de Theil’s
U
Esta estadística descrita en la página 46, compara los resultados pronosticados con
los resultados de pronosticar con una cantidad minima de datos históricos.

La fórmula para calcular la estadística de Theil’s U es:

n–1 2
 Ŷt + 1 – Y t + 1
∑  ----------------Y-------------
t
-

U = t--------
= 1-----------------------------
-----------
n–1
Y – Y 2
∑  -----------Y----------- -t
t+1

t=1 t

donde Yt es el valor actual de un punto dado para el periodo de tiempo t, n es el

Ŷt
número de puntos de datos, y es el valor pronosticado.

Para calcular la estadística U para un grupo de datos:

1 Empezando con el segundo periodo de

Ŷt
tiempo, reste el actual del pronosticado .
 2 Divida el resultado por la Y actual del
periodo de tiempo anterior.
3 Eleve al cuadado el resultado.
4 Repita los pasos 1 a 3 para el resto de los
datos, excepto para el último y sume los resultados.
5 Empezando con el segundo periodo de
tiempo, reste el Y actual del periodo de tiempo anterior del Y
pronosticado del periodo actual.
6 Divida el resultado por la Y actual del
periodo de tiempo anterior.
7 Eleve al cuadado el resultado.
8. Repita los pasos 5 a 7 para el resto de los datos, excepto para el
último, y sume los resultados.
9. Divida el resultado del paso 4 entre el resultado del paso 8.
10.Tome la raíz cuadrada del resultado en el paso 9.

Estadísticas de Autocorrelación
Las medidas de autocorrelación describen la relación entre valores de la misma
serie de datos en diferentes periodos de tiempo.

Durbin-W atson
La estadística Durbin-Watson descrita en la página 51, calcula la autocorrelación en
el retraso 1.

La fórmula para calcular la estadística Durbin-Watson es:

n
2
∑ (et – et – 1 )
DW = t---------------
= 2 -----------------------
n
2
∑ et
t=1

Ŷi
donde et es la diferencia entre el punto estimado ( ) y el punto actual (Yi) y n es el
número de puntos de datos.

Para calcular la estadística Durbin-Watson para un grupo de datos:

1 Para cada punto, calcule el error restando

Ŷi
el punto estimado ( ) del punto actual (Yi).
2 Empezando con el segundo punto de datos,
reste del error el error del punto de datos anterior.
3 Eleve al cuadrado la diferencia.
4 Repita el paso 2 con el Segundo punto de
datos, Empezando con el segundo punto de datos, reste del error el
error del punto de datos anterior y eleve al cuadrado la Eleve al
cuadrado la diferencia. para el resto de los puntos de datos.
 5 Sume los cuadrados.
6 Empezando con el primer punto de datos,
eleve al cuadrado cada error.
7 Sume los cuadrados.
8 Divida el resultado del paso 5 entre el
resultado del paso 7.

Autocorrelación
Medir la autocorrelación puede ayudar a detector estacionalidad en datos históricos,
como se describe en la “Vista de Datos Históricos” en la página 102. CB Predictor
utilize la siguiente fórmula para estimar la autocorrelación:

n
∑ ( yt – y ) ( yt – k – y )
t------------------------
= k+1 -----------------------------------
rk = n 2
∑ ( yt – y )
t = k+1

y
donde y es la serie de datos, t es el valor actual del punto en el tiempo t, n es el
número de puntos de datos, k es el retraso entre los valores correlacionados de las
series, y y es la media muestral de las series.

EstadísticaLjung-Box
Esta estadística mide si un grupo de autocorrelaciones es significativamente
diferente de un grupo de autocorrelaciones cuyos valores son todos cero. La
estadística Ljung-Box se calcula de la siguiente manera:

h–1 2
rk
Q'= n ( n + 2 ) ∑ ---------------
( n – k)
-
k=1

donde:

Q’ Es la estadística Ljung-Box, la probabilidad de que un grupo de

autocorrelaciones sea la misma que un grupo de
autocorrelaciones donde todas son 0.
n Es la cantidad de datos en una muestra de datos.
h Es el tamaño del grupo de autocorrelaciones usadas para
calcular la estadística.
rk Es la autocorrelación con un retraso de k.

El tamaño del grupo de autocorrelaciones es igual a 1/3 del tamaño

de la muestra de datos o 100, si la muestra es mayor a 300.