Ppcp

Pronósticos
Se usa el término pronosticar para hacer referencia a un método específico,
en lugar de la simple adivinanza, para predecir eventos futuros.

Se analizarán tres clases de métodos de pronósticos. La primera está

constituida por métodos subjetivos o cualitativos. En su forma más simple,
utilizan la opinión de un "experto" para obtener el pronóstico. Preguntar a Pete
fue un ejemplo sencillo de este enfoque. La segunda clase, los métodos
causales, intenta relacionar la variable que se quiere pronosticar con alguna
otra variable. Un ejemplo es relacionar la producción de automóviles con la
venta de llantas
Los métodos de series de tiempo usan el pasado para tratar de determinar el
futuro y están basados en principios estadísticos.

Para pronosticar debemos seguir los siguientes pasos tales como:

Identificación del problema

Los pronósticos proporcionan información para tomar mejores decisiones. El

primer paso es identificar la decisión. Si la decisión no se afecta por el
pronóstico, el pronóstico es innecesario. La importancia de la decisión
sugerirá el esfuerzo que debe dedicarse a producir un pronóstico.
En cualquier caso, la decisión determina qué pronosticar, el nivel de detalle
necesario y con qué frecuencia se hará el pronóstico. Los pronósticos de
ventas, calidad de materiales, ingresos, gastos, uso de energía o los tiempos de
llegada de los clientes son una necesidad común en las empresas.

Comprensión del problema

La clave para entender los problemas de pronósticos es comprender el proceso
Características del problema:
Las principales características de un problema de pronósticos son el marco de
tiempo, el nivel de detalle, la exactitud necesaria y el número de aspectos a
pronosticar. Se dan ejemplos de éstas según el marco de tiempo.

Las decisiones a largo plazo no requieren pronósticos exactos; la decisión de

construir una nueva planta se basa en la tendencia de los pronósticos para
varios años sucesivos y no en una sola estimación de la demanda.
Normalmente, los pronósticos a largo plazo se hacen para una sola vez. Es
común que se usen métodos causales y cuantitativos para obtenerlos.

Datos
Examinar los datos, cuando se tienen, puede proporcionar una gran visión. Los
datos pueden venir de los registros de la empresa o de fuentes comerciales o
gubernamentales. Los registros de la compañía incluyen información sobre
compras y ventas.

Si se dispone de datos, se grafican para observar si existe un patrón.

Podemos entonces encontrarnos con que los gráficos de los datos se pueden
presentar de la siguiente manera
PROCESO CONSTANTE: Cuando se examina la gráfica parece estar
nivelada, en términos burdos, con una pequeña variación (el proceso fluctúa
alrededor de un valor)

Se pueden usar muchos métodos para un proceso constante. Se analizará el

uso del último dato, un promedio de todos los datos, un promedio de los datos
más recientes y los promedios que toman en cuenta todos los datos, pero dan
más peso a los datos más recientes.
Métodos simples
Uno de los métodos de pronóstico más sencillos es usar el último dato como
pronóstico para el siguiente periodo. Sea T el periodo actual, / un periodo
arbitrario, dt la demanda histórica en el periodo t y Fr+ k el pronóstico hecho
en el tiempo T para k periodos futuros.
Al usar el último dato, el pronóstico para el siguiente periodo será la demanda
de este periodo. En notación matemática esto es

FT + l =d T

El problema con el último dato es la variación aleatoria inherente. Si la

demanda de la última semana está en el lado alto, el pronóstico también lo
está. Si la demanda de la siguiente semana es alta, el pronóstico será bueno.
Sin embargo, para un modelo constante, se supuso una componente aleatoria
con distribución normal y es igualmente probable que la próxima semana sea
baja. En este caso, el último dato será un pronóstico malo
Para vencer este problema, se puede usar un promedio de los datos pasados,
esto haría que el pronóstico fuera menos sensible a las variaciones aleatorias.
Dados T periodos de datos, el tiempo promedio en el tiempo T es

Los métodos de pronósticos del último dato y del promedio se pueden

considerar métodos extremos. El último dato ignora todo menos el último
punto, mientras que el promedio trata a los datos muy antiguos igual que a los
más recientes. Si el proceso es verdaderamente constante, es preferible un
promedio porque capta la esencia de la serie de tiempo y tiende a moderar las
fluctuaciones aleatorias. Si cambia el proceso fundamental el método del
último dato reaccionará al cambio, pero también reaccionará a fluctuaciones
aleatorias.

Promedios móviles
En lugar de tomar el promedio de todos los datos, se puede elegir promediar
sólo algunos de los datos más recientes. Este método, llamado de promedio
móvil, es un compromiso entre los métodos del último dato y del promedio.
Promedia los datos más recientes para reducir el efecto de las fluctuaciones
aleatorias.
 Promedia los n datos anteriores o los más representativos
 Pronostica un periodo hacia adelante
 Se va aumentando el n hasta que da el menor error posible (apenas en
un n las métricas aumenta, me quedo con el n anterior)
Luego de elegir el n entonces pronosticamos con ese n
Suavizamiento exponencial simple

La ventaja de este enfoque es que no es necesario guardar los datos

individuales; se calcula el pronóstico a partir de un pronóstico anterior y el
nuevo dato. Este promedio, hablando estrictamente, ya no es un promedio
móvil. Se puede ver como un promedio ponderado de los datos actuales y la
estimación anterior de la media del proceso

Este procedimiento se llama suavizamiento exponencial. La ecuación es

ST = adT + (1 - a)ST_x Igual
que en otros
Modelos constantes, el pronóstico para el periodo T + k es

Para efectuar un suavizamiento exponencial en el tiempo T, se necesita un

valor para ST_v Aunque existen muchas maneras de estimar ST_,, la más
sencilla es promediar varios datos pasados. Por fortuna, el procedimiento no
es muy sensible a esta estimación.
 No se necesita de gran volumen de datos históricos pues cada vez que
se calcula el pronóstico, se remueve la observación anterior
 Se utiliza alfa para saber qué tanta importancia le doy a mi error
 Pronosticamos n-2
 Depende del dato anterior
 Solo pronostico un periodo hacia adelante

PROCESO DE TENDENCIA: decremento o decadencia Al igual que en el

proceso constante, la curva no es suave sino que tiene muchos saltos pequeños
causados por la componente aleatoria. La línea superior en la figura 4-3 es un
ejemplo de un proceso de tendencia creciente
Para hacer un pronóstico cuando existe una tendencia, es necesario estimar la
constante y la pendiente; hay muchas formas de hacerlo, incluyendo regresión
y variaciones a promedios móviles y suavizamiento exponencial. Se verá aquí
una modificación de suavizamiento exponencial para tendencia.
Con esta idea una vez más, se puede usar suavizamiento exponencial para
actualizar la estimación de la tendencia, lo que lleva al suavizamiento
exponencial doble, representado por el siguiente conjunto de ecuaciones:

 Alpha me va ajustando el intercepto

 Beta me va ajustado la pendiente
 d(t)
300 y = 3.316x + 142.15
R² = 0.5151
250

200

150

100

50

0
0 5 10 15 20 25 30

Chart Title
300
y = 2.7281x + 145.94
250

200

150

100

50

0
0 5 10 15 20 25 30

Esta grafica también es un ejemplo de un proceso con tendencia. La trama de

serie muestra algunos movimientos ascendentes y descendentes en los últimos 10
años, pero la serie cronológica también parece tener una tendencia creciente o
ascendente sistemática
 PROCESO ESTACIONAL: se repiten patrones en la figura se observa que
El patrón parece repetirse cada cuatro meses, pero todavía se tienen
fluctuaciones aleatoria.

Para pronosticar, se obtienen las estimaciones iniciales de las componentes del

modelo y se actualizan usando suavizamiento exponencial.
Sea dt = demanda en el periodo t
L = número de estaciones en el año (o en otro marco de tiempo)
T = número de periodos de datos disponibles; T = mL donde m es el número
de
años completos de datos disponibles

En clase definimos que Winters no soporta con validez suficiente más alla de L períodos, por lo cual nos quedaremos sólo con los modelos de
regresión lineal múltiple sobre t, sen(f(t)), cos(f(t)) y suavizamiento exponencial doble sobre las ventas acumuladas.

Cuando se grafican los datos, la elección de la escala es muy importante. Si se

selecciona una escala equivocada, los datos de un proceso constante pueden
parecer estacionales por las fluctuaciones aleatorias. Cuando la tendencia y la
estacionalidad están presentes, los datos deben descomponerse para ver los
efectos de cada una. Los datos disparados (atípicos o data perdida) deben
encontrase por medio de la regresión de manera que se ajusten al proceso, se
utilizaría esta ecuación
𝑌 = 𝑏𝑜 + 𝑏1𝑥

El resultado del análisis de datos es entender el proceso que causa la demanda.

Siempre habrá alguna parte inexplicable —la componente aleatoria—. Sin
embargo, el modelo que se va a usar será un resultado directo del proceso que
se supuso

La meta de cualquier sistema de pronósticos es proporcionar esos pronósticos

con la exactitud necesaria, a tiempo y a un costo razonable. Un pronóstico
oportuno está determinado por su utilización

DESARROLLO DE UN MODELO

Una vez identificados los procesos, éstos determinan la forma del modelo
dt : representa la variable dependiente ejemplo la demanda
X: la variable independiente (o factor causal)
La variable dependiente en el tiempo t es idealmente una función de la
variable independiente en el tiempo t - k, k> 1.

Para los enfoques de series de tiempo, los modelos comunes que se estudian
son constantes, de tendencia lineal y estacional, o combinaciones de éstos.
Matemáticamente son
dt = a + e, (constante)
dt = a + bt + st (tendencia lineal)
dt = act + E, (estacional)

Donde a representa la parte constante, b la tendencia, c, el factor estacional

para el periodo t y e, la componente aleatoria o de ruido

Los modelos deben ser tan sencillos como sea posible. Al pronosticar,
intente usar el menor número de componentes en un modelo. Una función
complicada puede "ajustarse" a los datos pero también tiende a ocultar las
relaciones importantes. Si hay muchas componentes, el efecto de cada una
disminuye y puede ser indistinguible del ruido.

Solución del modelo

El primer paso al resolver el modelo es elegir un método.
 Si se tiene un modelo causal, el método será regresión.
 Para modelos de series de tiempo, existen varios métodos disponibles,
incluso para el mismo proceso. Por ejemplo, existen muchos métodos
para pronosticar una serie de tiempo constante.
 El método que se usa determina cómo se estiman; por lo general, se estiman
de manera que se minimice la diferencia entre el pronóstico y el valor real
para un conjunto de datos históricos. Una vez estimados los parámetros, la
aplicación del modelo a los números adecuados proporciona un pronóstico.

Observaciones

Existen dos hechos muy importantes que recordar: los pronósticos casi nunca
dan una respuesta exacta y entre más lejos al futuro se vea, menos preciso será
el pronóstico.

Nota: RUIDO=No se reconoce patrón en los datos

PRONÓSTICOS CAUSALES CON

REGRESIÓN

La regresión nunca es un método para pronosticar con respecto al tiempo

El modelo de regresión lineal es el apropiado para realizar pronósticos cuando
la tendencia es lineal. El objetivo del modelo de regresión de dos variables, el
lineal, es la comprensión de la naturaleza probabilística del modelo de
regresión de tal manera que, a partir de un valor observado de X (variable
independiente), logremos observar varios valores posibles de Y (variable
dependiente)

Pronostico con regresión trigonométrica: el dos pi se divide entre el

numero de particiones que se está haciendo en el año es decir si se hizo
por bimestre seria entre 6
 y = 3.2762x + 125.29
Ventas R² = 0.016
350

300

250

200

150

100

50

0
0 2 4 6 8 10 12 14

Si me prsentan estos datos los vuelvo asi

Naturaleza de las series de tiempo:

Los economistas han identificado tres diferentes tipos de variaciones:

tendencia secular, variaciones cíclicas y variaciones estacionales:

 La tendencia secular describe la naturaleza general de la serie en

periodos largos de tiempo y son debidas a fuerzas importantes como
crecimiento de la población, cambios en tecnología y en los hábitos de
consumo de los consumidores, entre otras. Estas situaciones pueden
desembocar en tendencias ascendentes, descendentes e incluso ninguna.

 Variaciones estacionales se efectúan cuando las observaciones son

realizadas en intervalos inferiores a un año (semanas, meses,
 trimestres); estas pueden reflejar comportamientos estacionales que
se repiten de la misma manera y con la misma regularidad año tras
año. El término estacional proviene de los países con estaciones; estas
pueden influir en la evolución de los negocios; en nuestro medio
dependen de las costumbres y hábitos que se manifiestan durante el año
ejemplo: un médico PlJede esperar un aumento sustancial en el número
de casos de gripe cada invierno y de afectados de tifoidea cada verano.
Como se trata de patrones regulares son útiles al pronosticar el futuro.
La grafica (c) muestra una variación estacional. Note como alcanza un
pico cada cuarto trimestre del año

. INDICADORES DE MODELOS DE SERIES DE TIEMPO

Estos indicadores sirven para comparar la efectividad de diferentes modelos

utilizados. Siempre se busca el valor menor en los indicadores MAPE, MAD y
MSD ya que representa un mejor ajuste del modelo.
METRICAS DEL ERROR (NO DEPENDE DE LOS DATOS SINO DEL
SISTEMA):

ET: ¿me estoy equivocando más por faltantes o excedentes ? Métrica usada
como referencia, pero individualmente no me dice mucho. Me permite analizar
periodo a periodo. Si el et(+) excedentes y si el et(-) faltantes.
𝑭𝒕 − 𝑫𝒕
MAPE: Porcentaje promedio absoluto de error, mide la exactitud de los valores
estimados de la serie de tiempo. La exactitud se expresa como un porcentaje
con yt igual al valor observado, ŷt es el valor estimado y n el número de
observaciones. (Nos entrega un estimado porcentual de por cuanto nos
equivocamos) (Ideal para problemas de gran escala, es la métrica de error
más usada)

como comparar un método depronosticando las ventas mensuales de gasolina a

un método de previsión de ventas semanales, o para hacer comparaciones a
través de diferentes series de tiempo. Para hacer comparaciones como estas,
necesitamos trabajar con medidas de error relativas o porcentuales. El error
porcentual absoluto medio , denotado MAPE, es una medida tal.

MAE: Desviación media absoluta, mide la exactitud de los valores estimados

de la serie de tiempo. Expresa la exactitud en las mismas unidades de los datos.
( Lo uso en sistemas de inventarios ) (Nos hace conocer la fluctuación
simétrica por encima y por debajo pues me dice cuanto llego a equivocarme
en promedio)

MSE: Desviación cuadrática media, es más sensible a errores anormales de

pronóstico que el MAD. (Cuando los sistemas tiene alto potencial de fallar
en grandes cantidades)
 Problemas de datos faltantes:

El documento de (Efron, 1994) define los datos faltantes como una clase de
problemas que el ausencia de alguna parte de una estructura de datos
familiar. Los datos faltantes pueden ocurrir en todos los datos
experimentos. Se puede dar por fallas en el sistema
Si los datos faltantes permanecen en el conjunto de datos con valor
cero, las previsiones son menos confiables. Dejar los valores perdidos puede
producir una pérdida significativa de datos y por lo tanto información. Además,
puede influir en la estructura del conjunto de datos

No cambio la tendencia sino la variabilidad

Dato atipico, se estudia si fue por error. Si no se debe a un mal registro , el calculo del valor estimado se
hace interpolando o usando regresion para hacer soporte al analisis de series de tiempo
Una serie con tendencia se usa con suavisamiento exponencial doble
Una serie constante usa suavisamiento exponencial simple
Proceso constante

Chart Title
300
y = 3.316x + 142.15
250

200

150

100

50

0
0 5 10 15 20 25 30

S(0) es el intercepto
B(0) es la pendiente (x)
S(0) para suavización simple tomo el primer dato del (dt)
Cambio de patrones:

d(t)
250

200

150

100

50

0
0 5 10 15 20 25 30

No es tendencia lineal decendientee, tuvo un cambio de patron

d(t)
160

140

120

100
y = 1.6505x + 82.552
80

60

40

20

0
0 5 10 15 20 25 30

Tomo entonces los datos que mas actuales en este caso los tomo
desde el periodo 10
 Metodo winters:

dt
350

300

250

200
dt
150
Linear (dt)
100

50

0
0 5 10 15

Para tomar la semilla de c tengo que hacer una regresión y tomo que ct es
igual a dt/pronostico puedo agrupar según mi L y saco el promedio