500

400
300

Ao ventas 1981 258 1982 285 1983 296 1984 325 1985 398 1986 526 1987 256 1988 546 1989 456 1990 425

Pronsticos Series de Tiempo y Regresin Dr. Higinio Wong Aitken

 Un aspecto esencial en la administracin de cualquier empresa es la planeacin. De hecho, el xito de una organizacin esta relacionada con la capacidad de anticipar el futuro y desarrollar estrategias apropiadas. El inters de los gerentes por el futuro se debe a que tienen que tomar decisiones hoy sobre el incierto maana. El pronostico hace una contribucin muy importante a este proceso de decisin

Necesidad de Pronosticar Entorno altamente incierto La intuicin no necesariamente da los mejores resultados Mejorar la planeacin Competitividad y cambio

 Se llama Series de Tiempo a un grupo de datos cuantitativos que se obtienen en diferentes periodos regulares del tiempo. La suposicin bsica del anlisis es que los factores que han influido en el pasado y en el presente en los patrones de la actividad , continuaran hacindolo mas o menos en la misma forma en el futuro. El objetivo es entonces identificar y aislar estos factores del pasado y presente con fines de prediccin, planeacin y control.

Por su plazo:

Tipos de pronsticos

De corto plazo De largo plazo Micro Macro

Segn el entorno a pronosticar

Segn el procedimiento Cualitativo empleado Cuantitativo

Consideraciones para seleccionar una tcnica de pronostico

Disponibilidad y calidad de los datos histricos. Grado de precisin requerido. Periodo de tiempo que cubre el pronostico. Recursos (Tiempo, dinero y humanos) disponibles. Cualquiera sea el modelo seleccionado , su aplicacin implica el planteamiento de ciertos supuestos que generalmente nos simplifican la realidad. En esta parte se introduce el juicio del experto para considerar aquellos factores que el modelo matemtico no incluye.

Cul es el costo de malos pronsticos?

Los pronsticos no son 100% exactos y adems tiene un costo implcito. Pronosticar por arriba de la demanda tiene como consecuencia exceso de inventario, obsolescencia, costo de reasignacin, reduccin de margen de venta. Pronosticar por debajo de la demanda, tiene como consecuencia comprar y producir mas caro algo que no estaba planeado, perdida de venta y margen si no reaccionamos a tiempo, costo de perdidas de ventas, reduccin de satisfaccin del cliente.

Pronsticos e informacin
ndice de Percepciones de Corrupcin 2003, Amrica Latina
Chile Uruguay Trinidad y To bago Cuba B elice Co sta Rica B razil Jamaica P er El Salvado r Co lo mbia M xico P anam Repblica Do minicana Nicaragua A rgentina Venezuela Guatemala Ho nduras B o livia Ecuado r P araguay Hait

7.4 5.5 4.6 4.6 4.5 4.3 3.9 3.8 3.7 3.7 3.7 3.6 3.4 3.3 2.6 2.5 2.4 2.4 2.3 2.3 2.2 1.6 1.5 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 ndice

Corrupcin en Mxico: ndice de Percepciones de Corrupcin

4
Score

3 2 1 1.87 2.23 0
19801985 1995 1997 1999 2001 2003 2005

3.18 3.3

2.66

3.7 3.6 3.6 3.6 3.5 3.3 3.4 3.3

Aos

0.0

informacin transversal: valores observados en un punto de tiempo (datos transversales)

Serie de tiempo: Sucesin cronolgica o histrica de observaciones de una variable particular. El objetivo del mtodo de serie de tiempo es descubrir en los datos histricos un patrn y despus extraexpolar dicho patrn hacia el futuro.

CICLO DEL PRONOSTICO

Seleccin e iniciacin del Modelo

Datos Histricos

1. Recopilacin de datos 2. Reduccin o condensacin de datos

Modelo Matemtico
Extrapolacin del modelo

Posible modificacin del Modelo o de sus parmetros

Juicio del experto

Componente subjetivo

Pronostico Estadstico

vs. Demanda

Observada

Pronostico de la Demanda
RETROALIMENTACION

Calculo del error de pronostico y puesta al da de las Estadsticas

Mtodos de Pronostico
CUALITATIVOS Cuando involucran el juicio experto para el desarrollo de pronsticos Una ventaja de los procedimientos Cualitativos es que se pueden aplicar cuando la variable que se esta pronosticando no es cuantificable o no esta disponible (no hay datos histricos)

modelos causales: Existe relacin de causa efecto

en las variables que estamos intentando pronosticar

Hay disponible informacin de la variable que se esta pronosticando Se puede cuantificar la informacin Hay una hiptesis razonable que el patrn de comportamiento ocurrido en el pasado continuar en el futuro.

Se pronostica el valor futuro de la variable basado en patrones establecidos en el pasado

Componentes de una series de tiempo:

COMPONENTE DESCRIPCIN

Tendencia

Es el componente de largo plazo que representa el crecimiento o disminucin persistente en la serie de largo plazo (duracion de varios aos), es atribuible a fuerzas que se mueven lenta y gradualmente.

Cclico

Es la fluctuacin en forma de onda alrededor de la tendencia.

Es un patrn de cambio que se repite a s mismo ao tras ao.

Estacional

Aleatorio

Mide la variabilidad de las series de tiempo despus de retirar los otros componentes.

1. Componente de tendencia

Por lo general los datos de la serie de tiempo exhiben fluctuaciones aleatorias A un gran periodo de tiempo puede mostrar desplazamiento hacia arriba o hacia abajo El desplazamiento gradual de la serie de tiempo se conoce como tendencia, este desplazamiento es por lo general el resultado de factores a largo plazo como crecimiento en la poblacin, caractersticas demogrficas, la tecnologa, la preferencia del consumidor.
Productividad creciente y nueva tecnologa producen cambios. El incremento de la poblacin elevan la demanda por productos. El poder de compra se afecta por la inflacin. Aumenta la aceptacin en el mercado de un producto.

Algunos patrones de tendencia

VOLUMEN
VOLUMEN

Tiempo
(a) Tendencia no Lineal

Tiempo
(b) Tendencia lineal declinante

VOLUMEN
Tiempo
(c) Sin tendencia

2. Componente cclico

Son llamados tambin ciclos econmicos y muestran las variaciones en perodos de mediano plazo. Cualquier secuencia de puntos encima y debajo de la lnea de tendencia que dure ms de uno se puede atribuir al componente cclico. Se requiere informacin de por lo menos 15 a 20 aos.

VOLUMEN

El ciclo del negocio influye sobre la variable. Cambios en el gusto popular. Cambios en la poblacin. Cambios en el ciclo de vida del producto.

Ciclos

Lnea de tendencia

Tiempo

3. Componente estacional

Fluctuaciones peridicas regulares que ocurren dentro de cada periodo ao tras ao. Se requieren datos de periodos menores a un ao (mensuales, trimestrales, cuatrimestrales) Por ejemplo, un fabricante de helados espera una alta actividad en verano y una baja estacionalidad en invierno.

El clima influye en la variable de inters. Costumbres sociales y religiosas El ao calendario influye en la variable.

4. Componente Irregular

El componente irregular es el factor residual, es decir todo lo que sobra El componente irregular es causado por factores a corto plazo no previstos y no recurrentes que afectan la serie de tiempo como inundaciones, elecciones polticas, terremotos, etc. Irregular = valor real valor pronosticado

Medicin del error en el pronstico

Se compara la precisin de dos o ms tcnicas de pronstico. Se mide la confiabilidad de una tcnica de pronstico. Se busca la tcnica ptima. Yt = valor de la serie de tiempo periodo t t = valor del pronostico para Yt et = Yt - t

Periodo t 1 2 3 4 5 6 7 8 9

Yt 58 54 60 55 62 62 65 63 70

Pronstico, Yt 58 54 60 55 62 62 65 63

Frmulas de medicin del error en el pronstico

Desviacin absoluta = |et| = |yt -t| Desviacin absoluta media Error cuadrtico medio
DAM

| e | | y
t 1 t

n
n

t 1

t | y

n
2 ( y y ) t t t 1 n

ECM

2 ( e ) t t 1

Frmulas de medicin del error en el pronstico

Valor real
yt 25 28 29 Suma

Valor predicho
t 22 30 30

Error et 3 -2 -1 0

Desviacin Absoluta
|et| = |yt -t| 3 2 1 6

Error cuadrtico
(et)2 = (yt -t)2 9 4 1 14

DAM = 6/3 = 2 ECM = 14/3 = 4.67

Frmulas de medicin del error en el pronstico

El DAM y el ECM, en s, no nos dicen mucho. Pero sirven para comparar modelos de pronstico y elegir el que mejor predice los valores. Tambin sirven para monitorear el desempeo de un modelo: cuando aumentan de repente, significa que el modelo ya no es tan atinado.

Mtodos de suavizacin en el pronstico

Cuando se analizan datos donde la tendencia en la serie se ven confusos las variaciones de un ao a otro, y no es fcil darse cuenta de si realmente existe en la serie algn efecto de la tendencia hacia arriba o hacia abajo Existen 3 mtodos para elaborar un pronstico: Los promedios mviles Los promedios mviles ponderados y La suavizacin exponencial El objetivo es suavizar las fluctuaciones aleatorias causadas por el componente irregular de la serie de tiempo. Los mtodos de suavizacin son de fcil uso y son exactos en los pronsticos a corto plazo. NOTA: Estos mtodos son apropiados para una serie de tiempo estable, (que no muestre ningn efecto significativo de tendencia, ni cclico, ni estacional)

1. Promedios mviles:

El mtodo de promedios mviles utiliza como pronostico para el siguiente periodo, el promedio de los n valores de datos mas recientes de la serie de tiempo. El trmino mvil indica que conforme se tiene disponible una nueva observacin de la serie de tiempo, se reemplaza la observacin mas antigua de la ecuacin por el nuevo valor y se calcula una nueva media
Promedio Movil (n1)

n valores de datos mas recientes

n

1. Promedios mviles:
El nmero de galones de gasolina vendidos por un distribuidor de gasolina en las ltimas semanas son: (venta en miles de galones)
EXACTITUD DEL PRONSTICO. Sem Ventas Promedio Error Error^2

mvil
1 2 3 4 5 6 7 8 17 21 19 23 18 16 20 18 19 21 20 19 18
23 19 = 4 18 21 = -3 16 20 = -4 20 19 = 1 18 18 = 0

16 9 16 1 0

MSE = Error^2 / n MSE = 92 / 9 = 10.22

Debemos pronosticar el valor siguiente de la serie de tiempo que minimicen el MSE para la serie de tiempo histrica

9
10 11

22
20 15

18
20 20

22 18 = 4
20 20 = 0 15 20 = -5

16
0 25

12

22

19

22 19 = 3

9
92

Totales 0

1. Promedios mviles:

1. Promedios mviles:
Ejemplo: Los siguientes datos muestra el numero de galones de gasolina vendidos por un distribuidor en las ultimas semanas.
La figura indica que aunque existe una variabilidad aleatoria, la serie de tiempo parece estable a lo largo del tiempo, por lo que es aplicable los mtodos de suavizacin.
Sem 1 2 3 4 5 6 7 8 9 10 11 12 Ventas (miles de galones) 17 21 19 23 18 16 20 18 22 20 15 22
20 25

Prom. Mvil

Ventas Pronostico

Error de

Error pronost^2

PM(1-3sem) = (17+21+19)/3 = 19 PM(2-4sem) = (21+19+23)/3 = 21 PM(3-5sem) = (19+23+18)/3 = 20 PM(4-6sem) = (23+18+16)/3 = 19 PM(5-7sem) = (18+16+20)/3 = 18 5 PM(6-8sem) = (16+20+18)/3 = 18
0 PM(7-9sem) = (20+18+22)/3 = 20 1 2 = (18+22+20)/3 3 4 5 = 20 6 PM(8-10sem) 10 15

23-19 = 4 18-21 = -3 16-20 = -4 20-19 = 1 18-18 = 0 22-18 = 4 20-20 = 0

7 15-208 = -59

16 9 16 1 0 16 0
10 25 11 12

PM(9-11sem) = (22+20+15)/3 = 19 22-19 = 3 Semanas Totales 0

9 Total 92

25 20 15 10 5 0 1 2 3 4 5 6 7 8 9 10 11 12 13 Prom. Mvil

Exactitud del pronostico. Evidentemente deseamos que los errores de pronostico sean pequeos. En el cuadro con las 2 ultimas columnas se puede usar para tomar una medida de exactitud del pronostico Este promedio se conoce como error cuadrtico medio (MSE, por sus siglas en ingles.

Ventas (miles de galones)

MSE Promedio de la suma de los errores al cuadrado

EP^2 92 10 .22 n(EP) 9

El MSE es una medida de uso frecuente de exactitud en mtodos de pronostico Para escoger el numero de valores a incluir es utilizar el mtodo de ensayo y error para identificar la longitud de minimice el MSE

Promedios mviles (Excel)

Utilicemos el ejemplo de ventas de gasolina Paso1. Men Herramientas / Anlisis de datos / Media Mvil

2. Promedios mviles ponderados

Son una variante del promedio mvil Implica seleccionar diferentes ponderaciones para cada dato y luego obtener el promedio ponderado de los n valores mas recientes. En la mayora de los casos la observacin mas reciente recibir una mayor ponderacin, reducindose la ponderacin a los datos mas antiguos. La suma de las ponderaciones es igual a 1
Por ejemplo: podemos utilizar la serie de tiempo de las ventas de gasolina para demostrar el calculo del promedio movil ponderado de 3 semanas, recibiendo la observacin mas reciente una ponderacin del triple de valor que la mas antigua y la siguiente observacin una doble ponderacin que la mas antigua.

4.2. Promedios mviles ponderados

Sem Ventas 1 2 3 4 17 21 19 23 19.33 3.67 13.44
Promedio Moviles Ponderados
27 24 21 18 15 12 9 6 3 0 Sem 1 2 3 4 5 Ventas 6 7 PMP 8 9 10 11

PMP

Error

Error^2

PMP(4) = 3/6*(19) + 2/6*(21) + 1/6 (17) = 19.33

5
6 7

18
16 20

21.33
19.83 17.83

-3.33
-3.83 2.17

11.11
14.69 4.69

8
9 10 11 12

18
22 20 15 22

18.33
18.33 20.33 20.33 17.83

-0.33
3.67 -0.33 -5.33 4.17
MSE

0.11
13.44 0.11 28.44 17.36
11.49

4.3. Suavizacin Exponencial

El mtodo de suavizacin exponencial puede dar una ponderacin mayor a las observaciones ms recientes. Las ponderaciones se asigna mediante la constante , 0 < < 1. El modelo se expresa como:
pronstico = (ltimo valor) + (1 - )(ltimo pronstico)

t 1 2 3 4 5 6

Yt 42 52 54 65 51 64

=0.1

=0.5

42 43.00 44.10 46.19 46.67

42 47.00 50.50 57.75 54.38

Ft 1 Yt (1 ) Ft
El criterio que utilizamos para determinar un valor deseable para la constante de suavizacin es el mismo criterio del MSE

Suavizacin Exponencial (Excel)

Suavizacin Exponencial (Excel)

Paso1. men Herramientas / Anlisis de datos / Suavizacin exponencial

Pronsticos en la Proyeccin de Tendencias

Las tendencias son movimientos a largo plazo en una serie de tiempo (incremento o decremento) La tendencia puede ser descrita por una recta o por una curva. Las tendencias se dan por varias causas: cambios en la poblacin, cambios en la productividad, cambios tecnolgicos. A Las series de tiempo que muestran una Tendencia a lo largo del tiempo no puede aplicarse los mtodos de suavizacin anteriormente descritos (promedio mvil, promedio mvil ponderado y suavizacin exponencial) En este tipo de anlisis la variable independiente es el tiempo.

Tendencia lineal

El mtodo ms empleado para describir una tendencia lineal es el de mnimos cuadrados, para encontrar una lnea de mejor ajuste para un conjunto de puntos.

Tt = bo + b1t

Tt = valor pronosticado en un periodo X bo = valor de la tendencia cuando X = 0 b1 = pendiente de la recta de tendencia t = periodo (codificado)

Tendencia lineal: ejemplo

Considere la serie de tiempo de las ventas de bicicletas de un fabricante Ao t 1 2 3 4 5 6 7 8 9 10 Ventas (miles) Yt 21.6 22.9 25.5 21.9 23.9 27.5 31.5 29.7 28.6 31.4
SERIE DE TIEMPO DE VENTAS DE BICICLETAS
VENTAS (MILES)
34 32 30 28 26 24 22 20 1 2 3 4 5 6 7 8 9 10 AO y = 1.1x + 20.4

Anlisis de Regresin (Excel)

Men Herramientas / Anlisis de datos / Regresin
Variable X 1 Curva de regresin ajustada
250 200

150

Y
100 50 0 0 5 10 15 20 Y Pronst ico para Y 25 30

Variable X 1

PRONOSTICO EN LOS COMPONENTES DE TENDENCIA Y ESTACIONAL

Se aplica cuando una serie de tiempo tiene a la vez componentes de tendencia y estacional En los negocios y en la economa hay muchas situaciones que requieren de comparaciones periodo a periodo. Por ejemplo:
Nos interesa saber si el desempleo ha subido 2% en comparacin con el mes pasado. Que la produccin de acero ha subido 5% en comparacin del mes pasado Que la produccin de energa elctrica ha reducido 3% con respecto al mes pasado

Ejemplo: modelo con tendencia y estacionalidad

140,00 120,00 100,00 80,00 60,00 40,00 20,00 0,00 0 5 10 15 20 25 30 35 40

Tendencia y efecto estacional 120 100 80 45 60 40 20 0 -20 -40 0 5 10 15 20 25 30 35 40 45 50 55

50 55

 Debemos tener cuidado cuando haya una influencia estacional, porque estas comparaciones no son muy significativas.
La eliminacin del efecto estacional en una serie de tiempo, se conoce como desestacionalizacin. Despus de hacer la desestacionalizacin, las comparaciones periodo a periodo resultan ms significativas y pueden ayudar a identificar si existe alguna tendencia.

Este enfoque es apropiado para aquellas situaciones donde solo estn presentes efectos estacinales o estacinales y de tendencia.
El Primer paso es calcular los ndices estacinales y utilizarlos para desestacionar los datos, despus si en los datos desestacionalizados existe una aparente tendencia, utilizaremos una anlisis de regresin para estimar la tendencia.

1. EL MODELO MULTIPLICATIVO
El modelo que ms se usa para la descomposicin de las series de tiempo es el modelo multiplicativo, en el que se analiza la serie como el producto de sus componentes:
Y = T.E.C.I donde: Y = valor real de la variable de inters. T = tendencia secular C = componente cclica E = componente estacional I = componente irregular

CALCULOS DE LOS INDICES ESTACIONALES

Ao
1

Trim
1 2 3 4

Ventas
4,8 4,1 6,0 6,5

La tabla siguiente de datos muestra las ventas trimestrales de televisores (miles de unidades) de un fabricante a lo largo de 4 aos
SERIE DE TIEMPO DE VENTAS TRIMESTRALES DE TELEVISORES
Ventas trimestrales de TV

5,8

2
3 4 3 1 2 3 4 4 1 2 3 4

5,2
6,8 7,4 6,0 5,6 7,5 7,8 6,3 5,9 8,0 8,4

10,0 8,0 6,0 4,0 2,0 0,0 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 Ao / Trimestre

La figura muestra que en el segundo trimestre de cada ao las ventas pasan por un mnimo seguidas por niveles mas elevados de ventas en los trimestres 3 y 4. Por lo que conocemos que para ventas de Televisores existe un patrn estacional

Ao

Trim

Ventas

1 2 3 4 Promedio 2 1 2 3 4 Promedio 3 1 2 3 4 Promedio 4 1 2 3 4 Promedio

4.8 4.1 6 6.5 5.35 5.8 5.2 6.8 7.4 6.3 6 5.6 7.5 7.8 6.725 6.3 5.9 8 8.4 7.15

Indice Vtas sin estac estacional. 0.897 5.35 0.766 5.05 1.121 5.41 1.215 5.50

0.921 0.825 1.079 1.175 0.892 0.833 1.115 1.160 0.881 0.825 1.119 1.175

6.46 6.40 6.13 6.27 6.68 6.89 6.76 6.60 7.02 7.26 7.22 7.11

trim 1 2 3 4

ndice estacional
0.897+0.921+0.892+0.881 0.766+0.825+0.833+0.825

1.121+1.079+1.115+1.119
1.215+1.175+1.160+1.175

0.898 0.812 1.109 1.181

Trim 1 2 3 4

Valores del componente estacional e irregular (St It) 0.897 + 0.921 + 0.892 + 0.881 0.766 + 0.825 + 0.833 + 0.825 1.121 + 1.079 + 1.115 + 1.119 1.215 + 1.175 + 1.160 + 1.175

ndice estacional (St) 0,898 0,812 1,109 1,181

El mejor trimestre de ventas es el cuarto, con un promedio de ventas del 18% por encima del valor promedio trimestral. El peor trimestre de ventas es el segundo con un promedio de ventas del -9% por debajo del promedio trimestral

La finalidad de determinar los ndices estacionales es eliminar los efectos estacionales de una serie de tiempo. Al dividir cada observacin por el ndice estacional correspondiente, eliminamos el efecto de desnacionalizacin de la serie de tiempo. En la tabla siguiente se resume la serie de tiempo desestacionalizada de las ventas de Televisores

Serie de Tiempo Desestacionalizada de las ventas de Televisores

USO DE LA SERIE DE TIEMPO DESETACIONALIZADA PARA IDENTIFICAR LA TENDENCIA

En el ejercicio anterior vemos que a lo largo de los 16 trimestres la grafica muestra una tendencia hacia arriba. Para identificar esta tendencia utilizaremos el mismo procedimiento descrito anteriormente, pero en este caso los datos utilizados son valores de ventas desestacionalizados. Por lo que el volumen de ventas estimado expresado en funcin del tiempo es: El componente de tendencia nos da un pronstico de ventas para los meses siguientes de T17, T18, T19 y T20
Ao Trim t Pronostico 0.138*17 + 5.205 0.138*18 + 5.205 0.138*19 + 5.205 0.138*20 + 5.205 Ventas 7,55 7,69 7,83 7.97 ndice estacional 0,898 0,812 1,109 1,181 Pronostico Trimestral 6.779 6,247 8,678 9,407

5 T17 = 1 T18 = 2 T19 = 3 T20 = 4

Preguntas
1. Un modelo de pronostico que solo utilice los datos histricos de la variable a pronosticar se conoce con el nombre de
a) b) c) d) Modelo de series de tiempo Modelo Causal Modelo Dephi Modelo Variable

2. Un ejemplo de modelo causal es(son)

a) b) c) d) El suavisamiento exponencial Las proyecciones de tendencias Los promedios mviles El anlisis de regresin

Preguntas
3. Cual de los siguientes modelos es un modelo de series de tiempo
a) b) c) d) El modelo Delphi El anlisis de regresin El suavisamiento exponencial La regresin mltiple

4. Cual de los siguientes no es un componente de las series de tiempo

a) b) c) d) La estacionalidad Las variaciones causales La tendencia Las variaciones aleatorias

Preguntas
5. Al comparar diversos modelos de pronostico para determinar cual se ajusta a una serie de datos, el modelo que deber seleccionarse es el que:
a) b) c) d) Tiene ECM mas elevado Tiene DAM mas cercana a 1 Tiene DAM mas baja Tiene sesgo = 0

6. En suavisamiento exponencial, si usted desea dar un peso significativo a las observaciones mas recientes, entonces la constante (alfa) deber ser:
a) b) c) d) Cercana a 0 Cercana a 1 Cercana a 0.5 Menor al error

Preguntas
7. Por lo general, las ventas de una compaa, son mayores durante los meses de verano que en los de invierno. Esta variacin se podra conocer como:
a) b) c) d) Tendencia Factor estacional Factor aleatorio Factor cclico

8. Si el ndice estacional de enero es de 0.80, entonces las ventas de enero tienden a:

a) b) c) d) Ser 80% mas altas que la del mes promedio Ser 20% mas altas que las del mes promedio Ser 80% mas bajas que las del mes promedio Ser 20% mas bajas que las del mes promedio