Estadistica Tarea

5.7. Pronósticos basados en factores de tendencia y estacionales.
El primer pasó en un análisis de series de tiempo, consiste en graficar los datos y observar sus
tendencias en el tiempo. Primero debe determinarse si parece haber un movimiento hacia arriba o
hacia abajo a largo plazo en la serie (una tendencia) o si la serie parece oscilar alrededor de una recta
horizontal en el tiempo. En este caso (es decir, no hay tendencia positiva o negativa a largo plazo), se
recomienda antes de aplicar alguno de los métodos de pronostico ¨suavizar¨ nuestros datos a fin de
que la tendencia se observe de manera clara.
Los métodos que pueden emplearse para suavizar nuestros datos usualmente son:
a) El método de promedios móviles

b) El método de suavización exponencial
El objetivo de ambos métodos es el de “emparejar” la serie y proporcionar un panorama global a

largo plazo. Por otro lado, si de hecho existe una tendencia, se pueden aplicar varios métodos de
pronóstico de series de tiempo al manejar datos anuales, y otro método para los datos de series de
tiempo mensual o trimestral, los cuales se verán posteriormente.
Promedios móviles
El método de promedios móviles para suavizar una serie de tiempo es muy subjetivo y dependiente
de L, la longitud del periodo seleccionado para calcular los promedios. Para eliminar las
fluctuaciones cíclicas, el periodo elegido debe ser un valor entero que corresponda a (o sea
múltiplo de) la longitud promedio estimada de un ciclo en una serie. Los promedios móviles para un
promedio determinado de longitud L consiste en una serie de promedios aritméticos en el tiempo
tales que cada uno se calcula a partir de una secuencia de L valores observados. Estos promedios
móviles se representan por el símbolo PM (L).
Cuando se trata de una serie de tiempo anual, L, la longitud del periodo elegido para construir los
promedios móviles, debe ser un número de años impar. Al seguir esta regla se observa que no se
pueden obtener promedios móviles para los primeros (L – 1)/2 años o los últimos (L -1)/2 años en la
serie. Entonces, para un promedio móvil de 5 años, no es posible hacer cálculos para los primeros 2
años o los últimos 2 años de la serie.
Al graficar los promedios móviles, cada valor calculado se coloca en el año a la mitad de la
secuencia de años usada para calcularlos. Si n = 11 y L = 5, el primer promedio móvil se centra en el
tercer año, el segundo promedio móvil se centra en el cuarto año y el último en el noveno año.
Esto se ilustra en el siguiente ejemplo:
Suponga que los siguientes datos representan los ingresos totales (en millones de dólares
constantes de 1995) de una agencia donde se rentan automóviles, en un intervalo de 11 años de
1987 a 1997:
4.0 5.0 7.0 6.0 8.0 9.0 5.0 2.0 3.5 5.5 6.5
Solución
El primer promedio móvil de 5 años es:
Es decir, para calcular un promedio móvil de 5 años, primero se obtiene la suma de los cinco años y
se divide entre 5. Después el promedio se centra en el valor medio, el tercer año de esta serie de
tiempo. Los siguientes valores quedan de la siguiente manera:
Estos promedios móviles se centran en sus respectivos valores medios, el quinto, sexto y séptimo
años de la serie de tiempo. Se observa que al obtener promedios móviles de 5 años, no se pueden
calcular los valores para los primeros dos y los últimos dos valores de la serie de tiempo.
La tabla 5.4 y 5.5 presenta las ventas anuales de la fábrica (General Motors) que ampara el periodo
de 24 años de 1975 a 1998 junto con los cálculos para los promedios móviles de 3 y 7 años. La
gráfica de las dos series construidas se presenta en la figura 5.8 y 5.9 con los datos originales.
Se observa en la tabla 5.4 que al obtener los promedios móviles de 3 años, no se pueden calcular
valores para el primero o el último valor en la serie de tiempo.
Suavización exponencial
La suavización exponencial es otra técnica que se usa para alisar una serie de tiempo y
proporcionar una visualización global de los movimientos a largo plazo de los datos. Además, se
puede usar el método de suavización exponencial para obtener pronósticos a corto plazo (un
periodo futuro) para series de tiempo.
El método de suavización exponencial obtiene su nombre del hecho de que proporciona un

promedio móvil con ponderación exponencial a través de la serie de tiempo. En toda la serie, cada
cálculo de suavización o pronóstico depende de todos los valores observados anteriores. Ésta es
otra ventaja respecto al método de pronósticos móviles, que no toma en cuenta todos los valores
observados de esta manera. Con la suavización exponencial, los pesos asignados a los valores
observados decrecen en el tiempo, de manera que al hacer un cálculo, el valor observado más
reciente recibe el peso más alto, el valor observado anterior tiene el siguiente peso más alto, y así
sucesivamente, por lo que el valor observado inicial tiene la menor ponderación.
Si se centra la atención en los aspectos de suavización de la técnica (más que en el aspecto del
pronóstico), las fórmulas desarrolladas para suavizar exponencialmente una serie en un periodo
dado i se basa en sólo tres términos: el valor observado actual en la serie de tiempo Yi, valor con
suavización exponencial calculado anterior Ei-1 y un peso subjetivo asignado o coeficiente de
suavización W. Así, para alisar una serie en cualquier periodo, se tiene la siguiente expresión.
Obtención de un valor que tiene suavización exponencial en el periodo i.
donde
EI = valor de la serie suavizada exponencialmente que se calcula en el periodo
EI – 1 = valor de la serie suavizada exponencialmente que se calcula en el periodo – 1
Yi = valor observado de la serie de tiempo en el periodo i.
W = peso subjetivo asignado o coeficiente de suavización (donde 0 < W < 1)
E1 = Y 1
La elección del coeficiente de suavización o peso que se asigna a la serie de tiempo es crítica
porque afectará en forma directa los resultados. Es desafortunado que esta selección sea subjetiva.
Si se desea sólo suavizar una serie con la eliminación de la variación cíclica y la irregular, debe
elegirse un valor pequeño para W (cercano a 0). Por otro lado, si la meta es pronosticar, debe
elegirse un valor grande para W (más cercano a 1). En el primer caso, se podrán observar las
tendencias globales a largo plazo de la serie; en el último caso, es posible predecir direcciones
futuras a corto plazo de manera más adecuada.
Los cálculos de la suavización exponencial se ilustra para un coeficiente de suavización de W = 0.25.

Como punto de partida, se utiliza el valor observado inicial (tabla 5.3), Y1975 = 6.6 como el primer
valor de suavización (E1975 = 6.6) Después, con el valor observado de la serie de tiempo para el año
1976 (Y1976 = 8.6), se suaviza la serie para el año de 1976 con el cálculo.
E1976 = WY1976 + (1 – W)E1975 = (0.25)(8.6) + (0.75)(6.6) = 7.10 millones

E1977 = WY1977 + (1 – W)E1976 = (0.25)(9.1) + (0.75)(7.1) = 7.6
E1978 = WY1978 + (1 – W)E1977 = (0.25)(9.5) + (0.75)(7.6) = 8.08
Este proceso continúa hasta obtener los valores de la suavización exponencial para los 24 años en
la serie de las ventas anuales de la fábrica (General Motors), como se muestra en la tabla 5.6 y 5.7,
y las figuras 5.10 y 5.11
Proyección de tendencias
Para pronosticar una serie de tiempo que tiene una tendencia lineal a largo plazo. El tipo de serie de
tiempo para el cual se aplica el método de proyección de tendencias presenta un aumento o
disminución consistentes a través del tiempo; y no es estable como para aplicar los métodos de
suavizamiento analizados en la sección anterior.
La serie de tiempo de ventas de bicicletas de determinado fabricante durante los últimos 10 años,
que se muestran en la tabla 5.8 y en la figura 5.12. Observe que en el primer año se vendieron 21
600 bicicletas, en el segundo, 22 900, y así sucesivamente. En el décimo año, el más reciente, se
vendieron 31 400 bicicletas. Aunque la figura 5.12 muestra algo de movimiento hacia arriba y hacia
abajo durante los 10 años, parece que la serie de tiempo tiene una tendencia general de aumento o
crecimiento.
Una tendencia líneas, como la que muestra la figura 5.13, se obtiene una descripción razonable del
movimiento en la serie a largo plazo.
Se emplearan los datos de ventas de bicicletas para ilustrar los cálculos del análisis de regresión, a
fin de identificar una tendencia lineal.
La ecuación de regresión que describe una relación lineal entre una variable independiente,X, y una
variable dependiente, Y , es:
Para enfatizar que el tiempo es la variable independiente en los pronósticos, usaremos t en la
ecuación en lugar de X; además, usaremos T1 en lugar de . Así para una tendencia lineal, el
volumen estimado de ventas, expresado en función del tiempo, se puede escribir como sigue:
Bibliografía
González, R. J. (2012). Estadistica Inferencial II.

Estadistica Tarea

Cargado por

Copyright:

Formatos disponibles

Estadistica Tarea

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

Estadistica Tarea

Cargado por

Copyright:

Formatos disponibles

5.7. Pronósticos basados en factores de tendencia y estacionales.

a) El método de promedios móviles

El objetivo de ambos métodos es el de “emparejar” la serie y proporcionar un panorama global a

Esto se ilustra en el siguiente ejemplo:

El método de suavización exponencial obtiene su nombre del hecho de que proporciona un

Obtención de un valor que tiene suavización exponencial en el periodo i.

Los cálculos de la suavización exponencial se ilustra para un coeficiente de suavización de W = 0.25.

E1976 = WY1976 + (1 – W)E1975 = (0.25)(8.6) + (0.75)(6.6) = 7.10 millones

También podría gustarte