Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                

Pronósticos

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 17

Pronósticos

Series de Tiempo

 Es un conjunto de observaciones de una variable medida


en puntos sucesivos en el tiempo o a lo largo de periodos
sucesivos.
 Este tipo de análisis tiene como objetivo proporcionar
buenos pronósticos o predicciones de valores futuros de
una serie de tiempo.
Series de Tiempo

 Componentes:
El patrón o comportamiento de los datos en una serie de
tiempo tiene varios componentes:
 Tendencia
 Cíclica
 Estacional
 Irregular
Series de Tiempo

 Tendencia
Son cambios o movimientos graduales hacia valores
relativamente mayores o menores en un periodo
prolongado.
Por lo general es el resultado de factores a largo plazo,
como cambios en la población, características demográficas
de la población, tecnología y preferencias de consumo.
Series de Tiempo

 Tendencia.
Ejemplo: Un fabricante de equipo
fotográfico puede observar una
variabilidad significativa cada mes
en el número de cámaras
vendidas. Sin embargo, en la
revisión de ventas de los 10 o 15
años anteriores, este fabricante
puede notar un incremento
gradual en el volumen de ventas
anual. Suponga que en 1996 el
volumen de ventas por mes fue
aproximadamente de 1,700
cámaras, en 2001 de 2,300 y en
2006 de 2,500. Aunque los
volúmenes de ventas mensuales
pueden variar de forma
considerable, este crecimiento
gradual en las ventas indica una
tendencia ascendente en la serie
de tiempo.
Series de Tiempo
 Tendencia
Algunos patrones…
Series de Tiempo

 Componente Cíclico
Las series de tiempo con frecuencia muestran secuencias de
puntos que se alternan por encima y por debajo de la línea
de tendencia. Cualquier secuencia de puntos recurrente por
encima y por debajo de la línea de tendencia que dura más
de un año puede atribuirse al componente cíclico de las
series de tiempo.
Series de Tiempo
 Componente Cíclico
Series de Tiempo
 Componente Estacional
Muchas series de tiempo muestran un patrón regular durante periodos de un año.
La componente de las series de tiempo que representa la variabilidad en los datos
debido a influencias estacionales se llama componente estacional. Aunque por lo
general consideramos que el movimiento estacional en una serie de tiempo ocurre en
un año, el componente estacional también puede utilizarse para representar cualquier
patrón que se repite con regularidad y tiene una duración menor a un año.
Series de Tiempo

 Componente Irregular
Es el factor residual que incluye las
desviaciones de los valores de serie de
tiempo reales de aquellos esperados
según los efectos del componente
cíclico, de tendencia y estacional.
Representa la variabilidad aleatoria en
las series de tiempo y es resultado de
factores a corto plazo, imprevistos y no
recurrentes que afectan a la serie de
tiempo.
Como representa la variabilidad
aleatoria en las series de tiempo, es
impredecible; no podemos intentar
predecir su impacto en las series de
tiempo.
Pueden ser producidas por sucesos
inusuales, que causan movimientos sin
un patrón discernible tales como
guerras, inundaciones, elecciones
políticas, etc.
Series de Tiempo

 Métodos de Suavización
El objetivo de estos métodos es “suavizar” las fluctuaciones
aleatorias causadas por el componente irregular de las
series de tiempo.
Este tipo de métodos es apropiado para una serie de
tiempo estable, es decir, que no exhibe efectos significativos
de tendencia, cíclicos o estacionales.
Series de Tiempo
 Método de Suavizado: Promedios Móviles
Utiliza el promedio de los n valores de datos mas recientes en la
serie de tiempo como el pronóstico para el siguiente periodo. En
términos matemáticos:

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 (6.1), y se calcula un promedio nuevo.
Como resultado, el promedio cambiará, o se moverá, conforme
surjan nuevas observaciones.
Series de Tiempo
 Método de Suavizado: Promedios Móviles
Ejemplo: Considere las 12 semanas de datos presentados en la
tabla siguiente. Estos datos muestran el número de galones de
gasolina vendidos por una estación de servicio en una localidad
durante las 12 semanas anteriores.
Series de Tiempo
 Método de Suavizado: Promedios Móviles
Series de Tiempo
 Método de Suavizado: Promedios Móviles
Series de Tiempo
 Método de Suavizado: Promedios Móviles
Precisión del pronóstico. Una consideración importante en la selección
de un método de elaboración de pronósticos es la precisión del
pronóstico. Desde luego, queremos pronosticar que los errores sean
menores.
El ECM es una medida de uso frecuente de la precisión de un método
de elaboración de pronósticos. Consiste en calcular el promedio de la
suma de los errores al cuadrado.
Para utilizar el método de promedios móviles, primero debemos
seleccionar el número de valores de datos que se incluirán en el
promedio móvil. Para una serie de tiempo en particular las diferentes
longitudes de los promedios móviles afectan la precisión del
pronóstico. Un enfoque posible para elegir el número de valores a
incluir es utilizar la prueba y error para identificar la longitud que
minimiza al ECM.
Serie de Tiempo
 Ejercicio:
Considere los siguientes datos Trimestre Ventas
correspondientes a las ventas en miles de 1 12
dólares de una empresa. 2 16
1. Realice el gráfico de la serie. 3 20
2. Comente acerca de las componentes que 4 34
están presente o no en esta serie. 5 23
3. Aplique el método de suavización de 6 19
promedios móviles para 2 y 3 períodos. 7 20
Compare cuál es más adecuado para 8 35
pronosticar. 9 11
4. Pronostique las ventas para el trimestre 13 10 19
utilizando el método que mejor pronostica de 11 24
los anteriores. 12 36

También podría gustarte