Cinco pasos en el proceso de pronosticar:

1. Formulacin del problema y recopilacin de datos

2. Manipulacin y limpieza de datos
3. Construccin y evaluacin del modelo
4. Implementacin del modelo (el pronstico real)
5. Evaluacin del pronstico
La finalidad de un pronstico es reducir el nivel de incertidumbre con que deben realizarse los
juicios de la gerencia. Tal propsito sugiere dos reglas fundamentales, las cuales debe seguir el
proceso de elaboracin de pronsticos:
1. El pronstico debe ser tcnicamente correcto y generar pronsticos lo suficientemente precisos
para satisfacer las necesidades de la empresa.
2. El procedimiento de elaboracin de pronsticos y sus resultados tienen que presentarse
convincentemente a la gerencia, de modo que los pronsticos se utilicen en el proceso de toma de
decisiones para beneficio de la compaa; los resultados tambin deben justificarse desde el punto
de vista del costo-beneficio.

CAPITULO 6 REGRESIN LINEAL

CAPTULO 3 Exploracin de patrones de datos e

introduccin a las tcnicas de pronsticos.
AUTOCORRELACIN CON RETRASOS DE TIEMPO

La escala horizontal en la parte inferior de la grfica presenta cada retraso de

tiempo de inters: 1, 2, 3, etc. La escala de la izquierda indica el posible rango
del coeficiente de auto-correlacin de -1 a 1. La lnea horizontal a la mitad de la
grfica representa auto-correlaciones de cero. La lnea vertical que se extiende

por arriba de un retraso de tiempo 1 muestra un coeficiente de autocorrelacin de 0.961601 o r1=0.96.

Con estas grficas se estudian los patrones de datos incluyendo la tendencia y
la estacionalidad. Los coeficientes de auto-correlacin para diferentes retrasos
de tiempo de una variable pueden usarse para contestar las siguientes
preguntas acerca de una serie de tiempo:
1 - Aleatoriedad
Si las auto-correlaciones entre Yt y Yt-k para cualquier retraso de tiempo k son
cercanas a 0. Los valores sucesivos de una serie de tiempo no estn
relacionados entre s.
Anlisis
A partir de la prueba Q de Ljung-Box (LBQ en Minitab), digamos que para un
95% de confianza y con un df = 10, observando los valores del LBQ, tomamos
el valor ms alto y lo comparamos contra la tabla de Chi-cuadrado para 0.05
con 10 grados de libertad. Si nuestro valor de LBQ es ms chico que ste,
entonces concluimos que no se puede rechazar la hiptesis nula con el nivel de
significancia de 5%. Los datos no estaran auto-correlacionados en ningn
retraso de tiempo.
2 Tendenciales
Si las observaciones sucesivas estn altamente correlacionadas y es tpico que
los coeficientes de correlacin sean significativamente diferentes de cero para
los primeros
retrasos de tiempo, y de forma gradual tienden a cero
conforme se incrementa el nmero
de retrasos.
Anlisis
A partir de la prueba Q de Ljung-Box (LBQ en Minitab), digamos que para un
95% de confianza y con un df = 10 (retrasos de tiempo), observando los
valores del LBQ, tomamos
el valor ms alto y lo comparamos contra la tabla
de Chi-cuadrado para 0.05 con 10 grados
de libertad. Si nuestro valor de
LBQ es ms grande que ste, entonces concluimos que las auto-correlaciones
para los primeros 10 retrasos como grupo son significativamente diferentes de
cero. Los datos estaran altamente auto-correlacionados y que muestran una
tendencia en su comportamiento.
3 Estacionarios
Una serie estacionaria es aquella cuyas propiedades estadsticas bsicas, como
la media y la varianza, permanecen constantes en el tiempo. Por lo tanto, se
dice que una serie que vara alrededor de un nivel fijo (sin crecimiento ni
decrecimiento) con el paso del tiempo es estacionaria. Se dice tambin que
una serie que contiene una tendencia es no estacionaria. Los coeficientes de
una serie estacionaria decrecen hacia cero bastante rpidamente, por lo
comn despus del segundo o tercer retraso de tiempo.
4 Estacionales
Si una serie es estacional, un patrn relacionado con el calendario se repite a s
mismo durante un intervalo de tiempo especfico (generalmente un ao). Las
observaciones de la misma posicin, en diferentes perodos estacionales,
tienden a estar relacionadas. Si se analizan datos trimestrales que tienen un
patrn estacional, los primeros trimestres tienden a parecerse, los segundos

trimestres tambin y as sucesivamente, y habr un coeficiente de autocorrelacin significativo en el retraso de tiempo 4. Si se analizan datos
mensuales, aparecer un coeficiente de auto-correlacin significativo en el
retraso de tiempo 12. Es decir, enero se corresponder con enero, febrero con
febrero y as sucesivamente.
Es decir, se presentar un coeficiente de auto-correlacin significativo en el
retraso de tiempo estacional o en los mltiplos del retraso estacional.Las
observaciones de la misma posicin, en diferentes perodos estacionales,
tienden a estar relacionadas.
Anlisis
A partir de un 95% de confianza (por ejemplo), vemos los coeficientes de autocorrelacin (ACF en minitab). Debemos notar que el mayor LBQ sea ms
grande que el valor
correspondiente a Chi-Cuadrado para concluir que hay
fuerte auto-correlacin. Luego si para dos perodos (1 y 4 por ejemplo) sus
coeficientes de auto-correlacin (ACF) son significativamente diferentes de
cero, concluimos que los datos son estacionales sobre una base trimestral.

Medicin del Error de Pronsticos.

Un residuo es la diferencia entre un valor real observado (Yt) y su valor de
pronstico (t).
MAD = tamao promedio de los errores. Expresado en las mismas unidades de
t.
MSE = para sancionar errores grandes en el pronstico (En Minitab es MSD).
RMSE = idem. que MSE, pero en la misma magnitud que el pronstico.
MAPE = Porcentual. Es til cuando el error relativo al tamao respectivo del
valor de la serie de tiempo, es importante para la evaluacin de la exactitud
del pronstico.
Se utiliza MAPE cuando se quiere comparar la exactitud de la misma tcnica o
de otras tcnicas en dos series completamente diferentes.
MPE = Sirve para determinar si el mtodo de pronstico usado est sesgado
(con pronsticos consistentemente altos o bajos). Si el MPE =~ 0% => el
enfoque de pronstico no tiene sesgo. Si MPE >> 0% el mtodo est
subestimando consistentemente. Si MPE << 0% => est sobre-estimando
consistentemente.
Es realista esperar que una buena tcnica de pronsticos produzca errores
relativamente pequeos de manera consistente.

Determinacin de una tcnica adecuada de pronsticos.

1. Los coeficientes de auto-correlacin de los residuos son indicadores de
una serie aleatoria? (examinar el correlograma de los residuos).
2. La distribucin de los residuos es aproximadamente normal? (ver
histograma de residuos una grfica de probabilidad normal).
3. Son significativas las estadsticas t para los valores estimados de los
parmetros?
4. Quienes toman decisiones entienden la tcnica y la emplean con
facilidad?

CAPITULO 4 Mtodos de promedios mviles y de

suavizacin.
Los pronsticos informales suponen que los perodos recientes son los mejores
para predecir el futuro. El modelo ms sencillo es: t+1 = Yt.
Cuando los valores de los datos aumentan con el tiempo, se dice que son de
nivel no estacionario o que tienen tendencia. Para pronosticar informalmente:
t+1 = Yt. + (Yt.-Yt.-1)
Toma en cuenta las la magnitud del cambio que ocurre entre trimestres.

Mtodos de Pronsticos Basados en Promedios.

Estos tipos de tcnicas usan alguna clase de promedio ponderado de
observaciones pasadas para suavizar fluctuaciones de corto plazo.

Promedios Simples.
t+1=1 /t t i=1 Y i
Adecuado cuando los factores que producen la serie que se va a pronosticar se
han estabilizado y el ambiente en el cual se encuentra la serie generalmente
permanece sin cambios.
t +2=(t t +1+Y t+1)/(t +1)
Promedio Simple actualizado, nuevo perodo
.

Promedios mviles.
t +1=( t i=tk +1 Y i)/k

donde K es el nmero de trminos en el promedio mvil.

Maneja slo los ltimos K perodos de los datos conocidos. La cantidad de

puntos en cada promedio es la misma.
No maneja muy bien la tendencia o la estacionalidad, pero lo hace mejor que el
mtodo de promedio simple.

Promedios Mviles Dobles.

k = nmero de perodos en el promedio
mvil
p = nmero de perodos futuros por
pronosticar.

MTODOS DE SUAVIZACIN EXPONENCIAL.

Las tcnicas de suavizacin exponencial son habituales en pronsticos de corto
plazo. Sus ventajas son su bajo costo y sencillez.

Suavizacin Exponencial Simple.

Promedio mvil con

peso exponencial para todos los valores previos observados.
A menudo el modelo es adecuado para datos que no tienen una tendencia
predecible ascendente o descendente.
La suavizacin exponencial es un procedimiento para revisar de forma continua
un pronstico a la luz de la experiencia ms reciente.
Si se desea una respuesta rpida a un cambio real en el patrn de
observaciones, un valor ms grande de es el adecuado.
Es un buen procedimiento para pronosticar cuando una serie de tiempo que no
es aleatoria exhibe una tendencia en su comportamiento.
La Suavizacin exponencial simple funciona bien cuando los datos tienen un
nivel de cambio frecuente. Siempre que exista una tendencia sostenida, la
suavizacin exponencial permanecer retrasada en el tiempo con respecto a
los valores reales.

Suavizacin Exponencial ajustada a la tendencia: Mtodo de

Holt (o suavizacin exponencial doble).
Sirve cuando los datos
observados tienen una
tendencia clara y
contienen informacin
que permite anticipar
movimientos futuros
ascendentes.
Una de las ventajas de la tcnica de Holt es que ofrece un alto grado de
flexibilidad en la seleccin de coeficientes con los cuales se controla el nivel y
la tendencia.

Suavizacin exponencial ajustada a la tendencia y a la

variacin estacional: Mtodo de Winters.
Aqu se emplea una ecuacin adicional al mtodo de Holt para estimar la
estacionalidad.

Ofrece una manera fcil de

tomar en cuenta la
estacionalidad cuando los
datos muestran un patrn
estacional.

Cuando se necesitan
pronsticos para sistemas de
inventario que contienen miles
de artculos, los mtodos de
suavizacin son a menudo el nico enfoque aceptable.
Los promedios mviles simples y la suavizacin exponencial basan los
pronsticos en promedios ponderados de mediciones pasadas. El fundamento
es que los valores pasados contienen informacin de lo que ocurrir en el
futuro.

Captulo 5 Series de Tiempo y sus componentes.

Descomposicin.
Tendencia (T). Puede describirse mediante una lnea recta o una curva
suave.
Se determina directamente a partir de los datos originales.
Componente cclico ( C )
Componente estacional (S). Patrn que se repite anualmente. Sin
embargo, las series de tiempo que consisten en observaciones
semanales, mensuales o trimestrales a menudo presentan
estacionalidad.
Se determina indirectamente despus de eliminar los otros componentes
de lo datos, de manera que slo quede la estacionalidad.
Debe calcularse un valor estacional por separado para cada intervalo
observado del ao (semana, mes, trimestre) y a menudo tiene la forma
de un nmero ndice (porcentaje que indica cambio en el tiempo).
Con los datos mensuales, por ejemplo un ndice estacional de 1.0 para un
mes particular significa que el valor esperado para ese mes es de 1/12
del total del ao. Un ndice de 1.25 para un mes diferente implica que se
espera que la observacin para ese mes sea un 25% mayor que 1/12 del
total anual.
Componente irregular (I). Fluctuaciones impredecibles o aleatorias.

Modelos con componente

aditivo:
Yt = T t + S t + I t
Funciona mejor cuando la serie
de tiempo sometida a anlisis
tiene aproximadamente la
misma variabilidad a lo largo
de toda la serie (los valores
caen dentro de un margen
centrado en la tendencia).

Modelos con componente

multiplicativo: Yt = Tt x St x
It
Funciona mejor cuando los
valores de la serie se dispersan
conforme aumenta la
tendencia, formando la
apariencia de un megfono.