pronosticos base1
DESCRIPTION
PRONOSTICOS BASE1TRANSCRIPT
PRONÓSTICOSGiovanni Herrera Enríquez
www.pronosticosespe.blogspot.com
1.1. NECESIDAD DE PRONOSTICAR
Entorno altamente incierto
La intuición no necesariamente da los
mejores resultados
Mejorar la planeación
Competitividad y cambio
1.2. TIPOS DE PRONÓSTICOS
Por su plazo: De corto plazo
De largo plazo
Según el entorno a
pronosticar
Micro
Macro
Según el
procedimiento
empleado
Cualitativo
Cuantitativo
1.3. PASOS DE LA ELABORACIÓN DE PRONÓSTICOS
1. Recopilación de datos
2. Reducción o condensación de
datos
3. Construcción del modelo
4. Extrapolación del modelo
2. EXPLORACIÓN DE PATRONES DE DATOS
Se requieren suficientes datos
históricos
Se apoyan en la suposición de que
el pasado puede extenderse hacia el
futuro
LAS TÉCNICAS CUANTITATIVAS PUEDEN SER:
Estadísticas Se enfocan en patrones y en
cambios en los patrones y
sus perturbaciones
Determinísticas Son de tipo causal,
establecen relación entre
la variable a pronosticar y
otras variables
CON RELACIÓN A LAS TÉCNICAS CUANTITATIVAS
ESTADÍSTICAS SE PRESENTAN DOS ENFOQUES:
Los datos se pueden descomponer
en componentes de tendencia,
cíclicos, estacionales y aleatorios.
Modelos econométricos de series de
tiempo y Box-Jenkins.
3. COMPONENTES DE SERIES DE TIEMPO:
Una serie de tiempo consta de
datos que se reúnen, registran u
observan sobre incrementos
sucesivos de tiempo.
Se requiere un enfoque sistemático
para analizarlas.
PATRONES DE DATOS EN LAS SERIES DE TIEMPO:
Componente Descripción
Horizontal Los datos fluctúan alrededor de la media constantes.
Tendencia Es el componente de largo plazo que representa el
crecimiento o disminución en la serie sobre un periodo
amplio.
Cíclico Es la fluctuación en forma de onda alrededor de la
tendencia.
Estacional Es un patrón de cambio que se repite a sí mismo año
tras año.
Aleatorio Mide la variabilidad de las series de tiempo después de
retirar los otros componentes.
4. SELECCIÓN DE UNA TÉCNICA DE PRONÓSTICO:
DATOS ESTACIONARIOS
Las fuerzas que generan la serie se han estabilizado y
el medio permanece relativamente sin cambios.
Se puede lograr la estabilidad haciendo correcciones
sencillas a factores como crecimiento de la población o
la inflación.
La serie se puede transformar en una serie estable.
La serie es un conjunto de errores de pronóstico, de
una técnica de pronóstico que se considera adecuada.
PROMEDIO SIMPLE, PROMEDIO MÓVIL,
MODELOS AUTORREGRESIVOS DE
PROMEDIO MÓVIL (ARMA), BOX-JENKINS
4. SELECCIÓN DE UNA TÉCNICA DE PRONÓSTICO:
DATOS CON TENDENCIA
Productividad creciente y nueva tecnología producen cambios.
El incremento de la población elevan la demanda por productos.
El poder de compra se afecta por la inflación.
Aumenta la aceptación en el mercado de un producto.
PROMEDIOS MÓVILES , SUAVIZAMIENTO EXPONENCIAL LINEAL DE HOLT, REGRESIÓN
SIMPLE, CURVAS DE CRECIMIENTO, MODELOS EXPONENCIALES , MODELOS AUTORREGRESIVOS INTEGRADOS DE PROMEDIO MÓVIL (ARIMA), BOX
JENKINS
4. SELECCIÓN DE UNA TÉCNICA DE PRONÓSTICO:
DATOS CON ESTACIONALIDAD
El clima influye en la variable de interés.
El año calendario influye en la variable.
MODELOS DE DESCOMPOSIÓN CLÁSICA, CENSUS X-12, SUAVIZAMIENTO
EXPONENCIAL DE WINTER, REGRESIÓN MÚLTIPLE, ARIMA (BOX JENKINS)
4. SELECCIÓN DE UNA TÉCNICA DE
PRONÓSTICO: SERIES CÍCLICAS
El ciclo del negocio influye sobre la variable.
Cambios en el gusto popular.
Cambios en la población.
Cambios en el ciclo de vida del producto.
DESCOMPOSICIÓN CLÁSICA, INDICADORES ECONÓMICOS, MODELOS
ECONOMÉTRICOS, ARIMA (BOX JENKINS)
5. MEDICIÓN DEL ERROR EN EL PRONÓSTICO
Se compara la precisión de dos o más
técnicas de pronóstico.
Se mide la confiabilidad de una
técnica de pronóstico.
Se busca la técnica óptima.
5. MEDICIÓN DEL ERROR EN EL PRONÓSTICO
Periodo, t Yt Pronóstico, Yt
1 58 -
2 54 58
3 60 54
4 55 60
5 62 55
6 62 62
7 65 62
8 63 65
9 70 63
5. FÓRMULAS DE MEDICIÓN DEL ERROR EN EL
PRONÓSTICO
ttt
tt
t
YYe
residualopronósticodelError
YparapronósticodelvalorY
tperiodoelentiempodeserieunadevalorY
ˆ
:
ˆ
5. FÓRMULAS DE MEDICIÓN DEL ERROR EN EL
PRONÓSTICO
n
YY
EMC
cuadradomedioError
n
YY
DAM
mediaabsolutaDesviación
n
t
tt
n
ttt
1
2
1
ˆ
:
ˆ
:
5. FÓRMULAS DE MEDICIÓN DEL ERROR EN EL
PRONÓSTICO
n
Y
YY
PME
:errordemedioPorcentaje
n
Y
YY
PEMA
:absolutomedioerrordePorcentaje
n
t t
t
n
t t
tt
1
1
6. MODELOS DE SERIES DE TIEMPO
I PARTE
Métodos no formales
Promedios
Suavización
ww
w.au
ladeeco
nom
ia.com
6. MODELOS DE SERIES DE TIEMPO
6.1. MODELOS NO FORMALES:
Estas técnicas suponen que los
periodos recientes son los mejores
para pronosticar el futuro.
El método más sencillo es el método
del último valor:
Pronóstico = último valor
6.1. MÉTODO DEL ÚLTIMO VALOR
t Yt Yt+1 et
1 42
2 52 42 10
3 54 52 2
4 65 54 11
5 51 65 -14
6 64 51 13
6.1. MÉTODO DEL ÚLTIMO VALOR
1
1
11
ˆ
:cambio de tasala doConsideran
)(ˆ
: tendenciadoconsideran Ajuste
t
ttt
tttt
Y
YYY
YYYY
Se puede incluir información de periodos estacionarios, haciendo
adaptaciones
6.2. MÉTODOS DE PROMEDIO
Promedios simples:
Se obtiene la media de todos los valores
pertinentes, la cual se emplea para
pronosticar el periodo siguiente.
Numerosas series simultaneas
t
i
it Yt
Y1
1
1ˆ
1
ˆˆ 11
2t
YYtY tt
t
PROMEDIOS SIMPLES:
t Yt Yt+1
1 42
2 52 42
3 54 47.00
4 65 49.33
5 51 53.25
6 64 52.80
PROMEDIOS MÓVILES:
Este método no considera la media de
todos los datos, sino solo los más recientes.
Se puede calcular un promedio móvil de n
periodos.
El promedio móvil es la media aritmética
de los n periodos más recientes.
móvil promedio el en
términos de número el es n donde
n
y...YYY nttt
t11
1
PROMEDIOS MÓVILES:
promedio móvil
t Yt n=3 n=4
1 42
2 52
3 54
4 65 49.33
5 51 57.00 53.25
6 64 56.67 55.5
PROMEDIOS MÓVILES DOBLES:
n
yYYYM nttt
tt11
1
...ˆ
Series de tiempo con tendencia lineal
1. Se calcula el promedio del orden n
2. Para el segundo promedio móvil
3. Cálculo del coeficiente an
MMMM nttt
t11´ ...
`` 2)( tttttt MMMMMa
4. Cálculo de factor de ajuste:
5. Pronósticos para p periodos en el futuro
PROMEDIOS MÓVILES DOBLES:
)(1
2 `
ttt MMn
b
rpronosticapor futuros periodos de número
móvil promedio elen periodos de número
ˆ
p
n
pbaY ttpt
6.3. METODOS DE SUAVIZAMIENTO EXPONENCIAL
Ofrece un promedio móvil con peso
exponencial para todos los valores observados
previos.
Las ponderaciones se asigna mediante la
constante , 0 < < 1.
El modelo se expresa como:pronóstico = (último valor) + (1 - )(último pronóstico)
6.3. METODOS DE SUAVIZAMIENTO EXPONENCIAL
La suavización exponencial es un procedimiento para revisar de forma
continua un pronóstico a la luz de la experiencia más reciente.
...Y)(Y)(Y)(YY ttttt 3
3
2
2
11 111
6.3. METODOS DE SUAVIZAMIENTO
EXPONENCIAL
t Yt =0.1 =0.5
1 42
2 52 42 42
3 54 43.00 47.00
4 65 44.10 50.50
5 51 46.19 57.75
6 64 46.67 54.38
6.3. MÉTODOS DE SUAVIZAMIENTO EXPONENCIAL
– AJUSTADA A LA TENDENCIA: MÉTODO DE HOLT
• Los datos tienen una tendencia clara y contienen
información que permite anticipar movimientos
futuros ascendentes.
• Se requiere una función de tendencia lineal.
• Se tiene alto grado de flexibilidad en la selección de
coeficientes que permiten controlar el nivel y la
tendencia.
6.3. MÉTODOS DE SUAVIZAMIENTO EXPONENCIAL
– AJUSTADA A LA TENDENCIA: MÉTODO DE HOLT
Ecuaciones fundamentales:
1. Nivel actual estimado:
2. Estimado de tendencia:
3. Pronóstico:
)TL)((YL tttt 111
11 1 tttt T)()LL(T
ttpt pTLY
futuro el en p periodo el para spronóstico pt
Y
futuro el en rpronostica a periodos p
tendencia de estimadot
T
1)(0 tendencia de estimado para ón suavizacide constante
t periodo el en seriela de real valor o nobservació nueva t
Y
1)(0 ón suavizacide constante 1,
actual nivel de Estimado t
L
6.4. MÉTODOS DE SUAVIZAMIENTO EXPONENCIAL –
AJUSTADA A LA TENDENCIA: MÉTODO DE WINTERS
• Cuando se sospecha de estacionalidad en los datos.
• Variante del método del Holt para determinar la
estacionalidad.
• Se tiene alto grado de flexibilidad en la selección de
coeficientes que permiten controlar el nivel y la
tendencia, incluyese la estacionalidad
6.4. MÉTODOS DE SUAVIZAMIENTO EXPONENCIAL –
AJUSTADA A LA TENDENCIA: MÉTODO DE WINTERS
Ecuaciones fundamentales:
1. Nivel actual estimado:
2. Estimado de tendencia:
3. Estimado de estacionalidad:
4. Pronóstico:
)TL)((S
YL tt
st
tt 111
11 1 tttt T)()LL(T
pstttpt S)pTL(Y
futuro el en p periodo el para spronóstico pt
Y
idadestacional la de longitus s
futuro el en rpronostica a periodos p
idadestacional de estimadot
S
tendencia de estimadot
T
tendencia la de estimado el para ón suavizacide constante
1)(0 tendencia de estimado para ón suavizacide constante
t periodo el en seriela de real valor o nobservació nueva t
Y
1)(0 ón suavizacide Constante
) suavizadovalor (nuevo actual nivel de Estimado t
L
pst
t
tt S)(
L
YS 1
COMPONENTES DE SERIES DE TIEMPO
Descomposición de las series de tiempo
Tendencia. T
Componente cíclico. C/T (más de un año de duración)
Componente estacional. S (semestres, trimestres,
mensuales o semanales).
Componente irregular. I
Suma de componentes - modelo aditivo (misma
variabilidad durante toda la serie)
Multiplicación de componentes – modelo multiplicativo
(nivel de variabilidad aumenta con el nivel)
tttt ISTY
tttt ISTY
COMPONENTES DE SERIES DE TIEMPO
TENDENCIA
Descrita por un línea recta o curva suave
Cambio en población
Cambio en precio
Cambio tecnológico, etc.
El ajuste de la curva de tendencia a la serie de tiempo es
conveniente por:
Indicio de dirección de la serie
Puede eliminarse de la serie original para obtener una
imagen más clara de la estacionalidad
Ajuste (Criterio de cuadrado de errores):
lineal es tendencia la SitbbTt 10
2)TY(SSE tt
COMPONENTES DE SERIES DE TIEMPO
TENDENCIA
Curvas de tendencia no lineal
Ciclo de vida de producto/servicio
Tendencia cuadrática
Otras curvas de tendencia no lineal
Curva de tendencia de Gompertz
Curva de tendencia logística (de Pearl-Reed)
2
10 tbtbbT 2t
lexponencia Tendencia bbT t
t 10
COMPONENTES DE SERIES DE TIEMPO
ESTACIONALIDAD
Patrón estacional que se repite un año tras otro.
Se presenta en series de tiempo de observaciones semanales, mensuales, trimestrales, semestrales.
Debemos:
Estimar y eliminar la tendencia.
Suavizar el componente irregular.
Recolectar y resumir los valores estacionales
Obtener un número índice (estacionalidad)
LOS NÚMEROS ÍNDICES SON PORCENTAJES QUE INDICAN LOS CAMBIOS EN EL TIEMPO
COMPONENTES DE SERIES DE TIEMPO
VARIACIONES CÍCLICAS E IRREGULARES
Fluctuaciones de largo plazo en forma de onda
Eliminación de estacionalidad y tendencia a través
de:
Donde el componente irregular es:
tt
ttt
S*T
YI*C
t
ttt
C
I*CI
COMPONENTES DE SERIES DE TIEMPO
INDICADORES DE NEGOCIOS
¿La serie es cíclica?
Si es así, ¿qué tan extremo es el ciclo?
¿La serie sigue el estado general de la economía?
Los indicadores de negocios son series de tiempo relacionadas con los negocios, las cuales ayudan a evaluar
el estado general de la economía.
Índices de Precios
Valor deflactado del $ = valor del $ * Poder de compra $
La deflación del precio es el proceso que permite expresar los valores de una serie en dólares constantes
consumidor al precios de Índice$1 de compra de poder Actual
100