Documente Academic
Documente Profesional
Documente Cultură
Aunque generalmente X, o algún otro símbolo, identifica los valores observados reales
(históricos) de una variable, a menudo se utiliza un símbolo diferente para representar el
valor pronosticado de esa variable. En este trabajo los símbolos Ft+1 o 𝑌̂𝑡+1 se usarán para
denotar el valor de la predicción para el periodo de tiempo t+1. Como resumen de la relación
entre los valores observados y los valores pronosticados en una situación de series de
tiempo consúltese la siguiente tabla:
Presente
Valores 𝑌̂1 𝑌̂2 𝑌̂3 𝑌̂4 …… 𝑌𝑡−2 𝑌̂𝑡−1
̂ 𝑌̂𝑡 𝑌̂𝑡+1 𝑌̂𝑡+2 𝑌̂𝑡+3 …. 𝑌̂𝑡+𝑚
estimados
F1 F2 F3 F4 …… Ft-2 Ft-1 Ft
Valores del e1 e2 e3 e4 …… et-2 et-1 et
error
El supuesto básico que está detrás del uso de cualquier técnica de predicción es que el valor
real observado será determinado por algún patrón más algunas influencias aleatorias.
“El componente aleatorio mide la variabilidad de las series de tiempo después de que se
retiran los otros componentes o patrón. Contabiliza la variabilidad aleatoria en una serie de
tiempo ocasionada por factores imprevistos y no ocurrentes.
1
𝑒𝑖 = 𝑥𝑖 − 𝑌̂𝑖
El subíndice i indica que es el error del periodo de tiempo i el que se analiza. Como se
muestra en la tabla anterior, un valor del error se asocia con cada observación para la cual
existe tanto un valor real como un valor pronosticado.”1
Un método para evaluar una técnica de pronóstico consiste en obtener la suma de los
errores absolutos. La Desviación Absoluta de la Media (MAD) mide la precisión de un
pronóstico mediante el promedio de la magnitud de los errores de pronóstico (valores
absolutos de cada error).
La MAD resulta de gran utilidad cuando el analista desea medir el error de pronóstico en las
mismas unidades de la serie original. La siguiente ecuación muestra como se calcula la
MAD:
∑𝑛𝑖=1|𝑒𝑖 |
𝑀𝐴𝐷 =
𝑛
Otra técnica para evaluar una técnica de pronóstico es el Error Medio Cuadrado (EMC).
Cada error o residual se eleva al cuadrado; luego estos valores se suman y se divide entre el
número de observaciones. Este enfoque penaliza los errores mayores de pronósticos, ya que
eleva cada uno al cuadrado. Esto es importante pues en ocasiones pudiera ser preferible una
técnica que produzca errores moderados a otra que por lo regular tenga errores pequeños
pero que ocasionalmente arroje algunos en extremo grandes. La ecuación para el cálculo del
EMC, es la siguiente:
∑𝑛𝑖=1 𝑒𝑖2
𝐸𝑀𝐶 =
𝑛
“En ocasiones, resulta más útil calcular los errores de pronóstico en términos de porcentaje y
no de cantidades. El Porcentaje de Error Medio Absoluto (PEMA) se calcula encontrando el
error absoluto en cada periodo, dividiendo éste entre el valor real observado, para ese
periodo y después promediando estos errores absolutos de porcentaje.
1
Makridakis - Wheelwrigth, Métodos de pronóstico, México, D.F., Limusa, 1998, pp67-69
2
También se puede utilizar el PEMA para comparar la precisión de la misma u otra técnica
sobre dos series completamente diferentes. La siguiente ecuación muestra el cálculo del
PEMA:
∑𝑛
𝑖=1|𝑃𝐸𝑖 |
𝑃𝐸𝑀𝐴 = 𝑛
∑𝑛𝑖=1 𝑃𝐸𝑖
𝑃𝑀𝐸 =
𝑛
Una parte de la decisión para utilizar una técnica de pronóstico en particular es la
determinación de si la técnica producirá errores de predicción que se juzguen como
suficientemente pequeños. Es en este efecto realista esperar que una técnica produzca
errores de pronóstico relativamente bajos sobre una base consistente. Las cuatro mediciones
de precisión de un pronóstico que acabamos de describir se utilizan de la siguiente manera:
2
Makridakis - Wheelwrigth, Métodos de pronóstico, México, D.F., Limusa, 1998, pp63-74
Mahmoud, E., “The Evaluation of forecasts”, en S. Makridakis y S. Wheelwright, The Handbook of Forecasting,
2a. ed.,Wiley, Nueva York.
3
http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm consultada el 22/10/08
3
Abril 4 6,171 6,508 -337 337 5,5% 113,569
Mayo 5 6,562 6,171 391 391 6,0% 152,881
Junio 6 6,168 6,562 -394 394 6,4% 155,236
Julio 7 6,176 6,168 8 8 0,1% 64
Agosto 8 5,755 6,176 -421 421 7,3% 177,241
Septiembre 9 6,207 5,755 452 452 7,3% 204,304
Octubre 10 6,477 6,207 270 270 4,2% 72,900
Noviembre 11 6,360 6,477 -117 117 1,8% 13,689
Diciembre 12 6,263 6,360 -97 97 1,5% 9,409
Suma 74,683 -78 3,950 64,0% 1,983,422
MAD PEMA EMC
Media -7 359 6% 180,311
El MAPE de la columna (6) es una medida relativa, y es por esto que algunas veces se
prefiere el error promedio o MAD como medida de precisión.
Otra medida de exactitud es el ECM que se obtiene en la columna (7) una diferencia entre
este y el MAD o el MAPE, es que el primero castiga mucho más a un pronóstico por
desviaciones extremas que por desviaciones pequeñas ya que la ECM eleva el error al
cuadrado de ahí la necesidad de minimizar el error cuadrado medio es decir es mejor que se
tengan varias desviaciones pequeñas a una desviación grande.
4
4.2Métodos de
suavizamiento.
4.1 Análisis •Métodos de promedio 4.3 Métodos de
Exploratorio de la •Métodos de Descomposición.
Serie suavizamiento
5
4.1 ANÁLISIS EXPLORATORIO DE LAS SERIES DE TIEMPO.
Para iniciar con el estudio de la serie es necesario antes definir un software con el que se
pueda analizar los datos de demanda de pasajeros, para ello se han analizado varios
paquetes que actualmente muestran sus bondades en cuanto a predicciones se refiere. El
mercado presenta varias alternativas que fueron manejadas previamente, sin embargo el
análisis de este trabajo se realiza como base en el paquete SPSS versión 15 apoyado con
algunos cálculos de Excel y en algunos casos con el Minitab versión15.
Statistical Package for the Social Sciences (SPSS) es un programa estadístico informático
muy usado en las ciencias sociales y las empresas de investigación de mercado. Como
programa estadístico es muy popular su uso debido a la capacidad de trabajar con bases de
datos de gran tamaño.4 Aunque los procesos que rodean al análisis predictivo son
complicados, implantar una solución SPSS para el análisis predictivo no lo es.
En este sentido, los análisis que se presentan a continuación mostrarán los comandos
aplicados, las ventanas de instrucciones así como las salidas que la aplicación de cada
software devuelve para el análisis.
Los modelos de suavización exponencial capturan y pronostican el nivel de los datos con los
diferentes tipos de tendencias y patrones estacionales. Los modelos son adaptativos y
4
http://es.wikipedia.org/wiki/SPSS, consultada el 18 de marzo de 2009
6
pronostican dando mayor importancia o ponderación a los datos más recientes sobre los
datos más distantes en el pasado. 5
5
http://www.dandoenelblanco.com/2008/07/modelos-de-series-de-tiempo-para-pron%C3%B3sticos-de-
demanda.html consultada el 10 de febrero de 2009.
7
Ilustración 1 Modelos de predicción mediante suavizamiento exponencial
8
4.2.1 MODELOS NO FORMALES:
t Yt Yt+1 et Estas técnicas suponen que los periodos recientes son los mejores
para pronosticar el futuro. El método más sencillo es el método del
1 42 último valor, a este pronóstico se le llama método ingenuo.
2 52 42 10
Pronóstico = último valor
3 54 52 2
4 65 54 11 4.2.2 MÉTODOS DE PROMEDIO
Si la serie contiene una aleatoriedad sustancial, un enfoque ingenuo producirá
predicciones que variarán considerablemente. Para eliminar dicha variabilidad, se podría
considerar el uso de algún tipo de promedio de los datos recientes observados. El método
de promedios móviles hace eso al tomar un conjunto de datos observados, encontrar su
promedio y luego utiliza tal promedio como un pronóstico del siguiente período. El término
promedio móvil se usa porque conforme cada nueva observación se encuentra disponible,
se puede calcular un nuevo promedio y utilizarlo como pronóstico. La aplicación de este
método se presenta a continuación.
ENERO 1 6,341,394
(6,341,394+5,693,328+6,508,453)/3
FEBRERO 2 5,693,328
MARZO 3 6,508,453
La tabla 4, muestra cómo la técnica de los promedios móviles se puede aplicar con un
promedio de tres y de cinco meses. La aplicación de este método de predicción se
muestra en la ilustración 27.
En esta figura se observan fácilmente dos de las características de los promedios móviles,
la primera es que antes de que cualquier pronóstico puede prepararse, se deben tener
tantas observaciones históricas como se necesiten y la segunda se refiere a que entre
más grande sea el número de observaciones incluidas en el promedio móvil, mayor será
el efecto de Suavizamiento en el pronóstico.
6,800,000
6,600,000
6,400,000
6,200,000
6,000,000
5,800,000
5,600,000
OCTUBRE
FEBRERO
MARZO
ABRIL
MAYO
JULIO
NOVIEMBRE
DICIEMBRE
ENERO
SEPTIEMBRE
JUNIO
AGOSTO
Datos reales
10
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
Para entender mejor la técnica de los promedios móviles, se hace necesario considerar
brevemente la representación matemática de este método. En términos sencillos, la
técnica de predicción con promedios móviles se puede representar como sigue:
𝑋𝑡 +𝑋𝑡−1 +⋯……+𝑋𝑡−𝑁+1 1
𝐹𝑡+1 = 𝑆𝑡 = = ∑𝑡𝑖=𝑡−𝑁+1 𝑋𝑖 (a)
𝑁 𝑁
En donde
𝐹𝑡+1 = Pronóstico para el tiempo t+1
𝑆𝑡 = valor suavizado en el tiempo t
𝑋𝑖 = valor actual en el tiempo i
I = periodo de tiempo
N = número de valores incluidos en el promedio.
Tabla 4 Cálculo del los errores obtenidos mediante el método de promedios móviles
1 6,341
2 5,693
3 6,508
4 6,171 6,181 10 10 104,047
5 6,562 6,124 -437 437 191,252,281
6 6,168 6,414 245 245 60,221,160 6,255 87 87 7,551,262
7 6,176 6,300 124 124 15,303,339 6,220 44 44 1,934,364
8 5,755 6,302 547 547 299,742,380 6,317 563 563 316,424,475
9 6,207 6,033 -174 174 30,322,998 6,166 -41 41 1,672,581
10 6,477 6,046 -431 431 185,949,538 6,174 -304 304 92,241,100
11 6,360 6,146 -214 214 45,671,679 6,157 -203 203 41,339,754
12 6,348 6,195
suma -330 2,183 828,567,423 0 145 1,241 461,163,537
media -41 273 103,570,928 0 18 155 57,645,442
11
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
De la ecuación (a) se puede ver que en el método de los promedios móviles se da una
ponderación (o importancia) igual a cada uno de los último N valores de la serie, pero no
se asigna ponderación alguna a los valores observados antes de ese tiempo.
También se puede observar que para calcular el promedio móvil, se deben tener los
valores de las últimas N observaciones. Se puede desarrollar una forma más corta de la
ecuación (a) para calcular el promedio móvil. El pronóstico de promedio móvil para el
periodo t está dado por
𝑋𝑡 𝑋𝑡−𝑁
𝐹𝑡+1 = − + 𝐹𝑡 (c)
𝑁 𝑁
Escrita de esta forma, cada nuevo pronóstico basado en un promedio móvil es un ajuste
del pronóstico de promedio móvil precedente. Es, asimismo, fácil ver por qué el efecto del
Suavizamiento aumenta a medida que N se hace más grande: se está haciendo un ajuste
más pequeño entre cada pronóstico.
12
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
móvil. Supóngase que sólo se tiene disponible el valor observado más reciente y el
pronóstico hecho para el mismo periodo. En tal situación, la ecuación (c) podría
modificarse de forma tal que en lugar del valor observado en el periodo (t—N) se pudiese
empelar un valor aproximado. Una estimación razonable sería el valor del pronóstico del
periodo anterior. Así la ecuación (c) se modificaría para dar
𝑋𝑡 𝐹𝑡
𝐹𝑡+1 = − + 𝐹𝑡 (d)
𝑁 𝑁
1 1
𝐹𝑡+1 = 𝑁
𝑋𝑡 + (1 − 𝑁) 𝐹𝑡 (e)
Lo que ahora se tiene es un pronóstico que pondera las observaciones más recientes con
una ponderación con valor de 1/N y al pronóstico más reciente con una ponderación con
valor de (1-1/N). Si sustituimos 1/N por el símbolo alfa se tiene
Esta ecuación es la forma general usada para calcular un pronóstico con el método del
Suavizamiento exponencial.
Una manera alternativa de escribir la ecuación (f) puede facilitar la comprensión del
Suavizamiento exponencial. Al reordenar los términos de la ecuación (f) se puede
obtener.
13
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
Ilustración 3 Cálculo del modelo de predicción con el método simple con SPSS
Un valor pequeño de α tiende a producir pronósticos que están más suavizados (o sea,
tienen menos fluctuación) que valores más grandes de α. Sin, embargo, para encontrar el
valor de α que genere los mejores pronósticos para los datos del pasado, se requiere
calcular el error cuadrado medio o la desviación absoluta media.
En nuestro análisis SPSS muestra los 10 valores del alfa calculados indicando la suma de
los errores cuadráticos, sobre el que podemos concluir que para 𝛼 = 0,00, el error es
menor, como muestra la tabla 6.
Tabla 5 Suma de los errores cuadráticos de la aplicación del Método simple
14
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
6 .50000 6122248837379.30000
7 .60000 6292367209369.67000
8 .70000 6444663320070.61000
9 .80000 6600432002495.73000
10 .90000 6777085518538.42000
Vemos que el término del error se anula, esto nos indica que siempre el valor del
pronóstico se convertirá en una constante lo que se ratifica en la Ilustración 29. La línea
proyectada verde inmediata al período de validación es el pronóstico realizado con este
método.
Tanto la técnica de Suavizamiento simple como los promedios móviles o el Suavizamiento
exponencial pueden utilizarse efectiva y económicamente cuando el patrón histórico de
los datos se puede considerar como horizontal. Sin embargo estas técnicas pueden no
ser efectivas al manejar tendencias o patrones estacionales, como es el caso de la
demanda bajo estudio, necesitándose desarrollar otras formas de Suavizamiento para
trabajar en tales situaciones, con el propósito de reducir considerablemente el error.
Cuando una serie de tiempo presenta alguna tendencia, ya sea creciente o decreciente,
se puede utilizar el suavizamiento de Holt que permite estimar por separado el valor
suavizado de la serie y el cambio en la tendencia a través del tiempo. La ilustración 31
muestra cuál es procedimiento en SPSS para el cálculo de este método.
15
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
Ilustración 4 Cálculo del modelo de predicción con el Método de suavizamiento de Holt con SPSS
S1= X1
T1 = X2 - X1
Las proyecciones o pronósticos se obtienen con las siguientes ecuaciones:
6
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030006/lecciones/capitulocinco/5_2_4.html
consultada el 20 de febrero de 2009.
16
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
𝐹𝑡+𝑚 = 𝑆𝑡 + 𝑇𝑡 𝑚 (l)
Donde:
Con la ecuación (j) podemos ver que la tendencia más reciente, (𝑆𝑡 − 𝑆𝑡−1 ) está
ponderada por β y la última tendencia suavizada, 𝑇𝑡−1, está ponderada por (1-β). La suma
de estos valores ponderados es el nuevo valor de la tendencia suavizada. Para nuestro
caso β es Gamma como lo nombra SPSS y vemos que el mejor valor encontrado es “0” lo
que implica que sólo la última tendencia será la que utilicemos.
SPSS realiza los cálculos utilizando estas ecuaciones, la tabla 7 muestra la corrida de
este método en el que se obtuvo los siguientes resultados:
Pasajeros_1
Nivel 67657.91096
Tendencia 44.17808
Gamma
Serie Rango del modelo Alpha (Nivel) (Tendencia) Sumas de los errores cuadráticos
Pasajeros_1 1 .10000 .00000 3746909207855.35100
2 .20000 .00000 3956162450628.50300
3 .10000 .20000 4011466788585.11100
4 .30000 .00000 4167556892296.53200
5 .10000 .40000 4319389211935.85000
6 .40000 .00000 4350890080592.53700
17
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
Gamma
Serie Alpha (Nivel) (Tendencia) Sumas de los errores cuadráticos gl error
Pasajeros_1 .10000 .00000 3746909207855.35100 1459
A continuación, se muestran los parámetros con las sumas menores de errores cuadráticos. Estos parámetros
se utilizan para pronosticar.
La primera tabla resume los datos del modelo ejecutado en donde explica que la
tendencia aplicada es la lineal y que no hay presencia de estacionalidad.
La tabla de sumas menores de los errores cuadráticos son resultado de las 10 iteraciones
que realiza el paquete en búsqueda de la menor suma de cuadrados de los errores.
Vemos de la tabla de parámetros del suavizado que aún el error sigue siendo alto para los
parámetros óptimos encontrados por el SPSS, en donde debemos tomar en cuenta que el
paquete renombra como parámetro de nivel a alpha y en el caso de la tendencia que
utilizamos para el desarrollo teórico beta a gamma.
Con respecto a la ecuación (k) la única diferencia entre ésta y la forma anterior con
respecto al suavizamiento exponencial único ecuación (f), es el término adicional 𝑇𝑡−1 que
se suma a 𝑆𝑡−1 para ajustar los valores suavizados del patrón tendencial en la serie de
datos.
18
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009
19