ANÁLISIS DE SERIES DE TIEMPO

Los pronósticos son un método que se utiliza ampliamente en el análisis de

las series de tiempo para predecir una variable de respuesta, como ganancias
mensuales, comportamiento de acciones o cifras de desempleo, para un período
de tiempo determinado. Los pronósticos se basan en patrones de datos existentes.
Modelos de pronóstico:
PROMEDIO MÓVIL SIMPLE:
Esta técnica se utiliza cuando se quiere dar más importancia a conjuntos de datos
más recientes para obtener el pronóstico. El pronóstico se obtiene al calcular la
media aritmética del conjunto de datos más recientes seleccionado. Cada vez que
se tiene una nueva observación se agrega esta al conjunto de datos, y se elimina
de éste la observación o dato más antiguo. El número de datos más recientes a
considerar en el conjunto de observaciones del cual se calcula la media aritmética
es una decisión del analista que realiza el pronóstico; la sensibilidad a los cambios
en el comportamiento de la serie se reduce al utilizar un número mayor de
observaciones en el conjunto de datos. Este modelo no maneja muy bien los datos
con estacionalidad o con tendencia, pero si lo hace mejor que la técnica del
promedio simple.

La siguiente ecuación establece el modelo del promedio móvile simple.

Aquí se muestra que el valor pronosticado es igual al promedio móvil.

en donde

PMt es el promedio móvil en el periodo t.

Pt+1 es el valor pronosticado para el siguiente periodo.

Xt es el valor real observado en el periodo t.

n es el número de datos utilizados para el cálculo de la media aritmética.

PROMEDIO MÓVIL PONDERADO:

Este método de pronóstico es una variación del promedio móvil. Mientras, en el

promedio móvil simple se le asigna igual importancia a cada uno de los datos que
componen dicho promedio, en el promedio móvil ponderado podemos asignar
cualquier importancia (peso) a cualquier dato del promedio (siempre que la
sumatoria de las ponderaciones sean equivalentes al 100%). Es una práctica regular
aplicar el factor de ponderación (porcentaje) mayor al dato más reciente.
¿Cuándo utilizar un pronóstico de promedio móvil ponderado?

El pronóstico de promedio móvil ponderado es óptimo para patrones de demanda

aleatorios o nivelados donde se pretende eliminar el impacto de los elementos
irregulares históricos mediante un enfoque en períodos de demanda reciente, dicho
enfoque es superior al del promedio móvil simple.

Modelo de Promedio Móvil Ponderado

Fórmula
Promedio de ventas en unidades en el período t

Sumatoria de datos

Factor de ponderación

Ventas o demandas reales en unidades de los períodos anteriores

at

Número de datos

SUAVIZACIÓN EXPONENCIAL:
El método de suavización o suavizamiento exponencial simple puede
considerarse como una evolución del método de promedio móvil ponderado, en éste
caso se calcula el promedio de una serie de tiempo con un mecanismo de
autocorrección que busca ajustar los pronósticos en dirección opuesta a las
desviaciones del pasado mediante una corrección que se ve afectada por un
coeficiente de suavización.
Así entonces, este modelo de pronóstico precisa tan sólo de tres tipos de datos: el
pronóstico del último período, la demanda del último período y el coeficiente de
suavización.

¿Cuándo utilizar un pronóstico de suavización exponencial simple?

El pronóstico de suavización exponencial simple es óptimo para patrones de
demanda aleatorios o nivelados donde se pretende eliminar el impacto de los
elementos irregulares históricos mediante un enfoque en períodos de demanda
reciente, este posee una ventaja sobre el modelo de promedio móvil ponderado ya
que no requiere de una gran cantidad de períodos y de ponderaciones para lograr
óptimos resultados.
Modelo de Suavización Exponencial
Fórmulas

Para efectos académicos suele proporcionarse el factor de suavización, sin

embargo, en la práctica éste es comúnmente hallado de la forma descrita arriba.

Promedio de ventas en unidades en el período t

Pronóstico de ventas en unidades del período t -1

 Ventas reales en unidades en el período t - 1

Coeficiente de suavización (entre 0,0 y 1,0)

ANÁLISIS DE REGRESIÓN:
En análisis de regresión es una herramienta de frecuente uso en Estadística
que permite estudiar y valorar las relaciones entre diferentes variables
cuantitativas tenidas en cuenta mediante la construcción de una ecuación.
El esquema básico de análisis de
regresión plantea un proceso
o modelo en el cual se analiza la
relación entre una variable
dependiente (porque es influida por
el resto) y una o varias variables
independientes o fijas (las que
influyen en el objeto de estudio).
Gracias procesos de regresión
estadística es posible entender el modo
en que la dependiente es afectada por
cambios en los valores de las independientes.

Las principales aplicaciones de este elemento estadístico son la predicción o

previsión de hechos a partir de unos datos determinados, teniendo en cuenta
el grado de influencia (en Estadística se conoce a esto como correlación lineal) de
las diferentes variables en los mismos a raíz de la experiencia que aporta esta
información.
Desde un punto de vista más teórico, la regresión permite estimar su esperanza
condicional (el valor promedio que adopta dadas el resto de variables).
Alternativamente otro objetivo es construir una función de regresión para poder
estimarla mediante distribuciones de probabilidad.
Cuando solo se tiene en cuenta una variable independiente hablamos de regresión
lineal simple, mientras que si existen más se trataría de regresión lineal múltiple.
Además existe una modalidad conocida como regresión de cuadrados mínimos
ordinarios, más compleja y en la cual la ecuación estimada proviene de calcular
otra que minimiza la suma de las distancias elevadas al cuadrado entre los puntos
de datos de la muestra y los valores pronosticados por la ecuación.
Aplicaciones prácticas del análisis de regresión
Este tipo de estudios tiene
aplicaciones para la vida cotidiana,
desde el estudio de accidentes de
tráfico en una determinada zona
geográfica hasta comprobar si un plan
de estudios es recomendable o no
desde el punto de vista de la tasa de
abandono escolar, por ejemplo.
Crítica al análisis de regresión
Una crítica común a este tipo de
modelo de predicción matemática es
no son óptimo, pues suele
confundir correlación con causalidad.
Esto quiere decir que las conclusiones que aporta este tipo de procesos están
siempre sujetas a factores que pueden influir en su exactitud, como la falta de
información sobre lo estudiado o la existencia de fallos en la medición o recolección
de datos.

TÉCNICA BOX JENKINS

En el análisis de series de tiempo, la metodología de Box-Jenkins, nombrada así
en honor a los estadísticos George E. P. Box y Gwilym Jenkins,1 se aplica a
los modelos autorregresivos de media móvil ARMA o a los modelos autorregresivos
integrados de media móvil (ARIMA) para encontrar el mejor ajuste de una serie
temporal de valores, a fin de que los pronósticos sean más acertados
Enfoque del método[editar]
El método original utiliza un enfoque de modelado iterativo en tres etapas, usando
datos de un horno de gas. Estos datos son conocidos como datos de Box-Jenkins
del horno de gas para la evaluación comparativa de modelos de predicción.
Las tres etapas del modelado iterativo son las siguientes:
1. Identificación y selección del modelo: asegurarse de que las variables
son estacionarias, la identificación de la estacionalidad de la serie
dependiente (diferenciación estacional, para cierto período, si es necesario),
y el uso de los gráficos de las funciones de autocorrelación y
de autocorrelación parcial de la serie de tiempo se utilizan para decidir cuál
componente (si es el caso) se debe utilizar en el modelo, el promedio
autorregresivo (AR) o un promedio móvil (MA).
2. Estimación de parámetros usando algoritmos de cálculo para tener
coeficientes que mejor ajusten el modelo ARIMA seleccionado. Los métodos
más comunes usan estimación de máxima verosimilitud o mínimos
cuadrados no lineales.
3. Comprobar el modelo mediante el ensayo, si el modelo estimado se ajusta a
las especificaciones de un proceso univariado estacionario. En particular, los
residuos deben ser independientes el uno del otro, además, la media y la
varianza deben ser constantes en el tiempo. (Para identificar los errores de
especificación son útiles la graficación de la media y la varianza de los
residuos a través del tiempo y la realización de una prueba de Ljung-Box o
bien por medio del trazado de autocorrelación y autocorrelación parcial de
 los residuos.) Si la estimación es inadecuada, tenemos que volver al paso
uno e intentar buscar un modelo mejor

Series de tiempo Shiskin

Series de Tiempo Shiskin: Se conoce también como (X11). Desarrollado por Julius
Shiskin de la oficina Nacional de Censo. Un método efectivo para dividir una serie
temporal en tempo-radas, tendencias e irregular. Es una extensión y refinamiento
de del método de ajuste simple, que desarrolla la versión x-11.
Este método se ha convertido en el más popular y utilizado en los últimos tiempos.
Se utiliza en: el gobierno, las grandes empresas.
Este método consiste en el ajuste de comercio diario, valores extremos, mejoras de
estimaciones, resumen de pruebas y estadísticas.
PROYECCIONES DE TENDENCIA
El ultimo de pronóstico de series de tiempo que analizaremos es la PROYECCION
DE LA TENDENCIA. Esta técnica ajusta una receta de tendencia a una serie de
datos puntuales históricos y después proyectada dicha recta al futuro para obtener
pronósticos de mediano y largo
plazo. Se pueden desarrollar
diversas ecuaciones matemáticas
(como exponencial y cuadrática).