PRONÓSTICOS

Investigación Operativa II
 Introducción

Investigación Operativa II
 Pronósticos
✓ Es el arte y la ciencia de predecir los acontecimientos
futuros, de manera que las proyecciones se puedan
incorporar en el proceso de toma de decisiones.

✓ No existe un método universal para todos los casos.

✓ Los pronósticos tienen un impacto importante en las

operaciones y, en realidad, en todas las funciones del
negocio.

Investigación Operativa II
 Los Inventarios y los Pronósticos
✓ Sistema de inventario: conjunto de políticas que monitorean y determinan los
niveles de inventario que se deben mantener, momentos de reposición de
existencias y tamaño de los pedidos.
✓ Costo total de inventario
✓ Costo de compra (~ D)
✓ Costo de pedido o de preparación (~ D/Q )
✓ Costo de mantenimiento: instalaciones, roturas, depreciación , etc. (~ Q)
✓ Costo de agotamiento ✓ Q = cantidad económica de pedido.
✓ S = costo de pedido
✓ Siendo D= Demanda estimada ✓ H = costo de mantenimiento.
y Q= (2*D*S/H)1/2
Por lo tanto:

✓ La estimación de la demanda define el nivel de inventario y , en parte, sus

costos asociados.
Investigación Operativa II
 Los Pronósticos en otras áreas

✓ Comercialización
✓ Planificación financiera
✓ Planificación de la producción

✓ Los pronósticos son una herramienta básica

en la toma de decisiones en la
administración.

Investigación Operativa II
 Tipo de Datos
✓ Los datos de individuos o entidades diferentes: trabajadores;
consumidores; empresas; administraciones públicas; etc., para
un único periodo de tiempo se denominan datos de sección
cruzada o de corte transversal.
✓ Los datos de series temporales o serie de tiempos son datos
para un único individuo o entidad (persona, empresa, país)
recogidos para múltiples periodos.
✓ Los datos de panel, asimismo denominados datos
longitudinales, son datos sobre varios individuos en los que
cada individuo se observa durante uno, dos o más periodos de
tiempo.

Investigación Operativa II
 Métodos de Pronósticos

✓ Métodos Cualitativos

✓ Métodos Causales

✓ Métodos de Proyección Histórica

Investigación Operativa II
 Métodos Cualitativos
✓ Se fundamentan en juicios gerenciales y son útiles cuando faltan datos
o cuando los anteriores no son indicadores confiables de situaciones
futuras, o para la introducción de nuevos productos.
✓ Estos métodos se utilizan en general para realizar pronósticos en el
mediano y largo plazo.

✓ Forman parte de este grupo:

▪ El Método Delphi

▪ Consenso de Panel

▪ Encuestas de mercado

▪ Analogía de ciclos de vida

Investigación Operativa II
 Métodos Causales
✓ Comúnmente, se dice que una acción causa un resultado si el
efecto es el resultado directo, o consecuencia, de esta acción.
La causalidad significa que una acción específica (aplicar
fertilizante) conlleva una consecuencia específica, medible
(más tomates).
✓ Estos métodos desarrollan un modelo de causa y efecto entre
la variable en estudio y otras variables que pueden afectar su
comportamiento (ejemplo de demanda: políticas
gubernamentales, promociones publicitarias, etc.).
✓ Pueden ser de naturaleza estadística como es el caso de los
modelos de regresión y econométricos o descriptivos como el
caso de los modelos de entrada-salida, ciclo de vida y
simulación por computadora.

Investigación Operativa II
Métodos de Proyección Histórica o Serie de
Tiempo
✓ Estos métodos sirven para el análisis detallado de los patrones de la
variable en estudio, anterior en el transcurso del tiempo y para
proyectar tales patrones hacia el futuro.
✓ Una serie de tiempo puede verse como la representación de los
resultados de una variable aleatoria de interés, por lo general
registrados a intervalos igualmente espaciados durante un período
fijo.
✓ Predecir, es estimar el futuro utilizando información del pasado y del
presente. El conocimiento del futuro capacita para planificar, prever
o prevenir.
✓ La idea de estimar X(t) en un instante n+k posterior al último dato
observado en t = n, k = 1, 2, 3, 4, … (trimestre, mes, etc.).
✓ Se utilizan para realizar pronósticos en el corto plazo.
✓ Son técnicas utilizadas en general para realizar la planificación y
control de inventarios, programación de envíos, etc.

Investigación Operativa II
 Exploración de Patrones de Datos o
Componentes Sistemáticas de Serie de
Tiempos
Patrón • Las observaciones fluctúan alrededor de un nivel constante o promedio.
Horizontal
o Nivel

• Es la componente de largo plazo que representa el crecimiento o decrecimiento en la serie de

Patrón de tiempo a lo largo de un período extenso.
Tendencia

• Es la oscilación alrededor de la tendencia que por lo común es afectada por las condiciones
Patrón
económicas generales. Se fundamenta en la teoría de los ciclos económicos, los que muestran
Cíclico sucesivamente períodos de prosperidad y depresión.

• Es el patrón de cambios que se repite año a año. La estacionalidad está afectada por el clima,
Patrón patrones de compra, fechas importantes, festividades religiosas.
Estacional

Investigación Operativa II
Descomposición de la Serie de Tiempo

Investigación Operativa II
Demanda a lo largo de 4 años

Investigación Operativa II
Exploración de Patrón de Datos con Análisis
de Autocorrelación

• Es relación o correlación que existe entre una variable retrasada uno o

más períodos consigo misma.
Autocorrelación

Coeficiente de autocorrelación k

σ𝑡=𝑘+1 𝑌𝑡 −𝑌ത 𝑌𝑡−𝑘 −𝑌ത

𝑟𝑘 = con k = 0,1,2,…
σ𝑛 ത 2
𝑡=1 𝑌𝑡 −𝑌

Investigación Operativa II
Exploración de Patrón de Datos con Análisis
de Autocorrelación

• Es relación o correlación que existe entre una variable retrasada uno o

más períodos consigo misma.
Autocorrelación

Coeficiente de autocorrelación k

σ𝑡=𝑘+1 𝑌𝑡 −𝑌ത 𝑌𝑡−𝑘 −𝑌ത

𝑟𝑘 = con k = 0,1,2,…
σ𝑛 ത 2
𝑡=1 𝑌𝑡 −𝑌

Investigación Operativa II
 Promedio Móvil y
Suavizado
Exponencial
Exploración de Patrones de
Datos de Serie de Tiempos

Investigación Operativa II
 Suavización de una serie de tiempo

✓ Se debe suavizar, cuando al examinar una

serie, la impresión visual, por ejemplo, de las
tendencias globales a largo plazo o
movimientos de tendencia quedan velados por
la cantidad de variación período a período.
✓ En los casos donde es difícil juzgar los efectos
de la serie, se puede utilizar la suavización por
promedios móviles o el suavizado exponencial.
Investigación Operativa II
 Suavización por Promedios Móviles

✓ El método de Promedios Móviles para suavizar una

serie de tiempo es muy subjetivo y dependiente de N,
el rango o longitud de períodos utilizado para realizar
el promedio.
✓ Para eliminar las fluctuaciones estacionales o cíclicas,
el rango seleccionado debe ser un valor entero que
coincida o sea múltiplo de la longitud promedio
estimada de un ciclo en la serie.

Investigación Operativa II
 Promedios Móviles

✓ Es el método más sencillo para el pronóstico de

series de tiempo. En este método se supone que
solamente se cuenta con un componente de nivel,
además de un componente aleatorio.
✓ Cuando se utiliza un promedio móvil, se selecciona
un número de períodos (N) para los cálculos.
Entonces el valor de la variable promedio xt para los
N períodos anteriores en el momento t se calcula de
la siguiente manera:
xt + xt −1 + ... + xt − N +1
Pt =
N

Investigación Operativa II
 Pronóstico con Promedio Móvil
✓ Como se supone que la serie es plana, el mejor
pronóstico para el período t+1 es simplemente una
continuación del valor promedio que se observa a lo
largo del período t. De esta manera se tiene:

Ft +1 = Pt

✓ Cada vez que se calcula Ft+1, se incluye el valor más

reciente de la variable y se deja la observación más
antigua. Este procedimiento mantiene N períodos de
la variable en el pronóstico y deja que el promedio se
mueva a medida que se observan nuevos datos de la
variable.
Investigación Operativa II
 Promedio Móvil Ponderado
✓ Una manera de hacer que el promedio móvil
responda con mayor rapidez a los cambios de la
variable, es colocar relativamente más peso a los
valores más recientes que en los anteriores. A esto se
llama promedio móvil ponderado.

Ft +1 = Pt = W1 xt + W2 xt −1 + ... + WN xt − N +1

Con la condición que: W

i =1
i =1

Investigación Operativa II
 Pronóstico con Promedio Móvil Doble
✓ El método consiste en calcular un conjunto de promedios
móviles y en seguida se calcula un segundo conjunto como
promedio móvil del primero.
✓ Este método se utiliza para realizar pronósticos de series que
tienen una tendencia lineal, es una corrección del “Método del
Promedio Móvil Simple”, para incorporar la tendencia, el cual
presenta un rezago respecto de la serie original en estos casos.
✓ La siguiente expresión es la ecuación con la cual se calcula el
primer promedio móvil. x + x + ... + xt −1
Ft +1 = t t − N +1

✓ Con la siguiente expresión se calcula el segundo promedio

móvil. F + F + ... + Ft −1
Ft '+1 = t t − N +1

Investigación Operativa II
 Suavización Exponencial

✓ La Suavización Exponencial es otra técnica

que se usa para alisar una serie de tiempo y
proporcionar una visualización de los
movimientos a largo plazo de los datos.
Et = xt + (1 −  ) Et −1
Donde :
Et = valor de la serie suavizada exponencialmente en el período t
xt = valor observado de la serie en el período t
α = Constante de ajuste exponencial ( 0 ≤ α ≤ 1)

Investigación Operativa II
 Método de Suavizado
Exponencial (SE)
El pronóstico se calcula a partir de la siguiente expresión:

Ft +1 = Ft +  (xt − Ft ) con k ≤ t ≤ n

o, reordenando la ecuación anterior obtenemos:

Ft +1 = xt + (1 −  )Ft con k ≤ t ≤ n

Ft +1 = Et Relación entre el pronóstico y suavizado

k
xt
Ft = 
Cuando t=k
i =1 k

Investigación Operativa II
F = pronóstico [$ ó Kg]

t = período de tiempo presente

α = Constante de ajuste exponencial ( 0 ≤ α ≤ 1)

Ft = Pronóstico para el período “t”

Ft+1= Pronóstico para el período siguiente a “t”

xt = Valor real de la variable del período “t”

k = cantidad de períodos que se utilizan para estimar el primer pronóstico

necesario para comenzar este método recursivo.

Investigación Operativa II
✓ Desarrollando la ecuación llegamos a la siguiente
relación recursiva entre Ft+1 y Ft de manera
alternativa, Ft+1 se puede expresar como:
Ft +1 = xt +  (1 −  ) xt −1 +  (1 −  )2 xt −2 + ...

✓ Representa el promedio móvil ponderado de todas

las observaciones pasadas con los pesos decreciendo
exponencialmente.
✓ En esta forma, se vuelve evidente que el
suavizamiento exponencial da el mayor peso a xt y
pesos decrecientes a las observaciones anteriores.
Investigación Operativa II
✓ Un valor conservador para la constante ,
generalmente se toma entre 0.1 y 0.3, pero
puede ser mayor.
✓ Si se desea una respuesta muy sensible a los
valores recientes de la variable en estudio, se
escoge un valor grande. Esto permite que el
modelo responda más rápido a los cambios en
la serie de tiempo. Pero un valor muy alto
puede volver nervioso al pronóstico y rastrear
las variaciones aleatorias en la serie de tiempo
en vez de los cambios fundamentales.
✓ Si  = 1 se obtiene el modelo llamado “naive”.

Investigación Operativa II
✓ El modelo básico de ajuste exponencial da buenos
resultados cuando los cambios en los componentes
de tendencia y estacionalidad no son tan grandes.

✓ Sin embargo, cuando existe una tendencia

importante o un patrón estacional significativo en la
información, el retraso inherente de pronóstico en
este tipo de modelo puede arrojar valores
inaceptables de pronóstico.

✓ El modelo puede extenderse para proporcionar un

mejor seguimiento cuando los elementos de
tendencia y de estacionalidad son significativos.

Investigación Operativa II
 Método de Suavizado
Exponencial corregido por Tendencia (SET)
Método Holt
✓ Cuando existe una tendencia, el modelo anterior se corrige
con los siguientes factores:

St +1 = xt + (1 −  )(St + Tt )

Tt +1 =  (St +1 − St ) + (1 −  )Tt

Ft +1 = St +1 + Tt +1 con k ≤ t ≤ n

Cuando t = k si k = 1; Tt=0
k
xt
St =  si k>1; Tt=b1 pendiente
i =1 k
Investigación Operativa II
Ft+1= pronóstico con tendencia
corregida para el período (t+1)
St = Pronóstico inicial para el período t
Tt = tendencia para el período t
β = constante de ajuste de tendencia (0≤β≤1)
✓ En el caso especial que α = β, el método de
Holt es equivalente al doble suavizado
exponencial de Brown.

Investigación Operativa II
Método de SuavizadoExponencial corregido por
Tendencia y Estacionalidad (SETE)
Método Holt - Winters
Cuando existe tendencia y estacionalidad, el modelo es:
St +1 =  (xt / I (t − L ) ) + (1 −  )(St + Tt )
Tt +1 =  (St +1 − St ) + (1 −  )Tt con k ≤ t ≤ n
I t =  (xt / St ) + (1 −  )I ( t−L )
Ft +1 = (St +1 + Tt +1 )I (t −L+1)
Cuando t = k
k
xt Tt=b1 pendiente
St =  y
i =1 k
I (t − L ) = xt / xt
Investigación Operativa II
Ft+1= pronóstico con tendencia y estacionalidad
corregidas para el período (t+1)

 = constante de ajuste sobre el índice de

estacionalidad (0≤  ≤1)

It = índice de estacionalidad para el período t

L = el tiempo para una estación completa

Investigación Operativa II
✓ Estos métodos de pronóstico intuitivos y de fácil
comprensión, son muy útiles y con muy buenos
resultados empíricos especialmente en el área de
negocios y empresas.
✓ No obstante sufren una crítica fundamental:
✓ no existe un modelo estadístico que sustente la representación de
los datos.

Investigación Operativa II
 Descomposición de
Serie de Tiempo
Exploración de Patrones de
Datos de Serie de Tiempos

Investigación Operativa II
 Método de Descomposición Clásica de Series
de Tiempo
✓ Considerando los cuatro factores en los podemos descomponer el patrón de una serie de
tiempo, se obtiene:

F = T  I C  R ó F =T + I +C + R
Siendo: R = C = 1 (modelo multiplicativo)

R = C = 0 (modelo aditivo)

La tendencia se calcula como: T = b0 + b1t

I t = xt / Pt
La estacionalidad se obtiene a través de una
relación con la línea de tendencia o con el I t = xt / Tt ó
promedio o promedio móvil, como:

✓ Por lo tanto la variable pronosticada según el método de descomposición se halla mediante:

Ft = Tt I (t − L ) ó Ft = Tt + I (t − L )

Investigación Operativa II
F = Pronóstico de la v. (en unidades o en $)

T = Nivel de tendencia (en unidades o en $)

P = Promedio o promedio móvil (en unidades o en $)

I = Índice de estacionalidad

C = Índice cíclico

R = Índice residual

Investigación Operativa II
✓ Variación estacional aditiva: este tipo de variación
supone simplemente que la cantidad estacional es
constante independientemente de la cantidad de la
tendencia o promedio.
Proyección: Tendencia + Factor Estacional

✓ Variación estacional multiplicativa: en este caso la

variación estacional se incrementa en la medida en
que la tendencia aumenta por cuanto su tamaño
depende de la misma (es la más común).
Proyección: Tendencia * Factor Estacional

Investigación Operativa II
 Tendencia Lineal
✓ El factor componente de una serie de tiempo que se estudia
con mayor frecuencia es la tendencia.

✓ Modelo de tendencia lineal es:

yˆ = b0 + b1 xi

✓ Al usar el método de mínimos cuadrados para ajustar las

tendencias los valores de X se codifican de manera que la
primera observación en la serie de tiempo se elige como el
origen y se le asigna el valor X=0. Después se asignarlos
enteros sucesivos a las observaciones:1,2,3… de manera que
la n-ésima y última observación tiene valor n-1.
Investigación Operativa II
 Modelo de Regresión Lineal Simple

yˆ =  0 + 1 xi

Siendo:
bo = y − b1 x ordenada al origen

n
n

 ( xi − x )( yi − y ) x y i i − xy
b1 = i =1
n = i =1
n
 ( xi − x )2
 i − 2 2
i =1 x x pendiente
i =1

Investigación Operativa II
 Confiabilidad del Modelo

✓ Error estándar del estimador ✓ SCR = suma de cuadrado de

regresión o variación
explicada.
(
 i i
y − ˆ
y )2
SCE
S xy = =
n−2 n−2
✓ SCE = suma de cuadrados del
✓ Coeficiente de determinación error o variación no explicada.

SCR (
 i i
y − ˆ
y )2
✓ SCT= Suma de cuadrados total
R2 = = 1−
 (yi − y )
2
SCT

✓ Coeficiente de correlación
r= R2

Investigación Operativa II
Medidas de variación

Investigación Operativa II
 Test de Significación

✓ H0: i = 0 no hay relación significativa

✓ H1: i ≠ 0 existe relación significativa

✓ Estadístico
S xy
Sb1 =
b −0
= i
( x)
2

tn−2 x − n
2 i
i
Sbi
✓ Con t crítico:  
 
1 x2 
t * ,n −2 Sb0 = S xy n+
2
 ( xi )2 


 xi 2 −
n 

Investigación Operativa II
Test t de Significación

-t* t*
Investigación Operativa II
 Regresión no lineal

✓ Regresión Semilogarítmica

ˆy = ab x
log yˆ = log a + x log b

✓ Regresión Logarítmica

ˆy = axb
log yˆ = log a + b log x
Investigación Operativa II
 Regresión no lineal

✓ Regresión Polinómica

yˆ = bo + b1 x + b2 x + ... + bk x
2 k

Investigación Operativa II
 Regresión Lineal Múltiple
✓ En los modelos analizados hasta aquí el
tiempo es la única variable que se ha
considerado. En la medida que otras variables
muestren una relación con el valor a
pronosticar estas también pueden incluirse en
el modelo.

✓ Modelo de regresión lineal múltiple con n

variables independientes
yˆ =  o + 1 x1 +  2 x2 + ... +  n xn
Investigación Operativa II
 Confiabilidad del Modelo
✓ Error estándar del estimador

 (y − yˆ i )
2 k: Cantidad de variables
SCE
S xy = =
i independientes
n − k −1 n − k −1
✓ Coeficiente de determinación múltiple

SCR  ( y − ˆ
y )2

R2 = = 1− i i

SCT (
 i y − y )2

✓ Coeficiente de correlación

r = R2
✓ R^2 Ajustado
n −1 
= 1 − (1 − R )
2  2
R
n − k − 1
aj

Investigación Operativa II
 Test F de Significación

✓ H0: 1 = 2= 3=…= i= 0 no hay relación significativa entre la

variable dependiente y el conjunto de
variables independientes
✓ H1: Por lo menos un i ≠ 0 existe relación significativa entre la
variable dependiente y el conjunto de
variables independientes
✓ Estadístico
MCR R2 / k
F( ,k ,n−k −1) = =
MCE (1 − R 2 ) /(n − k − 1)

✓ Con F crítico:

F ( , k , n − k −1)

Investigación Operativa II
Distribución F

Investigación Operativa II
Test F de Significación: ejemplo

t*

Investigación Operativa II
 Test t de Significación

✓ H0: i = 0 no hay relación significativa de la

variable
✓ H1: i ≠ 0 existe relación significativa de la
variable
✓ Estadístico
bi − 0
t n − k −1 =
Sbi
✓ Con t crítico:
*
t , n −k −1
2
Investigación Operativa II
 Descomposición de la Serie de Tiempo
✓ Descomponer las series de tiempo en sus
componentes.
✓ Encontrar el componente estacional.
✓ Desestacionalizar

✓ Encontrar el componente tendencial.

✓ Proyectar los valores futuros de cada

componente.
✓ Proyectar el componente de tendencia hacia el futuro.
✓ Multiplicar o sumar el componente de tendencia por el
estacional.

Investigación Operativa II
 Variaciones Estacionales

✓ El índice estacional indica cómo se compara

una estación específica con una estación
promedio.

It = 1 estación promedio
It < 1 estación por debajo del promedio
It > 1 estación por arriba del promedio

Investigación Operativa II
Ventas mensuales de los dos últimos años (unidades)
Mes Demanda Demanda Demanda Índice
Año 1 Año 2 promedio del promedio estacional
período total promedio
Enero 80 100 90 1128/12=94 90/94=0.957
Febrero 85 75 80 94 80/94=0.851
Marzo 80 90 85 94 85/94=0.904
Abril 110 90 100 94 100/94=1.064
Mayo 115 131 123 94 123/94=1.309
Junio 120 110 115 94 115/94=1.223
Julio 100 110 105 94 105/94=1.117
Agosto 110 90 100 94 100/94=1.064
Septiembre 85 95 90 94 90/94=0.957
Octubre 75 85 80 94 80/94=0.851
Noviembre 85 75 80 94 80/94=0.851
Diciembre 80 80 80 94 80/94=0.851
Demanda total promedio = 1128
Investigación Operativa II
✓ Si se espera que la demanda anual para el
tercer año sea de 1200 unidades.
✓ No se puede pronosticar que en cada mes la
demanda sea de 100 u, pero puede ajustarse
con base a los índices estacionales de la
siguiente forma:
Ene. 100*0.957 = 96 Dic. 100*0.851 = 85
Feb. 100*0.851 = 85
Mar. 100*0.904 = 90
Abr. 100*1.064 = 106
.
.
.
Investigación Operativa II
 Variaciones Estacionales con Tendencia
✓ Paso 1: Determinar el factor estacional, se realiza un
promedio de los mismos trimestres en el período. Se
hace un promedio de todas las variaciones que
ocurren dentro de una estación.
✓ 1.1 Se calculan los promedios móviles con un período
m correspondiente a una estación completa.
✓ 1.2 Si m es par se deben centrar los promedios (PMC).

✓ 1.3 Se dividen los datos reales por el promedio móvil

centrado
✓ 1.4 Se agrupan las relaciones anteriores de acuerdo al
mismo período (todas las del 1, todas las del 2 y así
sucesivamente). Se promedian estas relaciones
obteniendo los índices o factores estacionales
correspondientes.
Investigación Operativa II
✓ Paso 2: Desestacionalizar los datos originales,
se dividen los datos originales por el factor
estacional.
✓ Paso 3: Desarrollar una línea de regresión para
los datos desestacionalizados. Obtener el
pronóstico desestacionalizado.
✓ Paso 4: Realizar la proyección final
multiplicando o sumando la tendencia por el
factor estacional.

Investigación Operativa II
✓Paso 1: Obtención de los índices estacionales
0.5(108) + 125 + 150 + 141+ 0.5(116)
PMC = = 132
4
Año Trimestre Ventas PMC Proporción
(millones $) Estacional
1 1 108
2 125
3 150 132 1.136
4 141 134.125 1.051
2 1 116 136.375 0.851
2 134 138.875 0.965
3 159 141.125 1.127
4 152 143 1.063
3 1 123 145.125 0.848
2 142 147.875 0.960
3 168
4 165

Investigación Operativa II
Proporción estacional = Ventas trimestre 3/PMC = 150/132=1.136

Obtención de los índices:

Índice trimestre 1 = I1 = (0.851+0.848)/2 = 0.85

Índice trimestre 2 = I2 = (0.965+0.960)/2 = 0.96
Índice trimestre 3 = I3 = (1.136+1.127)/2 = 1.13
Índice trimestre 4 = I4 = (1.051+1.063)/2 = 1.06

✓ La suma de estos índices debe ser igual al número de estaciones, ya que

la estación promedio debe tener un índice 1.
✓ Si la suma no fuera equivalente al número de estaciones, se debe hacer
un ajuste.
✓ Para hacer el ajuste se multiplica a cada índice por el número de
estaciones y se divide por la suma total de los mismos.

Investigación Operativa II
✓ La suma de los índices estacionales es 4, no se deben corregir.

✓ Paso 2: Desestacionalizar la serie

Investigación Operativa II
✓ Paso 3: Desarrollar una línea de regresión para los datos
desestacionalizados

Investigación Operativa II
Después de probar confiabilidad y significación de los coeficientes
Modelo:
𝐹𝑖𝑇1 = 127,178 + 2,33 ∗ 𝑥𝑖 * 0,85
𝐹𝑖𝑇2 = 127,178 + 2,33 ∗ 𝑥𝑖 * 0,96
𝐹𝑖𝑇3 = 127,178 + 2,33 ∗ 𝑥𝑖 * 1,13
𝐹𝑖𝑇4 = 127,178 + 2,33 ∗ 𝑥𝑖 * 1,06
Investigación Operativa II
✓ Pronóstico

Período xi Pronóstico

Año 4, T1 Xi= 12 131,90

Año 4, T2 Xi= 13 152,00

Año 4, T3 Xi= 14 180,63

Año 4, T4 Xi= 15 171,91

Investigación Operativa II
 Uso de la regresión lineal múltiple con
componentes de tendencia y estacionales

✓ La regresión múltiple se puede utilizar para

pronosticar con componentes, tanto de tendencia
como estacionales.
✓ Una de las variables independientes es el tiempo.
✓ Las otras variables son variables ficticias que indican
la estación.
✓ Si se hace un pronóstico de datos trimestrales, hay 4
categorías o trimestres y se deben utilizar 3 variables
ficticias.
Investigación Operativa II
 Modelo de descomposición aditiva

yˆ = b0 + b1 x1 +b2 x2 + b3 x3 + b4 x4
Donde:
x1 = período
x2 = 1 si el trimestre es 2
= 0 si no es así
x3 = 1 si el trimestre es 3
= 0 si no es así
x4= 1 si el trimestre es 4
= 0 si no es así
si x2 = x3 = x4 = 0 entonces el trimestre tendría que ser el 1

Investigación Operativa II
Ejemplo
Año Trimestre Ventas x1 x2 x3 x4
(millones)
1 T1 108 0 0 0 0
T2 125 1 1 0 0
T3 150 2 0 1 0
T4 141 3 0 0 1
2 T1 116 4 0 0 0
T2 134 5 1 0 0
T3 159 6 0 1 0
T4 152 7 0 0 1
3 T1 123 8 0 0 0
T2 142 9 1 0 0
T3 168 10 0 1 0
T4 165 11 0 0 1

Investigación Operativa II
Modelo

yˆ = 106.42 + 2.31x1 +15.69 x2 + 38.71x3 + 30.06 x4

Período xi≠0 Pronóstico

Año 4, T1 X1= 12 134.14

Año 4, T2 X1= 13; X2= 1 152.14

Año 4, T3 X1= 14; X3= 1 177.47

Año 4, T4 X1= 15; X4= 1 171.13

Investigación Operativa II
 Significado de las pendientes del ejemplo

✓ b0: 106,42 (millones) es el aporte de otras variables que no están incluidas

en el modelo.

✓ b1: es la pendiente de la componente de tendencia. Cada período aporta

2,31 (millones).
✓ b2: es el aporte estacional del trimestre 2. Si corresponde al trimestre 2 se
debe sumar 15,69 (millones).

✓ b3: es el aporte estacional del trimestre 3. Si corresponde al trimestre 3 se

debe sumar 38,71 (millones).

✓ b4: es el aporte estacional del trimestre 4. Si corresponde al trimestre 4 se

debe sumar 30,06 (millones).

Investigación Operativa II
 ARIMA

Exploración de Patrón de
Datos con Análisis de
Autocorrelación
Investigación Operativa II
 Modelado Autorregresivo para Ajuste de la
Tendencia y Pronóstico
✓ Con frecuencia se encuentra que los valores de una
serie de datos en puntos específicos del tiempo tienen
una correlación alta con los valores que les preceden
y que les siguen.
✓ Una autocorrelación de primer orden se refiere a la
magnitud de asociación entre valores consecutivos en
una serie de tiempo.
✓ Una autocorrelación de orden p se refiere a la
magnitud de asociación entre valores de una serie de
tiempo con p períodos de separación también
llamados retrasos, retardos o rezagos.

Investigación Operativa II
✓ La propia historia de la variable influye sobre
el comportamiento de los procesos dinámicos.
✓ Para obtener un mejor ajuste histórico de los
datos y, al mismo tiempo hacer pronósticos
útiles de su comportamiento futuro, deben
aprovecharse las características de la
autocorrelación potencial inherentes a este tipo
de datos mediante la aplicación de los métodos
de modelado autorregresivos.

Investigación Operativa II
Datos autocorrelacionados

Investigación Operativa II
 Correlograma

✓ El correlograma o función de autocorrelación es una

gráfica de las autocorrelaciones para sucesivos
desplazamientos o retrasos de tiempo.
✓ Si una serie es aleatoria, las correlaciones entre Yt y
Yt-1 para cualquier retraso k son cercanas a cero.
✓ Si una serie presenta tendencia, las observaciones
sucesivas están muy correlacionadas y es típico que
los coeficientes de correlación sean bastante distintos
de cero.
Investigación Operativa II
Exploración de Patrón de Datos con Análisis
de Autocorrelación

• Es relación o correlación que existe entre una variable retrasada uno o

más períodos consigo misma.
Autocorrelación

Coeficiente de autocorrelación k

σ𝑡=𝑘+1 𝑌𝑡 −𝑌ത 𝑌𝑡−𝑘 −𝑌ത

𝑟𝑘 = con k = 0,1,2,…
σ𝑛 ത 2
𝑡=1 𝑌𝑡 −𝑌

Investigación Operativa II
 Correlograma

✓ Si una serie tiene un patrón estacional, se dará un

importante coeficiente de autocorrelación en el
retraso de tiempo que coincida con una estación
completa o en múltiplos de la misma.

Investigación Operativa II
 Correlograma

ACF o FAC: función de autocorrelación poblacional, FACE muestral

PACF o FACP: función de autocorrelación parcial poblacional, FACPE muestral

Investigación Operativa II
Correlograma

Investigación Operativa II
 Significación de los coeficientes de
autocorrelación

✓ Quenouille y otros (1949) han demostrado que

los coeficientes de autocorrelación de datos
aleatorios tienen una distribución muestral que
puede aproximarse mediante una curva normal
con media cero y desviación estándar
aproximada de 1Τ 𝑛.

Investigación Operativa II
 Significación de los coeficientes de
autocorrelación
✓ Una forma de calcular la desviación estándar, 𝑆𝐸 𝑟𝑘 de la
autocorrelación en el retraso k, es:
1+2 σ𝑘−1
𝑖=1 𝑟𝑖
2
𝑆𝐸 𝑟𝑘 =
𝑛

Donde: ri rk son las autocorrelaciones en el retraso i y k respectivamente.

k es el retraso en el tiempo.
n número de observaciones
✓ La ecuación supone que cualquier autocorrelación anterior a k
es distinta de cero, además cualquier autocorrelación de
retrasos iguales o mayores a k es igual a cero. Para una
autocorrelación de retraso 1 se utiliza el error estándar =1Τ 𝑛.
Investigación Operativa II
 Significación de los coeficientes de
autocorrelación
✓ Si la serie es realmente aleatoria, casi todos los coeficientes de
autocorrelación de la muestra deberían encontrarse dentro de
un rango especificado por cero, más o menos cierto número de
errores estándar.
✓ En un nivel de confianza determinado, una serie se puede
considerar aleatoria si los coeficientes de autocorrelación
calculados se encuentran dentro de un intervalo alrededor de
cero dado por:
0 ± 𝑡 × 𝑆𝐸 𝑟𝑘
✓ Existe autocorrelación cuando el valor de rk cae afuera de los
límites de confianza correspondientes.
Investigación Operativa II
 Significación de los coeficientes de
autocorrelación
✓ Si bien resulta útil la prueba de cada uno de los rk para saber si
en lo individual son significativamente diferentes de 0,
también resulta una buena práctica examinar una secuencia de
rk como un grupo.

✓ Se puede utilizar una prueba de conjunto para ver si, por

ejemplo, de los primeros 10 valores de rk son
significativamente distintos de un grupo en el cual todos los 10
valores son cero.

✓ Una prueba común es la estadística modificada Q de Box-

Pierce desarrollada por Ljung y Box.
Investigación Operativa II
 Prueba de Ljung y Box
✓ Esta prueba se aplica a la serie para chequear la autocorrelación de
la serie original y también puede ser empleada para los residuales de
un modelo de pronósticos.
✓ Si las autocorrelaciones se calculan a partir de un proceso aleatorio o
de ruido blanco, el estadístico Q tiene una distribución chi cuadrada
con m grados de libertad, para la serie, que corresponden al número
de retrasos de tiempo a ser probados. Si el LBQ es mayor que un
valor crítico especificado, las autocorrelaciones para uno o más
desfases podrían ser significativamente diferentes de cero, lo que
indicaría que los valores no son aleatorios ni independientes en el
tiempo.
✓ Para los residuales de un modelo de pronóstico, la estadística Q
tiene una distribución chi cuadrada con los grados de libertad
iguales a m, menos los parámetros estimados en el modelo.
Investigación Operativa II
 Prueba de Ljung y Box

✓ H0: Los datos se distribuyen de forma independiente (es decir,

las correlaciones en la población de la que se toma la muestra
son 0, de modo que cualquier correlación observada en los
datos es el resultado de la aleatoriedad del proceso de
muestreo).
✓ H1: Los datos no se distribuyen de forma independiente.
✓ La estadística de prueba es:
Donde:
𝑚 n es en número de observaciones de la serie de tiempo.
𝑟𝑘2
𝑄 = 𝑛(𝑛 + 2) ෍ k es el retraso del tiempo.
𝑛−𝑘
𝑘=1 m es el número de retrasos a ser probados.
rk es la función de autocorrelación de la muestra de los
residuales retrasados k períodos.

Investigación Operativa II
 Análisis de la tendencia en autocorrelación

✓ Si una serie tiene tendencia, existe una relación

significativa entre valores sucesivos de la serie
de tiempo.
✓ Los coeficientes de autocorrelación son
diferentes de cero de manera significativa para
varios de los primeros períodos de
desfasamiento y caen gradualmente hacia cero
al incrementarse el número de períodos.
Investigación Operativa II
 Análisis de la tendencia en autocorrelación

✓ Una serie estacionaria es aquella cuyas

propiedades estadísticas básicas, como la
media y la varianza, permanecen constantes en
el tiempo.
✓ Se dice que una serie que no presenta
crecimiento o declinación es estacionaria.
✓ Por lo tanto, una serie que muestra tendencia,
se dice que es no estacionaria.
Investigación Operativa II
 Análisis de la tendencia en autocorrelación

✓ Los coeficientes de autocorrelación de datos

estacionarios caen a cero después del segundo
o tercer período de desfasamiento.
✓ Mientras que en las series no estacionarias son
significativamente diferentes de cero durante
varios períodos.
✓ En las series no estacionarias, se debe quitar la
tendencia antes de realizar cualquier análisis
posterior.
Investigación Operativa II
 Análisis de la tendencia en autocorrelación

✓ Para quitar la tendencia de una serie no estacionaria

se utiliza un método denominado
diferenciación, se resta Yt de Yt-1, Yt-1 se resta de Yt-2
y así sucesivamente para crear una nueva serie.
✓ La serie se transforma en una nueva serie
diferenciada.
✓ En esta nueva forma, la media y la varianza
permanecen constantes a través del tiempo y la serie
es estacionaria.

Investigación Operativa II
 Análisis de la estacionalidad en
autocorrelación
✓ Si una serie es estacional, se repite el mismo patrón año a año
en fechas o períodos específicos del calendario.

✓ Las observaciones en las mismas fechas o períodos

estacionales tienden a estar relacionados.

✓ Por ejemplo si se analizan datos trimestrales con un patrón

estacional, los primeros trimestres tienden a parecerse, igual
que los segundos y así sucesivamente, entonces aparecerá un
coeficiente de autocorrelación significativo en el retraso de 4
períodos.

Investigación Operativa II
 Análisis de la estacionalidad en
autocorrelación

✓ Si una serie tiene un patrón estacional, se

presentará un coeficiente de autocorrelación
significativo en el período de desfasamiento
correspondiente: cuatro en los datos
trimestrales o doce en los datos mensuales.

Investigación Operativa II
 Modelos ARIMA
Modelo Autorregresivo
✓ Modelo autorregresivo de primer orden AR(1) o
ARIMA(1,0,0):
yi = A0 + A1 yi −1 +  i

✓ Modelo autorregresivo de segundo orden AR(2) o

ARIMA(2,0,0):
yi = A0 + A1 yi −1 + A2 yi − 2 +  i

✓ Modelo autorregresivo de orden p AR(p) o ARIMA(p,0,0):

yi = A0 + A1 yi −1 + A2 yi −2 + ... + Ap yi − p +  i
Investigación Operativa II
 yi = Valor observado de la serie de tiempo i

yi −1 = Valor observado de la serie de tiempo i-1

yi − p = Valor observado de la serie de tiempo i-p

A0 = Parámetro fijo estimado a partir del análisis de regresión de

mínimos cuadrados

A1 , A2 ,..., Ap = Parámetros de autorregresión estimados a partir del

análisis de regresión de mínimos cuadrados

i = Componente aleatoria (de error) no autocorrelacionada (con

media 0 y varianza constante)

Investigación Operativa II
✓ Una vez que se selecciona el modelo y que se usan los métodos de
regresión de mínimos cuadrados para obtener las estimaciones de los
parámetros, el siguiente paso es determinar si el modelo es
adecuado.

✓ Se puede seleccionar un modelo autorregresivo de orden p

específico basado en las experiencias previas con datos similares.

✓ O bien, como punto de partida, se puede elegir un modelo con varios

parámetros y después eliminar los que no contribuyan de manera
significativa.

✓ También se puede empezar con p = 1, e ir incrementando el orden

hasta llegar a que no es significativo o que no se mejora el error.

Investigación Operativa II
 Prueba t para la significancia del parámetro
Ap de autorregresión de orden más alto
✓ H0: Ap = 0 no hay relación significativa el parámetro
de orden más alto es 0
✓ H1: Ap≠ 0 existe relación significativa, el parámetro
de orden más alto es significativo

✓ Estadístico
a p − Ap
t=
Sa p

✓ Con t crítico:

t , n − 2 p −1
2
Investigación Operativa II
 Modelo autorregresivo ajustado de orden p

yˆi = a0 + a1 yi −1 + a2 yi −2 + ... + a p yi − p

ŷi = Valor ajustado de la serie de tiempo, en el tiempo i

a0 , a1 , a2 ,..., a p = Estimadores regresivos de los parámetros

A0 , A1 , A2 ,..., Ap

Investigación Operativa II
 Uso del modelo autorregresivo de orden p
para pronosticar

✓ Para pronosticar a j años futuros a partir del período n

actual:

yˆ n+ j = ao + a1 yˆ n+ j −1 + a2 yˆ n+ j −2 ... + a p yˆ n+ j − p

Investigación Operativa II
✓ a0, a1, a2,…,ap= estimadores regresivos de los
parámetros A0, A1, A2,…,Ap

✓ j = número de años futuros

✓ ŷ n + j − p = pronóstico de yn+j-p a partir del

período actual para j-p>0 ó valor observado de
yn+j-p para j-p≤0

Investigación Operativa II
 Pasos para el modelado autorregresivo para
datos de una serie de tiempo anual
✓ 1. Seleccionar un valor de p (parámetro de orden más alto)

✓ 2. Formar una serie de p variables “predictoras retrasadas”

✓ 3. Utilizar un modelo de regresión múltiple con las p variables “predictoras

retrasadas”

✓ 4. Probar la significancia de Ap:

4.1 Si la hipótesis nula se rechaza, el modelo autorregresivo con las p variables de

predicición se selecciona como ajuste.

4.2. Si la hipótesis nula no se rechaza se descarta la p-ésima variable y se repite el

proceso con p-1 variables predictoras hasta que el parámetro autorregresivo sea
estadísticamente significativo.

Investigación Operativa II
Pasos para el modelado autorregresivo para
datos de una serie de tiempo anual

✓ 1. Comenzar con un modelo de orden p =1

✓ 2. Probar la significancia de Ap

✓ 3. Si la hipótesis nula se rechaza, se va incrementando

p en un orden, hasta:
✓ Obtener un modelo no significativo.
✓ No mejorar el error.

Investigación Operativa II
 Modelo ARIMA (p, d, q)
✓ Modelo de Medias Móviles MA(q) también describe una serie
temporal estacionaria. En este modelo el valor actual puede
predecirse a partir de la componente aleatoria de este momento
y en menor medida teniendo en cuenta los impulsos o errores
aleatorios anteriores. El modelo ARIMA(0,0,1), también
denotado por MA(1), viene dado por la expresión:

yt =  +  t − 1 t −1

Donde:
 = valor promedio que permanece constante en el proceso
1 = coeficiente que será estimado
εt-1= errores en períodos anteriores al tiempo t, incorporados en la respuesta yt

Investigación Operativa II
 Modelo ARIMA (p, d, q)

✓ El proceso de medias móviles de orden q,

representado por ARIMA(0,0,q), o también por
MA(q), viene dado por la expresión:

y t =  +  t − 1 t −1 −  2  t − 2 − ... −  q  t − q

✓ El proceso de medias móviles se escribe como

el promedio de q+1 ruidos blancos, o shocks
aleatorios pasados.
Investigación Operativa II
 Modelo ARIMA (p, d, q)
✓ Modelo Integrado I(d), Un modelo ARIMA(0,1,0) es
una serie temporal que se convierte en un ruido
blanco (proceso puramente aleatorio) después de ser
diferenciado 1 vez. El modelo ARIMA (0,1,0) se
expresa así:
𝑦𝑡 − 𝑦𝑡−1 = ∆ 𝑦𝑡 = 𝜀𝑡

✓ Ruido blanco: es una serie tal que su media es cero, la

varianza es constante y es incorrelacionada, es decir
covarianza cero.
Investigación Operativa II
 Modelo ARIMA (p, d, q)
✓ El proceso de diferenciación de orden d,
representado por ARIMA(0,d,0), viene dado
por la expresión:
d yt = d −1 (yt ) = d −1 ( yt − y t −1 ) = d −2 ( yt − yt −1 ) = d −2 ( yt − 2 yt −1 + yt −2 )

Investigación Operativa II
 Modelo ARIMA (p, d, q)(P,D,Q)n
✓ Una serie regular y variaciones de tendencia o cíclicas se
puede representar mediante un modelo
ARIMA(p,d,q)(P,D,Q)n. El primer paréntesis se refiere a la
parte regular, y el segundo a las variaciones estacionales o
cíclicas, n corresponde a los períodos que conforman la
estación completa, por ejemplo n = 4 indica que una estación
está formada por 4 períodos, esto indica que la serie es
trimestral. Es decir, las veces que la serie se mide al año.
✓ Por ejemplo: el parámetro d significa aplicar primeras
diferencias d veces, D indica que para hacer la serie
estacionaria se deben emplear n diferencias D veces.

Investigación Operativa II
Metodología Box - Jenkins

Investigación Operativa II
 Metodología Box - Jenkins
✓ Recogida de datos: es conveniente disponer de 50 o más datos.
✓ Representación gráfica de la serie: para decidir sobre la estacionariedad
(medias y varianzas invariantes en el tiempo) de la serie es de gran utilidad
disponer de un gráfico de la misma. Se pueden utilizar medias y
desviaciones típicas por subperíodo para juzgar sobre la estacionariedad. La
estimación de un modelo ARIMA exige que el proceso estocástico
subyacente que generó la serie no varíe con respecto al tiempo. Si las
características del proceso estocástico cambian no resultará posible la
obtención de una estimación con propiedades estadísticas razonables.
✓ Si el futuro es como el pasado, entonces las relaciones históricas se pueden
utilizar para predecir el futuro, se habla de una serie estacionaria. No ocurre
estacionariedad cuando:
✓ La serie presenta movimientos persistentes a largo plazo
✓ La serie puede ser inestable en el tiempo, muestra puntos de ruptura

Investigación Operativa II
 Metodología Box - Jenkins
✓ Transformación previa de la serie: La transformación de
Box-Cox o transformación lambda, es una transformación de
potencia, W=Y^, donde se determina el mejor valor para λ.
Una apropiada transformación estabiliza la variabilidad de Y y
produce que las desviaciones alrededor del modelo sean más
normalmente distribuidas.
✓ Si el valor de lambda es igual a cero, se lleva a cabo la
transformación logarítmica de la serie inicial, y si dicho valor
es distinto a cero la transformación es potencial.
✓ La mejor estimación de lambda (λ) podría ser cualquier
número entre -5 y 5, en cualquier situación práctica se desea
un valor de λ que corresponda a una transformación
comprensible, como la raíz cuadrada (λ=0.5, 𝑊 = 𝑌) o el
logaritmo natural (λ=0, 𝑊 = ln 𝑌).
Investigación Operativa II
 Metodología Box - Jenkins
✓ La transformación logarítmica es muy frecuente,
incluso en series con dispersión relativamente
constante en el tiempo. Una posibilidad es ensayar
con y sin transformación y comprobar resultados.
✓ Si la serie en niveles presenta un crecimiento
exponencial (crece a un determinado porcentaje
medio anual) el logaritmo de la serie muestra un
crecimiento lineal.
✓ La variación en el logaritmo de una variable es
aproximadamente igual a la variación porcentual de la
variable en niveles.
Investigación Operativa II
Metodología Box - Jenkins

Investigación Operativa II
 Metodología Box - Jenkins

✓ Eliminación de la tendencia: la observación

del gráfico de la serie nos indicará la existencia
o no de tendencia. Una tendencia lineal será
corregida tomando primeras diferencias, que
será el caso más frecuente. Una tendencia no
lineal suele llevar en la práctica al uso de dos
diferencias como mucho.

Investigación Operativa II
Metodología Box – Jenkins
Identificación

Investigación Operativa II
 Metodología Box - Jenkins
✓ Identificación del modelo: consiste en determinar el tipo del
modelo más adecuado para la serie objetivo de estudio, es
decir, el orden de los procesos autorregresivos y de medias
móviles de las componentes regular y estacional.
Técnicamente esta decisión se tomará en base a las funciones
de autocorrelación y autocorrelación parcial. Habitualmente se
seleccionan los procesos más sencillos AR(1), AR(2), MA(1),
MA(2), ARMA(1,1), tanto en la parte regular como la
estacional. En caso de duda se eligen varios modelos los que
serán estimados y contrastados posteriormente.
✓ Estimación de los coeficientes del modelo: decidido el
modelo se procede a la estimación de sus parámetros, dado que
se trata de un procedimiento iterativo de cálculo, pueden
sugerirse valores iniciales.
Investigación Operativa II
 Metodología Box - Jenkins
✓ Contraste de validez conjunta del modelo: se utilizan
diversos procedimientos para valorar el o los modelos
inicialmente seleccionados: contraste de significación de los
parámetros, covarianzas entre estimadores, coeficientes de
correlación, suma de cuadrados de los errores, etc.
✓ Análisis detallado de los errores: las diferencias entre
valores reales y estimados por el modelo constituyen una
fuente de especial interés para la valoración final del modelo.
Deberá comprobarse un comportamiento no sistemático de los
mismos, así como analizarse la posible existencia de errores
especialmente significativos.

Investigación Operativa II
 Metodología Box - Jenkins

✓ La selección del modelo: en base a los

resultados de las etapas anteriores, debe estarse
en condiciones de decidir sobre el modelo
adoptado. En el caso de la existencia de más
de un modelo se deberá elegir el más sencillo
(parsimonioso).
✓ Predicción: el modelo seleccionado servirá
como fórmula inicial de predicción.

Investigación Operativa II
 Criterios para la selección de un modelo

✓ Existe cierto grado de subjetividad en el proceso de

selección, por lo cual 2 o más modelos pueden ser
coherentes con los patrones de autocorrelaciones y
autocorrelaciones parciales.
✓ Si los modelos contienen el mismo número de
parámetros se preferirá, el que presente el error
cuadrado medio más pequeño s2.
✓ Si poseen distintos números de parámetros la
selección se realiza por el principio de parsimonia.

Investigación Operativa II
 Criterios para la selección de un modelo
✓ En la elección del orden de un modelo resulta
necesario equilibrar el beneficio marginal de incluir
más órdenes, con el costo marginal de la
incertidumbre adicional de la estimación.
✓ Por un lado, si el orden de una autorregresión
estimada es demasiado bajo, se omite información
potencialmente valiosa.
✓ Por otro lado, si el orden es demasiado elevado, se
estiman más coeficientes que los necesarios, lo que a
su vez introduce errores de estimación adicionales en
las predicciones. El modelo está sobreparametrizado.
Investigación Operativa II
 Criterios para la selección de un modelo
✓ Se ha desarrollado una metodología para la selección
que considera el ajuste del modelo y los parámetros.
✓ Criterio de la información de Akaike o AIC,
selecciona el modelo de un grupo de candidatos como
aquel que minimice el siguiente estadístico:
2 2
𝐴𝐼𝐶 = ln 𝜎ො + 𝑟
𝑛
Donde:
𝜎ො 2 = suma de cuadrado de los residuales dividida por el
número de observaciones
𝑛 = el número de observaciones residuales
𝑟 = el número total de los parámetros del modelo ARIMA
incluyendo el término constante

Investigación Operativa II
 Criterios para la selección de un modelo
✓ Criterio Bayesiano de información que desarrolló Schwarz o
BIC, selecciona el modelo que minimiza, el siguiente
estadístico:
ln 𝑛
𝐵𝐼𝐶 = ln 𝜎ො 2 + 𝑟
𝑛
✓ El segundo término en ambos criterios es un factor de castigo
por incluir parámetros adicionales en el modelo.
✓ El criterio BIC impone un castigo mayor por el número de
parámetros.
✓ Estos criterios deben tomarse como procedimientos
adicionales que ayudan a la selección del modelo. No deben
emplearse como sustitutos de un examen de autocorrelaciones
de la muestra y autocorrelaciones parciales.
Investigación Operativa II
 ERRORES DE
PRONÓSTICO

Investigación Operativa II
 Errores en la proyección

✓ El error se define como la diferencia entre el

valor de lo que realmente ha ocurrido y el
valor de la proyección.

Error = xt − Ft
✓ La desviación media absoluta MAD es una
forma sencilla y útil de medir el error.

 n 
  xt − Ft 
MAD =  t = k 
n

Investigación Operativa II
 Errores en la proyección
Señal de Rastreo (TS)
✓ La señal de rastreo TS es otra forma de analizar el error de la
proyección y es una medida que indica si el promedio de
proyección está manteniendo el ritmo de los cambios reales
de la variable. Es el número de desviaciones medias
absolutas en que el valor de la proyección se encuentra por
arriba o por debajo de la ocurrencia real.
Se calcula como:
RSFE
TS =
MAD
n

Donde: RSFE =  ( xt − Ft ) RSFE es la suma continua

t =k
de los errores de proyección

Investigación Operativa II
 Otra forma de medir el error
𝑛
1 2
𝑀𝑆𝐸 = ෍ 𝑥𝑡 − 𝐹𝑡 Error cuadrático medio
𝑛
𝑡=1

𝑛
1 2
Raíz cuadrada del error cuadrático
𝑅𝑀𝑆𝐸 = 𝑀𝑆𝐸 = ෍ 𝑥𝑡 − 𝐹𝑡
𝑛 medio
𝑡=1

𝑛
1 𝑥𝑡 − 𝐹𝑡
𝑀𝐴𝑃𝐸 = ෍ Error porcentual absoluto medio
𝑛 𝑥𝑡
𝑡=1
(cuan grande es el error)

𝑛
1 (𝑥𝑡 − 𝐹𝑡 )
𝑀𝑃𝐸 = ෍ Error porcentual medio
𝑛 𝑥𝑡
𝑡=1
(sesgo del pronóstico)
Investigación Operativa II
 Otra forma de medir el error
FA (forecast accuracy)
✓ La forma más común de medir la precisión de un pronóstico (forecast
accuracy) es comparar los resultados del pronóstico contra los valores
reales del siguiente periodo. El objetivo es encontrar valores cercanos a 1
para emitir juicios favorables sobre el modelo de pronóstico seleccionado.
La fórmula utilizada para este efecto es:
𝑥𝑡 −𝐹𝑡
𝐹𝐴 = 1 − %
𝑥𝑡

✓ Aun cuando ésta es una de las medidas más utilizada entre los
pronosticadores, sólo se recomienda utilizarla en el corto plazo (no más de
tres períodos).
✓ Si el modelo seleccionado se ajustó muy bien a los datos históricos no
necesariamente es igual de efectivo en el momento de pronosticar.

Investigación Operativa II
 Otra forma de medir el error
U de Theil
✓ El coeficiente de desigualdad U de Theil es otra medida que permite analizar la
efectividad del modelo seleccionado en la predicción. Las medidas de errores
absolutos en lugar de los cuadráticos, suelen presentar sesgos y éstos últimos
penalizan en mayor medida los errores grandes. La elección dependerá de la
importancia que se les dé a los grandes errores.
✓ El coeficiente de desigualdad U de Theil presenta una solución para estos
escenarios.
✓ Si el valor de U es cercano a cero, supone una predicción perfecta. Su formulación
está basada en la diferencia cuadrática que existe entre las tasas de crecimiento de
la variable real y la estimada. Este coeficiente se puede utilizar para evaluar la
efectividad del pronóstico a mediano plazo. Si U toma el valor unitario la
predicción no mejora el método naive (Ft+1 = xt), si U es mayor a 1 la capacidad
predictiva del modelo es menor a la del método naive.
σ𝑛𝑖=1 𝑥𝑡 − 𝐹𝑡 2
𝑈𝑡 =
σ𝑛𝑡=1 𝑥𝑡 − 𝑥𝑡−1 2

Investigación Operativa II
 Otra forma de medir el error

✓ MAPE ajustado

𝑛
1 𝑥𝑡 − 𝐹𝑡
𝑆𝑀𝐴𝑃𝐸 = ෍
𝑛 𝑥𝑡 + 𝐹𝑡
𝑡=1
2

Investigación Operativa II
 Otra forma de medir el error
SMAPE
✓ Error porcentual absoluto medio simétrico
✓ SMAPE o sMAPE es una medida de precisión basada en errores porcentuales o
relativos
✓ Expresión:
𝑛
100% 𝑥𝑡 − 𝐹𝑡
𝑆𝑀𝐴𝑃𝐸 = ෍
𝑛 𝑥𝑡 + 𝐹𝑡
𝑡=1
2
✓ La expresión tiene límite inferior y superior, varía entre 0 y 200%
✓ Otra representación que también se utiliza es más fácil de interpretar varía
entre 0 y 100%, el SMAPE también se puede calcular de la siguiente
forma:
𝑛
100% 𝑥𝑡 − 𝐹𝑡
𝑆𝑀𝐴𝑃𝐸 = ෍
𝑛 𝑥𝑡 + 𝐹𝑡
𝑡=1

Investigación Operativa II
 Otra forma de medir el error
GMRAE
✓ Error absoluto de la media geométrica relativa.
✓ Es calculado usando el error relativo entre el modelo seleccionado y el
modelo naive. Si GMRAE es del 54% indica que el tamaño del error del
modelo calculado es del 54% del error calculado empleando el modelo
naive.
✓ Expresión:
𝑛
𝑛 𝑥𝑡 − 𝐹𝑡
𝐺𝑀𝑅𝐴𝐸 = ෑ
𝑥𝑡 − 𝐹𝑡∗
𝑡=1

𝑥 , 𝑠𝑖 𝑙𝑎 𝑠𝑒𝑟𝑖𝑒 𝑒𝑠 𝑛𝑜 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙
Donde 𝐹𝑡∗ ቊ 𝑡−1
𝑥𝑡−𝑀 , 𝑠𝑖 𝑙𝑎 𝑠𝑒𝑟𝑖𝑒 𝑒𝑠 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙,
Siendo M la estación completa
Investigación Operativa II
 Reducción del error

✓ Se debe aprovechar al máximo las técnicas de

pronóstico disponibles.
✓ Hasta el momento se han usado modelos y
métodos individuales.
✓ La combinación de los resultados de varios
modelos puede generar pronósticos más
estables y precisos.

Investigación Operativa II
 Guía para seleccionar un modelo con el
propósito de pronosticar
1. Realizar un análisis residual
2. Medir la magnitud del error residual mediante
los cuadrados de las diferencias.
3. Medir la magnitud del error residual mediante
las diferencias absolutas.
4. Utilizar el principio de parsimonia: el cual
indica que se debe elegir el modelo más
sencillo y adecuado.
Investigación Operativa II
 Análisis Residual
✓ Para evaluar si el modelo es idóneo, se grafican los
residuos en función del período.
✓ Se evalúa que los residuos cumplan las siguientes
suposiciones:
✓ Homocedasticidad: deben presentar varianzas iguales para cada
período.

✓ Normalidad: se observa a través de una distribución de frecuencias

(histograma).

✓ Independencia: no deben presentar autocorrelación (Test de

Durbin-Watson)

Investigación Operativa II
 Test de Durbin Watson
✓ Además de la gráfica de los residuales, la autocorrelación se
puede detectar y medir con el estadístico de Durbin-Watson,
que mide la correlación entre cada residual para el período
inmediato anterior, al de interés. El estadístico se define de la
siguiente forma:
σ𝑛𝑖=2 𝑒𝑖 − 𝑒𝑖−1 2
𝐷=
σ𝑛𝑖=1 𝑒𝑖2
Donde: 𝑒𝑖 = residual del período i

Investigación Operativa II
 Test de Durbin Watson
✓ El estadístico indica que cuando los residuales sucesivos
tienen correlación positiva el valor de D se acerca 0.

✓ Si los residuales no se correlacionan será aproximadamente 2.

✓ Para una autocorrelación negativa será mayor a 2 hasta 4.

✓ Para determinar cuando el estadístico es menor a 2, indicando

que la validez del modelo sea una preocupación, se compara
con valores críticos. Los cuales dependen de , del número de
observaciones N y del número de parámetros independientes
del modelo.

Investigación Operativa II
 Test de Durbin Watson
✓ Se obtienen 2 valores críticos dL y dU (limite inferior
y superior):
• Si D es menor a dL, se concluye que hay evidencia de
autocorrelación positiva ( > 0, H0:  > 0).
• Si D es mayor a dU, se concluye que no hay evidencia de
autocorrelación entre los residuales ( = 0, H0:  = 0). No
hay correlación positiva.
• Si D se encuentra entre dL y dU no es posible llegar a
ninguna conclusión.

Investigación Operativa II
 Predicciones o Pronósticos vs. Valores de
Predicción o Ajuste
✓ Los valores de predicción o ajuste se refieren a
los obtenidos para las observaciones de la
muestra utilizada para calcular el modelo
(dentro de la misma muestra o serie).
✓ Por otro lado, el pronóstico o predicción se
obtiene para valores más allá del conjunto de
datos empleado para encontrar el modelo
(fuera de la muestra o serie).

Investigación Operativa II
 Residuo vs. Error de Predicción

✓ El residuo es la diferencia entre el valor real y

el valor correspondiente a la predicción para
las observaciones de la muestra (dentro de la
misma muestra o serie).
✓ El error de la predicción es la diferencia entre
el valor futuro de la variable, que no está
contenido en la muestra empleada para
calcular el modelo y el valor de predicción del
mismo (fuera de la muestra o serie).
Investigación Operativa II
 Bibliografía Consultada
✓ Ballou R. (2004) “Logística: Administración de la Cadena de
Suministro” Pearson Prentice–Hall. Quinta Edición.
✓ Berenson L., Levine D., Krehbiel T. (2001) “Estadística para
la Administración” Prentice–Hall, Segunda Edición.
✓ Render Barry, Stair Ralph Jr., Hanna Michael. (2012)
“Métodos Cuantitativos para los Negocios”. Undécima
edición. Pearson.
✓ Hanke John E., Wichern Dean W. (2006) “Pronósticos en los
Negocios”. Octava Edición. Pearson Prentice–Hall.

Investigación Operativa II