Título: Pronósticos: Analizando series de tiempo y proyecciones con regresiones lineales
Introducción:
Los pronósticos son una herramienta esencial en el ámbito empresarial y académico, ya que
permiten predecir tendencias futuras y tomar decisiones informadas. Una de las técnicas más
utilizadas para realizar pronósticos es el análisis de series de tiempo y la aplicación de métodos de
regresión lineal, como los de mínimos cuadrados y de momentos. Estos métodos ofrecen una
forma sistemática de modelar y estimar relaciones entre variables, permitiendo proyectar el
comportamiento futuro y suavizar las fluctuaciones de los pronósticos. En este ensayo,
exploraremos en detalle el análisis de series de tiempo y cómo se utilizan las regresiones lineales
para realizar pronósticos precisos y confiables.
Desarrollo:
La persecución de demanda es una técnica muy simple que pretende otorgar como
pronóstico del siguiente periodo la demanda del periodo anterior o presente.
La media consiste en estimar el promedio de todo el conjunto de datos para estimar el
pronóstico del siguiente periodo.
La media móvil consiste en considerar la media de los periodos inmediatos anteriores para
estimar el pronóstico del siguiente periodo.
La media ponderada consiste en estimar la media de los periodos anteriores, en función de
la semejanza que poseen con el periodo para el que desea establecerse el pronóstico.
La regresión lineal busca encontrar una relación lineal entre una variable dependiente y
una o más variables independientes. Al aplicar la regresión lineal a datos de series de
tiempo, podemos modelar el comportamiento de una variable en función del tiempo y,
posteriormente, utilizar este modelo para realizar pronósticos.
El análisis de series de tiempo implica el estudio de datos secuenciales recopilados a lo
largo del tiempo. Estos datos pueden estar relacionados con cualquier fenómeno medible,
como ventas mensuales, precios de acciones, producción industrial, temperatura, entre
otros. El objetivo principal del análisis de series de tiempo es comprender los patrones
subyacentes y las tendencias a lo largo del tiempo para poder pronosticar valores futuros.
El método de mínimos cuadrados es una técnica comúnmente utilizada para estimar los
parámetros en la regresión lineal. Consiste en minimizar la suma de los errores al cuadrado
entre los valores observados y los valores predichos por el modelo. Al encontrar los
coeficientes que minimizan esta suma, obtenemos la línea de regresión que mejor se
ajusta a los datos y podemos utilizarla para realizar pronósticos a futuro.
El estudio de momentos, que se basa en el cálculo de las medias y las varianzas de los
datos para estimar los parámetros del modelo. Este método es especialmente útil cuando
hay cambios en la tendencia o en la varianza de la serie de tiempo a lo largo del tiempo. Al
considerar diferentes momentos de la distribución de los datos, podemos obtener
estimaciones más precisas y confiables.
La suavización exponencial busca eliminar las fluctuaciones o variaciones de la serie
temporal y detectar la tendencia subyacente. Se basa en una fórmula que calcula el
pronóstico actual a partir del pronóstico anterior y el error de pronóstico. El factor de
suavización (alfa) es un número entre 0 y 1 que determina cuánto peso se considera para
los eventos más recientes.
Además de utilizar estas técnicas, es común aplicar técnicas de suavizamiento en el análisis de
pronósticos. Estas técnicas permiten eliminar las fluctuaciones aleatorias y resaltar las tendencias
subyacentes en los datos. El suavizamiento de pronósticos se puede lograr utilizando promedios
móviles, suavizamiento exponencial o modelos autoregresivos.
La realización de pronósticos a través del tiempo es un proceso iterativo que implica la evaluación
continua del modelo y la mejora de las predicciones a medida que se dispone de nuevos datos. Es
importante tener en cuenta que los pronósticos están sujetos a incertidumbre y que los resultados
pueden variar según las suposiciones y la calidad de los datos utilizados.
Ejemplos
1. Persecución de demanda. Supongamos que tenemos los siguientes datos de ventas mensuales
de un producto durante un período de tiempo 100, 120, 110, 130, 140. Los pronósticos debieron
ser: 100 para el tercero, 120 para el cuarto y 110 para el quinto. El sexto corresponderá a 130.
2. Media. Se tiene un negocio cuyas ventas requirieron la compra de la siguiente cantidad de lotes
de material: 10, 12, 15, 18, 20. Bajo el principio del pronóstico de la media, se estimará la compra
de 15 lotes de material.
3. Media móvil. Se observa la siguiente tendencia en las ventas de un producto: 2200, 2050, 2800,
3000, 2320, 2500, 2800. Se requiere aplicar la técnica de la media móvil para efectuar el pronóstico
del siguiente periodo. Por lo tanto, se considerarán los de los últimos 5 periodos que
consecutivamente mejor reflejan la tendencia de las ventas. Así se tendría un pronóstico de: 2684.
4. Media ponderada. Supongamos que se tiene el siguiente reporte de ventas mensuales de los
últimos 3 años: 20, 22, 24, 26, 28, 30, 10, 12, 15, 18, 20, 22, 25, 28, 30, 32, 35, 38, 22, 24, 26, 28,
34, 32, 24, 20, 28, 32, 24, 25, 34, 36, 38, 40, 42, 44. Para lo que se solicita un promedio ponderado.
Paso 1: Analizar el momento temporal.
MES VENTAS MES VENTAS MES VENTAS
1 20 13 25 25 24
2 22 14 28 26 20
3 24 15 30 27 28
4 26 16 32 28 32
5 28 17 35 29 24
6 30 18 38 30 25
7 10 19 22 31 34
8 12 20 24 32 36
9 15 21 26 33 38
10 18 22 28 34 40
11 20 23 34 35 42
12 22 24 32 36 44
Paso 2: Debido a que la tendencia se mueve por periodos anuales, conviene tomar la
media de los periodos 1, 13 y 25. Pero, además, ponderar de la siguiente manera: 1 con 1,
13 con 2 y 25 con 3, por considerar la proximidad al mes 37.
Paso 3: Calcular la media: [(20)(1)+(25)(2)+(24)(3)]/6 = 23.66
5. Regresión lineal simple. Supongamos que tenemos los siguientes datos de ventas mensuales de
un producto durante un período de tiempo: 200, 180, 220, 240, 250.
Paso 1: Visualizar los datos. Representamos los datos en un gráfico de línea para observar
cualquier patrón o tendencia en los datos.
Paso 2: Identificar patrones y tendencias. Observamos si hay alguna tendencia ascendente
o descendente, estacionalidad o patrón cíclico en los datos. En este caso, se observa
claramente una tendencia hacia el crecimiento.
Paso 3. Se propone la ecuación de la recta para los valores que se consideren
representativos del conjunto.
Fórmula: (y-y1) = ((y2-y1)/(x2-x1))(x-x1)
Si se aplica esta fórmula con el periodo 1 y el periodo 5 como referencia se obtiene
la siguiente recta:
y = 12.5x + 187.5
Recuerda que la selección de puntos es a criterio de quien pronostica y se
determina considerando que la recta que pase por los dos puntos seleccionados
represente a todos los datos; es decir, que pase en medio del conjunto, dejando
aproximadamente la mitad de los datos arriba de la línea y la otra mitad abajo.
6. Análisis de series de tiempo: Supongamos que tenemos los siguientes datos de ventas
mensuales de un producto durante un período de tiempo: 120, 130, 150, 140, 160.
Paso 1: Visualizar los datos. Representamos los datos en un gráfico de línea para observar
cualquier patrón o tendencia en los datos.
Paso 2: Identificar patrones y tendencias. Observamos si hay alguna tendencia ascendente
o descendente, estacionalidad o patrón cíclico en los datos. En este caso, se observa
claramente una tendencia ascendente.
Paso 3: Calcular la media móvil. Calculamos la media móvil para suavizar los datos y
identificar tendencias más suaves. En este ejemplo, utilizaremos una media móvil de 3
meses.
Ventas suavizadas para el mes 3 = (120 + 130 + 150) / 3 = 133.33
Ventas suavizadas para el mes 4 = (130 + 150 + 140) / 3 = 140
Ventas suavizadas para el mes 5 = (150 + 140 + 160) / 3 = 150
Paso 4: Calcular el error y la precisión del modelo. Calculamos el error y la precisión del
modelo comparando las ventas reales con las ventas suavizadas. Podemos utilizar métricas
como el error absoluto medio (MAE) o el error cuadrático medio (MSE) para evaluar la
precisión del modelo.
Para calcular el error absoluto
El error absoluto se calcula tomando la diferencia absoluta entre cada valor real y -
su correspondiente valor pronosticado. Para cada punto de datos, el error absoluto
se calcula como |valor real - valor pronosticado|. Finalmente se calcula la media
de los errores encontrados.
MAE = (|140 - 133.33| + |160 - 140|) /2
MAE ≈ 13.33
Para calcular el error cuadrático
El error cuadrático se calcula tomando el cuadrado de la diferencia entre cada valor
real y su correspondiente valor pronosticado. Para cada punto de datos, el error
cuadrático se calcula como (valor real - valor pronosticado)2. Finalmente se calcula
la raíz cuadrada de la media de los errores encontrados.
MSE = √(((140 - 133.33)2 + (160 - 140)2) / 2)
MSE ≈ 14.9
Paso 5: Pronosticar las ventas para el mes 6
Utilizamos el último valor de la media móvil como pronóstico para el mes 6.
Por lo tanto, según el análisis de series de tiempo, se pronostica que las ventas para el mes
6 serán de aproximadamente 150 unidades, ± 13.33 basado en el MAE o ± 14.9 basado en
el MSE.
Recuerda que la consideración de utilizar MAE o MSE se estima a partir de las
características propias de la variación de la variable dependiente en relación con la
independiente. Es decir, si la variación suele ser lineal, se podría utilizar el MAE; no
obstante, si la variación resuelta ser exponencial o logarítmica, entonces podría
emplearse el MSE.
7. Método de mínimos cuadrados: Supongamos que tenemos los siguientes datos de ventas
mensuales: 50, 55, 60, 65, 70.
Debido a que se aplicará la regresión de mínimos cuadrados para obtener una línea de
regresión que se ajuste a los datos y nos permita pronosticar las ventas futuras,
calcularemos los coeficientes de la ecuación de regresión lineal: la pendiente (β1) y el
intercepto (β0).
Explicación:
El coeficiente β1, también conocido como la pendiente de la regresión lineal,
representa el cambio promedio en la variable dependiente por cada unidad de
cambio en la variable independiente. Es decir, indica la tasa de cambio de la
variable dependiente en relación con la variable independiente.
El coeficiente β0, también conocido como el intercepto o el término
independiente, representa el valor de la variable dependiente cuando la variable
independiente es igual a cero. En el contexto de la regresión lineal, β0 es el punto
donde la línea de regresión intersecta el eje vertical (eje y) cuando la variable
independiente es igual a cero.
Procedimiento:
1. Se tienen los datos de la variable independiente (X) y la variable dependiente
(Y).
2. Se calcula la media de X (promedio de los valores de X) y se denota como X̄.
3. Se calcula la media de Y (promedio de los valores de Y) y se denota como Ȳ.
4. Se calcula la suma de los productos de las desviaciones de X y Y respecto a sus
medias: Σ((X - X̄) * (Y - Ȳ)).
5. Se calcula la suma de los cuadrados de las desviaciones de X respecto a su
media: Σ((X - X̄)2).
6. Se obtiene el valor de β1 mediante la fórmula: β1 = Σ((X - X̄) * (Y - Ȳ)) / Σ((X - X̄)2).
7. Se obtiene el valor de β0 mediante la fórmula: β0 = Ȳ - β1 * X̄, donde β1 es la
pendiente de la regresión lineal.
Utilizando métodos matemáticos, obtenemos los siguientes resultados:
β0 ≈ 45
β1 ≈ 5
La ecuación de regresión lineal sería: Ventas = 45 + 5 * Mes
Utilizando esta ecuación, podemos pronosticar las ventas para el mes 6 así:
Ventas = 45 + 5 * 6 = 75
Por lo tanto, según el modelo de regresión lineal, se pronostica que las ventas para el mes
6 serán de aproximadamente 75 unidades.
8. Método de momentos: Supongamos que tenemos los siguientes datos de producción mensual
de una fábrica: 1000, 1200, 1100, 1300, 1400
Calcularemos la media y la varianza de los datos:
Media (µ) ≈ 1200
Varianza (σ2) ≈ 20000
Basándonos en estos valores, podemos pronosticar la producción para el mes 6 utilizando
la fórmula de la media:
Producción = µ = 1200
La varianza (σ2) será utilizada para evaluar la incertidumbre asociada al pronóstico. Una
forma común de hacerlo es calcular el intervalo de confianza del pronóstico. Para un nivel
de confianza del 95%, el intervalo de confianza sería aproximadamente ± 1.645 veces la
raíz cuadrada de la varianza.
Intervalo de confianza = ± 1.645 * √(20000) = ± 1.645 * 141.42 ≈ ± 232.63
Por lo tanto, el pronóstico para el mes 6 utilizando el método de estudio de momentos y
empleando la varianza es de aproximadamente 1200 unidades, con un intervalo de
confianza de ± 232.63 unidades. De modo que, para esta tendencia, se contemplaría la
posibilidad de producir 1432.63.
9. Suavización exponencial: Se tiene la siguiente serie de datos de ventas mensuales de un
producto para pronosticar la venta del mes siguiente, con un factor de suavización alfa de 0.2. La
fórmula para calcular el pronóstico es: Ft = αDt-1 + (1 - α) Ft-1
Mes Demanda Pronóstico
1 120 120
2 135 123
3 145 128.4
4 130 131.12
5 140 131.696
6 150 134.9568
El pronóstico para el mes 7 sería:
F7 = (0.2) 150 + (1 - 0.2) 134.9568 = 137.96544
