Series de tiempo para pronósticos

Para determinar pronósticos a corto plazo, se pueden emplear los diferentes métodos de series de tiempo.

Una serie de tiempo es una recopilación cronológica e histórica de datos, a partir de estos se puede hacer una predicción del futuro de forma razonable. Este método se puede clasificar en modelos estacionales, constantes y de tendencia.​

Las técnicas más empleadas para la determinación de los pronósticos, son aquellas que se basan en información histórica o series de tiempo.​

Las series de tiempo se utilizan para hacer estudio del comportamiento de la demanda con datos pasados y así hacer proyecciones de la demanda a futuro. Las series de tiempo consisten en una serie en componentes como lo son: el nivel promedio, estacionalidad, tendencia, efecto aleatorio y ciclicidad.​

Promedios móviles

Uno de los métodos más usados es el de promedio móvil, este es el promedio aritmético de N observaciones más recientes.​
Este pronóstico se obtiene haciendo la sumatoria de los datos de un x número de periodos pasados, este periodo móvil, avanza en el tiempo para incluir información más reciente, esta situación genera dinamismo en los resultados.​
Formulación
$Mt=\left({\frac {1}{N}}\right)\sum (Dt)$

T= periodo para el cual se está deduciendo el promedio M
t= periodo de la demanda observada Dj
N= número de observaciones para el promedio

El promedio Mt también se puede calcular mediante la siguiente ecuación
$MT+1=MT+\left({\frac {1}{N}}\right)(DT+1)-Dt-(N+1)$

El primer T debe ser igual a N

Posteriormente se calculan los índices para cada periodo T:

$IT=\left({\frac {Dt}{Mt}}\right)$

Para calcular los pronósticos de cada mes del siguiente año, se organizan los resultados de IT, de tal forma que exista correspondencia entre los índices por mes y por año. Una vez organizados los índices, se procede a determinar los índices de temporada ITt

$ITt=\left({\frac {1}{M}}\right)\sum (ITM)$ para todos los t meses del año

Finalmente, el pronóstico será el promedio móvil por mes teniendo en cuenta que sea ara el último año, es decir Mtm multiplicado por el T ITt

$Zt=Mtm*ITt$ para todo t=1,...,n

Suavización exponencial simple

Este método no requiere de gran cantidad de datos, ya que el índice de suavización α le da peso a la información histórica, dándole mayor importancia a los datos más recientes, de acuerdo al nivel de conveniencia.​

$Mt=Mt-1+\left({\frac {dt-Mt-1}{N}}\right)=(\left({\frac {1}{N}}\right)dt)+(1-\left({\frac {1}{N}}\right))*(Mt-1)$

Este promedio ahora es ponderado, mas no móvil. El factor 1/N es sustituido por el valor α (0<=α<=1) y el estimador MT.1 por ST-1​

$St=(\alpha )(dt-1)+(1-\alpha )(St-1)$ Que corresponde al promedio

Suavización exponencial doble

Este método puede ser utilizado pare determinar el pronóstico cuando existe tendencia de datos

$Yt=(at+bt)+\varepsilon *t$

Donde at y bt son parámetros y ɛt es el error por variaion aleatoria con valor esperado igual a 0 y varianza σt^2
Para reducir el efecto de aleatoriedad se puede usar la diferencia de los promedios calculados en dos periodos sucesivos, por ende la pendiente en el tiempo T es:

$BT=ST-(ST-1)$

Para calcular la ordenada, pendiente y pronóstico se tienen las siguientes fórmulas:

Ordenada
$St=\alpha dt+(1-\alpha )(St-1+Bt-1)$

Pendiente

$Bt=\beta (St-St-1)+(1-\beta )Bt-1$

Pronostico

$F_{t+k}=St+kBt.$ Donde k es el periodo

Bibliografía

• Torres Acosta, J.H, Pronósticos, Grupo de investigación MMAI, 2007
• Sipper, D. y Bulfin, R. Planeación y control de la producción, McGraw Hill, 1988

Enlaces externos

• Métodos de pronóstico

• Datos: Q56377305