Meteorologa Colombiana

W 10

pp. 36-46

Marzo 2006

Bogot, O.e.

rSSN: 0124-6984

APLICACiN DE LOS MTODOS MARS, HOLT-WINTERS y ARIMA GENERALIZADO

EN EL PRONSTICO DE CAUDALES MEDIOS MENSUALES EN Ros DE ANTIOQUIA

APPlICATION OF THE METHODS: MARS, HOLT-WINTERS ANO GENERAlIZED

ARIMA TO FORECASTING OF MONTHL Y-MEAN FLOW OF RIVERS IN AN1"IOQUIA

JOANY SNCHEZ MOLlNA

Maestra en Ingeniera-Recursos Hidrulicos

Escuela de Geociencias y Medio Ambiente, Facultad de Minas, Universidad Nacional de Colombia, Sede Medelln

GERMN POVEDA JARAMILLO

Profesor Asociado, Posgrado en Recursos Hidrulicos, Universidad Nacional de Colombia, Sede Medelln
gpoveda@unalmed.edu.co

Snchez, J. & G. Poveda. 2006: Aplicacin de los mtodos Mars, Holt-Winters y Arima generalizado en el pronstico de caudales me
dios mensuales en ros de Antioquia. Meteoro!. Colomb. 10: 36-46.ISSN 0124-6984. Bogot, D. e - Colombia.

RESUMEN
Se implementan tres metodologas para el pronstico de caudales medios mensuales en ros de Antioquia: i) MARS (Multivariate
Adaptative Regression Splines), ii) un mtodo ARIMA generalizado no paramtrico a priori, y iii) el mtodo para mtrico de Holt-Win
terso El mtodo no paramtrico de MARS permite incorporar la persistencia hidrolgica y la influencia de fenmenos macroclimticos
como el ENSO. Las predicciones se implementan durante el perodo 1990-2004 para cuatro ros de Antioquia, importantes en la
generacin de energa elctrica en Colombia: Nare, Guatap, Guadalupe y ro Grande 11. Se evalan los tres mtodos de prediccin
usando intervalos de pronstico de 1 mes, para horizontes de pronstico de 12 meses. El desempeo de 105 modelos se cuantifica
mediante medidas del error en el horizonte de validacin, la bondad del pronstico se cuantifica a partir del error cuadrtico medio,
dependiendo del mes en el que se inicia el pronstico. Los resultados indican ganancias importantes en la capacidad de prediccin
en comparacin con mtodos tradicionales en hidroclimatologa.
Palabras clave: caudales medios mensuales, flrediccin, ARIMA, Holt-Winters, MARS.

ABSTRAeT
Three forecasting methodologies are implemented to forecast monthly average flows in rivars in Antioquia, namely: i) MARS (Multi
variate Regression Splines), ii) a generalized ARIMA nonparametric method, and iii) the parametric "Holt Winters" method. The MARS
method includes the hydrological persistence and the influence of macro-climatic phenomena like ENSO. Forecasts are implemented
for the period 1990-2004 at four major rivers used for hydropower generation in Colombia: Nare, Guatap, Guadalupe and rio Grande
11. Forecasting methods are evaluated using prediction intervals of 1 month for prediction horizons of 12 months. Forecasting skills
of each method is quantified through diverse error metrics, including the mean square error, as well as forecasting skill depending

on nitial month of prediction and percentage of terciles. Our results indicate a very important predictability capacity gain using the
implemented methods in comparison to traditional methods used in hydro-climatology.
Key words: monthly river flows, forecasting, MARS, ARIMA, Holt-Winters.

1. INTRODUCCiN

les para los ros Guadalupe y Grande 11 corresponden al

perodo comn entre 1951 y 2004, mientras que para los

Las metodologas de regresin se utilizan ampliamente

ros Nare y Guatap corresponden al perodo entre 1959

en todos los campos de la ciencia como herramientas de

y 2004. El perodo de calibracin de los modelos se se

anlisis de datos; fundamentalmente en el modelamien

leccion desde el inicio de las series hasta diciembre de

to y prediccin de series. En general una regresin se usa

1989; los siguientes 15 aos se utilizaron en la validacin

para desarrollar un modelo matemtico que relaciona

de los modelos. En la Figura 1 se presenta el ciclo anual

variables dependientes o respuesta con variables expli

de cada uno de los caudales medios mensuales de los

cativas o de entrada.

ros en estudio.

Estos mtodos cobran gran importancia en la prediccin

Las variables macroclimticas usadas como variables

de caudales medios mensuales, en pases como Colom

predictoras son: ndice Multivariado del ENSO (MEI), n

bia, donde la mayor parte de la energa generada es de

dice de Oscilacin del Sur (SOl) y Temperatura Superficial

carcter hdrico, y su implementacin es necesaria en la

del Mar en las regiones Nio 3 y 4. En el clculo del n

prediccin de dichos caudales. En el posgrado en Apro

dice Multivariado del ENSO (Wolter, 1987, en Poveda et

vechamiento de los Recursos Hidrulicos se han llevado a

l., 2002) se utilizan 6 variables en las cuales tiene gran

cabo diversas investigaciones en las que se implementan

influencia el fenmeno ENSO (presin a nivel del mar,

varias metodologas de prediccin.

componentes zonales y meridionales del viento superfi

cial, SST, temperatura del aire en la superficie y nubosi

En este trabajo se aplican tres metodologas de predic

dad tota!), mientras que el ndice de Oscilacin del Sur

cin: el mtodo MARS que es no paramtrico y en se

se calcula como la diferencia estandarizada de presiones

gundo lugar las metodologas de Holt-Winters y ARIMA

atmosfricas entre Tahit y Darwin (Trenberth, 1976, en

generalizado, las cuales son para mtricas. Despus de

Poveda et l., 2002).

describir los mtodos se evalan los resultados obteni

dos por las diversas metodologas mediante los criterios

En la Figura 2 se presentan los correlogramas cruzados

de RMS y el de acierto por terciles en la prediccin de

entre la serie de caudales del ro Nare y las variables ma

caudales medios mensuales de los ros Nare, Guatap,

croclimticas que se usaron en la prediccin.

Guadalupe y Grande 11. Finalmente se hace una discusin

sobre la bondad de los mtodos para predecir los medios
mensuales de los cuatro ros en cuestin.

2.2 Mtodos de prediccin

2.2.1 Holt-Winters
2. ASPECTOS METODOLGICOS
El mtodo de Holt-Winters es bsicamente un proce

2.1 Informacin utilizada

dimiento de suavizamiento exponencial. Este tipo de

Las metodologas de prediccin se evaluaron usando los

querimientos de almacenamiento en las bases de datos,

procedimient,ps faCilitan los clculos y reducen los re

registros de caudales medios mensuales de los ros Nare,

lo cual cobra importancia cuando se estn prediciendo

Guatap, Guadalupe y Grande 11. Los registros mensua

muchas series de tiempo.

Guatap

"are

EFMAMJJASOND

EFMAMJJASOND

Gmnde 11

I ~ ~,I,dUlih

~ ~ ~.dl,liljui
...

EFMAMJJASOND

EFMAMJ.IASOND

FIGURA 1. Ciclo anual de caudales en los ros de inters.

H. 1-,,,,,,,-,,-,-1 i1'i ~:.--..,:~,.

~ ~ -(j,5

Corre Iaci n Caudal- S SH13-4

Correlacin Caudal-SOl

Correlacin CaudalM El

1 2 ::1 4 5 6 7 13 9 10 11

-1

,____

~ b -Oti
o
-1

O 1 2 3 4 5 6 7 El 9 10 11

Rezago

Rezago

1 2 3 4 ti 6 7 S 9 10 11
Rezago

FIGURA 2. Correlaciones cruzadas entre la serie del ro Nare y las variables macroclimticas.

Los modelos de suaviza miento exponencial se basan en

Todo depende de si se considera estacionalidad aditiva

la actualizacin, para cada perodo, de hasta tres parme

o multiplicativa (~), donde F representa la media y e, es

tros:

el error de prediccin. La actualizacin global en el caso

multiplicativo est dada por
Media (modelo de suaviza miento simple).

+ (1

Media y tendencia (Holt, 1957).

Media, tendencia y estacionalidad (modelo de Holt

p(R - F;-l)

Winters).

r~..;... (1

- a)(F;-l

+ (1 -

+ b'-l)'

p)b, h

(2)

- r)/,-p

Estos modelos se conocen en la literatu'ra como de sua

donde D,es el caudal actual; F;, b, e 1, son las predicciones

vizamiento exponencial de uno, dos y tres parmetros,

de la media, la tendencia y la estacionalidad; a, f3 y y son los

respectivamente.

parmetros de suavizamiento, los cuales estn contenidos

en el intervalo (0,1), y Pel nmero de perodos a predecir. La

Al usar el modelo de Holt-Winters, en un perodo t, el

prediccin para el pefodo siguiente est dada por

patrn de comportamiento en la prediccin puede estar

l = (F;

dado por

D,

(F

bOl + ,

o por

DI

bt

+ ,

(1)

+ b,ll+l-p

(3)

Para predicciones de ms de un perodo hacia el futuro el

ajuste se hace como se muestra a continuacin:

rbt)L+-- p ;

(E;

1 S r S

(4)

.,r

flx)

(7)

amBn (x)

m=l

(Segura y Vercher, 2001).

donde M es el nmero de subregiones, a1Jl son los coefi

cientes de la funcin y Bm(x) es una funcin base dada

Para el caso del modelo aditivo se tiene

por:
(5)

donde
E;
a(D,

b,

/3(E;
y(D,

+ (1 - a)(E;-1 + bt - 1)

+ (1 {J)bt-
E;) + (1- y)L

LL p)

(8)
donde Hes una funcin de paso que va desde k = 1 has

,)
J

(6)

.9

Para modelos estacionales el mtodo trata de encontrar

valores ptimos para a, f3 y y por minimizacin del error
cuadrtico a un paso.
Para modelos estacionales los valores iniciales de ~ , bt e

1t se establecen por la ejecucin de una descomposicin

simple en la tendencia yen la componente de estaciona
lidad usando medias mviles.

2.2.2 MARS
MARS es una implementacin de tcnicas propuestas por
Friedman (1991) para resolver problemas de regresin.
Tales tcnicas tienen como objetivo principal predecir va
lores de una variable continua dependiente o de salida, a
partir de un grupo de variables independientes llamadas
comnmente variables predictoras. El mtodo MARS es
de regresin no paramtrica y no lineal, se basa en una
generalizacin del particionamiento recursivo y ha sido
utilizado en gran cantidad de reas del conocimiento.
El modelamiento no para mtrico se caracteriza porque

ta kAl' el nmero de divisiones resultantes en la funcin

bsica;

SKMes igual a :!:: 1 segn sea la divisin derecha o

izquierda, respectivamente;

es el nudo o particin de

la variable y es la variable predictora. El signo ( + ) como

subndice de dicha expresin significa que solo se toma
como resultado cuando el argumento de la funcin es
positivo; de lo contrario se hace igual a cero.
En Friedman (1991) se encuentran los aspectos relaciona
dos con la modelacin no para mtrica y la computacin
adaptativa. Adems all se presenta completamente el
algoritmo de ajuste de MARS.
En general, MARS intenta superar las limitaciones de la
modelacin no para mtrica y el particionamiento recur
sivo, planteando algunas generalizaciones a los procedi
mientos; por ejemplo, garantizando modelos continuos
y derivadas continuas. El modelo de ajuste de MARS se
puede escribir de la forma
(9)

!(x)=a.+
MARS utiliza el criterio de falta de ajuste,

LOF: para la

seleccin del modelo, que se define como el mximo n

mero de funciones bsicas

Una funcin para LOF

se define como

no aproxima una funcin nica en todo el dominio, sino

(10)

que ajusta una funcin con varias funciones para mtricas

simples, generalmente polinomios de bajo orden, defini
das sobre una subregin del dominio (ajuste para mtrico
por tramost o ajusta una funcin simple para cada valor
de la variable (ajuste global). Los parmetros en cada re
gin tambin se hallan por mnimos cuadrados.
La funcin de aproximacin ajustada puede ser de la for
ma:

El criterio GCV(M) es el promedio de los residuos al cua

drado afectado por un factor de penalizacin, el cual se
presenta en el denominador. La funcin C(k!), que es
una funcin de costo, est dada por

CUy!) = traza (B(BT B) LBT)

(11)

donde B es la matriz de datos de las Mfunciones bsicas

(Bij

2.2.4 Climatologa

Bi(x).
Es el ms simple de todos los mtodos de prediccin y
consiste en tomar como valor de prediccin para cada

2.2.3 ARIMA generalizado

mes el promedio mensual multianual.

Se basa en la descomposicin de la serie de tiempo en un

determinado nmero de componentes, los cuales se es

3. RESULTADOS y ANLISIS

pecifican por un sistema de varianzas en el error. Algunos

de ellos pueden llegar a ser cero.

En la Figura 4 se muestran las series de tiempo predichas

por los diferentes mtodos y las series observadas. Solo

El modelo ms simple utilizado es del tipo

se muestran los resultados de las predicciones con una

ventana de 12 meses, y se inicia siempre en el mes de
(12)

enero. El desempeo de los modelos se evala para to

das las series mediante el error cuadrtico medio (RMS),

Los valores observados son

m,

X,

, ~

el cual se define como se muestra a continuacin:

lV( 0, (J~

(13)
(17)

Hay dos parmetros,

(J2 ~t;,

Y 0" J" Este es un modelo

ARIMA (0,1,1), pero con restricciones en el sistema de pa

En la Figura 5 se muestran los resultados obtenidos por

rmetros.

esta metodologa; para los diferentes ros se compara el

El programa tambin tiene incorporado un modelo con

RMS promedio de las predicciones hechas con inicio en

tendencia lineal loca" el cual tiene la misma ecuacin,

cada uno de los meses de todos los aos en el perodo

pero con una pendiente que varia en el tiempo. A conti

de validacin de las metodologas, con una ventana de

nuacin se presenta la ecuacin para dicho modelo.

prediccin de doce meses.

mi

n'~l

m, + ni t;" t;, - iV(O,(J2_t;,)

n, e, ,e, ~ N(0,(J2 ~et)

No es comn encontrar

0'2 _e.

(14)

Por ejemplo, se quiere evaluar el RMS de predecir julio

de cualquier ao comenzando en diciembre del ao an

0, con lo

terior; lo que hace el criterio es establecer una diferencia

cual se asegura una suavidad en la tendencia. El ante

entre el valor real del caudal de julio de ese ao y el valor

rior corresponde a un modelo restringido de tipo ARIMA

predicho para julio de ese mismo; los valores de las pre

(J2

(0,2,2).

dicciones de todos los julios con mes de inicio diciembre

en todo el perodo de validacin se almacenan en un vec

Un tercer modelo utilizado por el programa es el mode

tor. La n de la frmula representa el nmero de aos de

lo bsico estructural, el cual tiene tendencia local y una

validacin de los modelos que para nuestro caso es igual

componente estacional adicional. Su ecuacin se mues

a 15, que es igual al nmero de julios predichos con mes

tra a continuacin:

de inicio diciembre. El procedimiento anterior es anlo

go para todas las predicciones con mes de inicio enero,
(15)

febrero, marzo, etc. Es importante tener en cuenta que el

perodo de calibraein se actualiza a medida que se pasa

donde SI es la componente estacional con dinmica

de un mes de inicio a otro. En la Figura 3 se ilustra lo plan

teado anteriormente.

Los modelos descritos anteriormente son no estacionarios.

caudal

eriodo de calibmiH

me $ de inicio fubrm
die aQ O
Tiem~o

FIGURA 3. Actualizacin de los perodos de calibracin para cada mes de inicio.

!
~

a
lB

'"

'.00

1992

1994

,\)l).

2000

2002

2004

1998

20.00

2002

200.4

19'98

2000

2002

2004

,"".

2000

200a

;1.004

1998

Ti8JnpO (me$Q1iO)

Ro Guotap

a
:;:!

:;

,..
1
II
lii;

:
$i!

'900

1992

1994

....

rtempo <meses)

51

,..
~

~
$i!

1990

'99'

1990

19$2

...

1994

,.....

1996

"
:

l!

..

;
1<:'
$i!

Tlo}mfOlo (m"'&l0s)

- -Real

MARS - -Holt-Winters

- ARIMA Generalizado

FIGURA 4. Series de caudales medios mensuales en el perodo de validacin.

Climatologa

Los valores ms altos del RMS se presentan para el

generacionlCe ntra leshid roelectrica si centralg uatape,

ro Grande 11, mientras que el ro Guatap se muestra

como el de mejor predictibilidad. El resultado obteni

htm.

do es de gran importancia pues el ro Guatap al igual

Por medio del anlisis de los errores es posible concluir

que el Nare alimentan el embalse de El Peol que es

que en general MARS presenta los menores errores en las

el de mayor capacidad de regulacin del pas; esta in

predicciones, mientras que los mtodos ARIMA generali

formacin puede consultarse en http://www.eeppm.

zado y Holt-Winters tienen los ms altos. La influencia del

com/epm coml conte n idol acercade/i nfraest ruct u ral

ciclo anual se puede visualizar en la Figura 5.

Holt-Winters

MARS

ARIMA

Climatologa

Mio: 5.41, Mm: 1571

%RSM
16

..c
u

14

Q.

..'"

12

:::;;

10

Mes inicio

Mes inicio

Mes nico

Mes inicio

Mes inicio

Mes inicio

Mes inicio

Mes inicio

Mes inicio

Mes inicio

Mes inicio

Mes inicio

Mes inicio

..,

.r:
'ti

!Q.

Mes inicio

..,

.r:
'ti

..c

Q.

1..

Mes inicio

Mes inicio

FIGURA 5. Porcentaje de RMS de las predicciones en el perodo de validacin.

En estos grficos se presenta el mes de inicio de la pre

Nare el mtodo que mejor se comporta segn este criterio

diccin en las abscisas y el mes que se va a predecir en

es la climatologa pues muestra los porcentajes de acierto

las ordenadas.

ms altos para todos los terciles y en la mayora de los me

ses; entre tanto, para el ro Guatap, los mejores resulta

En general, las mayores dificultades en la prediccin se

dos los muestra la climatologa, que solo es sobrepasada

presentan en el trimestre mayo, junio, julio, al igual que

en el tercil inferior, en el cual los mejores resultados los

en noviembre, diciembre, enero.

presentan los mtodos de Holt-Winters y ARIMA generali

zado. Para el ro Grande 11 y el ro Guadalupe los resultados

Todos los ros en estudio presentan una dificultad pa

son ms variados pues no hay un mtodo que sea mejor

recida en lo que se refiere a la prediccin de sus series

que otro, dado que para algunos meses y de acuerdo con

de caudales medios mensuales. Sin embargo, solo el

el tercil hay mtodos que son superiores a los otros.

mtodo MARS se comporta de manera coherente en

perodos con presencia del fenmeno El Nio o La
Nia; tal efecto se puede observar claramente durante

CONCLUSION ES

el periodo de validacin comprendido entre los aos

1998 y 2000, que corresponden a un periodo del fe

nmeno La Nia, durante el cual los mtodos de Holt
Winters y AR1MA hacen estimaciones muy pobres de
los caudales medios mensuales, mientras que MARS
se aproxima bastante bien a los valores reales de los
caudales durante dicho perodo; as se puede apreciar
en la Figura 4.
Para la estimacin de los aciertos en los pronsticos por

En este trabajo se compararon diferentes metodologas

de prediccin, entre las cuales se encuentran las de tipo
para mtrico y no paramtrico. MARS, que corresponde
a las metodologas de tipo no paramtrico, es capaz de
incorporar la influencia de fenmenos macroclimticos
como el ENSO.
Los resultados muestran que el mejor mtodo de predic
cin es MARS, pues tiene el menor RSM en cada uno de

terciles, se puede comparar si el valor de la variable pro

los ros, y adems presenta resultados parecidos, en el

nosticada corresponde al tercil observado. En caso afir

acierto por terciles, a las otras metodologas. Los resul

mativo, se considera como un acierto. Un valor de 100%

tados tambin indican que en un clima como el de Co

implica que todos los valores predichos para un tercil

lombia, que es altamente influenciado por fenmenos

determinado, realmente se observaron en ese tercil. Para

macroclimticos como el ENSO, se deben utilizar meto

realizar este anlisis es necesario conocer los lmites que

dologas de prediccin no paramtricas, como MARS, las

permiten discriminar si un valor determinado est en el

cuales incluyen la influencia de estos fenmenos en sus

tercil superior, medio o inferior (Poveda et l., 2002). Al

predicciones de caudales medios mensuales.

aplicar este criterio a las series obtenidas para todos los

ros y para cada mtodo se obtienen comportamientos

Agradecimientos: a Jess David Gmez por su extensa

muy diversos de la bondad de los mtodos. As, para el ro

colaboracin.

.."

C\

c:::

;:o

Nare

Guatap

>

?'
'"'O

...o:>

inf

'"'
ti>

med

sup

med

inf

-1!

sup

..:!!.
ti>

Q..

% acierto

ti>

-... 3:
""'"'
ti>

o:>

-C

o:>

...
ti>

'"'

ti>

el)

% acierto

1,1 1,8 1,9 8,0 8,1 8.2

!I

E
F

i:

(fI
_, J

jI-----

::::1

o No.
o r~~~

el)

(fI

M.

::::1

15.5

13.5

_,

s:

:;o

_.

J
J,

:::1

l:!, s

l:!, s

1)..\0---"

18.5

el)

(fI

:::1
J
_. A

15,5

14.5

3: ~~

F-

~
o o..
N.

14,5

~~
(fI

Jj,

o: ~o..

l:!, s

F
M.

i:

% acierto

% acierto
13.5

14.0 14.5 15.0 15.5 16.0

_, JI-fol----~!

(fI

::::1
J
_. A

8.3 8.4 8.5 8.6 8.1 8,8

-'1

el)

A
M

% acierto

% acierto

s.a

8,3 IU 8.5 8.6 8.1

en

_. A,

o o.

o.

N
D~,

[~...:-

3:

% acierto
10

11

12

10

11

12

13

14

i:~~

M'--

el)

el)

(fI

(fI M

:'
'

:::1 J
-, A

o'

% acierto

% acierto
13

"

O.

(fI

% acierto
9

10

11

12

i:

:'
'

'

[m

"l

i:
el)
(fI

:'

M
J
J

-, A

l:!, s
o

O
N,

20

14

11

12

13

10

11

12

13

% acierto

141

14

16

18

20

221

1f~
j:l-
:o ~o

i:

al

:::1

:s:F
J

5'
-,

J
A

F.

3:.

(fI

1i

-.
::!.

, ii

6' N . J

~~~I

(fI

:'
'

::!.

n s

0_.

_"

3:

el)

(fI J
_. J
A

o'

12

:s:

o'

14.5

14

18

16

::I:
O
;::;

20

CD

(fI

:.
'
O'

:::s

(1)

iil

N
n

% acierto
22

14

16

18

20

.2

~~

(fI

'
~
s:

:'
_.

J
A

l:!. s.
o o.
N

"
% acierto

_ __

'1

el)

20

% acierto
10 12 14 16 18 20 22
F
E"

% acierto

"

% acierto
12,813.013.213.413.613.8

18

M.

IJ)

D"

% acierto

16

l:!. s

12.813.013.213.413.613.8

20

% acierto
14

ti)

(fI

__

18

~~@!

o.

% acierto
141

16

''--'~l

l:!, s..

18

1f~
(fI J
:. J
_. "

E
F

16

'g

O'~=--

% acierto

",

14

"

;+===

13,213.313,413.513.613.

% acierto

% acierto
14

"

10

:::1

13

A"",

_.EJ~

el)

(fI

12

% acierto
13

11

~'O ~

"', ,
"

ID

3:~'
el)

_. J

o N,
o
l:!.
s

15,0

15.5

% acierto
16.0

14.5

3:
:::1

16.0
I

(')

I Q)3
l

CD

IJ)

15.5

J
J

s..
o N
D.

I OO
I ~,

...,.,
C'I

c::

::=:>

Grande 11

Ji>

Guadalupe

0\

-.:1

...,...
Q

inf

ti>
:::l

....

med

inf

sup

c;}
~,

sup

med

~.
ti>
Q.

ti>

% acierto

% acierto

........

18.8

19.2

19.6

20.0i

19.0

ro

....
Q

"C
Q

....
....
,...
ti>

5:
(1)

5:

(1)

% acierto

19.5 20.0

20.5

:::s
:;.

o'

19.5 20.0

% acierto
20.5

16.4

16,0

F.~

16.8

5'
:;.

.......- -

~,

o~

'"
% acierto
16

18

20

22

% acierto

% acierto
2

16

18

20

22

16

24

18

"ar= mb
H
O'e

20

24

12

14

:::s
_.

J
A.

5:iF

~
1/1

:;. J '

:::s

:;'

n s
O' N

A-i-==
J

'

D~_.....

. ..... _.

% acierto

% acierto

17 1 a 19 20 21 22 23

16

18

'~~'ll

16

5:

18

20

% acierto

5:
(1)

M
A.

5:
(1)

tn

tn

M.

:
o

:!.
~,

A.
S

14.4

% acierto

-'

14.8

M
A

10

12

14

5:
(1)

M
A..

5:

~.10

12

14

16

CD
tn

5'

-,
o

J.

5:

14

16

16

;;O

:;' ~.

3:

~~~~~~== o:;'~~
N

% acierto

% acierto
16.6 16.8 17.0 17.217,4

16.616,6 17.0 17.217.4

E_---1

5:

(1)
5:
1/1

(1)

12

o' [

% acierto

% acierto
10

_.

tnM-~

:::s
:;.

:!.

o oN

o'

o'

0 ,_____ . _______ _

::
(D

~,

:;.

J
J.

18

:;' J

'

1B

16

fb- -~

-,j.~
O.. . _ _ _ ,

14

;:::;

_JI

12

!O

% acierto
16

I:J:

% acierto
10

18

1/1

:;. J

------

~------------------

13.6 14.0 14.4 14.8

~t::::=J
_L-!.--J..

~c=~-_s

_, J
:::s J

14.0

16

~:~:.~

~l;;;;;~:::--

g:;

14

tn

CD
tn

"t::==-

12

_.J

5:

~~

13.6

en

"

:::SJ

"

:;,
o' ~
% acierto

% acierto

(1)

:;'

CD

=::

3:

;;O

% acierto

'--1$-1

22

tn

10 12 14 16 18 20

:;'
_,

18.01

~: ~

5: :~~=~~=:-,.

% acierto
22

20

:::s

17.5

~E-"

tn

10

tn M
_. J
J

_, J

_.A

6'

5:
(1)

17.0

~,

16

E"c~~"""l ----"----....

(1)
tn

16.5

F.j-

is

% acierto

22

18.0

~r--"""""""""-""i

:!.

ti>

17.5

(1)

;-r;:==-
~

17.0

5: M
A
I/I~-l-----

5:

% acierto

% acierto
16.5

17.2

,-_.~-~.~-

"

~'~~'
: ~

1/1

190

n s

==

3
_
Q)

O
O

,ec
I iil'

REFERENCIAS BIBLIOGRFICAS

Segura, J. V. y Vercher, E. 2001. A spreadsheet modeling

approach to the Holt-Winters optimal forecasting.

Friedman, J. H. 1991. Multivariate Adaptive Regression

Splines. Stanford University. Stanford, CA.
Poveda, G.; Mesa, O. J; Carvajal, L.

European Journal of Operational Research, V. 131:

375-388.

. Hoyos, C. D.; Meja, J.

http://www.eeppm.com/epmcom/contenido/acercade/

F.; Cuartas, L. A. Y Pulgarn, A. 2002. Prediccin de

infraestructura/generacion/Centraleshidroelectri

caudales medios mensuales en ros colombianos

cas/centralguatape.htm

usando mtodos no lineales. Meteorologa Co

lombiana, 6: 101-110.

Fecha de recibo: 20.03.2006

fecha de aceptacin: 30.03.2006