Ebook Suavizamiento Datos

Curso de
Suavizamiento de
datos
Diaman Consulting Services
O.Aguilar Ph.D
Prof. O. Aguilar Universidad Nacional Andrs Bello
Apuntes de Anlisis de Datos
1. METODOS DE SUAVIZACION EN EL PRONSTICO

Muchos entornos de manufactura requieren de pronsticos semanales o mensuales tal vez
para miles de productos o elementos distintos. En estos casos se requiere de modelos
simples, rpidos y con buena precisin, y con uso por parte de usuarios no experimentados.
Los modelos ms aplicables son:

Promedios Mviles (PM) (tambin llamados de medias mviles)

Promedios Mviles Ponderados (PMP)

Suavizacin Exponencial (SE)

El objetivo de estos mtodos es suavizar las fluctuaciones aleatorias causadas por el
componente irregular de la serie. Resultan apropiados para series estables (es decir aquellas
que no exhiban ningn comportamiento de tendencia, ni variaciones cclicas ni estacionales).

Son relativamente simples y generalmente alcanzan un buen nivel de prediccin en perodos
de tiempos cortos.

Supongamos que tenemos informacin de la venta de bencina de un servicentro de
combustibles. Los datos histricos se componen de informacin de las ltimas 12 semanas y
la informacin de venta est representada en miles de litros.

Semana 1 2 3 4 5 6 7 8 9 10 11 12
Ventas 17 21 19 23 18 16 20 18 22 20 15 22

Veremos a continuacin como cada mtodo pronostica el valor de venta de bencina para la
prxima semana.

Recalcamos que los mtodos comentados, solamente son aplicables cuando no existe una
tendencia definida (aumento o disminucin de la variable), o si existe la misma es dbil (poca
tendencia). Tampoco deben existir variaciones estacionales, por cuanto estos modelos no
permiten calcular las correcciones debidas a la estacionalidad o ciclos.

Aun con estas limitaciones, estos modelos son muy utilizados para pronsticos de pocos
perodos (1 a 3) para muchos conjuntos de datos de manera simultnea. Existen muchos
productos de software que muy bien realizan esta tarea, pero para nuestro propsito Excel y
Empiricus dan resultados muy satisfactorios para pequeas series de datos.


1.1 PROMEDIOS MOVILES SIMPLES (PMS)

Utiliza como pronstico para el siguiente perodo (en este caso la semana nro. 13), el
promedio de los n valores de datos ms recientes de la serie de tiempo. Matemticamente
puede expresarse como

n
recientes) mas datos de valores (n
Movil Promedio
=

El trmino mvil indica que conforme se tiene disponible una nueva observacin de la serie de
tiempo, se reemplaza la observacin ms antigua en la ecuacin y se calcula un nuevo
pronstico. Como resultado el promedio se modificar, a medida que se agreguen nuevas
observaciones.

La variable n es una indicacin de cuantos perodos se tomaran para calcular el promedio,
generalmente suele variar entre tres (3) a cinco (5), dependiendo de cuantos elementos
tiene la serie de datos.

En nuestro caso de la venta semanal, elegimos n= 3 (tres semanas) para calcular el promedio.
El clculo del promedio para las tres primeras semanas ser:

Pronstico Semana 4 = Promedio Mvil Semana 1 a 3

19
3
57
n
19 21 17
4 Semana Pronostico = =
+ +
=

El valor real de la serie para la semana 4 es 23, por lo tanto el error de pronstico es (23-
19) = 4 unidades

Acto seguido, calcularemos el promedio mvil para la semana 5. El valor observado real de la
semana 4 es 23, y reemplaza el primer valor real por el nuevo elemento de la siguiente
manera

Pronstico Semana 5 = Promedio Mvil Semanas 2 a 4

21
3
63
n
23 19 21
5 Semana Pronostico = =
+ +
=

El valor real de la serie para la semana 5 es 18, por lo tanto el error de pronstico es (21-18)
= 3 unidades

El procedimiento contina de la misma forma para las semanas siguientes. As podemos
completar la tabla siguiente:

Semana Ventas
Promedio
mvil
Error (Real -
Pronstico)
Error
Cuadrado
1 17
2 21
3 19
4 23 19 4 16
5 18 21 -3 9
6 16 20 -4 16
7 20 19 1 1
8 18 18 0 0
9 22 18 4 16
10 20 20 0 0
11 15 20 -5 25
12 22 19 3 9
13 PRONOSTICO 19 0 10,22

La semana 13 es el valor que deseamos pronosticar. En este caso 19 mil litros de nafta
podran llegar a venderse. El grfico siguiente resume los valores reales y los predichos por
el modelo de Promedios Mviles

COMPARACION ENTRE VALORES REALES Y PRONOSTICADOS SEGN EL METODO
DE PROMEDIOS MOVILES

Ventas de Bencina
1
0
1
5
2
0
2
5
1 2 3 4 5 6 7 8 9 10 11 12 13
Semanas
V
e
n
t
a
s

(
e
n

m
i
l
e
s
)
Ventas
Promedio
Movil


1.2 EXACTITUD DEL PRONSTICO

Una consideracin de importancia al seleccionar un mtodo de pronstico es la exactitud del
mismo. Evidentemente deseamos que los errores de pronstico sean lo ms pequeos
posibles, Se suele tomar como medida de error general el valor de Error Medio Cuadrado
(EMC) o Mean Square Error (MSE) de la bibliografa inglesa. El EMC se calcula de la
siguiente manera:
( )
dos Pronostica Valores Cantidad
do) Pronostica Valor Real (Valor
EMC
2
=

El clculo de la sumatoria del trmino superior es el siguiente:

( )
=
= + + + + + + + +
9
1 i
92
2
) 19 22 (
2
) 20 15 (
2
) 20 20 (
2
) 18 22 (
2
) 18 18 (
2
) 19 20 (
2
) 20 16 (
2
) 21 18 (
2
) 19 23 (

Para nuestro caso, los valores de pronsticos fueron 9 (semana 4 a 12), por ello el clculo del
EMC es:
22 . 10
9
92
EMC = =

1.3 PROMEDIOS MOVILES PONDERADOS (PMP)

Este mtodo consiste en asignar diferentes ponderaciones o pesos a cada valor a considerar
en el promedio y a continuacin obtener el promedio mvil segn el mtodo del proceso
anterior.

Por ejemplo, elegimos para clculo del promedio mvil, tres (3) semanas y asignamos el
siguiente peso a los datos: El dato ms reciente es tres veces ms importante que el
primero, el segundo dos veces ms importantes que el primero. As el clculo del PMP para la
cuarta semana es:

33 . 19
6
116
3 2 1
19 * 3 21 * 2 17 * 1
3 a 1 Semana Movil Promedio = =
+ +
+ +
=

Consecuentemente, el valor pronosticado para la semana 4 es 19.33 contra un valor real de la
serie de 23

El procedimiento contina con el resto de los elementos de la serie y se resumen en la
siguiente tabla:

Semana Ventas
Promedio
mvil
Ponderado
Error (Real -
Pronstico)
Error Medio
Cuadrado
1 17
2 21
3 19
4 23 19,33 3,67 13,44
5 18 21,33 -3,33 11,11
6 16 19,83 -3,83 14,69
7 20 17,83 2,17 4,69
8 18 18,33 -0,33 0,11
9 22 18,33 3,67 13,44
10 20 20,33 -0,33 0,11
11 15 20,33 -5,33 28,44
12 22 17,83 4,17 17,36
13 19,33 0,50 11,49

Observamos que el Error Medio Cuadrado (EMC) es mayor que en caso anterior de Promedios
Mviles (PM).

El grfico de la pgina siguiente resume los valores reales y la prediccin segn este mtodo.

COMPARACION ENTRE VALORES REALES Y PRONOSTICADOS POR EL METODO DE
PROMEDIOS MOVILES PONDERADOS

Ventas de Bencina
14
15
16
17
18
19
20
21
22
23
24
S
e
m
a
n
a 1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
Semanas
V
e
n
t
a
s

(
e
n

m
i
l
e
s
)
Ventas
Promedio
Movil
Ponderado

1.4 SUAVIZACION EXPONENCIAL SIMPLE (SES)

Utiliza un promedio ponderado de valores histricos de la serie de tiempo como pronstico;
se trata de un caso especial del mtodo de promedios mviles ponderados, en el cual se
selecciona solamente un valor de ponderacin, es decir el peso o ponderacin de la
observacin ms reciente, Los pesos o ponderaciones para los dems valores se calculan de
manera automtica, hacindose ms y ms pequeo conforme las observaciones se van
alejando hacia el pasado. El modelo bsico de la suavizacin exponencial (que ya conocemos
de clases anteriores) es:
t
F * ) (1
t
Y *
1 t
F + =
+

Donde:
1 t
F
+
= Pronstico de la serie de tiempo para el perodo t+1
= Factor de suavizacin ( 1 0 )
t
Y = Valor real de la serie de tiempo para el perodo t
t
F = Valor de pronstico para el perodo de tiempo t
Los clculos se realizan desde el segundo valor de la serie, por cuanto, debe suponerse que

F
1
= Y
1
; F
2
= Y
1
+ (1-) F
1
; F
3
= Y
2
+ (1- ) F
2

Expresado en valores numricos tenemos, suponiendo un valor de = 0.80:

F
1
= 17 F
2
= 0.80 * 17 + (1-0.80) * 17 = 17
F
3
= 0.80 * 21 + (1- 0.80) * 17 = 20.20

Y as continua con el resto de los valores. La tabla siguiente resume los valores para este
mtodo suponiendo que = 0.80

Semana Ventas
Suavizacin Exponencial
= 0,80
Error (Real -
Pronstico) Error Cuadrado
1 17 17
2 21 17
3 19 20,20
4 23 19,24 3,76 14,14
5 18 22,25 -4,25 18,05
6 16 18,85 -2,85 8,12
7 20 16,57 3,43 11,77
8 18 19,31 -1,31 1,73
9 22 18,26 3,74 13,97
10 20 21,25 -1,25 1,57
11 15 20,25 -5,25 27,57
12 22 16,05 5,95 35,40
13 PRONOSTICO 20.81 1,96 14,70
El Error Medio Cuadrado es 14.70, mayor a los anteriores.

Segn observamos, los resultados dependen fundamentalmente de la constante alfa de
suavizacin. Veamos otros valores de alfa.

Semana Ventas
suavizacin
Exponencial
= 0,20
Error (Real -
Pronstico)
Error
Cuadrado
1 17 17
2 21 17
3 19 17,80
4 23 18,04 4,96 24,60
5 18 19,03 -1,03 1,07
6 16 18,83 -2,83 7,98
7 20 18,26 1,74 3,03
8 18 18,61 -0,61 0,37
9 22 18,49 3,51 12,34
10 20 19,19 0,81 0,66
11 15 19,35 -4,35 18,94
12 22 18,48 3,52 12,38
13 19,18 5,72 9,04

Semana Ventas
suavizacin
Exponencial
= 0,50
Error (Real -
Pronstico)
Error
Cuadrado
1 17 17
2 21 17
3 19 19,00
4 23 19,00 4,00 16,00
5 18 21,00 -3,00 9,00
6 16 19,50 -3,50 12,25
7 20 17,75 2,25 5,06
8 18 18,88 -0,88 0,77
9 22 18,44 3,56 12,69
10 20 20,22 -0,22 0,05
11 15 20,11 -5,11 26,11
12 22 17,55 4,45 19,76
13 19,78 1,55 11,30

Es evidente que los valores pronosticados dependen fuertemente del valor de la constante
alfa (). Por ello guindonos en el valor del Error Medio Cuadrado (EMC), este valor debe
obtenerse por prueba y error ajustando hasta conseguir el menor valor de Error Medio
Cuadrado (EMC). Afortunadamente existen productos de software que ajustan
automticamente el mejor coeficiente alfa a la serie de datos. Usando estos, determinamos
que el valor ptimo de alfa debe valer = 0.174 y los valores resultantes se resumen en la
tabla y grfico siguientes:

COMPARACION ENTRE DATOS REALES Y PRONOSTICADOS UTILIZANDO
SUAVIZACION EXPONENCIAL CON COEFICIENTE OPTIMO

Semana Ventas
suavizacin
Exponencial
= 0,174
Error (Real -
Pronstico)
Error
Cuadrado
1 17 17
2 21 17
3 19 17,70
4 23 17,92 5,08 25,78
5 18 18,81 -0,81 0,65
6 16 18,67 -2,67 7,11
7 20 18,20 1,80 3,23
8 18 18,51 -0,51 0,27
9 22 18,43 3,57 12,78
10 20 19,05 0,95 0,91
11 15 19,21 -4,21 17,75
12 22 18,48 3,52 12,39
13 19,09 6,72 8,98


Ventas de Bencina
15
16
17
18
19
20
21
22
23
24
1 2 3 4 5 6 7 8 9 10 11 12 13
Semanas
V
e
n
t
a

(
e
n

m
i
l
e
s
)
Ventas
Suavizacion
Exponencial
= 0,174

Conclusin: Al tener un menor Error Medio Cuadrado, el mtodo de suavizacin
Exponencial predice mejor los valores de la semana 13 (prximo perodo) que los
mtodos de Promedios Mviles.

5. ANALISIS DE SERIES DE TIEMPO CON TENDENCIAS

Los modelos presentados en la seccin anterior, son prcticos en casos donde no existe una
tendencia de aumento o disminucin de la serie, por cunto dichos modelos generalmente
tienden a subestimar los valores de la serie. Sin embargo dado su simplicidad, se utilizan con
mucha frecuencia para resolver pronsticos sobre muchos conjuntos de datos similares
(series), tal es el caso de inventarios o ventas a clientes.

Sin embargo cuando existe un componente de tendencia, generalmente de tipo lineal, los
modelos de suavizacin no son aplicables, excepto si se le agregan correcciones de tendencia.
Los modelos que se aplican con mayor frecuencia son los siguientes:

Regresin Lineal

Regresin No Lineal

Atenuacin Exponencial Doble (Mtodo de Brown)

Atenuacin Exponencial Simple Ajustado por Tendencia (Mtodo de Holt)

Cada uno de ellos tiene pros y contras. A continuacin presentaremos cada modelo.

Trataremos de aplicar estos modelos al siguiente conjunto de datos reales que representan
la venta de una determinada publicacin profesional, durante los ltimos 28 meses.

Perodo 1 2 3 4 5 6 7
Tirada 500 350 250 400 450 350 200

Perodo 8 9 10 11 12 13 14
Tirada 300 350 200 150 400 550 350

Perodo 15 16 17 18 19 20 21
Tirada 250 550 650 400 350 600 750

Perodo 22 23 24 25 26 27 28
Tirada 500 400 650 850 600 450 700

Se necesita hacer un pronstico para los prximos siete meses

El diagrama de dispersin de esta serie tiene la siguiente representacin:

Publicacion Profesional
0
100
200
300
400
500
600
700
800
900
0 5 10 15 20 25 30
Meses
T
i
r
a
d
a

El resumen de pronsticos por los mtodos comentados en la hoja anterior est resumido en
la siguiente tabla:

Perodo Reg. Lineal Reg. No Lineal Mtodo Brown Mtodo Holt
29 635 598 656 612
30 647 576 669 612
31 660 546 683 612
32 673 508 696 612
33 686 461 708 612
34 699 461 723 612
35 712 405 737 612
Error Medio 19007 15086 25640 24947

Obviamente el mejor mtodo resulta ser el que calcula el menor Error Medio Cuadrado. Pero
no siempre es as, en nuestro caso, el modelo de polinomio de cuarto grado, parece ser el
mejor modelo, pero predice disminucin bastante pronunciada, cuando los otros modelos
pronostican un crecimiento. A continuacin se describen los mtodos con tendencia
creciente, sus formulas de calculo y los valores de prediccin para los siguientes 7 meses de
la serie de tiempo.

5.1 MODELO DE REGRESION LINEAL SIMPLE (RLS)

Consiste en ajustar un modelo representado por la ecuacin de una recta segn lo expresa la
siguiente ecuacin:

T
t
= b
0
+ b
1
* t

Donde en la ecuacin
anterior:

T
t
Es el valor
pronosticado por el
modelo lineal
b
0
Es el valor que
intersecta el eje Y
(ejemplares) con la
lnea de tendencia
b
1
Es el valor de la
pendiente de la lnea
de tendencia
t Es la variable de
tiempo

Los valores de las constantes b0 y b1 se obtienen aplicando la tcnica de mnimos cuadrados
al conjunto de datos de la serie y su explicacin est ms all de este apunte. Sugerimos
consultar el apunte de Modelos de Regresin y Correlacin de esta materia.

El pronstico segn este modelo es el siguiente:


La ecuacin de la recta que mejor ajusta los datos reales es:

T
t
= 258.22 + 12.97 * t

El Error Medio Cuadrado para este modelo es EMC = 19007 y el Coeficiente de Correlacin
R = 0.6026, lo que indica que aproximadamente el 60.26% de los datos puede ser ajustado
por el modelo, sin embargo predice bien la tendencia. El valor de pronstico para los
prximos 7 meses es:

Perodo 29 30 31 32 33 34 35
Pronstico 635 647 660 673 686 699 712

Los coeficientes de la ecuacin de correlacin se determinan de la siguiente manera

n
n
1 i
i
X
1
b
n
n
1 i
i
Y

0
b
=
=

n
n
i
i
X
n
i
i
X
n
n
i
i
Y
n
i
i
X
n
i
i
Y
i
X
2
1
1
2
1 1
1
1
b
=
=

Nota: Los valores de X
i
e Y
i
, son aquellos que corresponden a los perodos y tirada o cantidad
de ejemplares impresos.

UNAB Prof. O. Aguilar
Apuntes
5.1 Regresin No Lineal (RNL)

Estos modelos se caracterizan por adaptar el mejor modelo matemtico que reproduzca los
valores de la serie. En nuestro caso, el mejor modelo que ajusta es el siguiente

Tt = a + b*t + c*t
2
+ d*t
3
+ ... + n*t
n

El Coeficiente de Correlacin
en este caso es de R = 79.90
%, bastante bueno, pero
observen que sucede con la
tendencia, esta cae
abruptamente. Esta es la
principal desventaja de usar el
mejor modelo de correlacin
ms all del rango de los datos
experimentales. Si usramos
por ejemplo un polinomio de 4to
grado como buena estimacin,
podramos tener el siguiente pronstico:

Perodo 29 30 31 32 33 34 35
Pronstico 598 576 546 508 461 405 340

5.2 Atenuacin Exponencial Doble (Mtodo de Brown)

En este mtodo se calcula primero una suavizacin exponencial simple para cada valor de la serie
y luego se vuelve a calcular otra suavizacin exponencial sobre los datos resultantes de la
primera. Para ello se usan las siguientes formulas:

Suavizacin Exponencial Simple

1 t
* ) (1
t
Y
t

+ =

Suavizacin Exponencial Doble

1 t
Y' * ) (1
t
*
t
Y'

+ =

Las variables de esta ecuacin tienen el siguiente significado

t
Valor atenuado segn modelo se suavizacin exponencial simple
Constante de suavizacin Exponencial

1 t

Valor atenuado del perodo anterior al actual (t)
1 t
Y'

Valor pronosticado sobre segunda suavizacin exponencial, perodo anterior
t
Y' Valor pronosticado sobre segunda suavizacin exponencial
t
Y Valor experimental de la serie de datos de tiempo

Para pronosticar hacia el futuro, se usa una interpolacin lineal que contempla la componente de
tendencia (segunda suavizacin exponencial) del siguiente tipo:

Donde:

p t
Y
+
Valor pronosticado agregando tendencia lineal

t
a
Ordenada de origen para modelo lineal

t
b
Pendiente de tendencia lineal
p Cantidad de perodos a pronosticar (p = 1,2,3,...)

La constante emprica es la nica variable en este modelo y debe ser determinada de manera
experimental sobre los valores disponibles de la serie de datos. Para nuestro ejemplo el mejor
valor de resulta ser 0.17. Con ella se obtiene el siguiente pronstico:

Perodo 29 30 31 32 33 34 35
Pronstico 656 669 683 696 708 723 737

El grfico de pronstico asociado a este modelo es:

El Error Medio Cuadrado (EMC) para este modelo es: EMC = 25640

5.4 Atenuacin Exponencial Ajustado a Tendencia (Mtodo de Holt)

)
t
Y'
t
( *
) (1
t
b
t
Y'
t
* 2
t
a
p *
t
b
t
a
p t
Y
=
=
+ =
+

Este modelo tambin basado en la suavizacin exponencial, utiliza dos constantes ( y ) para
realizar los pronsticos. Estas constantes deben determinarse experimentalmente para los
valores reales de la serie de tiempo. Las Ecuaciones que se Utilizan son

Para la suavizacin Exponencial Simple Atenuada

)
1 t
T
1 t
( * ) (1
t
Y
t
+ =

En la ecuacin anterior las variables tienen el siguiente significado:

t
Estimacin Exponencial Atenuada para un perodo cualquiera
Constante de suavizacin Exponencial Simple
t
Y Valor real o experimental de la serie de tiempo
1 t

Estimacin Exponencial Atenuada perodo anterior
1 t
T

Estimacin de componente de Tendencia, perodo anterior

Para la estimacin de la Tendencia

1 t
T ) (1 )
1 t
t
(
t
T

+
=


t
T Valor pronosticado de Tendencia para un perodo t cualquiera
Constante de suavizacin Exponencial Simple para Tendencia
t
Valor de Pronstico de serie de tiempo para perodo t
1 t

Valor de pronstico de serie de tiempo para perodo anterior
1 t
T

Valor de Tendencia estimada para perodo anterior

Para pronosticar perodos futuros

t
T p
t
p t
Y + =
+


p t
Y
+
Valor de pronstico de la serie para perodo futuro (t+p)
t
Valor Pronosticado de suavizacin Exponencial Atenuado
t
T Valor Pronosticado de Tendencia

p Cantidad de perodos futuros a pronosticar (p = 1,2,3,...)

En base a este modelo se tiene el siguiente pronstico para los valores ptimos (= 0.31 y =
0.00). La tabla siguiente resume los valores pronosticados.

Perodo 29 30 31 32 33 34 35
Pronstico 612 612 612 612 612 612 612

El grfico de pronstico asociado es el siguiente:

El Error Medio Cuadrado para este mtodo es EMC = 24947

6. SUAVIZACION EXPONENCIAL CON COMPONENTES ESTACIONALES

Se entiende como variacin estacional, aquella distorsin que se produce en la serie de datos
debido a que un patrn de comportamiento parece repetirse ao tras ao (o transcurridos una
cantidad de perodos). Un ejemplo puede ser las ventas de helado se incrementan en la temporada
de verano, las ventas de pirotecnia se incrementan durante el ltimo mes del ao, las ventas de
ropa para deportes invernales se incremente en el segundo trimestre, la demanda de pasajes se
incrementa en el mes de julio hacia destinos invernales, etc., etc. La lista de ejemplos puede
resultar muy larga. Los modelos aplicables en estos casos, deben contener una componente de
correccin debida a la tendencia que pudiese llegar a presentarse y otra correccin debido a la
estacionalidad presente en la serie de datos.

Analicemos por ejemplo la siguiente serie de datos, que consiste en un detalle de importes de
ventas de lentes de contacto de una reconocida marca. Se necesita disponer de un pronstico
confiable para los prximos doce (12) meses.

Importes de la Cantidad de Pares de Lentes de Contacto Vendidos
Mes Ventas Mes Ventas Mes Ventas
1 9440 9 9887 17 14114
2 9925 10 9765 18 14998
3 10645 11 9170 19 13679
4 10990 12 8650 20 13265

5 11780 13 10711 21 12067
6 12710 14 10998 22 11974
7 11212 15 11567 23 10658
8 10645 16 13002 24 9900

Existen varios mtodos que pueden ser aplicados, pero a manera de ejemplo describiremos
solamente los siguientes, que resultan ser los ms aplicados:

Atenuacin Exponencial Ajustada con estimacin de Tendencia y Variacin Estacional
(mtodo de Holt-Winters Multiplicativo)

Atenuacin Exponencial Ajustada con estimacin de Tendencia y Variacin Estacional
(mtodo de Holt-Winters Aditivo)

Ambos mtodos son una extensin del mtodo de Holt presentado en paginas anteriores,
agregando una complejidad adicional al incorporar ndices de estacionalidad como una manera de
corregir la serie de tiempos evitando estos picos que distorsionan el anlisis de los pronsticos
y la prediccin en consecuencia.

El grfico que muestra la dispersin de la serie de datos se muestra a continuacin:

Aqu observamos claramente que
existe un incremento de ventas en
el mes de junio de cada ao y una
disminucin pronunciada en el mes
de diciembre del mismo ao.
Observamos que existe una ligera
tendencia hacia una venta
creciente, tal lo muestra el grfico
siguiente:

6. METODO DE HOLT-
WINTERS MULTIPLICATIVO

Se basa en el calculo de cuatro componentes:

(1) Ajuste Exponencial de la Serie de
Datos

)
1 t
T
1 t
( * ) (1 )
j - t
S
t
Y
( *
t
+ =

(2) estimacin de Tendencias

Ventas de Lentes de Contacto
6
12
18
24
8000
9000
10000
11000
12000
13000
14000
15000
16000
0 5 10 15 20 25 30
Mes
V
e
n
t
a
s
Ventas de Lentes de Contacto
6
12
18
24
8 0 0 0
9 0 0 0
1 0 0 0 0
1 1 0 0 0
1 2 0 0 0
1 3 0 0 0
1 4 0 0 0
1 5 0 0 0
1 6 0 0 0
0 5 10 15 20 25 30
Mes
V
e
n
t
a
s

1 t
T * ) (1 )
1 t
t
( *
t
T

+
=

(3) estimacin de Estacionalidad

j t
S * ) (1 )
t
t
Y
( *
t
S

+
=

(4) Pronstico de Perodos Futuros

j p t
S * )
t
T * p
t
(
p t
Y
+
+ =
+

Las variables en las ecuaciones tienen el siguiente significado:

t
Es la estimacin exponencialmente suavizada para el perodo t cualquiera
Constante de suavizacin exponencial simple de la serie de datos

t
Y Valor real de la serie de tiempo para el perodo t cualquiera
j t
S

Indice de Estacionalidad calculado para el perodo t-j
t
T Estimacin de Tendencia para perodo t
Constante de suavizacin exponencial de tendencia
t
S Indice de estacionalidad para el perodo t
Constante de correccin de estacionalidad

j Longitud o duracin de la estacionalidad, en nuestro caso j = 12 (el ciclo se repite
cada doce meses)

p Cantidad de perodos a Pronosticar hacia delante

Los valores de , y , deben ser calculados de manera experimental sobre el conjunto de datos
de la serie de tiempos disponibles. En nuestro caso, los valores de , y , ptimos son: 0.88,
0.00 y 0.00 respectivamente. Basado en estos valores, el pronstico de los doce meses
siguientes se puede resumir en la tabla y grfico siguientes

Perodo 25 26 27 28 29 30
Ventas 10833 11389 12216 12612 13518 14585
Perodo 31 32 33 34 35 36
Ventas 12866 12215 11346 11206 10523 9926

Podemos observar que el pronstico es bastante acertado,
aun cuando el Error Medio Cuadrado fuese alto (EMC =
547576).

METODO DE HOLT-WINTERS ADITIVO

Se basa en el calculo de cuatro componentes:

(5) Ajuste Exponencial de la Serie de Datos

)
1 t
T
1 t
( * ) (1 )
j t
S
t
(Y *
t
=

(6) Estimacin de Tendencias

1 t
T * ) (1 )
1 t
t
( *
t
T

+
=

(7) Estimacin de Estacionalidad

j t
S * ) (1 )
t
t
(Y *
t
S

+ =

(8) Pronstico de Perodos Futuros

j p t
S
t
T * p
t
p t
Y
+
+ + =
+

Las variables en las ecuaciones tienen el siguiente significado:

t
Es la estimacin exponencialmente suavizada para el perodo t cualquiera
Constante de suavizacin exponencial simple
t
Y Valor real de la serie de tiempo para el perodo t cualquiera
j t
S

Indice de Estacionalidad
t
T Estimacin de Tendencia para perodo t
Constante de suavizacin exponencial de tendencia
t
S Indice de estacionalidad para el perodo t
Constante de correccin de estacionalidad

j Longitud o duracin de la estacionalidad, en nuestro caso j = 12

p Cantidad de perodos a Pronosticar hacia adelante

los valores de , y , deben ser calculados de manera experimental sobre el conjunto de datos
de la serie de tiempos disponibles. En nuestro caso, los valores de , y , ptimos son: 0.98,

0.00 y 0.00 respectivamente. Basado en estos valores, el pronstico de los doce meses
siguientes se puede resumir en la tabla y grfico siguientes

Perodo 25 26 27 28 29 30
Ventas 10695 11180 11900 12245 13035 13965
Perodo 31 32 33 34 35 36
Ventas 12467 11900 11142 11020 10425 9905

El Error Medio Cuadrado es alto (EMC =
596939), aun as resulta un buen
pronstico para el prximo ao

7. CONCLUSIONES

Por lo descripto anteriormente, podemos
deducir que los mtodos de pronsticos o
forecast son complementarios a los
mtodos de regresin y correlacin,
algunas veces pueden aplicarse de manera
independiente y otras veces de manera
complementaria.

Los mtodos de regresin y correlacin, fallan al tratar de explicar comportamientos de alguna
variable ms all del conjunto de datos a partir del cual se obtuvieron las ecuaciones de regresin
y coeficientes de correlacin correspondiente, pues la adopcin del mejor modelo de regresin
no necesariamente implica que podra utilizarse con total confianza para predecir valores futuros.
Es aqu donde los modelos de pronsticos o forecasting tienen su importancia, por concepcin
estn pensados para ser utilizados para evaluar el futuro, (dentro de los riesgos del modelo
adoptado).

Por lo observado no son modelos simples, implican conocimiento de la serie de datos y nociones de
estadstica aplicada (probabilidades), para poder generar pronsticos que satisfagan un nivel de
certeza adecuado (por ejemplo mayor al 95% de certeza).

Hemos explicado las situaciones y modelos ms simples y de mayor uso y difusin, pero tengamos
en cuenta que un pronstico no es un valor exacto, tiene un margen de error computable.

Si pretendemos mejorar nuestro pronstico, debemos utilizar modelos ms precisos como Box-
Jenkins (ARIMA = Promedios Mviles Auto Regresivo Integrado)), que se suelen utilizar para
filtrar los datos de la serie, se basa en la suposicin que no existe un patrn de comportamiento
predecible, sino por el contrario los valores de una serie dependen de la informacin histrica y
un ajuste muy refinado de curvas.

Ejemplos de uso es en el mercado de valores, para prediccin de corto plazo de precios o
evolucin de un ndice o accin, los cuales se basan en patrones generales del movimiento del
mercado de acciones antes que tendencias o ciclos. Obviamente en los precios de acciones,
ttulos, commodities, no podemos hablar de comportamientos estacionales o ciclos, por el

contrario dado lo aleatorio de su comportamiento, es seguro que estos componentes no existen,
sin embargo debe poder predecirse el comportamiento o precio de una variable.

El tratamiento de los modelos ARIMA est fuera del alcance de este apunte.

Ebook Suavizamiento Datos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ebook Suavizamiento Datos

Cargado por

Copyright:

Formatos disponibles

Curso de

También podría gustarte