UNIDAD IX

Tcnicas de Suavizacin

UNIDAD IX

La estadstica demuestra que suele ser ms fcil hacer algo bien que explicar por
qu se hizo mal.
Allen L. Webster, 1998

Cul es el objetivo de la Tcnica de suavizacin?

Qu es un mtodo de media mvil?
Cmo se calcula el Mtodo de suavizacin exponencial simple?
Cules son las frmulas del mtodo de suavizacin exponencial doble
(Mtodo de Brown)?
Cules son las ecuaciones que se utilizan para el Mtodo de suavizacin con
tendencias y estacionalidad (Mtodo de Holt-Winters ?

TCNICAS DE SUAVIZACIN
ESQUEMA CONCEPTUAL

TCNICAS DE SUAVIZACIN

Definiciones bsicas

Suavizamiento-Filtros Lineales

Mtodos

Mtodo de media mvil

Mtodo de suavizacin
exponencial simple

Mtodo de suavizacin
exponencial doble

M. de suavizacin con
tendencia y estacionalidad

COMPETENCIAS A LOGRAR

CONCEPTUAL
PROCEDIMENTAL
ACTITUDINAL
Explica
las tcnicas de Aplica los mtodos de Analiza estas tcnicas para
suavizacin para alcanzar un suavizacin en las series una buena determinacin
buen nivel de prediccin.
de tiempo.
de la direccin de la
tendencia.
CONCEPTOS CLAVE
Suavizamiento, pronstico, exponencial, estacionalidad.

381

LECCIN 1
MTODO DE MEDIA MVIL
INTRODUCCIN
El objetivo de los mtodos a usarse en esta unidad es suavizar a las fluctuaciones
aleatorias causadas por el componente irregular de la serie. Estos mtodos resultan
apropiados para series estables, es decir, aquellas que no exhiban ningn
comportamiento de tendencia, ni variaciones cclicas ni estacionales, adems es
conveniente suavizar cuando existen cambios bruscos o movimientos irregulares en la
serie
Son relativamente simples y generalmente alcanzan un buen nivel de prediccin en
perodos de tiempos cortos.
SUAVIZAMIENTO - FILTROS LINEALES
Una forma de visualizar la tendencia, es mediante el suavizamiento de la serie. La idea
central es definir a partir de la serie observada un nueva serie que suavice los efectos
ajenos a la tendencia (estacionalidad, efectos aleatorios), de manera que se pueda
determinar la direccin de la tendencia (ver figura 9.1).
Y(t)

Figura 9.1

Lo que se hace es usar una expresin lineal que transforma la serie Y(t) en una serie
suavizada Z(t): Z(t) = F(Y(t)), t = 1,...,n
Y(t)

T(t)

De tal modo que F(Y(t)) = T(t); donde la funcin F se denomina Filtro Lineal, el filtro
lineal ms usado es la media mvil.

382

Mtodo de Medias Mviles

El objetivo es eliminar de la serie los componentes estacinales y accidentales.
Promedios mviles simples (PMS)
Utiliza como pronstico para el siguiente perodo, el promedio de los n valores de los
datos ms recientes de la serie de tiempo, matemticamente puede expresarse como:

Promedio Mvil =

(n valores de datos

ms recientes)

El trmino mvil indica que conforme se tenga 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 habrn que tomarse para calcular el
promedio, generalmente suele variar entre tres (3) a cinco (5), dependiendo de cuantos
elementos tiene la serie de datos.
A continuacin pasamos a ver una serie de variantes del mtodo mencionado que se
utilizan para eliminar el componente irregular y/o el componente estacional, los cuales
se basan en la construccin de una serie de variables a partir de los datos originales,
realizando para ello promedio de estos datos.
Casos:
1.-Media mvil anual o de orden 12 (con datos mensuales)
Consiste en sustituir el dato de cada mes por el promedio de los datos de los
ltimos 12 meses. As, por ejemplo, para calcular la Media Mvil Anual de
enero de 1997, calculamos el promedio de los doce meses comprendidos entre
febrero de 1996 y enero de 1997, es decir:

M t12 =

y t + y t 1 + y t 2 + ... + y t 11
12

2.-Para una Serie Mensual con Estacionalidad Anual (s = 12)

La serie suavizada se obtiene de la forma siguiente
Y (k ) =

Y (k 6) + Y (k 5) + K + Y (k + 5) + 12 Y (k + 6)
, 7 k n6
12

3.- Para una serie trimestral, con estacionalidad anual (s = 4),

La serie suavizada est dada por

383

Y (k ) =

Y (k 2) + Y (k 1) + Y ( k ) + Y (k + 1) + 12 Y (k + 2)
, 3 k n2
4

A este procedimiento se le llama: filtro simtrico finito.

4.- Media Mvil de Orden s:
Podemos construir medias mviles de orden inferior a 12, es decir, que no sean
anuales. As, la Media Mvil de Orden 3 se construye promediando los tres
ltimos datos. De manera general, la Media Mvil de Orden s se construye de la
siguiente forma:
s 1

y + y t 1 + y t 2 + ... + yt s +1
=
M = t
s
s
t

y
i =1

t i

Para realizar las predicciones y pronsticos de la serie utilizamos la siguiente

frmula:

y t = M ts1 .
La principal ventaja que presenta esta media mvil ser que no retrasar tanto la
evolucin de la variable como lo haca la media mvil anual, ya que al no
utilizar tantas observaciones, su comportamiento se asemejar ms al de la serie
original.
Sin embargo, el principal inconveniente de esta media mvil viene precisamente
de esa menor utilizacin de observaciones. Al no construirse con 12
observaciones, no se elimina completamente el componente estacional, llegando
en ciertos casos a multiplicarse este efecto. As, supongamos que trabajamos con
una media mvil de orden 3 para la serie PBI, la cual tiene un componente
estacional muy marcado (todos los meses de agosto son sistemticamente ms
bajos que el resto de los meses del ao). Al construir esta media mvil de orden
3, va a ocurrir que el dato sistemticamente ms bajo de agosto en la serie
original, no slo afecte al dato de la media mvil de agosto sino tambin lo har
al dato de septiembre y al dato de octubre.
5. Media Mvil Centrada:
Esta media mvil no se construye promediando los datos anteriores al dato
original, sino que se utilizan simtricamente los datos adyacentes. Por ejemplo,
para construir el dato de julio de 1996 de la media centrada de orden 3 se utiliza
el promedio de los meses de junio, julio y agosto de 1996. En general, la Media
Mvil Centrada de orden s va a estar definida por la siguiente expresin:

y
MC =
s
t

t+

( s 1)
2

+ ... yt +1 + yt + yt 1 ... + y

s 1
2

s
384

Cuando el orden de la media mvil centrada es par (por ejemplo 6) se utilizan

para calcularla s+1 observaciones, ponderando cada uno de los datos extremos
con un valor igual a 0.5:

MCt6 =

0.5 y t +3 + y t + 2 + y t +1 + y t + y t 1 + y t 2 + 0.5 y t 3
6

La principal ventaja de esta media mvil es que al utilizar los datos adyacentes,
tanto anteriores como posteriores, no vamos a tener el problema de retrasar la
evolucin de la variable, es decir, tanto la serie original como la media mvil
centrada van a tener en las mismas fechas los valores mximos y mnimos.
El principal inconveniente ser que al utilizar las observaciones posteriores a
cada dato original, para su construccin, no tendremos observaciones de la MC
al final de la muestra disponible, siendo sta precisamente la parte de la muestra
ms interesante para el anlisis. Esta dificultad se resuelve si disponemos de
predicciones fiables para los prximos meses. As, por ejemplo si se dispone de
datos hasta diciembre de 2002, la MC5 para ese mes de diciembre de 2002 se
formar con el promedio de las observaciones de octubre, noviembre y
diciembre de 2002 y las predicciones para enero y febrero de 2003.
Resumiendo, cada una de las diferentes medias mviles va a tener sus ventajas como
tambin sus desventajas y dependiendo de para que querramos utilizarlas y las
caractersticas de la serie en cuestin, emplearemos a una o a otra. Por ejemplo, si la
serie en estudio no tiene componente estacional muy marcado y es fcil conseguir
predicciones fiables, podra utilizarse una MC3. En otros casos, sera ms conveniente
utilizar una media mvil de mayor orden (o anual) o no centrada, etc. Normalmente,
estas medias mviles son interpretadas como una aproximacin a la evolucin de la
serie temporal y, de hecho, en ocasiones se utilizan como estimacin de la tendencia de
la misma. Hay que destacar que esta tendencia no va a tener las limitaciones que tenan
las tendencias deterministas, las cuales dependan nicamente del tiempo. Cabe
mencionar que estas medias mviles tienen una naturaleza cambiante con el paso del
tiempo, en funcin del comportamiento de la variable.
Nota: Se suaviza cuando existen muchos cambios bruscos o movimientos irregulares.

385

Ejemplo Ilustrativo 1:
A continuacin se presentarn los datos correspondientes al PBI mensual, en millones
de nuevos soles a precios de 1994, para el periodo enero 1994-julio 2004

Ao

Mes

Valor
del PBI

1994

Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Setiembre
Octubre
Noviembre
Diciembre
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Setiembre
Octubre
Noviembre
Diciembre

Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio

7,615.2
7,405.3
8,155.6
8,237.6
8,700.6
8,460.9
8,196.6
8,235.1
8,033.1
8,174.3
8,445.0
8,918.3
8,625.4
8,287.1
8,823.9
8,953.9
9,957.7
9,259.0
9,107.1
9,021.4
8,447.0
8,805.4
8,831.1
8,920.0

10,733.6
10,576.7
11,255.0
12,046.6
12,519.8
11,926.2
11,677.0

1995

2004

2004

Agosto

Media
Media
Movil
Pronostico
Asimetrica
Centrada
PBI
de orden 3
de orden 3

Media
Movil
Centrada
de Orden
12

Media
Movil
Asimetrica
de orden
12

Pronostico
PBI

7,725.3
7,932.8

7,725.3

8,364.6

7,932.8

7,725.3

8,466.4

8,364.6

7,932.8

8,452.7

8,466.4

8,364.6

8,297.5

8,452.7

8,466.4

8,256.88

8,154.9

8,297.5

8,452.7

8,335.71

8,147.5

8,154.9

8,297.5

8,400.30

8,217.5

8,147.5

8,154.9

8,457.99

8,512.5

8,217.5

8,147.5

8,540.21

8,662.9

8,512.5

8,217.5

8,625.84

8214.79

8,610.3

8,662.9

8,512.5

8,697.03

8298.97

8214.79

8,578.8

8,610.3

8,662.9

8,767.74

8372.45

8298.97

8,688.3

8,578.8

8,610.3

8,817.75

8428.15

8372.45

9,245.1

8,688.3

8,578.8

8,861.29

8487.83

8428.15

9,390.2

9,245.1

8,688.3

8,903.67

8592.59

8487.83

9,441.3

9,390.2

9,245.1

8,919.83

8659.09

8592.59

9,129.2

9,441.3

9,390.2

8,920.25

8734.97

8659.09

8,858.5

9,129.2

9,441.3

8,925.91

8800.50

8734.97

8,757.9

8,858.5

9,129.2

8,931.86

8834.99

8800.50

8,694.5

8,757.9

8,858.5

8,946.61

8887.58

8834.99

8,852.2

8,694.5

8,757.9

8,971.62

8919.76

8887.58

8,794.9

8,852.2

8,694.5

8,991.65

8919.90

8919.76

11,229.10

10,942.9

10,975.6

11,041.8

11010.86

10979.73

10,855.1

10,942.9

10,975.6

11054.04

11010.86

11,292.8

10,855.1

10,942.9

11106.69

11054.04

11,940.5

11,292.8

10,855.1

11142.52

11106.69

12,164.2

11,940.5

11,292.8

11182.35

11142.52

12,041.0

12,164.2

11,940.5

11211.51

11182.35

12,041.0

12,164.2
12,041.0

11246.69

11211.51
11246.69

386

Suavizamiento del PBI por Media Movil

Millones de nuevos soles de 1994

13,000.0

12,000.0

11,000.0

10,000.0

9,000.0

8,000.0

PBI Global

PBI pronostico orden 3

20
04

20
03

20
02

20
01

20
00

19
99

19
98

19
97

19
96

19
95

19
94

7,000.0
Aos

PBI pronostico orden 12

Como se puede observar, a medida que aumenta el orden, mayor es el efecto de

suavizacin, pero tambin aumenta la perdida de informacin.

EXACTITUD DEL PRONSTICO

Una consideracin de gran importancia al seleccionar un mtodo de pronstico es la
exactitud del mismo. Evidentemente se desea 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:

EMC =

((Valor

Real Valor Pronosticado) 2

Cantidad Valores Pronosticados

387

Ejemplo Ilustrativo 2:
Sean las ventas semanales de nafta (en miles de litros) de un establecimiento la variable
que se desea pronosticar; utilizando el mtodo de Media mvil de orden 3, obtenemos
los resultados del siguiente cuadro:

Semana
1
2
3
4
5
6
7
8
9
10
11
12
13

Ventas yt

Promedio
Predicciones
mvil
yt
M t3

17
21
19
23
18
16
20
18
22
20
15
22
PRONOSTICO

19
21
20
19
18
18
20
20
19
19

19
21
20
19
18
18
20
20
19
19

Error
=( yt - y t )

Error
Cuadrado (2)

4
-3
-4
1
0
4
0
-5
3
0

16
9
16
1
0
16
0
25
9
10,22

Media mvil:

M t3 = ( y t + y t 1 + y t 2 ) / 3
Por ejemplo:

M 33 = (19+21+17)/3 = 57/3 = 19
Predicciones:

En este caso se dar de la forma: y t = M t31 , por ejemplo para el caso de semana 4 se
tendr:

y 4 = M 431 = M 33 = 19
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

388

VENTAS SEMANALES DE NAFTA REALES Y SUAVIZADOS

POR EL MTODO DE MEDIA MVIL SIMPLE (s=3)
24
22
20
18
16
14
1

5
Serie original

10

11

12

Media mvil

389

LECCIN 2
MTODO DE SUAVIZACIN EXPONENCIAL SIMPLE
Esta tcnica se basa en la atenuacin de los valores de la serie de tiempo, obteniendo el
promedio de estos de manera exponencial; es decir, los datos se ponderan dando un
mayor peso a las observaciones ms recientes y uno menor a las ms antiguas. Al peso
para ponderar la observacin ms reciente se le da el valor , la observacin inmediata
anterior se pondera con un peso de a (1 - ), a la siguiente observacin inmediata
anterior se le da un peso de ponderacin de a (1 - )2 y as sucesivamente hasta
completar el nmero de valores observados en la serie de tiempo a tomar en cuenta para
realizar la atenuacin, es decir, para calcular el promedio ponderado. La estimacin o
pronstico ser el valor obtenido del clculo del promedio.
Por lo que la expresin para realizar el clculo de la suavizacin exponencial simple es:
Pt +1 = Yt + ( 1)Yt 1 + ( 1) 2 Yt 2 + ...( 1) n 1 Yt ( n 1)

Otra expresin equivalente a esta es la siguiente:

Pt +1 = Yt + ( 1) Pt
Donde
Yt
Pt+1
Pt

: Valor de la serie en el perodo t.

: Pronstico o prediccin para el perodo t+1.
: Pronstico o prediccin en el perodo t.
: Factor de suavizacin, ( 0 1)

Es decir el valor de la serie suavizada en el perodo t+1 es igual a veces el valor

de la serie en el perodo t, ms 1- veces el valor predicho en el perodo t.
Es as que para determinar los valores de la serie suavizada se necesita un valor inicial
P0, el cual puede ser un promedio de los datos anteriores o simplemente el primer valor
de la serie.

390

Ejemplo Ilustrativo 1:
Continuando con la serie de tiempo del PBI Global.
La constante de suavizacin que se utilizara ser de 0.2 y el valor inicial ser la primera
observacin, es decir, el valor del PBI en enero de 1994.

Ao

Mes

1994

Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Setiembre
Octubre
Noviembre
Diciembre
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Setiembre
Octubre
Noviembre
Diciembre
.
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio

1995

2004

2004

Agosto

Valor Suavizacion Pronostico

del PBI exponencial
PBI
7,615.2
7,405.3
8,155.6
8,237.6
8,700.6
8,460.9
8,196.6
8,235.1
8,033.1
8,174.3
8,445.0
8,918.3
8,625.4
8,287.1
8,823.9
8,953.9
9,957.7
9,259.0
9,107.1
9,021.4
8,447.0
8,805.4
8,831.1
8,920.0

10,733.6
10,576.7
11,255.0
12,046.6
12,519.8
11,926.2
11,677.0

7,615.2
7,573.2
7,689.7
7,799.3
7,979.5
8,075.8
8,100.0
8,127.0
8,108.2
8,121.4
8,186.1
8,332.6
8,391.1
8,370.3
8,461.0
8,559.6
8,839.2
8,923.2
8,960.0
8,972.2
8,867.2
8,854.8
8,850.1
8,864.1

10,951.2
10,876.3
10,952.1
11,171.0
11,440.7
11,537.8
11,565.7

7,573.2
7,689.7
7,799.3
7,979.5
8,075.8
8,100.0
8,127.0
8,108.2
8,121.4
8,186.1
8,332.6
8,391.1
8,370.3
8,461.0
8,559.6
8,839.2
8,923.2
8,960.0
8,972.2
8,867.2
8,854.8
8,850.1

11,005.6
10,951.2
10,876.3
10,952.1
11,171.0
11,440.7
11,537.8
11,565.7

391

Suavizacion Exponencial del PBi

Millones de nuevos soles de 1994

13,000.0
12,000.0
11,000.0
10,000.0
9,000.0
8,000.0

PBI Global

PBI pronosticado

2004

2003

2002

2001

2000

1999

1998

1997

1996

1995

1994

7,000.0

aos

Se puede observar que por mtodo de suavizacin exponencial simple, suaviza de mejor
manera que el mtodo de media mvil. Empleando este mtodo obtenemos que para
agosto del 2004 el PBI Global pronosticado es de 11,565.7 millones de nuevos soles a
precios de 1994.
Ejemplo Ilustrativo 2:
Siguiendo con el mismo ejemplo de las ventas semanales de nafta (en miles de litros);
utilizando el mtodo de Suavizacin exponencial simple con =0.8, obtenemos los
resultados del siguiente cuadro:

Semana
1
2
3
4
5
6
7
8
9
10
11
12
13

Ventas
yt

17
21
19
23
18
16
20
18
22
20
15
22
PRONOSTICO

Suavizacin
Exponencial
= 0,80

=( y t - y t )

Error
Cuadrado (2)

17
17
20,20
19,24
22,25
18,85
16,57
19,31
18,26
21,25
20,25
16,05
20.81

3,76
-4,25
-2,85
3,43
-1,31
3,74
-1,25
-5,25
5,95
1,96

14,14
18,05
8,12
11,77
1,73
13,97
1,57
27,57
35,40
14,70

Error

392

Predicciones:

P3 = 0.8 Y2 + (1 0.8) P2
P3 = 0.8 21 + 0.2 17 = 20.2
En la siguiente grfica observamos las predicciones halladas por los mtodos de media
mvil simple y suavizacin exponencial.
COMPARACIN DE LAS PREDICCIONES POR LE
MTODO DE MEDIA MVIL Y EXPONENCIAL SIMPLE
24
22
20
18
16
14
1

4
Serie original

Media mvil

10

11

12

Suavizacin exponencial

NOTA: Para utilizar le mtodo de suavizacin exponencial se debe elegir un coeficiente

adecuado de tal forma que el EMC sea el menor posible. En nuestro ejemplo
podemos observar que la media mvil suaviza mejor los datos, asimismo presenta un
menor error medio cuadrtico (EMC).

393

LECCIN 3
MTODO DE SUAVIZACIN 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

Pt = Yt + (1 )P
t 1
Suavizacin Exponencial Doble
Y' t = Pt + (1 )Y'

t 1

Donde:
: Valor atenuado segn modelo de suavizacin exponencial simple en el tiempo

Pt
P
t 1

Y't
Y'

t 1

Yt

t.
: Valor atenuado segn modelo de suavizacin exponencial simple en el tiempo
t-1.
: Valor pronosticado sobre segunda suavizacin exponencial en el tiempo t
: Valor pronosticado sobre segunda suavizacin exponencial, en el tiempo t - 1
: Valor experimental de la serie de datos de tiempo
: Constante de suavizacin exponencial

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

Yt + j = a t + j (bt )
Siendo:

a t = 2 Pt Y't

b t = (Pt Y' t )
1
Donde:

Yt + j :
:
a

Valor pronosticado agregando tendencia lineal para el perodo t+j

Ordenada de origen para modelo lineal en el tiempo t

394

bt

Pendiente de tendencia lineal en el tiempo t

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

La constante emprica es la nica variable en este modelo que debe ser determinada
de manera experimental sobre los valores disponibles de la serie de datos.
Ejemplo Ilustrativo

Aplicaremos este modelo al siguiente conjunto de datos reales que representan las
ventas de una determinada publicacin, durante los ltimos 28 meses.

Nmero de ejemplares vendidos de una publicacin

durante los ltimos 28 meses
Mes
1
2
3
4
5
6
7

Ventas
500
350
250
400
450
350
200

Mes
8
9
10
11
12
13
14

Ventas
300
350
200
150
400
550
350

Mes
15
16
17
18
19
20
21

Ventas
250
550
650
400
350
600
750

Mes
22
23
24
25
26
27
28

Ventas
500
400
650
850
600
450
700

La grfica de la serie se presenta en el siguiente grfico:

Venta mensual de ejemplares de la publicacin
en los ltimos 28 meses
Ventas (N
ejemplares)
1000

800

600

400

200

13

19

25

Mes

395

Con ayuda del Software Eviews hallamos la serie suavizada, utilizando un valor de
= 0.136 , los resultados se pueden apreciar en el siguiente grfico.
Ventas suavizadas por el mtodo Exponencial doble
con ? = 0.136
Ventas (N
ejemplares)
1000

800

600

400

200

13
Ventas reales

19

25

Meses

Ventas suavizadas

396

LECCIN 4
MTODO DE SUAVIZACIN CON TENDENCIA Y ESTACIONALIDAD

(Mtodo de Holt - Winters)

ATENUACIN EXPONENCIAL AJUSTADO A TENDENCIA (MTODO DE
HOLT)

Es un mtodo sofisticado de extensin de la suavizacin exponencial, descrita

anteriormente. A diferencia del mtodo de suavizacin exponencial, el mtodo de Holt
Winters tambin permite el estudio de la tendencia de la serie a travs de pronsticos a
mediano y largo plazo
Este modelo utiliza dos constantes ( y ) para realizar los pronsticos. Estas constantes
deben determinarse experimentalmente para sealar los valores reales de la serie de
tiempo. Las Ecuaciones que se Utilizan son
Nivel de la serie:

E t = Yt + (1 )(E

Nivel de la tendencia:

Tt = (E t E ) + (1 ) T
t 1
t 1

t1

+T )
t 1

De las ecuaciones anteriores las variables tienen el siguiente significado:

Et

t1 :
Tt
:
T
t1 :
Yt
:

:
:

Estimacin Atenuada de la serie en el tiempo t

Estimacin Atenuada de la serie en el tiempo t -1
Valor pronosticado de Tendencia en el tiempo t
Valor pronosticado de Tendencia en el tiempo t -1
Valor observado de la serie en el tiempo t
Constante de suavizacin de la serie
Constante de suavizacin para Tendencia

El modelo de Holt Winters se utiliza cuando existe la presencia de una tendencia en la

serie de tiempo. La eleccin de las constantes de suavizacin y afecta al valor de los
resultados. Un valor pequeo de da mayor peso a los valores ms retrazados y un
mayor valor en dicha constante da mayor peso a los niveles ms recientes. Igualmente
un valor pequeo de da mayor peso a las tendencias ms retrazadas en la serie y un
menor valor de la constante da mayor peso a las tendencias de la serie ms recientes.
Para pronosticar perodos futuros, se define la siguiente frmula:

Y
= E t + j(Tt )
t+ j
En la ecuacin anterior las variables tienen el siguiente significado:

397

Y
t+ j

Valor de pronstico de la serie para periodo futuro (t+j)

E
t
Tt

Valor pronosticado de suavizacin exponencial atenuado

Valor pronosticado de tendencia

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

Ejemplo Ilustrativo 1:

Continuando con el anlisis del PBI, ahora suavizamos por medio del mtodo de
suavizacin de Holt, empleando los siguientes parmetros: 0.05 y 0.2
Metodo Exponencial de Holt

Millones de nuevos soles de 1994

13,000.0
12,000.0
11,000.0
10,000.0
9,000.0
8,000.0

PBI Global

PBI suavizada

04
20

03
20

02
20

01
20

00
20

99
19

98
19

97
19

96
19

95
19

19

94

7,000.0

Aos

Podemos observar que por medio del mtodo de Holt, logramos un mejor efecto
en la suavizacin de la serie del PBI.
Ejemplo Ilustrativo 2

Aplicaremos este modelo al ejemplo de la seccin anterior sobre las ventas de una
publicacin, para lo cual se obtienen los valores ptimos (= 0.1600 y =0.9002). Los
resultados se pueden apreciar en el siguiente grfico.

398

Ventas suavizadas por el mtodo de Holt

con = 0.16 y = 0.9
Ventas (N
ejemplares)
1000

800

600

400

200

13

Ventas reales

19

25

M es

Ventas suavizadas

SUAVIZACIN EXPONENCIAL CON COMPONENTES ESTACIONALES

Se entiende como variacin estacional, aquella distorsin que se produce en la serie de

datos debido a que hay un patrn de comportamiento que parece repetirse ao tras ao
(o transcurridos una cantidad de perodos), ejemplos de este tipo lo constituyen las
ventas de helado los cuales se incrementan en la temporada de verano, otro podran ser
las ventas de artculos de pirotecnia las cuales se incrementan durante el ltimo mes del
ao, las ventas de ropa para deportes invernales que se incremente en el segundo
trimestre del ao, la demanda de pasajes que se incrementa en el mes de julio hacia
destinos invernales, etc.
Los modelos aplicables en estos casos, deben contener un componente de correccin
debido a la tendencia que pudiese llegar a presentarse y otra correccin debido a la
estacionalidad que se presenta en la serie de datos.
En el ejemplo anterior, de las ventas de publicaciones podemos observar un
comportamiento similar cada cuatro meses, analizaremos esta serie utilizando la
componente estacional.
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)

399

Ambos mtodos son una extensin del mtodo de Holt presentado anteriormente, con la
particularidad de que agregaremos 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.
Mtodo de Holt-Winters Multiplicativo

Se basa en el clculo de cuatro componentes:

(1)

Ajuste Exponencial de la Serie de Datos

Et = (

Y
t ) + (1 )(E
+T
)
t 1 t 1
S
t -L

Estimacin de Tendencias

(2)

Tt = (E t E
) + (1 )T
t 1
t 1

(3)

Estimacin de Estacionalidad
Y
St = ( t ) + (1 )S
t L
E
t

(4)

Pronstico de Perodos Futuros

Y t + j = E + j(T ) S
t t -L+ j
t

Las variables en las ecuaciones tienen el siguiente significado:

Et

:
Tt
:
S
tL
St

Estimacin suavizada para el perodo t

Estimacin de Tendencia para perodo t
ndice de Estacionalidad calculado para el perodo t-L

ndice de estacionalidad para el perodo t

Yt
L

Valor real de la serie de tiempo para el perodo t

:
:
:
:

Longitud o duracin de la estacionalidad, en nuestro caso L = 4 (el ciclo

se repite cada cuatro meses)
Cantidad de perodos a Pronosticar hacia delante
Constante de suavizacin exponencial simple de la serie de datos
Constante de suavizacin exponencial de tendencia
Constante de correccin de estacionalidad

400

Los valores de , y , deben ser calculados de manera experimental sobre el conjunto

de datos disponibles de la serie de tiempo. En nuestro caso, el software Eviews estima
los valores ptimos de , y , resultando 0.98, 0.00 y 0.00 respectivamente. El
modelo final se puede apreciar en la siguiente grfica:
Ventas suavizadas por el mtodo de Holt-Winters
Multiplicativo con factor estacional (L=4)
con = 0.98 , = 0.00 y =0.00
Ventas (N
ejemplares)
1000

800

600

400

200

0
ABR 02

JUL 02

OCT 02

ENE 03

ABR 03

JUL 03

Ventas reales

OCT 03

ENE 04

ABR 04

JUL 04 M es

Ventas suavizadas

Mtodo de Holt-Winters Aditivo

Se basa en el clculo de cuatro componentes:

(5)

Ajuste Exponencial de la Serie de Datos

E t = (Yt S

(6)

tL

) + (1 ) (E

t 1

+T
)
t 1

Estimacin de Tendencias
Tt = (E t E
) + (1 )T
t 1
t 1

(7)

Estimacin de Estacionalidad

St = (Yt E t ) + (1 )S
(8)

t L

Pronstico de Perodos Futuros

Y t + j = E t + j Tt + S

t -L+ j

401

Las variables en las ecuaciones tienen el siguiente significado:

Et
Yt
Tt
St

S
L
j

tL

: Es la estimacin exponencialmente suavizada para el perodo t cualquiera

: Valor real de la serie de tiempo para el perodo t cualquiera
: Estimacin de Tendencia para perodo t
: ndice de estacionalidad para el perodo t
: ndice de Estacionalidad en el perodo t-L
: Longitud o duracin de la estacionalidad, en nuestro caso L = 4
: Cantidad de perodos a Pronosticar hacia adelante
: Constante de suavizacin exponencial simple
: Constante de suavizacin exponencial de tendencia
: Constante de correccin de estacionalidad

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 resultan: 1.00, 0.00 y 0.00 respectivamente. Basado en estos valores,
obtenemos el siguiente resultado:
Ventas suavizadas por el mtodo de Holt-Winters
Aditivo con factor estacional (L=4)
con = 1.00 , = 0.00 y =0.00
Ventas (N
ejemplares)
1000

800

600

400

200

0
ABR 02

JUL 02

OCT 02

ENE 03

ABR 03

Ventas reales

JUL 03

OCT 03

ENE 04

ABR 04

JUL 04 M es

Ventas suavizadas

Para evaluar cul de los modelos se ajusta mejor a los datos se procede a calcular el
Error Medio Cuadrtico (EMC) para cada caso, el resultado se resume en el siguiente
cuadro:

402

Mtodo

Holt (sin estacionalidad)

Holt Winters (Multiplicativo)
Holt Winters (Aditivo)

Error Medio Cuadrtico

(EMC)
23977.1
2571.2
2856.0

Como se puede observar el mtodo de Holt-Winters Multiplicativo presenta un menor

EMC por lo cual provee un mejor ajuste a los datos, por lo que ser elegido para el
clculo de pronsticos.

403

Ejercicio de autoconocimiento
Por qu debo aplicar una tcnica de suavizacin?

CRITERIOS

SI

NO

NO S

1. Porque el objetivo de suavizar las fluctuaciones

es apropiado para las series estables.
2. Porque me permite determinar la direccin de la
tendencia.
3. Porque su uso sirve para modelar series
estacionarias.
4. Para visualizar mejor la tendencia.
5. Para eliminar las fluctuaciones de la serie que no
permiten observar su verdadero comportamiento.
6. Para hacer un buen pronstico de perodos
futuros.
7. Porque se puede aplicar en diferentes casos,
como en las ventas de helado en verano.
8. Para manejar mejor cualquier serie estacionaria o
no.
9. Porque son un medio efectivo de para realizar
predicciones.
10. Porque permite hacer un estudio de la tendencia a
travs de pronsticos.

CALIFICACION

Puntuar con un punto cada respuesta SI.

Si obtienes de de 1 - 3 puntos tienes pocas expectativas de hacer una buena aplicacin
de las tcnicas de suavizacin.
Si tienes entre 4 7, tienes buenas expectativas de hacer una buena aplicacin de las
tcnicas de suavizacin.
Y si tienes entre 8 10, denotas excelentes expectativas de hacer una buena aplicacin
de las tcnicas de suavizacin.

404

RESUMEN

Las tcnicas ms usadas para realizar la suavizacin son: el mtodo de medias

mviles, suavizacin exponencial simple, suavizacin exponencial doble (mtodo de
Brown) y el mtodo de suavizacin con tendencia y estacionalidad (mtodo de HoltWinters).
Para determinar que mtodo elegido es el ms conveniente ser necesario
considerar la exactitud del mismo, lo que significa que tendr que considerarse
como adecuado aquel que sea capaz de originar el menor error de pronstico, para
tal fin se toma como medida referencial al Error Medio Cuadrtico (EMC).
El objetivo del uso de estas tcnicas es eliminar las fluctuaciones que estn
presentes en la serie las cuales no permiten observar su verdadero comportamiento,
esto se logra a partir de ajustar los datos histricos de a una nueva serie en la cual se
pueda determinar el verdadero comportamiento de sta.
Resumen de frmulas
Mtodo de Medias Mviles:

Promedios mviles simples (PMS)

Promedio Mvil =

(n valores de datos

ms recientes)

Media mvil anual

M12
t =

y t + y t 1 + y t 2 + ... + y t 11
12

Media Mvil de Orden s

s 1

y + y t 1 + y t 2 + ... + y t s +1
=
M = t
s
s
t

y
i =1

t i

Pronsticos: y t = Mst 1

Media Mvil Centrada:

y
MC =
s
t

t+

( s 1)
2

+ ...y t +1 + y t + y t 1 ... + y

s 1
2

Error Medio Cuadrado (EMC)

405

EMC =

((Valor

Real Valor Pronosticado) 2

Cantidad Valores Pronosticados

Mtodo de Suavizacin Exponencial Simple

Mtodo de Suavizacin Exponencial Doble ((Mtodo de Brown)

Suavizacin Exponencial Simple

Pt = Yt + (1 )P
t 1
Suavizacin Exponencial Doble
Y' t = Pt + (1 )Y'

Pronstico: Yt + j = a + j (b )
t
t
Siendo: a = 2 P Y' ,
t
t
t

t 1

b t = (Pt Y' t )
1

Mtodo de Suavizacin con Tendencia y Estacionalidad (mtodo de HoltWinters)

Atenuacin Exponencial Ajustado A Tendencia (Mtodo De Holt)

Nivel de la serie:

E = Y + (1 )(E + T )
t
t
t1 t1
Nivel de la tendencia:
Tt = (E t E
) + (1 ) T
t 1
t 1
Pronstico: Y
= E t + j(Tt )
t+ j

Suavizacin Exponencial Con Componentes Estacionales

Mtodo de Holt-Winters Multiplicativo:

Ajuste Exponencial de la Serie de Datos

Y
E t = ( t ) + (1 )(E
+T
)
t 1 t 1
S
t -L
Estimacin de Tendencias
Tt = (E t E
) + (1 )T
t 1
t 1
Estimacin de Estacionalidad

406

Y
St = ( t ) + (1 )S
t L
E
t
Pronstico de Perodos Futuros

Y t + j = E + j(T ) S
t t -L+ j
t

Mtodo de Holt-Winters Aditivo

Ajuste Exponencial de la Serie de Datos

E t = (Yt S

Estimacin de Tendencias

tL

) + (1 ) (E

t 1

+T
)
t 1

Tt = (E t E
) + (1 )T
t 1
t 1

Estimacin de Estacionalidad

St = (Yt E t ) + (1 )S

Pronstico de Perodos Futuros

Y t + j = E t + j Tt + S

t L

t -L+ j

EXPLORACION ON LINE

1. Pronsticos obtenidos mediante la suavizacin exponencial simple

http://www.prodigyweb.net.mx/lmfs/ingenierias/pronosticos/pronosticos.html
2. Definiciones de Suavizacin Exponencial y Ejercicios Desarrollados
http://www2.adm.salvador.edu.ar/master/deusto/Metodos/Apuntes/Pronosticos/T
eoria%20General%20de%20Pronosticos.doc.
3. Aplicacin de la media mvil.
http://html.rincondelvago.com/administracion-de-la-produccion_4.html

407

LECTURA
TCNICAS DE SUAVIZACIN

Una de las principales aplicaciones del estudio de las series temporales est
relacionado a la prediccin de los valores futuros, como se explic en el captulo
anterior, siendo la mejor manera de explicar el comportamiento de una variable es el
estudio de su tendencia la largo plazo, el problema que trae consigo esta afirmacin
es que al realizar el estudio se observar que en la serie contiene una considerable
cantidad de fluctuaciones aleatorias y cambios estacionales al corto plazo lo que har
difcil encontrar cierto comportamiento particular, por ejemplo el caso de la
presencia de una tendencia.
Para remediar tal situacin se han propuesto un cierto tipo de tcnicas como el
clculo de las medias de los datos para ciertos periodos (promedios mviles).
Logrndose con el uso de estas tcnicas eliminar las fluctuaciones de la serie que no
permiten observar su verdadero comportamiento, esto es a partir del ajuste de los
datos histricos de una nueva serie.
De todos los mtodos de pronstico por series de tiempo es la suavizacin
exponencial el que ms se adecua a la prediccin a corto plazo, debido a las
posibilidades de automatizacin del proceso de clculo, operar con costos
relativamente bajos y de dar una mayor importancia a los datos de demandas
recientes cuando se realiza el pronstico.
Existen una variedad de mtodos, los cuales se emplean principalmente en las reas
de prediccin en los negocios y la economa, como por ejemplo para detectar el
comportamiento de las ventas de un producto que ha aparecido en el mercado hace
veinticuatro meses y se desea determinar cul es la poca del ao en que debe incidir
con mayor fuerza (para el uso de campaas de publicidad) con el fin de levantar sus
ingresos o si sus ventas presentan un comportamiento mantenido (comportamiento
cclico).
Otro ejemplo lo constituye la seleccin del mtodo de suavizacin exponencial para
proyectar la demanda de productos en las empresas hoteleras, el cual es usado
debido a la existencia de un elevado nmero de artculos as como poseen una
demanda independiente aleatoria.
El autor

408

ACTIVIDADES

1. Dado los nmeros 10, 6, 2, 5, 2, 6, 9,7, 3, determinar el promedio mvil de

orden 2.
2. La tabla siguiente muestra el total de ventas mensuales de una empresa
productora de conservas en el Per durante los ltimos 6 aos.
a. Construir un promedio mvil de orden 12
b. Construir un promedio mvil centrado de orden 12
c. Representar grficamente los resultados obtenidos junto con los datos
originales y comparar los resultado

Enero
Febreo
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre

1998
174132
161943
146195
141146
147081
168127
144123
169350
163300
186654
182168
181453

1999
171695
142800
156978
138780
154502
155887
161107
162323
175434
172045
190468
164692

2000
150419
138585
164806
141578
136450
136144
144638
118136
133284
158266
167523
167508

2001
167654
165798
149714
175504
156909
183660
177009
204359
194735
199345
218171
213791

2002
215773
177886
222408
215793
203316
209376
203557
240105
225476
242739
217358
210469

2003
212658
232616
249744
231813
216286
220976
212788
195399
207013
187727
188220
159060

3. Considere las observaciones de la tabla siguiente las cuales corresponden a las

ventas de un determinado producto. Calcule haciendo uso del mtodo de Holt
Winters sus predicciones correspondientes, para lo cual se considere los valores
de = 0.1600 y =0.9002.
1990
Enero
299.53
Febrero
286.04
Marzo
295.52
Abril
276.49
Mayo
307.33
Junio
300.94
Julio
301.97
Agosto
245.94
Septiembre 204.29
Octubre
219.19
Noviembre 240.22
Diciembre 266.30

1991
274.01
258.24
271.92
293.04
313.58
298.54
308.95
273.84
249.39
256.90
267.29
268.80

1992
278.92
263.25
281.32
272.24
296.85
288.45
286.65
258.45
237.95
249.31
259.60
279.73

1993
276.85
262.53
296.28
290.02
309.90
310.98
319.38
288.26
262.63
262.60
283.52
301.79

1994
310.87
287.53
333.20
332.65
363.05
356.85
351.80
318.12
293.49
307.12
324.63
333.66

1995
362.34
329.38
356.09
358.20
404.46
380.43
374.86
341.56
304.81
318.78
327.14
328.93

1996
355.34
343.17
352.04
364.69
414.46
399.64
395.91
348.26
306.35
318.43
346.89
356.96

409

4. Considere una suavizacin exponencial simple para una serie que corresponde a
las importaciones a precios constantes. Calcular las predicciones con sus
respectivos errores de prediccin.
121.65
164.35
182.27
197.76
173.64
222.25
261.00
286.89
253.21
211.87

253.39
308.14
347.58
384.38
410.56
479.94
543.97
603.19
548.36
544.95

582.23
608.55
606.88
681.57
866.66
841.91
735.87
738.45
558.46
666.22

867.72
1005.82
1028.04
723.37
591.83
540.60
650.72
747.35
680.38
508.36

568.72
682.80
776.15
786.01
974.18
1216.16
1222.97
1347.59
1350.55

5. los siguientes datos corresponden al IPC al consumidor de lima metropolitana

promedio mensual de 1990-2000. Calcule las predicciones para los meses de
junio a diciembre del 2000.
MES

1990

1992

1993

1994

1995

1996

Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre

0.29
0.38
0.51
0.69
0.92
1.31
2.14
10.66
12.12
13.29
14.08
17.42

43.15
45.19
48.56
50.10
51.82
53.68
55.55
57.12
58.61
60.74
62.89
65.32

68.48
70.49
73.48
76.73
79.06
80.49
82.70
84.79
86.17
87.47
88.87
91.10

92.78
94.46
96.66
98.15
98.86
99.98
100.87
102.42
102.95
103.24
104.50
105.12

105.51
106.71
108.17
109.24
110.15
111.04
111.67
112.83
113.27
113.85
115.26
115.87

117.31
119.11
120.75
121.80
122.69
123.26
124.95
126.11
126.52
127.45
128.04
129.59

1997

1998

1999

2000

130.21
130.33
131.99
132.50
133.50
134.95
136.07
136.38
136.77
136.98
137.09
137.96

139.21
140.93
142.79
143.66
144.52
145.28
146.19
146.58
145.79
145.30
145.35
146.25

146.27
146.73
147.63
148.50
149.20
149.47
149.86
150.12
150.81
150.63
151.04
151.70

151.80
152.53
153.36
154.14
154.17
154.27

FUENTE: INSTITUTO NACIONAL DE ESTADISTICA E INFORMATICA - Direccin Tcnica de Indicadores Econmicos.

410

AUTOEVALUACIN

Encierra en un crculo la letra que contenga la alternativa correcta.

1. Porque se debera aplicar una suavizacin:
a.
b.
c.
d.

Para aplanar eliminar los picos y valores extremos de una serie.

Cuando no se tiene certeza acerca del comportamiento de una serie.
Por la presencia del error aleatorio.
Cuando se quiere estimar el valor promedio de la serie a largo plazo.

2. Establezca la verdad o falsedad de cada una de las siguientes proposiciones:

a. Las tcnicas de suavizacin son usadas para eliminar las fluctuaciones
aleatorias y cambios estaminales a corto plazo.
b. Con el uso de la media mvil puede lograr aplanar los datos y producir
un movimiento de la serie donde no aparezcan tantos picos como
inicialmente tiene la serie.
c. Para formar una media mvil vasta con tener informacin pasada y
considerar un orden s.
d. Con el uso de una tcnica de suavizacin siempre se lograr obtener un
comportamiento ms estable ms claro de la serie.
3. Identificar cada una de las siguientes tcnicas de suavizacin a partir de las
ecuaciones siguientes :
a.

M st =

y t + y t 1 + y t 2 + ... + y t s +1
s

b. P = Y + (1 )P
t
t
t 1
c. Y' = P + (1 )Y'
t
t
t 1
d. Siendo
Nivel de la serie:

E t = Yt + (1 )(E

Nivel de la tendencia:

Tt = (E t E ) + (1 ) T
t 1
t 1

t1

+T )
t 1

I. Ninguna
II Mtodo de Brown
III. Mtodo de Holt- Winters aditivo
IV. Media Mvil anual
4. Establezca la verdad o falsedad acerca del mtodo de HoltWinters

411

a. A diferencia con el mtodo de suavizacin exponencial, el mtodo de

Holt Winters permite el estudio de la tendencia de la serie a travs de
pronsticos a mediano y largo plazo
b. Se utiliza cuando existe la certeza de la presencia de una tendencia en la
serie.
c. El modelo de Holt-Winters es una ampliacin perfeccionada del mtodo
de suavizacin exponencial.
d. En comparacin con los mtodos antes mencionados este da mayor peso
a los valores ms retrazados y un mayor valor en dicha constante da
mayor peso a los niveles ms recientes
5. Considere una serie del IPC que se ha obtenido para Lima Metropolita entre
enero de1990 y diciembre de 1999, si se hace uso del mtodo de suavizacin
exponencial simple para valores de en el intervalo de [0.8; 0.99]. Cul es el
valor de ste segn el cual se obtiene el mejor ajuste al mtodo planteado?
a
b
c
D
e
f
g
0.8
0.9
0.95
0.96
0.97
0.98
0.99

EMC 512.195 486.856 477.802 476.269 474.828 473.477 472.218

RESPUESTAS DE CONTROL
1. b, 2. VVFF, 3. a.IV; b.I; c.II; d. III , 4. VVVV, 5. g

412