Documentos de Académico
Documentos de Profesional
Documentos de Cultura
12 Unidad9 PDF
12 Unidad9 PDF
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
TCNICAS DE SUAVIZACIN
ESQUEMA CONCEPTUAL
TCNICAS DE SUAVIZACIN
Definiciones bsicas
Suavizamiento-Filtros Lineales
Mtodos
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
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
Y (k 6) + Y (k 5) + K + Y (k + 5) + 12 Y (k + 6)
, 7 k n6
12
383
Y (k ) =
Y (k 2) + Y (k 1) + Y ( k ) + Y (k + 1) + 12 Y (k + 2)
, 3 k n2
4
y + y t 1 + y t 2 + ... + yt s +1
=
M = t
s
s
t
y
i =1
t i
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
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
13,000.0
12,000.0
11,000.0
10,000.0
9,000.0
8,000.0
PBI Global
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
EMC =
((Valor
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
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)
Pt +1 = Yt + ( 1) Pt
Donde
Yt
Pt+1
Pt
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
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
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
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
394
bt
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.
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
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
E t = Yt + (1 )(E
Nivel de la tendencia:
Tt = (E t E ) + (1 ) T
t 1
t 1
t1
+T )
t 1
t1 :
Tt
:
T
t1 :
Yt
:
:
:
Y
= E t + j(Tt )
t+ j
En la ecuacin anterior las variables tienen el siguiente significado:
397
Y
t+ j
E
t
Tt
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
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
800
600
400
200
13
Ventas reales
19
25
M es
Ventas suavizadas
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
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)
Y t + j = E + j(T ) S
t t -L+ j
t
Et
:
Tt
:
S
tL
St
Yt
L
:
:
:
:
400
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
(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
Y t + j = E t + j Tt + S
t -L+ j
401
S
L
j
tL
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
403
Ejercicio de autoconocimiento
Por qu debo aplicar una tcnica de suavizacin?
CRITERIOS
SI
NO
NO S
CALIFICACION
404
RESUMEN
Promedio Mvil =
(n valores de datos
ms recientes)
M12
t =
y t + y t 1 + y t 2 + ... + y t 11
12
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
y
MC =
s
t
t+
( s 1)
2
+ ...y t +1 + y t + y t 1 ... + y
s 1
2
405
EMC =
((Valor
Pronstico: Yt + j = a + j (b )
t
t
Siendo: a = 2 P Y' ,
t
t
t
t 1
b t = (Pt Y' t )
1
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
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
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
Y t + j = E t + j Tt + S
t L
t -L+ j
EXPLORACION ON LINE
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
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
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
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
410
AUTOEVALUACIN
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
RESPUESTAS DE CONTROL
1. b, 2. VVFF, 3. a.IV; b.I; c.II; d. III , 4. VVVV, 5. g
412