SUAVIZAMIENTO EXPONENCIAL

SIMPLE
SUAVIZACIÓN EXPONENCIAL SIMPLE

En los métodos de pronósticos anteriores

(promedios móviles simple y ponderado), la
principal desventaja es la necesidad de
manejar en forma continua gran cantidad de
datos históricos.
En estos métodos, al agregar cada nueva pieza de
datos, se elimina la observación anterior y se
calcula el nuevo pronóstico. En muchas
aplicaciones (quizás en la mayor parte), las
ocurrencias más recientes son más indicativas del
futuro que aquellas en el pasado más distante. Si
esta premisa es válida (que la importancia de los
datos disminuye conforme el pasado se vuelve
más distante), es probable que el método más
lógico y fácil sea la suavización exponencial.
El suavizado exponencial es una de las técnicas
más utilizadas en las Series Cronológicas. Su
objetivo es alisar una serie de forma de poder
apreciar a simple vista el comportamiento
normal de la serie y su tendencia,
minimizando la influencia de outliers
La razón por la que se llama suavización exponencial es que
cada incremento en el pasado se reduce (1 − α). Por ejemplo, si
α es 0.05, las ponderaciones para los distintos periodos serían
las siguientes (α se define a continuación):

Por lo tanto, los exponentes 0, 1, 2, 3,…, etc. le dan su nombre.

La suavización exponencial es la más utilizada
de las técnicas de pronóstico. Es parte integral
de casi todos los programas de pronóstico por
computadora, y se usa con mucha frecuencia
al ordenar el inventario en las empresas
minoristas, las compañías mayoristas y las
agencias de servicios.
Las técnicas de suavización exponencial se han
aceptado en forma generalizada por seis razones
principales:

1. Los modelos exponenciales son sorprendentemente

precisos.
2. Formular un modelo exponencial es relativamente fácil.
3. El usuario puede entender cómo funciona el modelo.
4. Se requieren muy pocos cálculos para utilizar el modelo.
5. Los requerimientos de almacenamiento en la computadora
son bajos debido al uso limitado de datos históricos.
6. Es fácil calcular las pruebas de precisión relacionadas con el
desempeño del modelo.
En el método de suavización exponencial, sólo
se necesitan tres piezas de datos para
pronosticar el futuro: el pronóstico más
reciente, la demanda real que ocurrió durante
el periodo de pronóstico y una constante de
uniformidad alfa (α).

Esta constante de suavización determina el

nivel de uniformidad y la velocidad de reacción
a las diferencias entre los pronósticos y las
ocurrencias reales.
 La ecuación para un solo pronóstico de uniformidad
exponencial es simplemente.

donde

Ft = El pronóstico suavizado exponencialmente para el periodo t

Ft–1 = El pronóstico suavizado exponencialmente para el periodo
anterior
At–1 = La demanda real para el periodo anterior
α = El índice de respuesta deseado, o la constante de suavización
Esta ecuación establece que el nuevo pronóstico
es igual al pronóstico anterior más una porción
del error (la diferencia entre el pronóstico
anterior y lo que ocurrió realmente).

La suavización exponencial simple tiene la

desventaja de retrasar los cambios en la
demanda.
EJERCICIOS
Se dispone de una serie de 12 resultados de una variable X, se
relacionan a continuación en la segunda columna, se desea hacer
un pronóstico usando Suavización Exponencial Simple:

0,1
Periodo Demanda Pronóstico
Ene 17 17,00
Feb 18
Mar 18
Abr 16
May 10
Jun 10
Jul 14
Ago 17
Sep 18
Oct 11
Nov 16
Dic 17
 0,1
Periodo Demanda Pronóstico
Ene 17 17,00
Feb 18 17,00
Mar 18 17,10
Abr 16 17,19
May 10 17,07
Jun 10 16,36
Jul 14 15,73
Ago 17 15,55
Sep 18 15,70
Oct 11 15,93
Nov 16 15,44
Dic 17 15,49
 Valor Alfa
0,2 0,5 0,8
Periodo Demanda Pronóstico Pronóstico Pronóstico
Ene 200
Feb 230 200 200 200
Mar 260
Abr 180
May 270
Jun 240
Jul 250
Ago 300
Sep 320
Oct 350
Nov 240
Dic 210
 Valor Alfa
0,2 0,5 0,8
Periodo Demanda Pronóstico Pronóstico Pronóstico
Ene 200
Feb 230 200 200 200
Mar 260 206,0 215,0 224,0
Abr 180 216,8 237,5 252,8
May 270 209,4 208,8 194,6
Jun 240 221,6 239,4 254,9
Jul 250 225,2 239,7 243,0
Ago 300 230,2 244,8 248,6
Sep 320 244,2 272,4 289,7
Oct 350 259,3 296,2 313,9
Nov 240 277,5 323,1 342,8
Dic 210 270,0 281,6 260,6
Con datos de demanda de un producto, se empleará el método
de suavización exponencial simple. Se considera un valor de
alfa=0.3. Los datos y el pronóstico se muestran a continuación:

1er pronostico: 628

MÉTODO DE SUAVIZACIÓN CON
TENDENCIA Y ESTACIONALIDAD
(Método de Holt - Winters)
Cuándo se abordan las series de tiempo en algunos casos
es identificable que el comportamiento de un grupo de
datos puede arrojar una tendencia clara e información que
permita anticipar movimientos futuros. Estimar una
tendencia nos proporciona las actualizaciones de nivel que
mitigan los cambios ocasionales de una serie de tiempo.
Charles Holt en 1957 desarrolló un modelo de tendencias
lineales que evolucionan en una serie de tiempo y puede
usarse para generar pronósticos, este modelo recibe el
nombre de suavización o suavizamiento exponencial doble.
 ¿Cuándo utilizar un pronóstico de
suavización exponencial doble?

El pronóstico de suavización exponencial doble es

óptimo para patrones de demanda que presentan
una tendencia, al menos localmente, y un patrón
estacional constante, en el que se pretende eliminar
el impacto de los elementos irregulares históricos
mediante un enfoque en períodos de demanda
reciente.
GRAFICA DE EJEMPLO
 ATENUACIÓN EXPONENCIAL AJUSTADO A TENDENCIA
(MÉTODO DE HOLT)

Es un método sofisticado de extensión de la

suavización exponencial, descrita anteriormente. A
diferencia del método de suavización exponencial, el
método de Holt Winters también permite el estudio de
la tendencia de la serie a través de pronósticos a
mediano y largo plazo
Este modelo utiliza dos constantes (α y β) para realizar los
pronósticos. Estas constantes deben determinarse
experimentalmente para señalar los valores reales de la
serie de tiempo. Las Ecuaciones que se Utilizan son
De las ecuaciones anteriores las variables tienen el siguiente significado:
El modelo de Holt – Winters se utiliza cuando existe
la presencia de una tendencia en la serie de tiempo.
La elección de las constantes de suavización α y β
afecta al valor de los resultados. Un valor pequeño
de “α” da mayor peso a los valores más retrasados y
un mayor valor en dicha constante da mayor peso a
los niveles más recientes. Igualmente un valor
pequeño de “β” da mayor peso a las tendencias más
retrasadas en la serie y un menor valor de la
constante da mayor peso a las tendencias de la serie
más recientes.
Para pronosticar períodos futuros, se define la
siguiente fórmula:
 TAREA:

¿CUÁL ES LA DIFERENCIA CON

MÉTODO DE SUAVIZAMIENTO
EXPONENCIAL SIMPLE?
EJERCICIOS
 Alfa Beta
0,50 0,50
MOMENTO VALOR Ei Ti
1 12
2 16 16,00 4,00
3 20 20,00 4,00
4 14 19,00 1,50
5 18 19,25 0,88
6 24 22,06 1,84
7 20 21,95 0,87
8 24 23,41 1,16
9 28 26,29 2,02
Pronósticos
t j
10 9 1 28,31
11 9 2 30,32
12 9 3 32,34
 Alfa Beta
0,50 0,50
MOMENTO VALOR Ei Ti
1 12
2 16 16,00 4,00
3 20 20,00 4,00
4 14 19,00 1,50
5 18 19,25 0,88
6 24 22,06 1,84
7 20 21,95 0,87
8 24 23,41 1,16
9 28 26,29 2,02
Pronósticos
t j
10 9 1 28,31
11 9 2 30,32
12 9 3 32,34
 Alfa Beta
0,1 0,9 Serie hasta año 5 Serie hasta año 10 Serie hasta año 15
Pronostico Pronostico Pronostico
Año VALOR Ei Ti t j t j t j
por series por series por series
1 14 14 16,3 t = 5 // j=1…n t = 10 // j=1…n t = 15 // j=1…n
2 29 30,17 16,18
3 45 46,22 16,06 Pronostico desde el
4 60 62,05 15,86 año 6.
5 75 77,62 15,59
Pronostico desde el
6 90 92,89 15,31 5 1 93,21
año 11.
7 105 107,88 15,02 5 2 108,81
8 119 122,50 14,67 5 3 124,40 Pronostico desde el
9 135 136,95 14,47 5 4 139,99 año 16.
10 150 151,28 14,34 5 5 155,59
11 165 165,56 14,29 5 6 171,18 10 1 165,63
12 180 179,87 14,30 5 7 186,78 10 2 179,97
13 194 194,15 14,29 5 8 202,37 10 3 194,31
14 210 208,59 14,43 5 9 217,97 10 4 208,66
15 224 223,12 14,51 5 10 233,56 10 5 223,00
16 239 237,77 14,64 5 11 249,16 10 6 237,35 10 1 237,63