Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capitulo 3 PDF
Capitulo 3 PDF
'1
CAPíTULO 3
LO QUE SE PUEDE Y NO SE
PUEDE PRONOSTICAR*
hasta menos de 1700 sin sorprender a nadie, pero la gente tiende a olvidar lo
.\
Incapocidod para ~
SuctsoS o situaciones
Suasos o
siluacioMs qw
Suc~sos
siluaciOMS qu~
o SMc~sos
silJlDCiOMS
o
que Prrdcción
pronostiCtJ/' mds
uoctommIe que
Incopoddod pom
pronostiCtJ/' mds ~
::J
qw~lkn ~lkn pulden pwdtn SUlfJQl1WfII~ lIIi1izJw/o los uoctomefll~ qw el)
. pronosticaru paro fines pnl(l()S/icaru con prOflOSlicoru COfI pronosIicone COfl inexoaa de wúor~s IWJks mds IosprtJnWi601 §,
prdaicos con IUI grado Horizonu de un auo grado de . IUI grado medio de 11II bojo grado de SUC~SOI o "cinll~s para QCtIItJI'ÍQks IncopoddDd IOIQ/
l
petfecto de t.XJU:IÍlud pmJiccidn UJJCIilud UOCIilud UOCIllud SillltJCiOMS 1ttJc~rlo ~lIIdsd«n pom pronosdcor
Gran número de
elemelllOS
(ProduclOS. (a) Número pequeflo af
e/iemes.
I
• deelemenlos i
servicios)
.Sucesos o fenómenos Cono Swnameme
(b)
Sucesos Sucesos inusua\cs
~
ElemetllOl soI01 Sucesos
~
I I
f1sicos (e.g.• la fecha (hasla 3 agregados detenninados o no rrecuentes· inesperadose
~
eueta de la llegada meses) por las accIones (e'B•• un incooccbibles
del eomela IlaUeyO coIecüvlSde incendio que (e·I·. cP:
s~
hidrógeno y uno de información tonnellll de de 1970: que un
o"l"eno) Iillliz'''1Ie de -,
II(lIilOO1e de (e.g., 101 nieve analista pollúeo
predicción (e) predicción mercados de extremadamente previera la urda
cercano a klL" J • • cercano a 101 2 valores y de fuene) del sha de (rin)
mesc:~ a/los (uturOl. las
Medio (de 3
meses a 2
Demanda
inelástica
. I
(d)
• Demanda
elástica
paridades
cambiarlas, 101
precios de casi
a!\os)
Sin competencia . (e)
• Fuerte competerc ia
todas las
materias primas
y la mayoria de
los produclOS
terminados)
~
mAs) hacen Ienwnenle
Fuertes barreras (f) Sin bureras para
I I
para entrar muu Las relaciones 100
~bi1c3 o "'c:
::J
inex.isltnles O
Cara.::..:rísticas de: Il15 patrones o relaciones ~
~
~
Los patrones o relaciones ~arfan anl'liarncnle (lJue vandesde los que c&l!n en la columna de la ¡Jo
quicrda a los que aparecen en las tres cotumnas de la derecha). dependiendo de IQS (actOIa es
pecificados ~
g
~
[
-,
.I:lo
CD
50 Función e importancia de ~ pronósticos en la administración
patrón o una relación ilusorios cuando realmente no existen. Esto puede ocurrir
semejante, una relación entre dos variables podría ser espuria, existiendo sólo
"
e
Lo que se puede y no se puede pronosticar 51
la producción o el
servicio
i-
competitivas (e.g., de participación en el
existencias . Existencias más reducidas campañas de publicidad mercado 2"
"b
Impacto del cambio de Políticas pu~licitarias y o reducción de precios Reducción drástica de
precios. ~ """',
Entradas y salidas de
~ promocionales más
efectivas '" .(~
por el competidor)
Ventas de nuevos
liquidez
Pérdidas de oportunidad ~
efectivo Polfticas de fij~ción de ,productos Ganancias disminuidas o [
Necesidades de' materias precios más efectivas pérdidas ~
primasy otros materiales Manejo de efectivo más ar
Necesidades de la fuerza redítuable :: l»
de trabajo o del 'personal Mejor administración de ~
• -i : ~ '. . c., ."~
materiales y de personal S'
~
Mediano plazo (de 3 Longitud promedio de Mejor manejo financiero Los auges duran más que Subutilización de personal ~
'u" y
,",
.... ~.... ·uz· . . 'ti....
'.. " . '. ·;~7-:".'" ,•• ". '. ~~(~~'" .r#·U' ''f ,r. •..,;.
t't-Jr-·r&·,.trlttti1t:t:tMt _#M... llCi . .y1""'...~1'~~~~.!t. .l~L._
;,,-.::n,
. 4 IP
~~H(.f!.
•
-~ .~ 't;.: "1·' ,; " . ...¡, ·(l.¡-·~-
de la posición ~
competitiva ~
~.
..,
(11
w
~
TABLA 3-2 (Continuaclórl)
Distante Tendencias establecidas Capacidad de consenso Sobreestímación de la Pérdidas por ¿.
(de 5 a 15 años) Algunas innovaciones
tecnológicas
Inicio de estudios de
factibilidad para
aplicabilidad de nuevas
tecnologías (e.g.,
comprometerse con
proyectos fracasados
[
::J
Algunos cambios proyeceos de energía nuclear, que implican tecnologías CD
computadoras) ~
2:
~
iil
~
TABLA 3·3 Clasificación de sucesos futuros (con ejemplos) como fonna de explorar la gama total deincertidumbres futuras
Cambios sistemáticos
Naturaleza r
Fluctuaciones o
del cambio alearorias Temporales Permanentes
i
~
Normal Descompostura de maquinaria Fluctuaciones estacionales en la Cambio de las preferencias del
Inesperado Incendio que consume un hotel Recesión severa La caída del sha de Irán 5
Inconcebible Meteorito que choca contra la Depresión mundial Guerra nuclear total que destruya la &
superficie y destruye todas las
instalaciones de la compañía XYZ
civilización
1
1
~
...
C1I
C1I
56 Función e importancia de los pronósticos en la administración
frecuencia varios meses, antes de que se sienta todo el impacto de ese tipo de
ejemplo, casi pasó un año completo después 'de la crisis petrolera antes de que
Segundo, los pronósticos pueden ser una ventaja importante, aun cuando los
patrones y relaciones tradicionales estén cambiando y los métodos que los identifican
y extrapolan no sean particularmente útiles. Esta ventaja se obtiene simplemente
de la identificaci6n sistemática de los cambios conforme suceden. Este aspecto de
los pronósticos, al que generalmente se le conoce como monitoreo, empezó a
l ' atraer la atenci6n sólo recientemente. El propósito del monitoreo es muy
semejante al de un sistema de radar que detecta lo importante en el horizonte.
En tanto no aparezca nada en la pantalla, el estado existente (es decir, el cielo
despejado) se supone que seguirá manteniéndose. Sin embargo, cuando el radar
detecta un objeto en el cielo, da la señal de que se requiere Wl3 atención más
esmerada y tal vez sea la alerta de que se necesita un cambio de planes y decisiones.
señales de aviso de cambios inminentes para que así los usuarios de predicciones
por la cual dichos métodos de monitoreo han estado llamando más la atención
es que los estudios recientes sobre la capacidad humana para pronosticar sugieren
REFERENCIAS SELECCIONADAS
.¡
I
~
CAPíTULO 5
,
METÜnOS
DE SUAVIZAMIENTO
78
Métodos de suavizamiento 79
3000
/
._.--~
1000
-
",,- ,/""-
500
2 3 4 5 6 9 10 o 11 12
Periodo
= S, = X,+X'_I + ... + 1 I
F,t'
N
X'-N+l
= - L
N ;=,-N+I
Xi (5-1)
en donde
I;
Periodo observada pronosticada Error absoluto al cuadrado pronosticada 'Error absoluto cuadrado
1 2000
2 1350
-."
-, .
3 1950
4 1975 1767 +208 208 43.264 ~
D:i
5
6
3100
1750
1758
2342
+.1342
-592 j
1342
592 ...
'
1.800.964
X, X'_N F (5.3)
F'+1 = N - N + ,
Escrita de esta forma, cada nuevo pronóstico basado en un promedio móvil es
un ajuste del pronóstico de promedio móvil precedente. Es, asimismo, fácil ver
por qué el efecto del suavizamiento aumenta a medida que N se hace más grande:
se está haciendo un ajuste más pequeño entre cada pronóstico.
F '+1 = X, F,
N - N + ,
F (5-4)
(5-5)
-'
o (5-9)
l
i','
86 Métodos de precflCCión cuantitativos
Enero 1 2000
Febrero 2 1350 2000 2000 2000
Marzo 3 1950 1935 1675 1415
Abril 4 1975 1937 1813 1897
Mayo 5 3100 1940 1894 1967
Junio 6 1750 2056 2497 2987
Julio 7 1550 2026 2123 1874
Agosto 8 1300 1978 1837 1582
Septiembre 9 2200 1910 1568 1328
Octubre 10 i775 1939 1884 2113
Noviembre 11 2350 2023 2330 2709
Diciembre 12 2056 2340 2386
,.-..'
3000
2SOO
1: 1000
- - Demanda observada _. - -. - CI • .5
500 - - - CI·.1 - ••• - 'CI • • 9
\
2 3 4 5 6 7 8 9 10 11 12
Periodo
\,
FIgura 5-2 Comparación de pronósticos de suavizamiento exponencial, a = 0.1,
0',5 Y 0.9. l¡
1:
Métodos de suavizamiento 87
pronósticos para los datos del pasado. se requiere calcular el error cuadrado
medio o la desviación absoluta media. Esto se hace para los tres valores de a
en la tabla 5-4. de la cual se puede observar que a = 0.1 genera pronósticos
con errores más pequeños que los que se derivan de valores más grandes de a.
Esto es válido tanto para la desviación absoluta media como para el error
cuadrado medio. Puesto que se calculan mediciones del error para promedios
móviles así como para el suavizamiento exponencial. se puede ahora analizar la
precisión relativa de los dos métodos diferentes.
Si se compara el promedio móvil pentamensual (que se encontró ser el mejor
de los dos promedios móviles calculados) con los pronósticos de suavizamiento
exponencial cuando a = 0.1 (el mejor de los tres procedimientos de suaviza
miento exponencial aplicados). se colige que el suavizamiento exponencial sólo
proporciona resultados ligeramente superiores a los de los promedios móviles.
No obstante. los requerimientos reducidos de datos asociados con el suaviza
miento exponencial y la atracción intuitiva de ponderar sustancialmente las
observaciones más recientes. haría que la mayor parte de gerentes optara por el
suavizamiento exponencial en lugar del enfoque del promedio móvil.
Para usar el suavizamiento exponencial. solamente se necesita tener el valor
observado más reciente. el pronóstico más reciente y el valor de a. El empleo
del suavizamiento exponencial únicoes fácil y económico. porque los programas
decomputadora pueden encontrar automáticamente el mejor valor de a. Además,
..... las pruebas empíricas y la experiencia entre los usuarios de pronósticos han
confirmado que el suavizamiento exponencial es un método preciso, efectivo y
seguro para una amplia gama de aplicaciones de pronósticos.
En las secciones anteriores se vio que las técnicas de suavizamiento simple
como los promedios móviles o el suavizamiento exponencial pueden utilizarse
efectiva y económicamente cuando el patrón histórico de los datos se puede
considerar como horizontal. Sin embargo. estas técnicas pueden no ser efectivas
al manejar tendencias o patrones estacionales. Se pueden desarrollar otras formas
de suavizarniento para trabajar en tales situaciones.
En la siguiente sección se explica el método de suavizamiento lineal que
puede utilizarse efectivamente con los datos que manifiesten un patrón lineal.
Este método es económico y se puede aplicar fácilmente a cientos o aun miles
de elementos.
~
TABLA 5-4 Comparación de errores de predicción del suavlzamiento exponencial
Predicción con Q' :: 0.1 Predicción con Q' = 0.5 Predicción con Q' :: 0.9
1i-
~
Demanda Dernan- Deman- Deman-
Error Error Error Error
f
Error da pronos- Error
p '000 observada da pronos- Er -absoluto da pronos
en tlcada ror cu_a~4o Error absoluto cuadrado Error absoluto cuadrado
ticada ticada
O;
1 2000 :::J
2
3
1350
1950
2000
1935
-650
+ 15
650
15 -
42.2,500
225
2000
1675
-650
+275
650
275
422,500
75,625
2000
1415
-650
+535
650
535
422,500
286,225
~
:::J
~
4 1975 1937 +38 38 1,444 1813 + 162 162 26,244 1897 +78 78 6,084 Q.i
5
6
3100
1750
,.1; 1940
2056
+1160 :" 1i60
-306 306 '.
1,345,600
93,636
1894
2497
+ 1206
~747
1206
747
1,454,436
558,009
1967
2987
+ 1133
-1237
1133
1237
1,283,689
1,530,169
~
7 1550 2026 -476 476 : 226,576 . 2123 -573 573 328,329 1874 -324 324 104,976
8 1300 1978 -678 678 459,684 1837 -537 537 288,369 1582 '-282 282 79,524
9 2200 1910 +290 290 84,100 1568 +632 632 399,424 1328 +872 872 760,384
10 2770 1939 +831 831 690.561 1884 +886 886 784,996 2113 +657 657 431,649
11 2350 2023 +327 327 106,929 2330 +20 20 400 2709 -359 359 128,881
•• " <f,
\~
I
Éstos son los pronósticos adelantados un periodo. Si los valores observados
continúan aumentando 3 unidades por periodo temporal más allá del periodo 10,
tI
f,
términos de error futuros también aumentarán en 3 unidades por cada periodo.
Al analizar la tabla 5-5. se observa que el monto del error en cada periodo,
o sea. 3. es constante cuando existe una tendencia en los datos. El suavizamiento
exponencial lineal toma en cuenta este hecho y lo utiliza en la ecuación (5-10)
para preparar una estimación suavizada de la tendencia en la se-rie de datos:
(5-10)
t
tt en donde
S, =
equivalente del valor sua~izado exponencial único
f3 - coeficiente de suavizamiento, análogo a el
T, = tendencia suavizada en la serie de datos
• s, - s, _1 ~epresenta la tendencia en los datos. Esto se puede verificar al restar cualquier par de
valores suceswos en la columna 3 de la tabla 5-5. La razón por la que S - S da la tendencia
es que si los datos han sido suavizados para eliminar lo aleatorio, lo q~e qU~da es el patrón (1a
1
TABLA 5-5 Predicción de una serie aleatoria con tendencia secular mediante el
suavizamiento exponencial único
Predicción con el
Valor suavizamiento exponencial
Periodo observado único y a = 1.0 Error
1 3
2 6 3 3
3 9 6 3
4 12 9 3
5 15 12 3
6 18 15 3
7 21 18 3
8 24 21 3
9 27 24 3
10 30 30 3
Al continuar los cálculos para los periodos intermedios, los resultados para el
periodo 1Oson
.;
.r
Métodos de suavizamiento 91
. t\
F" = S,o + T1o(m) = 30 + 3(1) = 33.
(
.....
, .<
, -~:
.::1
De manera similar, los pronósticos para los periodos 12, 13 Y 14 (2, 3 Y 4
", :
periodos adelantados, respectivamente) son
F'2 = 30 + 3(2) = 36
f F 13 - 30 + 3(3) = 39
l~i, F'4 = 30 + 3(4) = 42
J
1 Este método toma en cuenta una tendencia lineal y, por consiguiente, con
1
una serieno estocástica da unerror cero cuando a y f3 tienen sus valores óptimos.
Cuando la serie de datos contiene aleatoriedad, es más dificil determinar los
I
I
!
valores óptimos de ex y f3, y los errores de predicción no serán cero, pero el
enfoque es exactamente como se ejemplificó antes y hace simplemente repetidas
aplicaciones de las ecuaciones (5-10), 2(5-11) Y(5-12). Para más detalles acerca
de cómo se puede aplicar el método del suavizamiento exponencial lineal, o de
Holt, véase la siguiente sección, la cual describe un método similar.
Así como la ecuación (5-9) es una manera más sencilla, pero equivalente,
de aplicar el suavizamiento exponencial simple, se puede desarrollar mediante
sustitución aritmética un conjunto de tres ecuaciones que son más fáciles de usar
que las ecuaciones de la (5-10) a la (5-12); sin embargo, son totalmente
equivalentes. Éstas son las siguientes:
\
II
92 Métodos de predicción cuantitativos
\
\
de manejar datos estacionales junto con datos que tengan una tendencia. El
suavizamiento exponencial lineal y estacional de Winters se basa en tres
ecuaciones, cada una de las cuales suaviza un factor asociado con uno de los
tres componentes del patrón --aleatoriedad, tendencia y estacionalidad-. En
este aspecto es semejante al suavizamiento exponencial lineal, el cual suaviza lo
aleatorio y ajusta 10 tendencial. Sin embargo, el método de Winters incluye un
parámetro adicional para manejar la estacionalidad. Hay tres ecuaciones de
suavizamiento básicas implicadas en el método de Winters. Son como sigue:
X
s, - a. , + (l - a.)(S'_1 + T,_ 1) (5-16)
I,-L
'.¡
~, + (l
.-~
1, - - '1)1,-L (5-18) .:
en donde
calcula como la razón del valor actual de la serie X, dividido entre el valor
suavizado actual de la serie Sr Si X, es mayor que S" la razón será mayor que
1. Si es menor que S" la razón será menor que 1. Para entender este método y
Los valores de los datos X" por otro lado, contienen estacionalidad. Así pues,
que X, es el valor actual de los datos que contiene estacionalidad, en tanto que
• '11
Métodos de suavizamiento 93
~
i
las fluctuaciones estacionales de) X,. Este ajuste se puede ejemplificar al
considerar el caso cuando T, _ L es mayor que 1, lo cual ocurre cuando el valor
de 1 en el periodo T - L es mayor que el promedio de su estacionalidad. Al
, -:':.
dividir X, entre 1, _ L se tiene un valor que es menor que el valor original por un
por ciento precisamente igual a la cantidad en que la estacionalidad del periodo
t - L era mayor que el promedio. El ajuste opuesto ocurre cuando el factor de
estacionalidad es menor que 1. El valor 1, _L se utiliza en estos cálculos porque
1, no se puede calcular hasta que se conoce S,.
La predicción basada en el método de Winters se calcula como
Los datos de la tabla 5-6, que están graficados en la figura 5-3, se pueden
usar para ejemplificar la aplicación del método de Winters. Al emplear los '\'1
valores paramétricos de a = 0.20, {3= 0.10 Y'}'= 0.05, los pronósticos y valores
suavizados relacionados son como los que se muestran en la tabla 5-7.
El cálculo implicado en el método de Winters para obtener los datos de la
tabla 5-6 se pueden ejemplificar para el periodo 24 como sigue. Primero, al
utilizar la ecuación (5-19),
S24 = X'4
(0.2F/- + O. 8(Sn + Tn )
20
X24
/ 24 = O.05 -S + 0.95/20
24
661
= 0.05 728.06 + 0.95(0.9024) - 0.9027
.
..
-~
, , '\
,,~ ~.~ ¿ í. ' " . ...... .~_. \,
Ventas
Año Trimestre Periodo ($000)
1982 1 - 1 362
2 2 385
3 3 432
4 4 341
1983 1 5 382
2
3
6
7
409
498
,
4 8 387
1984 1 9 473
2 10 513
3 11 582
4 12 474
1985 1 13 544
2 14 582
3 15 681
4 16 557
1986 1 17 628
2 18 707
3 19 773
4 20 592
1987 1 21 627
2 22 725
3 23 854
4 24 661
. "
Uno de los problemas que acompañan el uso del método de Winters consiste
en determinar los valores de a. f3 y 'Y que minimaránel error cuadrado medio
(MSE) o la desviación media absoluta (MAD). El enfoque para realizar esto es
el de ensayo y error. La búsqueda de los valores óptimos se hace mediante un
enfoque de rejilla en donde los resultados que emplean valores diferentes para ¡
900
800
700
600
•
500
400
300
Si una serie de datos contiene un patrón estacional, existe una alternativa al uso
del método de suavizamiento de Winters. Tal alternativa consiste en desestacio
96 Métodos de predicción cuantitativos
1 362.00
0.95 }
2 385.00 1.01 Valores ~.
.'
Con estos índices estacionales, la tabla 5-8 muestra los mismos datos que
la tabla 5-6, con la excepción de que cada uno de los valores de ventas ha sido
dividido entre el índice estacional (columna 3). Esto da los valores desestacio
nalizados mostrados en la columna 4. Desestacionalizar los datos significa
eliminar la estacionalidad. Así pues, se puede aplicar un método no estacional
a esta serie de datos desestacionalizada para obtener pronósticos. Con los datos
desestacionalizados de la columna 4 de la tabla 5-8 se usa el suavizamiento de
Holt para encontrar el pronóstico de periodo 20 como
F'+fft - S, + T,m
..,';-,
-¡~
Entonces,
~ :c-
TABLA 5-8 Aplicación del euav/zamlento exponencial lineal de Holt a los datos
1:
i- , . ~.;.
(1)
desestaclonallzados de la tabla 5-6
. " : .;';'
t "'hz-- h' "~'h ";¡$i ~) :*4'(déí~'W"lf"; . t"_e·siinr-;~m·'''~·~:-«Zt?tüM,~ ""u ff+.......,~
-· .-·
.•
':-:" .t"':".1).;.·:,.",:,.~::.;.,:",~· ,C,T" ,;\, '}jfl(j;:
2
~
~.
~
~.
6"
~
'.
,.'
e, - X, - F, (5-27) ,
S, - 8'_1 + 4>T,_, + lX e, (5-28)
T, - 4> T'_I + f3e,. (5-29)
~ . "t 2 10 125,129.7
'. '''J:....•.
. !~
3 11 111,350.6
:;,f 4 12 90,339.5
..... ~
1985 1 13 119,627.2
1
2 14 151,519.7
',:. •-i
'~f;
3 15 125,867.9
4 16 101,979.1
~.j:
1986 1 17 114,90(). 1
1
t
2
3
18 _
19
123,040.7
103,527.1
1
4 20 68,679.1
f. 1987 1 21 112,103.7
, 2 22 84,926.0
3 23 81,739.5
4 24 71,612.1
a Los valores incluyen un decimal porque han sido multiplicados por una constante para encubrirlos
TABLA 5.10 Valores diferentes de a, /3, el> y el error cuadrado medio (M5E)
correspondiente
ex fJ ti> MSE
F24+ \ - 8 24 + 4>T24
Pronósticos
Afta Trimestre sin estacionalizar índice estacional Pronósticos finales
~:
"
3
4
86,028.0
86,075.3
0.9909
0.8161 70,246.0
r.{
REFERENCIAS SELECCIONADAS
Brown, R.G., Advanced Service Parts Inveniory Control, 2a. ed., Brown
Materials Management Systems, Norwich, VT.
___, Smoothing, Forecasting and Prediaion, McGraw-Hill, Englewood
Cliffs, NJ. '
Gardner, E.S., Jr., "Exponential Smoothing: The State of the Art" (con
comentarios), JouT7Ul1 01 Forecasting, 4, pp. 1-38.
104 Métodos de predicción cuantitativos
Necesidad de la inicialización
La razón por la cual se necesitan los valores iniciales para los métodos de
suavizamiento exponencial se puede ver si se examina la ecuación del suaviza
miento exponencial único.
en donde
(5-31)
,
dada F¡ no se puede calcular. En consecuencia, se necesitan algunos enfoques
alternativos para estimar el valor inicial de F, en la ecuación (5-31). De manera
semejante, se necesitan valores iniciales para cualquier tipo de suavizarniento ex
ponencial. La cantidad y tipo de valores depende del enfoque de suavizamiento
I
.~
exponencial particular que se esté utilizando.
Si los datos son estacionales, los primeros valores para los factores
estacionales se pueden calcular empleando uno de los métodos de descomposi
ción (véase el capitulo 6). Si hay datos insuficientes para aplicar la descompo
sición, los primeros valores del factor estacional deben basarse en estimaciones
.
!
subjetivas o en los índices estacionales de productos o situaciones semejantes.
El nivel suavizado promedio S y los componentes T de la tendencia se pueden
l
promediar, digamos, 10valores pasados. En el suavizamiento exponencial lineal
S y T se pueden calcular al resolver la ecuación para una línea recta y obtener
la ordenada al origen y la pendiente, y utilizarlas como valores paramétricos
1
l
iniciales. Lo mismo se puede hacer en el suavizamiento amortiguado. Éste es el
enfoque de inicialización más frecuentemente empleado.
e
.~,
2. Retroprediccion. La metodología de Box-Jenkins utiliza este método
~'.
(véase el capítulo 7), pero también se puede aplicar a los métodos de suaviza
i miento exponencial. Implica invertir la serie de datos y empezar el proceso de
;
estimación a partir del valor último (el más reciente) y terminar con el primer
valor (el más antiguo). Esto ofrecerá pronósticos o estimaciones paramétricas
para empezar los datos, y estos últimos se pueden utilizar como los valores
iniciales cuando los datos se predicen en la secuencia normal, o sea, desde el
más antiguo al más reciente.
3. Cuando sólo existen datos limitados. En algunas ocasiones existen
muy pocos datos como para estimar valores iniciales. También, los usuarios
pueden no considerar importante empezar con valores iniciales precisos. En tales
casos, los modelos que no requieren valores iniciales pueden resultar interesan
tes. Por ejemplo, el suavizamiento simple puede aplicarse al utilizar
~
!
r
J
en tanto que en el suavizamiento de Holto en el amortiguado podría ser suficiente
la inicialización siguiente:
1
= XI
= X¡ - XI
- O
106 Métodos de precrlCCión cuantitativos
SI - X'.
T. - X'2 - X'.