Informe No.

1 - Series de Tiempo y Pronóstico

Santiago de Cali - Noviembre de 2019

Métodos de pronóstico

Angie Rodríguez Duque1,a , Bradley Campo Hurtado1,b

1 Programa de Estadística, Universidad del Valle, Santiago de Cali, Colombia

Resumen
El presente informe tiene como objetivo estudiar los métodos de pronóstico a través de su aplicación a una
situación real. Los datos empleados provienen de una serie histórica para un rango de fechas dado (2014-2018) de la
Remuneración económica de los trabajadores (Peso por dólar) descargada de la página del Banco de la República
de Colombia e implementados en el software R.
Palabras clave: Series de tiempo, pronóstico.

1. Análisis de la serie

Figura 1: Serie de tiempo remesas de trabajadores

a Estudiante de Pregrado. E-mail: angie.rodriguez.duque@correounivalle.edu.co

b Estudiante de Pregrado. E-mail: bradley.campo@correounivalle.edu.co

1
2 Angie Rodríguez Duque & Bradley Campo Hurtado

En la Figura 1 se puede analizar el comportamiento de la serie de Remesas de Trabajadores durante 5 años, en

dicho gráfico logra apreciarse una tendencia ascendente, con esto se puede afirmar que la serie no es estacionaria, ya
que las remesas aumentan en función del tiempo.

(a) Serie con tendencia (b) Serie sin tendencia

Figura 2: Análisis de estacionalidad

Además, con la ayuda de gráficos para detectar estacionalidad se identifican cambios repentinos específicamente
a mitad y final de cada año, debido a que estos periodos de tiempo comprenden mayor cantidad de transferencias
corrientes realizadas por los emigrantes a su país de origen, ya sea en dinero y/o en especie. Así, en la Figura 2-a se
puede observar que esta serie es estacional ya que todas las líneas correspondientes a cada año suelen inclinarse hacía
el lado del circulo donde se encuentra el mes de Diciembre.

Para confirmar lo dicho se procede a trazar la gráfica de su función de autocorrelación.

Universidad del Valle

Métodos de pronóstico 3

(a) Serie con tendencia (b) Serie sin tendencia

Figura 3: Componentes del Gráfico

A partir de la Figura 3 se puede apreciar que la serie no es estacionaria ya que el valor de la función de auto-
correlación no decae de manera exponencial a medida que aumentan los rezagos en el tiempo. También apreciamos
que existe la componente estacional, con un periodo de 12. Podemos apreciar que al eliminar la tendencia a la serie
es estacionaria, ya que presenta algunas barras que sobre pasan las lineas punteadas, esto significa que hay mayor
correlación.

2. Métodos de Suavización
2.1. Suavización exponencial simple
La suavización exponencial simple se caracteriza por ser un caso especial del promedio móvil ponderado, ya que
utiliza un promedio ponderado de tiempo pasado para realizar pronósticos. Por otra parte, se aplica cuando la serie
que se está analizando no presenta tendencia ni estacionalidad, es decir, cuando presenta media constante. Se denota
de la siguiente manera.

Ft+1 = αYt + (1 − α)Ft

• Ft+1 = Pronóstico de la serie de tiempo para el periodo t+1.

• Yt = Valor real de la serie de tiempo en el periodo t.

• Ft = Pronóstico de la serie de tiempo para el periodo t.

• α = Constante de suavizamiento 0 < α < 1

Aplicar dicha suavización simple es óptima cuando se presenta patrones de demanda con aleatoriedad o nivelados
y así poder eliminar aquellos datos que generan mayor impacto en un periodo de demanda reciente.

Universidad del Valle

4 Angie Rodríguez Duque & Bradley Campo Hurtado

Figura 4: Suavización Exponencial Simple

Se sabe que, el método de suavización exponencial simple tiene un mejor desempeño cuando la serie de tiempo no
presenta tendencia ni estacionalidad marcada. Por medio de la Figura 5 se evidencian precisamente estos componentes
por lo que se recomienda explorar otros métodos de pronóstico.

2.2. Suavización exponencial Holt

Cuando la serie de tiempo presenta tendencia es necesario utilizar un modelo que permita realizar pronósticos con
dicha característica, este modelo es una extensión de la suavización exponencial simple, el cual añade un factor de
crecimiento o factor de tendencia como método para realizar ajuste a la tendencia de la serie. Este método es el mejor
para datos con tendencia, pero sin estacionalidad. Utiliza dos constantes y tres ecuaciones:

Pronóstico del periodo t

X̂t = X̂t0 + Tt

Serie suavizada Exponencialmente

ˆ ) + [(1 − α)(Xˆ0 + Tt−1 )]
X̂t = α(Xt−1 t−1

Estimación de la tendencia
ˆ0 )
Tt = β(X̂t0 − Xt−1

Donde:

• X̂t = Pronóstico del periodo t.

ˆ = Pronóstico del periodo t-1.
• Xt−1

• X̂t0 = Suavización exponencial del periodo t.

ˆ0 = Suavización exponencial del periodo t-1.
• Xt−1
• Tt = Tendencia del periodo t.

Universidad del Valle

Métodos de pronóstico 5

• Tt− = Tendencia del periodo t-.

• α = Coeficiente de suavización se encuentra entre 0 y 1.
• β = Constante de suavizamiento para la tendencia.

Figura 5: Suavización Exponencial Holt

De la gráfica 4 se puede apreciar que los ajustes realizados indican que el modelo presenta un ajuste bueno a los
datos, dado a que exhibe estacionalidad no es la suavización óptima para este tipo de serie de tiempo. Los parámetros
que mejor se adecuaron a dicha suavización tomaron los siguientes valores α = 0.3139559 al ser un valor bajo significa
que le da más importancia a aquellos datos más antiguos y β = 0.2860403 quiere decir que tiende a suavizar la
tendencia actual, dando menos peso a los datos recientes.

2.3. Suavización exponencial Holt-Winters

Este método es utilizado cuando la serie de tiempo presenta tendencia lineal, también cuando se evidencia un
patrón de comportamiento estacional o periódico en los datos o valores de la serie de tiempo. Así, es una extensión de
la suavización exponencial Holt ya que añade una ecuación para realizar una estimación a la estacionalidad. Presenta
dos principales modelos, dependiendo del tipo de estacionalidad el modelo multiplicativo estacional y el modelo aditivo
estacional.

F̂t (m) = (St + m ∗ bt ) ∗ Ct−L+m

St>L = α(Xt /Ct−L ) + (1 − α)(St−1 + bt−1 )
bt>L = β(St − St−1 ) + (1 − β)bt−1
Ct>L = γ(Xt /St ) + (1 − γ)Ct−L
Donde:

• L es la longitud de la estación o duración.

Universidad del Valle

6 Angie Rodríguez Duque & Bradley Campo Hurtado

• St es un estimado de suavizado del componente nivel.

• bt es un estimado del suavizado del componenete de tendencia.

• Ct es un estimado del suavizado del componenete de indice de temporada.

• γ es el coeficiente de suavizado estacional.

• F̂t (m) es el valor pronóstico de suavizado en el paso adelantado m para X en el tiempo t.

Figura 6: Suavización Exponencial Holt-Winters

Holt-Winters considera nivel, tendencia y estacionalidad de una determinada serie de tiempo, en este caso se puede
apreciar que este tipo de suavización es la que mejor se ajusta a la serie de tiempo acerca de la remesa de trabajadores.
Realiza una predicción lo cual refleja un comportamiento similar a las observaciones que se tienen anteriormente. Los
parámetros para realizar dicha suavización tomaron los siguientes valores: α = 0.1777048 lo cual da importancia a los
registros antiguos, β = 0 lo cual tiende a suavizar la tendencia actual, dando menos peso a los datos recientes, por
último, γ = 0.5687755.
A manera de resumen se presentan a continuación los parámetros obtenidos de acuerdo a cada método de suavi-
zación empleado en la serie.

Método/ Parámetro Alfa Beta Gamma

Simple 0.3462988 ——– ——–
Holt 0.3139559 0.2860403 ——–
Holt-Winters 0.1777048 0 0.5687755

Tabla 1: Parámetros correspondientes a cada método de suavización

Universidad del Valle

Métodos de pronóstico 7

Método/Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
Simple 573.0705 573.0705 573.0705 573.0705 573.0705 573.0705 573.0705 573.0705 573.0705 573.0705 573.0705 573.0705
Holt 601.8485 614.5862 627.3238 640.0615 652.7991 665.5368 678.2744 691.0120 703.7497 716.4873 729.2250 741.9626
Holt-Winters 510.6077 511.7266 568.0006 550.7614 595.4280 574.1631 598.1387 627.7695 580.6467 638.0616 625.2941 671.9201
Tabla 2: Predicción para los 12 meses del siguiente año (2019) de la serie

Como se puede observar en la Tabla 2 se realizaron las predicciones del año 2019 teniendo en cuenta el tipo de
suavización que se realizó a la serie de tiempo remesa de trabajadores, utilizando el primer método se observa que
las remesas de trabajadores es constante en todos los meses, es decir, recibirán 537.0705 dolares, el segundo método
muestra un incremento mes a mes sobre las remesas de trabajadores y por último el método Holt-winters presenta
variedad en la remuneración ya que en algunos meses incrementa pero luego desciende la remuneración, es variable
respecto al método.

Método Error
Simple 108007.3
Holt 119794.6
Holt-Winters 82255
Tabla 3: Errores de los métodos

Finalmente, considerando el tipo de serie con la cual se trabajó, la cual presenta tendencia, heterocedasticidad
y estacionalidad y en complemento con la Tabla 3, el mejor pronóstico en función del menor error es el realizado
mediante el método de suavización Holt-Winters, puesto que tras examinar la gráfica se encontró que los ajustes
siguen estrechamente a los datos reales, lo cual indica que el modelo se ajusta a los datos.

Referencias
[1] Peña D. Análisis de series temporales. Madrid, España: Alianza Editorial; 2005.
[2] Uriel E. Introducción al Análisis de Series Temporales. Madrid, España: Editorial AC; 2000.

[3] Minitab. Interpretar los resultados clave para Gráfica de series de tiempo;. Available from:
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/graphs/how-to/time-series-plot/interpret-
the-results/key-results/.
[4] Minitab. Interpretar todos los estadísticos y gráficas para Método de Winters;. Available from:
https://support.minitab.com/es-mx/minitab/19/help-and-how-to/modeling-statistics/time-series/how-
to/winters-method/interpret-the-results/all-statistics-and-graphs/.

Universidad del Valle