Pronósticos

Pronósticos y Series de
Tiempo
ESTADÍSTICA INFERENCIAL
Pronósticos y Series de Tiempo
Introducción
Los pronósticos son importantes en muchos campos y constituyen una parte fundamental
en la planeación de producción, procesos, inventario, costos, demanda y en lo que
concierne a lo económico financiero, es por eso que se introduce un estudio de las series
de tiempo y pronósticos. Las previsiones de demanda constituyen una parte fundamental
de los sistemas de planeación y por ende de la economía en general. Los pronósticos de la
demanda ejercen una gran influencia en la determinación de factores claves de los
procesos, factores como lo son la capacidad instalada (equipos, almacenes, plantas),
requerimientos financieros (inventarios, flujo de caja), estructura organizativa (personas,
sistemas, servicios), contratos con terceros (compras, operadores), etc.
Una serie temporal o cronológica es una secuencia de datos, observaciones o valores,
medidos en determinados momentos y ordenados cronológicamente. Los datos pueden
estar espaciados a intervalos iguales o no.
Pronósticos y Series de Tiempo ©{ JMV_EI}

Introducción
Las empresas están en una búsqueda constante por estrategias que mejoren
su rendimiento financiero
Los pronósticos juegan un rol importante ya que proveen a la gerencia o
dirección datos lo mas exactos posibles de como se moverá el mercado en el
futuro.
Un buen pronóstico se deberá enfocar en definir y medir indicadores claves en
el negocio que impacten las ventas y las ganancias.
El fin ultimo en los pronósticos es combinar el análisis estadístico con el
conocimiento del mercado (sin juzgarlo) con el fin de apoyar a la toma de
decisiones.

Peores prácticas en los pronósticos
Software poco conocido y sin las capacidades necesarias
Empleados sin entrenamiento, sin habilidades, sin experiencia y/o sin motivación.
Contaminación política en el proceso de pronóstico
Comportamiento poco predecible (no entender la naturaleza de lo que se esta analizando)
Seleccionar modelos únicamente por como se “apegaron el pasado” y no analizar que tan
bien analiza el comportamiento futuro.
Pronósticos de nuevos productos
”Worst Practices in Business Forecasting”, Gilliland, M.; Sglavo, U. Analytics July-August 2010

Arte y Ciencia
Arte:
Se cuenta con una gran gama de metodologías para pronósticos: desde intuitivos hasta cuantitativamente
sofisticados.
Saber como y cuando usarlos es un arte
La persona debe depender en su experiencia personal y juicio profesional para determinar cuando es
necesario usar un método cualitativo o cuantitativo.
Los pronósticos DEBEN complementar el sentido común de las decisiones gerenciales
Ciencia:
Se basan en principios científicos
Como cualquier campo científico:
◦ Se toma un modelo simple que intente explicar el fenómeno
◦ Si el modelo es una buena representación y replica la realidad, se acepta como una herramienta apta para el pronóstico
de dicha situación
◦ Caso contrario, se toma un modelo mas complejo y se repite el proceso

Proceso de Pronóstico
Definición del Recolección de los Análisis de los Selección del

Problema Datos Datos Modelo y Ajuste
Validación del Monitoreo del

Implementación Desarrollo
Modelo

Series Temporales
Una serie temporal es una colección de datos u observaciones de una variable recogidas
secuencialmente en el tiempo. Los datos pueden estar espaciados a intervalos iguales
como la temperatura en un observatorio meteorológico en días sucesivos o en intervalos
desiguales como el peso de una persona en sucesivas mediciones. El análisis de series
temporales es usado en muchas aplicaciones tales como:
Pronósticos económicos. Estudios de inventarios.
Pronósticos de ventas. Proyecciones de carga de trabajo.
Análisis presupuestario. Estudios de utilidad.
Análisis de inventario de mercados. Análisis de censos.
Proyecciones de rendimiento.
Control y calidad de procesos.
Series Temporales
Una serie temporal puede ser discreta o continua dependiendo de cómo sean las
observaciones.
Si se pueden predecir exactamente los valores, se dice que las series son determinísticas. Si
el futuro sólo se puede determinar de modo parcial por las observaciones pasadas y no se
pueden determinar exactamente, se considera que los futuros valores tienen una
distribución de probabilidad que está condicionada a los valores pasados. Las series son así
estocásticas.
La característica fundamental de las series temporales es que las observaciones sucesivas
no son independientes entre sí, y el análisis debe llevarse a cabo teniendo en cuenta el
orden temporal de las observaciones. Los métodos estadísticos basados en la
independencia de las observaciones no son válidos para el análisis de series temporales
porque las observaciones en un instante de tiempo dependen de los valores de la serie en el
pasado.
Series Temporales
El primer objetivo del análisis de una serie temporal consiste en elaborar un
modelo estadístico que describa adecuadamente la procedencia de dicha serie,
de manera que las implicaciones teóricas del modelo resulten compatibles con
las pautas muestrales observadas en la serie temporal, luego el modelo
elaborado es utilizado para describir la evolución observada de dicha serie, así
como las relaciones entre sus componentes; prever la evolución futura de la
serie; y contrastar alguna teoría sobre las características o variables a las que
se refieren los componentes de dicha serie.

Estudio de patrones de datos en las series de tiempo
Uno de los pasos más importantes en la selección de un método para
pronosticar adecuado con datos de una serie de tiempo es considerar los
diferentes tipos de patrones de datos. Existen cuatro tipos generales:
horizontal, tendencias, estacionales y cíclicos.
Cuando los datos recopilados en el transcurso del tiempo fluctúan alrededor
de un nivel o una media constantes, hay un patrón horizontal. Se dice que este
tipo de series es estacionario en su media. Por ejemplo, se considera que las
ventas mensuales de un producto alimenticio que no se incrementan, ni
disminuyen, consistentemente durante un largo periodo tienen un patrón
horizontal.

Cuando los datos crecen o descienden en varios
periodos, existe un patrón de tendencia. La figura
muestra el crecimiento (tendencia) a largo plazo
de una serie de tiempo (costos de viviendas) con
datos anuales. Para ilustrar el crecimiento se
dibuja una recta de tendencia lineal. Si bien la
variable costo de la vivienda no se ha
incrementado cada año, el cambio de la variable
ha sido generalmente hacia arriba entre los
periodos 1 a 20. Algunos ejemplos de las fuerzas
básicas que afectan y ayudan a explicar la
tendencia de una serie son el crecimiento de la
población, la inflación de los precios, el avance
tecnológico, las preferencias del consumidor y los
incrementos en la productividad.

Cuando las observaciones indican aumentos y caídas
que no tienen un periodo fijo, existe un patrón
cíclico. El componente cíclico es la fluctuación con
forma de onda alrededor de la tendencia y, por lo
común, se ve afectada por las condiciones
económicas generales. Un componente cíclico, si
existe, típicamente presenta un ciclo durante varios
años. Las fluctuaciones cíclicas a menudo están
influidas por cambios en las expansiones y
contracciones económicas, mejor conocidas como el
ciclo de negocios. La figura también muestra una
serie de tiempo con un componente cíclico. El pico
cíclico en el periodo 9 ilustra una expansión
económica; el valle cíclico en el periodo 12, una
contracción económica.

Cuando las observaciones se ven influidas por
factores temporales, existe un patrón estacional. El
componente estacional se refiere a un patrón de
cambio que se repite año tras año. Para las series
mensuales, el componente estacional mide la
variabilidad de la serie cada enero, cada febrero, y
así sucesivamente. Para una serie trimestral, hay
cuatro elementos estacionales, uno por cada
trimestre. La figura indica que el consumo de
electricidad de clientes residenciales de la
compañía WWP es mayor en el primer trimestre
(los meses de invierno) de cada año.

Series Temporales
Para estudiar una serie temporal se debe considerar:
- Si los datos presentan tendencia.
- Si existe estacionalidad.
- Si presenta aleatoriedad.
El estudio descriptivo de series temporales se basa en la idea de descomponer
la variación de una serie en varias componentes básicas, el enfoque
descriptivo del estudio consiste en encontrar componentes que correspondan
a una tendencia a largo plazo, un comportamiento estacional y una parte
aleatoria.

Técnicas de pronósticos para datos estacionarios
Se definió antes una serie estacionaria como aquella cuyo valor medio no cambia con el paso del
tiempo. Tales situaciones surgen cuando los patrones de demanda que influyen en las series son
relativamente estables. Es importante reconocer que los datos estacionarios no necesariamente
varían de manera aleatoria alrededor de un nivel medio. Las series estacionarias pueden estar auto
correlacionadas; sin embargo, la naturaleza de la asociación es tal que los datos no se alejan de la
media para cualquier periodo ampliado. En su forma más simple, el pronóstico de una serie
estacionaria implica el uso de la historia disponible de la serie para estimar su valor medio, el cual
se convierte así en el pronóstico de futuros periodos. Las técnicas más avanzadas implican
actualizar la historia disponible de la serie para estimar su valor medio, lo que a su vez se convierte
en el pronóstico de periodos futuros. Los pronósticos pueden actualizarse conforme se dispone de
nueva información. La actualización es útil cuando las estimaciones iniciales no son confiables, o
cuando se cuestiona la estabilidad del promedio. En este último caso, la actualización brinda algún
grado de sensibilidad a los cambios potenciales en la estructura subyacente de la serie.
Las técnicas que deben considerarse en la elaboración de pronósticos de serie estacionaria incluyen
métodos informales, métodos de promedio simple, promedio móvil

Técnicas de pronósticos para datos con una tendencia
En palabras sencillas, en una serie de tiempo una tendencia es un crecimiento
o decrecimiento persistente de larga duración. Para una serie de tiempo con
tendencia, el nivel de la serie no es constante. Es común que las series de
tiempo de economía muestren una tendencia.
Las técnicas que deberían considerarse en el pronóstico de series con
tendencia incluyen modelos de promedios móviles, de suavizamiento
exponencial lineal de Holt, de regresión simple, entre otros.

Técnicas de pronósticos para datos estacionales
Con anterioridad se definió una serie estacional como una serie de tiempo con un patrón
de cambio que se repite a sí mismo año tras año. Una forma de desarrollar pronósticos
estacionales es estimar índices estacionales de la historia de la serie. Por ejemplo, en datos
mensuales, hay un índice para enero, un índice para febrero, y así sucesivamente. Estos
índices se utilizan después para incluir la estacionalidad en los pronósticos o para eliminar
tales efectos de los valores observados. El proceso que sigue se conoce como un ajuste de la
estacionalidad de los datos y se analiza junto con los métodos de descomposición de la
serie de tiempo más adelante.
Las técnicas que deberían considerarse cuando se elaboren pronósticos con series
estacionales incluyen modelos de descomposición clásica, suavizamiento exponencial de
Winter, regresión múltiple entre otros.

Técnicas de pronósticos para series cíclicas
El efecto cíclico se definió antes como la fluctuación con forma de onda alrededor de una
tendencia. Los patrones cíclicos son difíciles de modelar porque sus patrones generalmente
son inestables. Las fluctuaciones ondulatorias hacia arriba y hacia abajo de la tendencia
rara vez se repiten en intervalos de tiempo fijos, en tanto que la magnitud de las
variaciones también tiende a cambiar. Los métodos de descomposición pueden ampliarse
para analizar los datos cíclicos. Sin embargo, debido al comportamiento irregular de los
ciclos, el análisis del componente cíclico de una serie, si existe, a menudo requiere de la
obtención de indicadores de coincidencia o indicadores económicos importantes.
Las técnicas que deberían considerarse cuando se elaboren pronósticos con series cíclicas
incluyen la descomposición clásica, los indicadores de la economía, los modelos
econométricos, la regresión múltiple y modelos ARIMA.

Medición del error. Análisis de residuos
La notación básica para pronósticos se resume de la siguiente manera:
Hay varios métodos cuya finalidad es resumir los errores generados por una técnica
específica de pronósticos. La mayoría de estas medidas son el promedio de alguna
función de la diferencia entre su valor real y su valor pronosticado. Estas diferencias se
conocen como residuos.

Medición del error. Análisis de residuos
La ecuación que se usa para calcular el error o residuo en cada periodo pronosticado es:
𝑒𝑡 = 𝑌𝑡 − 𝑌𝑡
en donde,
𝑒𝑡 = error en el pronóstico en el periodo t
𝑌𝑡 = valor real en el periodo t
𝑌𝑡 = valor del pronóstico en el periodo t

Un método para evaluar una técnica de pronósticos usa la suma de los
errores absolutos. La desviación media absoluta (MAD) mide la exactitud
del pronóstico, promediando las magnitudes de los errores del pronóstico
(los valores absolutos de los errores). MAD está en las mismas unidades
que la serie original, y proporciona un tamaño promedio de los “errores”
sin importar la dirección. La ecuación muestra cómo se calcula la MAD.
𝑛
1
𝑀𝐴𝐷 = 𝑌𝑡 − 𝑌𝑡
𝑛
𝑡=1

El error cuadrático medio (MSE) es otro método para evaluar una técnica de elaboración de
pronósticos. Cada error o residuo se eleva al cuadrado; luego éstos se suman y se dividen entre el
número de observaciones. Este enfoque sanciona errores grandes en la elaboración de pronósticos,
ya que los errores están elevados al cuadrado, lo cual es importante porque una técnica que produce
errores moderados quizá sea preferible a una que usualmente tenga pequeños errores, pero
ocasionalmente produce errores extremadamente grandes. El MSE está dado por la ecuación:
𝑛
1 2
𝑀𝑆𝐸 = 𝑌𝑡 − 𝑌𝑡
𝑛
𝑡=1
La raíz cuadrada del MSE, o la raíz cuadrada del error cuadrado medio (RMSE), también se usa para
evaluar los métodos de elaboración de pronósticos. Tanto la RMSE como la MSE sancionan los
errores grandes pero tienen las mismas unidades de la serie que se está pronosticando, de modo
que su magnitud se interpreta con mayor facilidad. La RMSE se presenta a continuación
𝑛
1 2
𝑅𝑀𝑆𝐸 = 𝑌𝑡 − 𝑌𝑡
𝑛
𝑡=1

A veces es más útil calcular los errores del pronóstico en términos de porcentajes en vez de
cantidades. El error porcentual absoluto medio (MAPE) se calcula obteniendo el error
absoluto de cada periodo, dividiendo éste entre el valor real observado en ese periodo y
promediando estos errores porcentuales absolutos. El resultado final se multiplica después
por 100 y se expresa como porcentaje. Este enfoque es útil cuando el error relativo al
tamaño respectivo del valor de la serie de tiempo es importante, para la evaluación de la
exactitud del pronóstico. El MAPE es especialmente útil cuando los valores 𝑌𝑡 son grandes.
El MAPE no tiene unidades de medición (es un porcentaje) y sirve para comparar la
exactitud de la misma técnica o de otras técnicas en dos series completamente diferentes.
La ecuación muestra cómo se calcula
𝑛
1 𝑌𝑡 − 𝑌𝑡
𝑀𝐴𝑃𝐸 =
𝑛 𝑌𝑡
𝑡=1
Note que el MAPE no puede calcularse si cualquiera de las 𝑌𝑡 es cero.

Algunas veces es necesario determinar si el método para pronosticar está
sesgado (con pronósticos consistentemente altos o bajos). En estos casos, se
usa el error porcentual medio (MPE), el cual se calcula obteniendo el error en
cada periodo, dividiendo éste entre el valor real de ese periodo y luego
promediando estos errores porcentuales. El resultado usualmente se
multiplica por 100 y se expresa como un porcentaje. Si el enfoque del
pronóstico no tiene sesgo, el MPE producirá un resultado que esté cercano a
cero. Si el resultado es un porcentaje negativo grande, el método de
elaboración del pronóstico está sobreestimando consistentemente. Si el
resultado es un porcentaje positivo grande, el método de elaboración del
pronóstico está subestimando consistentemente. El MPE está dado por:
𝑛
1 𝑌𝑡 − 𝑌𝑡
𝑀𝑃𝐸 =
𝑛 𝑌𝑡
𝑡=1
La decisión para usar una técnica de elaboración de pronósticos específica se
basa, en parte, en la determinación de si la técnica producirá errores en el
pronóstico que se consideren lo suficientemente pequeños. En efecto, es
realista esperar que una buena técnica de elaboración de pronósticos
produzca errores relativamente pequeños de manera consistente. Las cinco
medidas de precisión de un pronóstico son usadas para:
• Comparar la exactitud de dos (o más) técnicas diferentes.
• Medir la utilidad o confiabilidad de una técnica en particular.
• Ayudar en la búsqueda de una técnica óptima.

Métodos de Suavizamiento. Medias (Promedios) Móviles
El método de promedios simples utiliza la media de todos los datos para hacer el
pronóstico. ¿Qué sucede si en el analista está más interesado en las observaciones
recientes? Se puede especificar un número constante de puntos de datos al inicio y se
puede calcular una media con las observaciones más recientes. El término promedios
móviles e utiliza para describir este enfoque. Conforme está disponible cada nueva
observación, se calcula una nueva media sumando el valor más reciente y eliminando el
valor más antiguo. Entonces se usa este promedio móvil para pronosticar el siguiente
periodo.
El promedio móvil para el periodo de tiempo t es la media aritmética de las k
observaciones más recientes. En un promedio móvil, se asignan pesos iguales a cada
observación. Conforme está disponible, cada nuevo punto de datos se incluye en el
promedio y el punto de datos más antiguo se descarta. El porcentaje de respuesta a los
cambios en el patrón subyacente de datos depende del número de periodos, k, incluidos
en el promedio móvil.
Observe que la técnica de promedio móvil maneja sólo los últimos k periodos de los datos
conocidos; el número de puntos de datos en cada promedio no cambia conforme el tiempo
avanza. El modelo de promedio móvil no maneja muy bien la tendencia o la estacionalidad, si
bien es cierto que lo hace mejor que el método de promedio simple.
El promedio móvil de orden k, MA(k), se calcula mediante:

𝑌𝑡 + 𝑌𝑡−1 + ⋯ + 𝑌𝑡−𝑘+1
𝑌𝑡+1 =
𝑘
donde
𝑌𝑡+1 = valor pronosticado para el siguiente periodo
𝑌𝑡 = valor real en el periodo t
𝑘 = número de términos en el promedio móvil

En la práctica, se suelen hacer otros cálculos basados en promedios móviles, en los que se
busca perder la menor cantidad de información y brindar el mejor modelo posible con
estos cambios.
Entre las principales prácticas que se suelen llevar a cabo, es estimar a partir de promedios
móviles un dato conocido y no uno siguiente en base a los anteriores, también se suelen
traslapar los datos reales con los datos estimados y hacer una promedio móvil centrado a
partir de un promedio móvil simple.

Suavizamiento Exponencial
Mientras que el método de promedios móviles toma en cuenta sólo las observaciones más
recientes, la suavización exponencial simple ofrece un promedio móvil con peso
exponencial para todos los valores previos observados. A menudo el modelo es adecuado
para datos que no tienen una tendencia predecible ascendente o descendente. El objetivo
es estimar el nivel real. Esta estimación de nivel se emplea luego como el pronóstico de
valores futuros.
La suavización exponencial revisa continuamente un estimado a la luz de las experiencias
más recientes. Este método se basa en promediar (suavizar) valores pasados de una serie
de manera exponencialmente decreciente. La observación más reciente recibe el peso más
grande, 𝛼 (donde 0 < 𝛼 < 1); la siguiente observación más reciente recibe menos peso,
𝛼 1 − 𝛼 ; la observación de dos periodos en el pasado recibe incluso menos peso
𝛼 1 − 𝛼 2 ; y así sucesivamente.

En una representación de suavización exponencial, el nuevo pronóstico (para el
tiempo 𝑡 + 1 ) puede considerarse como la suma ponderada de la nueva
observación (en el tiempo t) y el antiguo pronóstico (para el tiempo t). Se asigna el
peso , 𝛼 (0 < 𝛼 < 1) al nuevo valor observado, y el peso 1 − 𝛼 al último
pronóstico. Así,
Nuevo pronóstico = 𝛼 × nueva observación + 1 − 𝛼 × último pronóstico
Más formalmente, la ecuación de suavización exponencial es

𝑌𝑡+1 = 𝛼𝑌𝑡 + 1 − 𝛼 𝑌𝑡

𝑌𝑡+1 = 𝛼𝑌𝑡 + 1 − 𝛼 𝑌𝑡
En donde,
𝑌𝑡+1 = nuevo valor suavizado o el valor del pronóstico para el siguiente periodo
𝛼 = constante de suavización (0 < 𝛼 < 1)
𝑌𝑡 = nueva observación o el valor real de la serie en el periodo t
𝑌𝑡 = último valor suavizado o el pronóstico del periodo t
La ecuación anterior se puede escribir como:
𝑌𝑡+1 = 𝛼𝑌𝑡 + 1 − 𝛼 𝑌𝑡 = 𝛼𝑌𝑡 + 𝑌𝑡 − 𝛼 𝑌𝑡 = 𝑌𝑡 + 𝛼 𝑌𝑡 − 𝑌𝑡

De esta forma, el nuevo pronóstico (𝑌𝑡+1 ) es el viejo (𝑌𝑡 ) ajustado en 𝛼 veces el error
𝑌𝑡 − 𝑌𝑡 en el pronóstico antiguo.
En la ecuación la constante de suavización, 𝛼, sirve como el factor de
ponderación. El valor de 𝛼 determina el grado con el cual la observación
actual influye en el pronóstico de la siguiente observación. Cuando 𝛼 es
cercano a 1, el nuevo pronóstico será, en esencia, la observación actual.
(Asimismo, el nuevo pronóstico será el pronóstico anterior más un ajuste
sustancial por cualquier error que haya ocurrido en el pronóstico
precedente). A la inversa, cuando 𝛼 es cercano a cero, el nuevo pronóstico
será muy similar al pronóstico anterior, y la observación actual tendrá muy
poco efecto.

Suavización exponencial ajustada a la tendencia: Método de Holt
En la suavización exponencial simple, se supone que el nivel de las series de tiempo varía
ocasionalmente, y se requiere un estimado del nivel actual. En algunas situaciones, los datos
observados tienen una tendencia clara y contienen información que permite anticipar
movimientos futuros ascendentes. Cuando éste es el caso, se necesita una función de
tendencia lineal del pronóstico. Puesto que las series de negocios y económicas rara vez
exhiben una tendencia lineal fija, consideramos la posibilidad de modelar tendencias
lineales locales en evolución con el tiempo. Holt (2004) desarrolló un método de suavización
exponencial, conocida como la suavización exponencial lineal de Holt*, la cual toma en
cuenta la evolución local lineal de las tendencias en una serie de tiempo y puede usarse para
generar pronósticos.
*La suavización exponencial lineal de Holt algunas veces se conoce como suavización exponencial doble.

Cuando se anticipa una tendencia en una serie de tiempo, se requiere un estimado de la pendiente
actual, así como del nivel actual. La técnica de Holt suaviza directamente el nivel y la pendiente
usando diferentes constantes de suavización para cada uno. Estas constantes de suavización
proporcionan estimados del nivel y la pendiente que se adaptan en el tiempo conforme se dispone
de nuevas observaciones. Una de las ventajas de la técnica de Holt es que ofrece un alto grado de
flexibilidad en la selección de coeficientes con los cuales se controla el nivel y la tendencia.
Las tres ecuaciones usadas en el método de Holt son:
1. La serie suavizada exponencialmente o nivel actual estimado:
𝐿𝑡 = 𝛼𝑌𝑡 + 1 − 𝛼 𝐿𝑡−1 + 𝑇𝑡−1
2. La estimación de la tendencia:
𝑇𝑡 = 𝛽 𝐿𝑡 − 𝐿𝑡−1 + 1 − 𝛽 𝑇𝑡−1
3. El pronóstico para los p periodos del futuro:
𝑌𝑡+𝑝 = 𝐿𝑡 + 𝑝𝑇𝑡

Las tres ecuaciones usadas en el método de Holt son:
1. La serie suavizada exponencialmente o nivel actual estimado:
𝐿𝑡 = 𝛼𝑌𝑡 + 1 − 𝛼 𝐿𝑡−1 + 𝑇𝑡−1 (𝑖)
2. La estimación de la tendencia:
𝑇𝑡 = 𝛽 𝐿𝑡 − 𝐿𝑡−1 + 1 − 𝛽 𝑇𝑡−1 (𝑖𝑖)
3. El pronóstico para los p periodos del futuro:
𝑌𝑡+𝑝 = 𝐿𝑡 + 𝑝𝑇𝑡 (𝑖𝑖𝑖)
donde
𝐿𝑡 = nuevo valor suavizado (estimado del nivel actual)
𝛼 = constante de suavización para el nivel 0 < 𝛼 < 1
𝑌𝑡 = nueva observación o valor real de la serie en el periodo t
𝛽 = constante de suavización para el estimado de la tendencia 0 < 𝛽 < 1
𝑇𝑡 = estimado de tendencia
𝑝 = periodos a pronosticar en el futuro
𝑌𝑡+𝑝 = pronóstico para el periodo p en el futuro

La ecuación (i) es muy similar a la ecuación de la suavización exponencial simple, excepto que se ha
incorporado el término 𝑇𝑡−1 para actualizar adecuadamente el nivel cuando existe una tendencia. Es decir, el
nivel actual 𝐿𝑡 se calcula tomando un promedio ponderado de dos estimaciones de nivel: una estimación está
dada por la observación actual 𝑌𝑡 , y la otra estimación está dada por la suma de la tendencia previa 𝑇𝑡−1 y el
nivel previamente suavizado 𝐿𝑡−1 . Si no existe una tendencia en los datos, no hay necesidad del término 𝑇𝑡−1
en la ecuación (i) reduciéndola efectivamente a la ecuación de la suavización exponencial simple. Tampoco es
necesaria entonces la ecuación (ii).
Tampoco es necesaria la ecuación, 𝛽. La ecuación (ii) indica que la tendencia actual 𝑇𝑡 es un promedio
ponderado (con pesos 𝛽 y 1 − 𝛽) de dos tendencias estimadas: una estimación está dada por el cambio en el
nivel de tiempo 𝑡 − 1 a 𝐿𝑡 − 𝐿𝑡−1 , y la otra estimación es la tendencia previamente suavizada 𝑇𝑡−1 .
La ecuación (ii) es similar a la ecuación (i), excepto que la suavización se hace para la tendencia y no para los
datos reales.
La ecuación (iii) muestra el pronóstico para p periodos en el futuro. Para un pronóstico hecho en el tiempo t,
la tendencia actual estimada 𝑇𝑡 se multiplica por el número de periodos (p) que serán pronosticados, y luego
el producto se suma al nivel actual 𝐿𝑡 . Note que los pronósticos para periodos futuros permanecen a lo largo
de una línea recta con pendiente 𝑇𝑡 e intersección en 𝐿𝑡 .

Al igual que en la suavización exponencial simple, las constantes de suavización 𝛼 y 𝛽
pueden seleccionarse subjetivamente o generarse minimizando una medida de error de
pronóstico tal como el MSE. Pesos grandes tienen como resultado cambios más rápidos en
el componente; pesos pequeños tienen como resultado cambios menos rápidos. Por lo
tanto, cuanto mayores son los pesos, los valores de suavizamiento seguirán más a los
datos; cuanto menores son los pesos, los valores de suavizamiento seguirán más a los
valores de suavizamiento previos.
Para iniciar, se deben determinar los valores iniciales de L y T en las ecuaciones (i) y (ii).
Un enfoque consiste en fijar la primera estimación del nivel suavizado igual a la primera
observación. Luego se considera la tendencia igual a cero. Un segundo enfoque es usar el
promedio de las primeras cinco o seis observaciones como el valor suavizado inicial de L.
Luego, se estima la tendencia usando la pendiente de una línea ajustada a estas cinco o
seis observaciones. La técnica más aceptada es desarrollar una ecuación de regresión
usando la variable de interés como Y y el tiempo como la variable independiente X. La
constante de esta ecuación es la estimación inicial del componente de nivel, y la pendiente o
el coeficiente de regresión es la estimación inicial del componente de tendencia.
Suavización exponencial ajustada a la tendencia y a la variación
estacional: Método de Winters
El método de suavización exponencial lineal y estacional de tres parámetros de Winters,
una extensión del método de Holt, podría representar mejor los datos y reducir el error de
pronóstico. En el método de Winters, se emplea una ecuación adicional para estimar la
estacionalidad. En la versión multiplicativa del método de Winters, la estimación de la
estacionalidad está dada por un índice estacional y se calcula mediante la ecuación (iii,
que se muestra más adelante). Esta última indica que para calcular el componente
estacional actual, 𝑆𝑡 , el producto de 𝛾 y un estimado del índice estacional dado por
𝑌𝑡 𝐿𝑡 se suma 1 − 𝛾 veces al componente estacional previo 𝑆𝑡−𝑠 . Este procedimiento es
equivalente a suavizar los valores previos y actuales de 𝑌𝑡 𝐿𝑡 . 𝑌𝑡 se divide entre el nivel
actual estimado 𝐿𝑡 , para crear un índice (razón) que pueda usarse de forma multiplicativa
para ajustar un pronóstico que tome en cuenta los picos y valles estacionales.

Las cuatro ecuaciones usadas en la suavización (multiplicativa) de Winters son:
1. Series suavizadas exponencialmente o nivel estimado:
𝑌𝑡
𝐿𝑡 = 𝛼 + 1 − 𝛼 𝐿𝑡−1 + 𝑇𝑡−1 (𝑖)
𝑆𝑡−𝑠
2. Estimación de la tendencia:
𝑇𝑡 = 𝛽 𝐿𝑡 − 𝐿𝑡−1 + 1 − 𝛽 𝑇𝑡−1 (𝑖𝑖)
3. Estimación de estacionalidad
𝑌𝑡
𝑆𝑡 = 𝛾 + 1 − 𝛾 𝑆𝑡−𝑠 (𝑖𝑖𝑖)
𝐿𝑡
4. Pronóstico de p periodos futuros:
𝑌𝑡+𝑝 = 𝐿𝑡 + 𝑝𝑇𝑡 𝑆𝑡−𝑠+𝑝

donde:

La diferencia es que esta estimación para futuros periodos, 𝑡 + 𝑝, se multiplica por 𝑆𝑡−𝑠+𝑝 . Este índice
estacional es el último disponible y, por consiguiente, se utiliza para ajustar el pronóstico con la
estacionalidad.
Al igual que en la suavización exponencial lineal de Holt, los pesos 𝛼, 𝛽 y 𝛾 pueden seleccionarse
subjetivamente o generarse al minimizar una medida de error de pronóstico, como el MSE. El enfoque
más común para determinar estos valores es usar un algoritmo de optimización para obtener las
constantes óptimas de suavización.
Para iniciar el algoritmo de la ecuación (i), se deben establecer los valores iniciales para las series
suavizadas, 𝐿𝑡 , la tendencia 𝑇𝑡 y los índices estacionales 𝑆𝑡 . Un método consiste en igualar la primera
estimación de la serie suavizada (nivel) a la primera observación. Luego, la tendencia se iguala a cero y
cada índice estacional se fija en 1.0. Existen otros métodos para la inicialización de la estimación del
nivel, tendencia y estacionalidad. Lo más aceptado es desarrolla una ecuación de regresión usando la
variable de interés como Y y el tiempo como la variable independiente X. La constante de esta ecuación
es la estimación inicial de la serie suavizada o componente de nivel, y la pendiente o el coeficiente de
regresión es la estimación inicial del componente de tendencia. Los valores iniciales de los componentes
estacionales se obtienen a partir de un promedio en la unidad de medida, denominado índice estacional.

Pronósticos

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Pronósticos

Cargado por

Copyright:

Formatos disponibles

Pronósticos y Series de

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Definición del Recolección de los Análisis de los Selección del

Validación del Monitoreo del

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

El promedio móvil de orden k, MA(k), se calcula mediante:

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Nuevo pronóstico = 𝛼 × nueva observación + 1 − 𝛼 × último pronóstico

Más formalmente, la ecuación de suavización exponencial es

Pronósticos y Series de Tiempo ©{ JMV_EI}

𝑌𝑡+1 = 𝛼𝑌𝑡 + 1 − 𝛼 𝑌𝑡 = 𝛼𝑌𝑡 + 𝑌𝑡 − 𝛼 𝑌𝑡 = 𝑌𝑡 + 𝛼 𝑌𝑡 − 𝑌𝑡

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

Pronósticos y Series de Tiempo ©{ JMV_EI}

También podría gustarte