MODELOS DE PRONOSTICOS CLASICOS

Danilo Gómez Correa

2020-12-31

Contents
TÉCNICA DEL PROMEDIO MÓVIL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
SUAVIZACIÓN EXPONENCIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
MÉTODO DE HOLT-WINTERS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Estacionalidad Multiplicativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Estacionalidad Aditiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
En la toma de decisiones se elaboran planes para el futuro. Entonces, los datos que describen la situación
de la decisión deben representar lo que sucederá en el futuro. Por ejemplo, en el control de inventarios, las
decisiones se basan en la naturaleza de la demanda del artículo con trolado durante determinado horizonte
de planeación. También, en la planeación financiera, se necesita pronosticar la pauta del flujo de efectivo a
través del tiempo. Se presentan tres técnicas para pronosticar cambios futuros en el valor de determinada
variable en función del tiempo. Son promedio móvil, suavización exponencial y metodo de Hold_wienter.
También se presentan cálculos de esas técnicas.

TÉCNICA DEL PROMEDIO MÓVIL

En esta técnica se supone que la serie de tiempo es estable en el sentido que su valor y Xt para el periodo t
sigue un proceso constante que se describe con:

Xt = b + εi

en donde:
• b: Parámetro constante desconocido, estimado a partir de datos históricos
• ε: Componente aleatorio (ruido) para el periodo t, con media cero y varianza constante.
La técnica supone que no están correlacionados los datos para los distintos periodos. La técnica del promedio
móvil supone que las n observaciones más recientes tienen igual importancia para estimar el parámetro b.
Así, en determinado periodo t, si los datos para los n periodos más recientes son y Xt−n+1 , Xt−n+2 , . . . , Xt ,
entonces el valor estimado para el periodo t + 1 se calcula como sigue:

Xt−n+1 + Xt−n+2 + . . . + Xt
Xt+1 =
n
No hay una regla exacta para seleccionar n, la base del promedio móvil. Si las variaciones de la variable
permanecen razonablemente constantes al paso del tiempo, se recomienda una n grande. En caso contrario, si
los datos tienen pautas cambiantes, se aconseja un valor pequeño de n. En la práctica, ese valor va de 2 a 10.
## Suavizamiento por Media Movil ##
x<-c(4.5,6.5,3.5,4.5,6,7,8);x

1
## [1] 4.5 6.5 3.5 4.5 6.0 7.0 8.0
x<-c(x,mean(c(x[length(x)-2],x[length(x)-1],x[length(x)])));x

## [1] 4.5 6.5 3.5 4.5 6.0 7.0 8.0 7.0

#plot(x,type = "l")

Ejemplo 1: Descripción los datos clásicos de la aerolínea Box & Jenkins. Totales mensuales de
pasajeros de aerolíneas internacionales, 1949 a 1960.
#library(TSA)
library(datasets)
data(AirPassengers)
AP<-AirPassengers
plot(AP)
600
500
400
AP

300
200
100

1950 1952 1954 1956 1958 1960

Time

class(AP)# Series de tiempo comando ts

## [1] "ts"
start(AP)

## [1] 1949 1
end(AP)

## [1] 1960 12
frequency(AP)

2
## [1] 12
ts.plot(AP, ylab="Passengers(1000's)")
600
500
Passengers(1000's)

400
300
200
100

1950 1952 1954 1956 1958 1960

Time

ts.plot(AP, type="l")

3
 600
500
400
AP

300
200
100

1950 1952 1954 1956 1958 1960

Time

SUAVIZACIÓN EXPONENCIAL

En la técnica de suavización exponencial se supone que el proceso es constante o que cambia con lentitud al
paso del tiempo; es la misma hipótesis que la que se usa en el método del promedio móvil. Sin embargo, el
objeto es compensar un inconveniente del método del promedio móvil. En forma específica, la suavización
exponencial asigna un peso mayor a la observación más reciente. Esto contrasta con el método del promedio
móvil, en el que a todas las observaciones se asignan pesos iguales.
Se define α (0 < α < 1) como constante de suavización y se supone que los puntos de la serie del tiempo para
los últimos t periodos son X1 , X2 , . . . , Xt . Entonces Xt+1 , el estimado para el periodo t + 1, se calcula como
sigue:

Xt+1 = αXt + α(1 − α)Xt−1 + α(1 − α)2 Xt−2 + α(1 − α)3 Xt−3 + . . .
Como los coeficientes respectivos de Xt , Xt−1 , Xt−2 , . . . son progresivamente menores, el nuevo procedimiento
asigna más peso a los puntos de los datos más recientes.
La fórmula para calcular Xt+1 se puede simplificar como sigue:

Xt+1 = αXt + (1 − α)[αXt−1 + α(1 − α)Xt−2 + α(1 − α)2 Xt−3 + . . .]

= αXt + (1 − α)Xt

De esta forma se puede calcular Xt+1 a partir de Xt . En forma recursiva. La ecuación recursiva se inicia
saltándose la estimación X1 en t = 1 y tomando el estimado para t = 2 como igual al dato real para t = 1;

4
esto es, X2 = X1 . En realidad, cualquier procedimiento razonable se puede usar para iniciar los cálculos.
Por ejemplo, hay quienes sugieren estimar a X0 como el promedio de una cantidad razonable de periodos al
iniciar la serie de tiempo.
La selección de la constante de suavización α es básica para estimar los pronósticos del futuro. Un valor
mayor de α implica que las observaciones más recientes tienen mayor peso. En la práctica, el valor de α va
de 0.01 a 0.30.
#PdeCirc <- function(r) {
# p<-2*pi*r
#return(p)}
#PdeCirc(2)

SE <- function(x, a){

w = vector("numeric")
n = length(x)
w[1] = x[1]

for(i in 2:n){
w[i] = a*x[i] + (1-a)*w[i-1]
}
w
}

PP<-SE(AP , a = 0.4)
w = ts(PP, start = 1951)
plot(AP/1000, type = "p", col = 4, lwd = 2, ylab = "(Thousands)", xlab = "")
#lines(w/1000, lwd = 2)
tabla<-data.frame(Original=AP,Prediccion=PP)
library(tidyverse)

## -- Attaching packages --------------------------------------- tidyverse 1.3.0 --

## v ggplot2 3.3.2 v purrr 0.3.4
## v tibble 3.0.4 v dplyr 1.0.2
## v tidyr 1.1.2 v stringr 1.4.0
## v readr 1.4.0 v forcats 0.5.0
## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()

5
 0.6
0.5
(Thousands)

0.4
0.3
0.2
0.1

1950 1952 1954 1956 1958 1960

MÉTODO DE HOLT-WINTERS

Como se conoce de la estadística un estimador que minimiza el error cuadrático medio (MSE) es la media. Si
la media es utilizada como herramienta de pronóstico, entonces, como cualquier método de pronóstico, su uso
óptimo requiere del conocimiento de las condiciones que se deben cumplir. Así para la media, la condición es
que los datos sean estacionarios, esto significa que los datos oscilen alrededor de un valor constante (la media)
y que la varianza alrededor de la media sea constante en el tiempo. (Makridakis S., 1998) En otras palabras,
si una serie de tiempo es estacionaria sujeta a algún error aleatorio (o ruido), la media es un buen estadístico
y se puede usar para predecir los valores futuros. Si la serie de tiempo contiene tendencia (sea creciente o
decreciente), o efectos estacionales (Altas ventas de combustible en época de invierno) o ambos a la vez, la
media ya no es un buen predictor. En este capítulo se analizarán varios métodos de pronósticos que superan
a la media como predictor de valores futuros, conocidos como métodos de suavizamiento exponencial, su
nombre debido a que aplican pesos diferentes a los valores pasados, y estos decrecen exponencialmente desde
la observación más reciente hasta la más lejana en el tiempo. Los métodos de suavizamiento exponencial
se clasifican en: Suavizamiento Exponencial Simple, Método Lineal de Holt (útil cuando hay tendencia) y
Método de Holt – Winters (útil cuando hay tendencia y estacionalidad). Todos estos métodos requieren de
ciertos parámetros para su operatividad, estos parámetros están en el intervalo de Ÿ061 . Estos parámetros
son los que dan diferentes pesos a los valores pasados. Así el método de suavizamiento exponencial simple
(SES por sus siglas en inglés Single Exponential Smoothing) requiere que un solo parámetro sea estimado,
EL método de Holt requiere de dos parámetros diferentes y es útil para pronosticar series de tiempo con
tendencia y el
método de Holt – Winters que requiere de tres parámetros de suavizamiento y sirve para pronosticar series de
tiempo con tendencia y estacionalidad. Pegel (1969) clasificó a los métodos de suavizamiento exponencial por
su tendencia y estacionalidad y dependiendo si estas son aditivas o multiplicativas. Las formas de las series
de tiempo basadas en esta clasificación se muestran en la Figura (Makridakis S., 1998). Cabe destacar que el

6
uso apropiado de un modelo es de vital importancia. Claramente un método inapropiado de pronóstico, así
este optimizado, será inferior a un modelo de pronóstico apropiado. (Makridakis S., 1998)

Holt (1957) extendió el suavizamiento exponencial simple al suavizamiento exponencial lineal para permitir
predecir datos con tendencia. El pronóstico mediante el método de suavizamiento exponencial lineal de Holt
utiliza dos constantes de suavizamiento, α y β con valores entre 0 y 1 y tres ecuaciones:
• Nivel:
Lt = αYt + (1 − α)(Lt−1 + bt−1 ) (1)
• Tendencia:
bt = β(Lt − Lt−1 ) + (1 − β)bt−1 (2)
• Pronostico:
Ft+m = (Lt + bt · m) (3)
Donde Lt denota un estimado del nivel de la serie al tiempo t y Bt denota un estimado de la pendiente de
la serie al tiempo t. La ecuación (1) ajusta directamente la tendencia del período anterior, bt−1 sumando
el último valor suavizado Lt−1 . Esto ayuda a eliminar el retraso y trae a Lt al nivel aproximado del valor
actual. La ecuación (2) entonces actualiza la tendencia, la cual es expresada como la diferencia entre los
dos últimos valores suavizados. Esto es apropiado ya que si existe alguna tendencia en los datos, nuevos
valores podrían ser mayores o menores que los valores anteriores. Si existe alguna aleatoriedad remanente,
la tendencia es modificada suavizando con β la tendencia en el último período (Lt − Lt−1 ) y sumando la
tendencia del período previo multiplicada por (1 − β). Así la ecuación (2) es similar a la forma básica del
suavizamiento exponencial simple, pero aplicada a actualizar la tendencia. Finalmente la ecuación (3) para el
pronóstico futuro. La tendencia bt es multiplicada por el número de períodos a futuro a m y sumada al valor
base Lt (Makridakis S., 1998).

Estacionalidad Multiplicativa

Las ecuaciones básicas del método de Holt – Winters multiplicativo son las siguientes:
• Nivel:  
Yt
Lt = α + (1 − α)(Lt−1 + bt−1 ) (1)
St−s

7
 • Tendencia:
bt = β(Lt − Lt−1 ) + (1 − β)bt−1 (2)

• Estacionalidad:  
Yt
St = γ + (1 − γ)St−s (3)
Lt

• Pronóstico:
Ft+m = (Lt + bt · m) + St−s+t (4)
Dónde: s es la longitud de la estacionalidad así: si es mensual s = 12, trimestral s = 3, Lt representa el
nivel de la serie, bt denota la tendencia, St es el componente estacional y Ft+m es el pronóstico m períodos
adelante. (Makridakis S., 1998).
Los valores α, β, γ varían entre 0 y 1. Mediante la ecuación (1) se actualiza la estimación de la base de la
serie, tomando un promedio ponderado de las dos cantidades siguientes:
• (Lt−1 − bt−1 ), que es la estimación del nivel base antes de observar Yt .
Yt
• La observación desestacionalizada la cual es una estimación de la base obtenida a partir del
St−s
período actual.
La ecuación (2) es idéntica a la ecuación (2) del método de Holt.
Por otro lado, la ecuación (3) actualiza y suaviza la estacionalidad del mes y, aplicando un promedio ponderado
de las dos cantidades siguientes:
• La estimación más reciente de la estacionalidad St−s ,
Yt
• , la cual es una estimación de la estacionalidad del mes t, obtenida a partir del mes actual.
L−t
Al final del período t, la predicción Ft+m del período (t + m) se obtiene con la ecuación (4), donde, para
pronosticar el valor de la serie durante el período
(t + m) se multiplica la estimación base (Lt + bt · m) por la estimación más reciente del factor de estacionalidad
(St−s+m ) del período (t + m). (Winston, 2005). Es importante entender que en este método el nivel Q R es
un valor suavizado que no incluye estacionalidad (estacionalmente ajustado) ya que al dividir Yt para St−s
se está eliminando la estacionalidad. Se debe recordar que Yt contiene estacionalidad y aleatoriedad, para
suavizar esta aleatoriedad, la ecuación (3) realiza un promedio ponderado entre el factor estacional nuevo con
γ valor estacional más reciente con (1 − γ). (Makridakis S., 1998).

Estacionalidad Aditiva

La componente de estacionalidad del método de Holt – Winters puede ser tratada aditivamente, aunque es
menos común.
Las ecuaciones básicas son:
• Nivel:
Lt = α(Yt − St−s ) + (1 − α)(Lt−1 + bt−1 ) (1)
• Tendencia:
bt = β(Lt − Lt−1 ) + (1 − β)bt−1 (2)

8
 • Estacionalidad:
St = γ(Yt − Lt ) + (1 − γ)St−s (3)

• Pronóstico:
Ft+m = (Lt + bt · m) + St−s+t (4)
La única diferencia con las ecuaciones del método de Holt – Winters multiplicativo es que los índices
de estacionalidad son ahora sumados y restados en lugar de dividir y multiplicar. (Makridakis S.,
1998)
#### Holt-Winters method
plot(AP)
600
500
400
AP

300
200
100

1950 1952 1954 1956 1958 1960

Time

M<-HoltWinters(AP , beta=0.1, gamma=0.1,seasonal = "multiplicative")

AP5<-ts(M, start=1949, freq=12)
names(AP5)

## [1] "fitted" "x" "alpha" "beta" "gamma"

## [6] "coefficients" "seasonal" "SSE" "call"
AP5$fitted[,1]

## Jan Feb Mar Apr May Jun Jul Aug

## 1950 111.0818 123.8456 139.7159 134.6161 125.4408 149.5220 164.0499 169.1151
## 1951 133.4506 153.7282 169.5854 167.8848 153.8681 198.0072 205.7920 203.3696
## 1952 162.0831 182.3903 203.0031 188.0181 171.4426 210.9451 238.0275 235.0001
## 1953 190.2392 210.2398 225.2043 221.1057 215.8848 265.7018 278.4125 272.1742

9
## 1954 197.8234 215.9807 220.9378 216.5179 207.2675 261.3171 289.6562 300.6548
## 1955 224.7916 251.5836 271.3528 255.2097 247.1741 305.0448 344.4349 361.0973
## 1956 272.0655 297.5227 323.2779 304.8136 291.1575 358.5296 407.9265 414.6920
## 1957 302.6420 327.6219 352.5250 337.8402 323.2978 397.8199 456.0958 464.5216
## 1958 336.6585 354.9703 376.2411 348.1730 325.1379 400.4333 462.1124 480.2609
## 1959 338.6258 365.5620 398.4539 383.3504 368.8121 462.2775 515.1661 537.0557
## 1960 405.9027 429.2606 464.2892 415.5740 419.4264 519.7743 583.4427 609.0103
## Sep Oct Nov Dec
## 1950 157.0677 139.0750 119.3516 132.2129
## 1951 185.5925 162.1753 142.6685 165.7407
## 1952 221.4331 187.9780 167.1896 194.7091
## 1953 250.2655 212.8593 185.8917 207.1400
## 1954 272.1420 232.8965 202.4333 230.8815
## 1955 325.1962 281.2111 244.2973 273.7798
## 1956 376.6882 322.1389 274.9607 310.9432
## 1957 428.7774 367.0133 313.0540 351.5821
## 1958 453.3899 374.5797 321.2825 357.0801
## 1959 501.5538 425.6654 366.1446 414.5002
## 1960 550.3558 467.0795 409.8535 452.8169
plot(AP, type = "l", col = 4, lwd = 2, ylab = "(Thousands)", xlab = "")
lines(AP5$fitted[,1], lwd = 2)
600
500
(Thousands)

400
300
200
100

1950 1952 1954 1956 1958 1960

10