El Método de Winters para estimar pronósticos estacionales con

tendencia

Las ecuaciones para obtener el pronóstico son:

𝑌𝑡
𝐿𝑡 = 𝛼 + (1 − 𝛼 )(𝐿𝑡−1 + 𝑇𝑡−1 ) (1)
𝑆𝑡−𝑝

Siendo todos los términos los mismos del modelo de Holt, con excepción de S t-
p, que es el factor de estacionalidad del periodo t considerando la estación
respectiva.

Por su parte la ecuación para obtener la tendencia, T t, es:

𝑇𝑡 = 𝛽 (𝐿𝑡 − 𝐿𝑡−1 ) + (1 − 𝛽)𝑇𝑡−1 (2)

Siendo todos sus términos los mismos del modelo de Holt.

La estacionalidad St, se obtiene con la ecuación siguiente:

𝑌𝑡
𝑆𝑡 = 𝛾 + (1 − 𝛾 )𝑆𝑡−𝑝 (3)
𝐿𝑡

Donde St-p es el factor estacional del periodo anterior.

Finalmente se obtiene el pronóstico suavizado 𝑌̂𝑡 con la ecuación (4).

𝑌̂𝑡 = (𝐿𝑡−1 + 𝑇𝑡−1 )𝑆𝑡−𝑝 (4)

Para aplicar estas ecuaciones debe contarse con datos de la variable a

pronosticar de al menos dos periodos anteriores, para estimar los factores
estacionales de un periodo anterior, lo cual puede hacerse de varias maneras,
siendo una de ellas el procedimiento siguiente:

Primero debe estimarse T0:

̅̅̅
𝐷2 − ̅̅̅
𝐷1
𝑇0 = (5)
𝑛
Donde 𝐷 ̅̅̅2 𝑦 ̅̅̅
𝐷1 son las demandas anteriores promedio del año 2 y del año 1 y n
es el número de estaciones anuales.

Luego se obtiene el valor L0:

𝑛+1
𝐿0 = ̅̅̅
𝐷1 − 𝑇0 (6)
2
Donde todos los términos ya han sido definidos.
Entonces pueden calcularse los valores subsecuentes de L con la ecuación (7):

𝐿𝑡 = 𝐿0 + 𝑛𝑇0 (7)

Es decir, que cada L siguiente se incrementa en el valor inicial de la tendencia

T0.

Se obtienen entonces los factores estacionales para los años anteriores

mediante el cociente de la demanda del periodo y el valor del pronóstico
suavizado:

𝐷𝑡
𝑆𝑡 = (8)
𝐿𝑡

Luego con los años anteriores se obtiene el valor promedio de los factores
estacionales St y en caso que su promedio no sea uno, deben normalizarse
mediante la operación siguiente:
𝑛
𝑆𝑡−𝑛 = 𝑆𝑡 (9)
𝑆𝑢𝑚𝑎
Siendo St-n el factor estacional normalizado y la Suma es la de los factores no
normalizados.

Con esto se procede a aplicar el modelo de Winters para obtener los pronósticos
futuros.

Asimismo, deben buscarse los valores de las constantes α, β y γ que minimicen

la sumatoria del porcentaje de los errores del pronóstico, la cual se denomina
MAPE y se calcula con la ecuación (10):

𝑌𝑡 − 𝑌̂𝑡
∑𝑛1 | |
𝑌𝑡
𝑀𝐴𝑃𝐸 = 𝑥100 (10)
𝑛

Siendo Yt la venta real y 𝑌̂𝑡 la venta pronosticada y n el número de datos.

De manera similar puede aplicarse el Solver para encontrar los valores de las 3
constantes que minimice el MAPE.

A continuación se ilustra esta metodología con su aplicación a un caso.

Ejemplo. Se cuenta con datos trimestrales de la venta de agua embotellada de

los últimos tres años, los cuales se muestran en la tabla 1.

Tabla 1. Datos trimestrales de la venta de agua embotellada en garrafones

Año 1 2 3
Trimestre
1 4350 4600 4920
 2 7200 7500 7950
3 6450 6780 7100
4 4800 5000 5450

Se pide pronosticar las ventas trimestrales del año siguiente aplicando el modelo
de Winters, usando una alfa de 0.1, beta de 0.3 y gama de 0.2.

Lo primero es graficar los datos para verificar el comportamiento estacional y de

tendencia.

Figura 1. Gráfico de los datos

9000

8000

7000
Venta, Garrafones

6000

5000

4000

3000

2000

1000

0
0 2 4 6 8 10 12 14
Trimestre

Se observa un claro comportamiento estacional y con ligera tendencia a

incrementarse, por lo cual aplicar la metodología de Winters resulta apropiado.

Se procede entonces a obtener los factores estacionales con base en el año 1 y

2, sus ventas promedio son:
4350 + 7200 + 6450 + 4800
̅̅̅
𝐷1 = = 5700
4
4600 + 7500 + 6780 + 5000
̅̅̅
𝐷2 = = 5970
4

Se calcula entonces T0:

5970 − 5700
𝑇0 = = 67.5
4
Al aplicar la ecuación (6) se obtiene L0:
 5
𝐿0 = 5700 − (67.5) = 5531.25
2
Y cada L subsecuente se incrementará en 67.5 unidades, así L 1 es 5598.75, L2 será
5666.25 y así sucesivamente las posteriores hasta L 8 con un valor de 6071.25.

Se procede entonces a obtener los factores estacionales de cada uno de los 8 periodos
mediante la ecuación (8), que para el caso del primer periodo es:

𝐷1 4350
𝑆1 = = = 0.7770
𝐿1 5598.75

Luego se obtiene el promedio del factor estacional de cada trimestre aplicándolo

al caso de los dos años, que para el caso del trimestre 1 es:

0.7770 + 0.7838
𝑆1 = = 0.7804
2
Luego se normalizan estos factores para que su suma sea 4, con lo cual resultan:

𝑆1 = 0.7804

𝑆2 = 1.2670

𝑆3 = 1.1271

𝑆4 = 0.8255

Se procede entonces a aplicar las tres primeras ecuaciones del modelo para
obtener sus parámetros.

Esto se ilustra para el caso del primer periodo:

Lo primero es calcular L1:

𝑌1 4350
𝐿1 = 𝛼 + (1 − 𝛼 )(𝐿0 + 𝑇0 ) = (0.1) + (1 − 0.1)(5531.25 + 67.5)
𝑆1−𝑝 0.7804
= 5596.3

Se obtiene T1:

𝑇1 = 𝛽(𝐿1 − 𝐿0 ) + (1 − 𝛽)𝑇0 = (0.3)(5596.3 − 5531.25) + (1 − 0.3)(67.5)

= 66.76

Y el factor estacional S1:

𝑌1 4350
𝑆1 = 𝛾 + (1 − 𝛾 )𝑆1−𝑝 = (0.2) + (1 − 0.2)(0.7804) = 0.7798
𝐿1 5596.3

Y se obtiene finalmente para el primer periodo el pronóstico de la venta

esperada:
 𝑌̂1 = (𝐿0 + 𝑇0 )𝑆1−𝑝 = (5531.25 + 67.5)(0.7804) = 4369.16

Se obtiene finalmente para el primer periodo el valor del error porcentual:

4350 − 4369.16
𝐸𝑟𝑟𝑜𝑟 = | | 𝑥100 = 0.4404
4350
Si se repiten estos cálculos para los periodos posteriores, se obtienen los
resultados de la tabla 2:

Tabla 2. Resultados para cada periodo y del pronóstico

Trimestre Yt Lt Tt St Error
-3 0.7804
-2 1.2670
-1 1.1271
0 5,531.25 67.50 0.8255
1 4350 5,596.30 66.76 4,369.16 0.7798 0.4404
2 7200 5,665.00 67.35 7,175.35 1.2678 0.3424
3 6450 5,731.38 67.06 6,460.93 1.1268 0.1694
4 4800 5,800.08 67.55 4,786.47 0.8259 0.2819
5 4600 5,870.78 68.50 4,575.37 0.7805 0.5355
6 7500 5,936.92 67.79 7,529.99 1.2669 0.3998
7 6780 6,005.96 68.16 6,765.83 1.1272 0.2090
8 5000 6,072.11 67.56 5,016.59 0.8254 0.3318
9 4920 6,156.06 72.48 4,792.14 0.7843 2.5988
10 7950 6,233.19 73.87 7,891.04 1.2686 0.7416
11 7100 6,306.24 73.63 7,109.19 1.1269 0.1294
12 5450 6,402.16 80.32 5,265.97 0.8306 3.3768
13 6,482.48 80.32 5,083.94 MAPE = 9.5568
14 6,562.80 80.32 8,325.70
15 6,643.11 80.32 7,486.24
16 6,723.43 80.32 5,584.33

La sumatoria de los errores porcentuales (MAPE) es 9.5568.

El gráfico de esta aproximación es el de la figura 2:

 Figura 2. Resultados de la aproximación
9000
8000
7000
Venta, Garrafones

6000
5000
4000
3000
2000
1000
0
0 2 4 6 8 10 12 14
Trimestre

Real Pronóstico

Se observa que la línea de la venta real y la pronosticada prácticamente se

empalman en todo el trayecto analizado.

Si se aplica el Solver para ver con qué valores de alfa, beta y gama se minimiza
el MAPE, esto se logra con un valor de alfa de 0.1596, beta igual a 1 y gama de
0, con una MAPE de 8.9518.

Esto significa que para la tendencia sólo deben considerarse los datos más
recientes, puesto que beta es uno y en el caso de los factores estacionales los
más antiguos, ya que gama es cero.

Finalmente los pronósticos para el año 4, trimestres del 13 al 16, se obtienen

aplicando la ecuación (4):

𝑌̂
13 = (𝐿12 + 𝑇12)𝑆9 = (6460.03 + 111.59)(0.7804) = 5128.37

𝑌̂
14 = (𝐿13 + 𝑇13 )𝑆10 = (6571.62 + 111.59)(1.267) = 8467.93

𝑌̂
15 = (𝐿14 + 𝑇14 )𝑆11 = (6683.22 + 111.59)(1.1271) = 7658.42

𝑌̂
16 = (𝐿15 + 𝑇15 )𝑆12 = (6794.81 + 111.59)(0.8255) = 5701.07

Estos cálculos para el caso óptimo.