SERIES TEMPORALES

SUAVIZACIONEXPONENCIAL

Giampaolo Orlandoni Merli BUCARAMANGA, 2010

ANALISIS CUANTITATIVO DE ST
1. MODELOS SUAVIZACION EXPONENCIAL 1. Suavizacin Exponencial Simple 2. 2 Suavizacin Exponencial Doble 3. Suavizacin Exponencial Generalizada (Holt-Winters) 2. MODELOS DE SERIES DE TIEMPO: 1. Mtodos de Descomposicin 2. Modelos ARMA, ARIMA 3. MODELOS DE ASOCIACION: ASOCIACION 1. Modelos de Regresin 2. 2 Modelos de Ecuaciones Simultneas 3. Modelos de Dinmica de Sistemas
Informacin: Datos histricos de las variables involucradas Supuesto: El patrn histrico manifestado por las variables sigue siendo vlido para el futuro analizado analizado.

SUAVIZACION EXPONENCIAL
1. 2.

Suavizacin Exponencial Simple Suavizacin Exponencial: Mtodo Holt (dos parmetros)

3.

Suavizacin Exponencial con factor Estacional: Mtodo Holt-Winters (tres parmetros)

1-Suavizacin Exponencial Simple

T

= yT + (1 ) (1-)

T-1

Ft+1 = Yt + (1- ) Ft

Todos los datos influyen en el pronstico, pero los ms recientes tienen mayor i fl influencia. i Clculo del pronstico
T

= yT + (1-) yT-1 +(1 )2 yT-2 + +(1 )T 1 y1 + (1-)T (1 ) +(1-) ++(1-)T-1 (1 )

Constante de Suavizacin: 0< <1

Ponderacin

Ponderacin Decreciente para observaciones ms antiguas

1 1 1
Tiempo

2 3

Ponderacin Crecientes a las observaciones ms recientes

t

0< <1

Pronstico
T

Intervalo de Prediccin
0

= yT + (1-) yT-1 +(1-)2 yT-2 ++(1-)T-1 y1 + (1-)T

Para T=3: 2 3 3 = y3 + (1-) y2 + (1-) y1 + (1-) 0 Para T=4: 2 3 4 4 = y4 + (1-) y3 + (1-) y2 + (1-) y1 + (1-) 0 2 3 4 = y4 + (1-) {y3 + (1-) y2 + (1-) y1 + (1-) 0} 4 = y4 + (1-) 3

Generalizando:

= yT + (1-)

T-1 T

Pronstico puntual (T+h) = yT+h(T) =

Intervalo de prediccin del 95% en el perodo T para yT+h

p0 z .025 s 1 + h 1

( )

Ejemplos:
Si = 0 1 0.1 2 3 3 = 0.1y3 + (0.9)0.1y2 + (0.9) 0.1y1 + (0.9) 0.1 0.1y 0.09y 0.081y 0.0729 3 = 0 1y3 + 0 09y2 + 0 081y1 + 0 0729 0 Si = 0.9 09 = 0.9y3 + (0.1)0.9y2 + (0.1)20.9y1 + (0.1)30.9 3 0.9y 0.09y 0.009y 0.0009 3 = 0 9y3 + 0 09y2 + 0 009y1 + 0 0009 0
0

2SuavizacinExponencialDoble(HOLT)
Ecuaciones Suavizacin: [t+h] = a[t] + h*b[t] [t] Holt Aditivo
Tendencia

a[t]: suavizacin nivel b[t]: suavizacin tendencia h: perodos futuros a

a[t]

= (Y[t] ) + (1-) (a[t-1] + b[t-1]) = ( [ ] - a[t-1]) + (1-) b[ 1] (a[t] [ 1]) (1 ) b[t-1]

b[ ] b[t]

predecir

Parmetros Suavizacin: P t S i i : nivel : tendencia

Si =0, Suavizacin Exponencial

3SUAVIZACIONEXPONENCIALHOLTWINTERS(HW)
HW Aditivo
Tendencia Estacionalidad Constante

[t+h] = a[t] + h*b[t] + s[t+1+(h-1) mod p]

a[t] [] b[t] s[t] [t]

Ecuaciones Suavizacin:
a[t]: suavizacin global ( i l) [t] i i l b l (nivel) b[t]: suavizacin tendencia s[t]: suavizacin estacional p: longitud perodo estacional h: perodos futuros a predecir

=(Y[t] - s[t-p]) +(1-) (a[t-1] +b[t-1]) ( [ ] [ ]) ( ) ( [ ] b[ ]) = (a[t] - a[t-1]) + (1-) b[t-1] = g(Y[t] - a[t]) + (1-g) s[t-p] (Y[t] [t]) (1 ) [t ]

HW Multiplicativo
Tendencia Estacionalidad Creciente

[t+h] = ( [t] + h*b[t])*s[t+1+(h-1) mod p] (a[t] h*b[t])* [t+1+(h 1) d ] a[t] =(Y[t] / s[t-p]) +(1-) (a[t-1] +b[t-1]) b[t] = (a[t] - a[t-1]) + (1-) b[t-1] s[t] = g(Y[t] / a[t]) + (1-g) s[t-p]
Si =0, Suavizacin Exponencial Si =0, Modelo No Estacional
8

Parmetros Suavizacin: : nivel t d : tendencia i : estacional

SUAVIZACION EXPONENCIAL HOLT WINTERS

librera stats Uso de la funcin: HoltWinters() h.hw = HoltWinters(h, seasonal="additive")

HoltWinters(x,alpha=NULL,beta=NULL,gamma=NULL,seasonal= c(additive,multiplicative),start.periods=3,l.start=NULL,b.start= NULL,s.start=NULL,optim.start=c(alpha=0.3,beta=0.1,gamma=0.1), optim.control=list()) Argumentos de la Funcin HoltWinters

9

x alpha beta Gamma Seasonal start.periods i d l.Start b.Start s.Start

An object of class ts alpha parameter Holt-Winters Filter beta parameter HW. If beta=0, Exponential Smoothing (beta=0 gamma parameter used for the seasonal component. If set to 0, a non-seasonal model is fitted. (gamma=0 No Estacional) Character string to select an "additive or multiplicative" seasonal model. (Only if gamma is non-zero). Start periods used i the autodetection of start values. M S i d d in h d i f l Must b at l be least 3 3. Start value for level (a[0]). Start value for trend (b[0]). Vector of start values for the seasonal component ExSm)

DC4_HW.R

Observed / Fitted 320 340 360 320 340 360 1960

yco2

10
1960 1970 1970

Holt-Winters filtering g

Time 1980 1990

Time

1980 1990

season
-3 1960 1970 -1 1 2 3 0.06

trend
0.10 320

leve el
340 360 320

xhat
340 360 0

fitted(y)

Time

1980 1990

SUAVIZACION HOLT-WINTER
Ejemplo: Pasajeros Avin

SUAVIZACIONEXPONENCIAL UA I A IO E O E IA Ft+1 = Yt +(1)Ft=Ft+ (Yt Ft)=Ft+ (et)

Yt:valordeSTobservadaent Ft:PrediccindeSTpara t+1,realizadaent

##SUAVIZACIONEXPONENCIAL(beta=0,gamma=0) z=HoltWinters(yavion,gamma=0,beta=0) plot(yavion) 11 lines(fitted(z)[,1],col=3)

SUAVIZACIONEXPONENCIAL

Tendencia
No

Estacionalidad No

Suavizacin Exponencial
Simple Un Parmetro (alfa)
Doble(Brown,Holt) DosParmetros(alfa,beta) Holt Winters Tresparmetros(alfa,beta, gamma) )

Si

No

Si

Si

12

USO DE TECNICAS DE SUAVIZACION

Ejemplo: Pasajeros Avin

1.

Las tcnicas de medias mviles y de Suavizacin exponencial simple slo son utilizables en ST sin tendencia y sin estacionalidad. Para aplicar estas tcnicas a otras series es necesario haber eliminado previamente ambos componentes. Su aplicacin se centra en el corto plazo.

2.

La Suavizacin exponencial doble (Brown), suavizacin Holt-Winters con dos parmetros, y el ajuste de funciones matemticas, puede emplearse en series con tendencia, pero sin estacionalidad. Si se parte de una serie desestacionalizada, es necesario incorporar a las predicciones los factores de estacionalidad estacionalidad. El ajuste de funciones matemticas puede utilizarse para prediccin a medio plazo.

3.
13

La suavizacin exponencial Holt-Winters con tres parmetros puede aplicarse a series con tendencia y estacionalidad estacionalidad. Recomendable su utilizacin slo para prediccin a corto plazo.