6.4.

Introduccin al Anlisis de Series

Temporales
Traduccin: Rolando Lemus Gmez

Los
mtodos de
series de
tiempo
toman en
cuenta la
estructura
interna
posible en
los datos

Los datos de series de tiempo a menudo arriban cuando se

monitorean procesos industriales o se rastrean mtricas de las
compaas comerciales. La diferencia esencial entre
modelacin de datos va mtodos de series temporales o
usando los mtodos de monitoreo de procesos es la siguiente:
El anlisis de series temporales considera el hecho que los
datos tomados en el tiempo tienen una estructura interna (tal
como autocorrelacin, tendencia o variacin estacional) que
debera ser considerada.
Esta seccin dar un breve visin global de algunas de las
tcnicas usadas ms ampliamente en el rico y rpidamente
campo creciente del anlisis y modelacin de series
temporales.

Contenidos
de esta
seccin

Las reas cubiertas son:

1. Definiciones, aplicaciones y tcnicas
2. Qu son las Tcnicas de Medias Mviles y Suavizado?
1. Media Mvil Simple
2. Media Mvil Centrada
3. Qu es el Suavizado Exponencial?
1. Suavizado Exponencial Simple
2. Pronstico con Suavizado Exponencial Simple
3. Suavizado Exponencial Doble
4. Pronstico con Suavizado Exponencial Doble
5. Suavizado Exponencial Triple
6. Ejemplo de Suavizado Exponencial Triple
7. Resumen de Suavizado Exponencial

6.4.1. Definiciones, Aplicaciones y Tcnicas

Definicin

Definicin de Series Temporales: Una secuencia

ordenada de valores de una variable en intervalos de
tiempo igualmente espaciados.

Las series
temporales
ocurren
frecuentemente
cuando
miramos datos
industriales

Aplicaciones: El uso de las series temporales es doble:

Obtener un entendimiento de las fuerzas

subyacentes y estructura que produce los datos
observados.
Ajustar un modelo y proceder a pronosticar,
monitorear e incluso retroalimentar y mejorar el
control.

El anlisis de series temporales es usado en muchas

aplicaciones tales como:

Pronsticos Econmicos
Pronsticos de Ventas
Anlisis Presupuestario
Anlisis de Inventario de Mercados
Proyecciones de Rendimiento
Control y Calidad de Procesos
Estudios de Inventarios
Proyecciones de Carga de Trabajo
Estudios de Utilidad
Anlisis de Censos

Y muchas, muchas ms
Hay muchos
mtodos
usados para
modelar y
pronosticar
series
temporales

Tcnicas: El ajuste de modelos de series temporales puede

ser una tarea ambiciosa. Hay muchos mtodos de ajuste de
modelos incluyendo los siguientes:

Modelos Box-Jenkins ARIMA

Modelos Multivariantes Box-Jenkins
Suavizado Exponencial Holt-Winters
doble, triple)

(simple,

Las preferencias y aplicaciones de los usuarios decidirn la

seleccin de la tcnica apropiada. Ms all del dominio e
intencin de los autores de este manual de cubrir todos
estos mtodos. La visin presentada aqu comenzar

mirando algunas tcnicas bsicas de suavizado:

Mtodos de Promedios

Tcnicas de Suavizado Exponencial.

6.4.2. Qu son las Tcnicas Medias Mviles o

Suavizado?
El suavizado
de datos
remueve
variaciones
aleatorias y
muestra las
componentes
tendencias y
ciclo

Inherente en la recoleccin de datos tomados en el tiempo est

alguna forma de variacin aleatoria. Existen mtodos para
reducir el efecto debido a variacin aleatoria. Una tcnica
usada a menudo en la industria es el suavizado". Esta tcnica,
cuando es aplicada apropiadamente, revela ms claramente las
componentes subyacentes de tendencia, estacional y cclica.
Hay dos grupos distintos de mtodos de suavizado

Tomar el
promedio es
la manera
ms simple de
suavizar los
datos

Mtodos de Promedios
Mtodos de Suavizado Exponencial

Primero investigaremos algunos mtodos de promedios, tales

como el promedio simple de todos los datos pasados.
Un gerente de un almacn quiere conocer cuntas unidades
entrega un tpico proveedor en $1000. El/ella toma una muestra
de 12 proveedores, aleatoriamente, obteniendo los resultados
siguiente:
Proveedor Cantidad Proveedor Cantidad
1
9
7
11
2
8
8
7
3
9
9
13
4
12
10
9
5
9
11
11
6
12
12
10
La media o promedio calculada de los datos = 10. El gerente
decide usar esta como la estimacin para el gasto de un
proveedor tpico.

Es esta una buena o mala estimacin?

El error
cuadrtico
medio es una
manera de
juzgar que
tan bueno es
el modelo

Calculamos el "error cuadrtico medio":

MSE resulta
para el
ejemplo

Los resultados son:

El "error" = cantidad verdadera gastada menos la

cantidad estimada.
El "cuadrado del error" es el error de arriba, al
cuadrado.
El "SSE" es la suma de los errores al cuadrado.
El "MSE" es la media de de los errores al cuadrado.

Error y Errores al Cuadrado

La estimacin = 10
Proveedor $

Error
Error Cuadrado

1
9
-1
2
8
-2
3
9
-1
4
12
2
5
9
-1
6
12
2
7
11
1
8
7
-3
9
13
3
10
9
-1
11
11
1
12
10
0
El SSE = 36 y el MSE = 36/12 = 3.
Tabla
resultados
MSE para el
ejemplo
usando
estimaciones
diferentes

1
4
1
4
1
4
1
9
9
1
1
0

As que tan Buena fue la estimacin de la cantidad gastada

para cada proveedor? Comparemos la estimacin (10) con las
estimaciones siguientes: 7, 9, y 12. Eso es, estimamos que cada
proveedor gastara $7, o $9 o $12.
Efectuando los mismos clculos llegamos a:

Estimacin 7
SSE
MSE

144
12

10

12

48
4

36
3

84
7

El estimador con el ms pequeo MSE es el mejor. Puede

demostrarse matemticamente que el estimador que minimiza
la MSE para un conjunto de datos aleatorios es la media.
La tabla
muestra los
errores al
cuadrado
para la media
de los datos
de la muestra

Luego examinaremos la media para ver que tan bien predice el

ingreso neto en el tiempo.
La tabla siguiente da el ingreso antes del impuesto de un
fabricante de PC entre 1985 y 1994.

Ao

$
(millones) Media

Error

Error
Cuadrado

1985
1986
1987
1988
1989
1990
1991
1992
1993
1994

46.163
46.998
47.816
48.311
48.758
49.164
49.548
48.915
50.315
50.768

-2.613
-1.778
-0.960
-0.465
-0.018
0.388
0.772
1.139
1.539
1.992

6.828
3.161
0.922
0.216
0.000
0.151
0.596
1.297
2.369
3.968

48.776
48.776
48.776
48.776
48.776
48.776
48.776
48.776
48.776
48.776

El MSE = 1.9508.
La media no
es un buen
estimador
cuando hay
tendencias

La pregunta que surge: podemos usar la media para pronostica

el ingreso si sospechamos una tendencia? Observando el
grfico de abajo se muestra claramente que no deberamos
hacer esto.

El promedio
pondera
todas las
observaciones
pasadas
igualmente

En resumen, declaramos eso

1. La media simple o promedio de todas las
observaciones pasadas es solamente una estimacin
para pronosticar cuando no hay tendencias. Si hay
tendencias, usar diferentes estimaciones que tomen en
consideracin la tendencia.
2. La media pondera todas las observaciones pasadas
igualmente. Por ejemplo, la media de los valores 3, 4, 5
es 4. Sabemos, por supuesto, que un promedio es
calculada al agregar todas los valores y dividir la suma
por el nmero de valores. Otra manera de calcular la
media es agregar cada valor dividido por el nmero de
valores, o
3/3 + 4/3 + 5/3 = 1 + 1.3333 + 1.6667 = 4.
El multiplicador 1/3 es llamado ponderacin. En
general:

Las
son las ponderaciones y por supuesto ellas
suman 1.

6.4.2.1. Promedio Mvil Simple

Tomar un
promedio
mvil es
un proceso
de
suavizado

Una manera alternativa para resumir los datos pasados es

calcular la media de conjuntos sucesivos ms pequeos de
nmeros de datos pasados como sigue:
Rellamando el conjunto de nmeros 9, 8, 9, 12, 9, 12, 11, 7, 13,
9, 11, 10 los cuales fueron la cantidad dlares de 12
proveedores seleccionados aleatoriamente. Denotemos M el
conjunto, el tamao del conjunto ms pequeo es igual a 3.
Luego el promedio de los 3 primeros nmeros es: (9 + 8 + 9) /
3 = 8.667.
Esto es llamado suavizado (i.e., alguna forma de promedio).
Este proceso de suavizado es continuado avanzando un periodo
y calculando el promedio siguiente de tres nmeros,
eliminando el primer nmero.

Ejemplo
de
promedio
mvil

La tabla siguiente resume el proceso, el cual es referido como

Promedio Mvil. La expresin general para el promedio mvil
es
Mt = [ Xt + Xt-1 + ... + Xt-N+1] / N

Resultados de Promedio Mvil

Proveedores $ MA
1
2
3
4
5
6
7
8
9
10
11
12

Error Cuadrado
del Error

9
8
9 8.667 0.333 0.111
12 9.667 2.333 5.444
9 10.000 -1.000 1.000
12 11.000 1.000 1.000
11 10.667 0.333 0.111
7 10.000 -3.000 9.000
13 10.333 2.667 7.111
9 9.667 -0.667 0.444
11 11.000 0
0
10 10.000 0
0

El MSE = 2.018 comparado a 3 en el caso previo.

6.4.2.2. Promedio Mvil Centrado

Cuando
calculamos
un promedio
mvil
corriente,
colocar el
promedio en
el periodo de
tiempo medio
hace sentido

En el ejemplo previo calculamos el promedio de los

primeros tres periodos de tiempo y es colocado al lado del
periodo 3. Deberamos colocar el promedio en medio del
intervalo de tiempo de tres periodos, es decir, al lado del
periodo 2. Esto trabaja bien con periodos de tiempo impares,
pero no es bueno para periodos de tiempo par. As dnde
colocaramos la primera media mvil cuando M = 4?
Tcnicamente, los promedios mviles caera en t = 2.5, 3.5,
...
Para evitar este problema suavizamos las medias mviles
usando M = 2. Luego suavizamos los valores suavizados!

Si
promediamos
un nmero
par de
trminos,
necesitamos
suavizar los
valores
suavizados

La siguiente tabla muestra los resultados usando M = 4.

Pasos Provisionales
Periodo Valor MA Centrada
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
6
6.5
7

9
8
9.5
9

9.5
9.5

12

10.0
10.5

10.750
11.0

12
9

Tabla final

Esta es la tabla final:

Periodo Valor MA Centrada
1
2
3
4
5
6
7

9
8
9
12
9
12
11

9.5
10.0
10.75

Doble Promedio Mvil para un Proceso de

Tendencia Lineal
Los
promedios
mviles
todava son
no hbiles
para
manejar
tendencias
significativas
cuando se
hacen
pronsticos

Desafortunadamente, ni la media de todos los datos ni el

promedio mvil de los ms recientes M valores, cuando son
usados como pronsticos para el siguiente periodo, pueden
cubrir con una tendencia significativa.
All existe una variacin sobre el procedimiento MA que a
menudo no es un trabajo mejor de tendencia manejable. Es
llamada Doble Promedio Mvil para un Proceso de
Tendencia Lineal. Calcula unos segundos promedios mviles
de los promedios mviles originales, usando los mismos
valores de M. Tan pronto como ambos promedios mviles
simple y doble estan disponibles, una rutina de clculo usa
estos promedios para calcular un intercepto y pendiente, y
luego pronostica uno o ms periodos hacia adelante.

6.4.3. Qu es Suavizado Exponencial?

Esquemas de
suavizado
Exponencial
ponderan las
observaciones
pasadas
usando
decrecimiento
exponencial

Este es un esquema muy popular para producir una serie

temporal suavizada. Mientras que en los Promedios Mviles
Simples las observaciones pasadas son ponderadas
igualmente, el Suavizado Exponencial asigna ponderaciones
exponenciales decrecientes como la observacin envejece.
En otras palabras, a las observaciones recientes son dadas
ms ponderacin relativamente en pronsticos que las
observaciones ms viejas.
En el caso de los promedios mviles, las ponderaciones
asignadas a las observaciones son las mismas y son iguales
a 1/N. En el suavizado exponencial, sin embargo, hay uno o
ms parmetros de suavizado a ser determinados (o
estimados) y estas selecciones determinan las ponderaciones
asignadas a las observaciones.
Suavizado Exponencial Simple, doble y triple ser descrito
en esta seccin.

6.4.3.1. Suavizado Exponencial Simple

El suavizado
exponencial
simple pondera
las observaciones
pasadas con
ponderaciones
decrecientes
exponencialmente
para pronosticar
valores futuros

Este esquema de suavizado comienza por colocar S2 a y1,

donde Si posiciona para la observacin suavizada or EWMA,
y y posiciona para la observacin original. El subndice se
refiere a los periodos de tiempo, 1, 2, ..., n. Para el tercer
periodo, S3 = y2 + (1- ) S2; y as sucesivamente. No hay S1;
la serie suavizada comienza con la versin suavizada de la
segunda observacin.
Para cualquier periodo de tiempo t, el valor suavizado St es
encontrado al calcular

Esta es la ecuacin bsica del suavizado exponencial y la

constante o parmetro
es llamada la constante de
suavizado.

Nota: Hay una aproximacin alternativa para el suavizado

exponencial que reemplaza yt-1 en la ecuacin bsica con yt,
la observacin actual. Esa formulacin, debida a Roberts
(1959), es descrita en la seccin sobre cuadros de control
EWMA. La formulacin aqu sigue Hunter (1986).
Poniendo el primer EWMA
El primer
pronstico es
muy importante

El EWMA inicial juega un papel importante en el clculo de

todos los EWMA subsecuentes. Poniendo S2 a y1 es un
mtodo de inicializacin. Otra manera es ponerlo al objetivo
del proceso.
Todava otra posibilidad sera promediar las primeras cuatro
o cinco observaciones.
Y puede ser mostrado que el ms pequeo valor de , el ms
importante es la seleccin del EWMA inicial. El usuario sera
sabio al probar unos mtodos, (asumiendo que el software los
tiene disponible) antes de finalizar la situacin.
Por qu es llamado "Exponencial"?

Extender
Ecuacin bsica

Expandiendo la ecuacin bsica pero sustituyendo primero

para St-1 en la ecuacin bsica para obtener
St = yt-1 + (1- ) [ yt-2 + (1- ) St-2 ]
= yt-1 + (1- ) yt-2 + (1- )2 St-2

Resumir frmula
para la ecuacin
bsica

Al sustituir para St-2, luego para St-3, y etc., hasta que

alcanzamos S2 (el cual es justamente y1), puede ser mostrado
que la ecuacin expandida puede ser escrita como:

Ecuacin
expandida para
S5

Por ejemplo, la ecuacin expandida para el valor suavizado

S5 es:

Ilustrar la
conducta
exponencial

Esto ilustra la conducta exponencial. Las ponderaciones,

(1- ) t decrecen geomtricamente, y su suma es la unidad
como se muestra abajo, usando una propiedad de series
geomtricas:

Procedente de la frmula vemos que el trmino de la

sumatoria muestra que la contribucin del valor suavizado St
llega ser menos en cada periodo de tiempo consecutivo.
Ejemplo para
= .3

Sea = .3. Observar que las ponderaciones (1- ) t

decrecen exponencialmente (geomtricamente) con el
tiempo.
Valor ponderacin
ltima

y1
y2
y3
y4

.2100
.1470
.1029
.0720

Cul es el valor mejor para ?

Cmo
seleccionar
el parmetro
de
ponderacin?

La velocidad con la cual las respuestas ms viejas son

amortiguadas (suavizadas) es una funcin del valor de .
Cuando
esta cercana a 1, la amortiguacin es rpida y
cuando esta cercana a 0, la amortiguacin es lenta. Esto es
ilustrado en la tabla de abajo:
---------------> hacia las observaciones pasadas
(1- )
(1- ) 2
(1- ) 3
(1- ) 4
.9
.5
.1

.1
.5
.9

.01
.25
.81

Se selecciona el valor mejor para

el MSE ms pequeo.
Ejemplo

.001
.125
.729

.0001
.0625
.6561

de tal manera resulte en

Ilustremos este principio con un ejemplo. Considerar el

siguiente conjunto de datos consistiendo de 12
observaciones tomadas en el tiempo:

Tiempo yt
1
2
3
4
5
6
7
8
9
10
11
12

71
70
69
68
64
65
72
78
75
75
75
70

S(
=.1) Error

71
70.9
70.71
70.44
69.80
69.32
69.58
70.43
70.88
71.29
71.67

-1.00
-1.90
-2.71
-6.44
-4.80
2.68
8.42
4.57
4.12
3.71
-1.67

Cuadrado del
Error

1.00
3.61
7.34
41.47
23.04
7.18
70.90
20.88
16.97
13.76
2.79

La suma de los cuadrados de los errores (SSE) = 208.94. La

media de los cuadrados de los errores (MSE) es la SSE /11 =
19.0.
Calcular
para
diferentes
valores de

La MSE fue otra vez calculada para = .5 y result ser

16.29, as en este caso preferiramos un de .5. Se puede
mejorar? Aplicaramos el mtodo de prueba ensayo y error.
Esto es un procedimiento interactivo comenzando con rango
de entre .1 y .9. Determinamos la seleccin inicial mejor
para
y luego investigamos entre y +
.
Repetiramos esto tal vez una o ms veces para encontrar el
mejor con 3 lugares decimales.

Optimizacin
no lineal
puede ser
usada

Pero hay mtodos de investigacin mejores, tales como el

procedimiento Marquardt. Este es una optimizacin no lineal
que minimiza la suma de cuadrados de los residuales. En
general, la mayora de programas de software estadstico
bien diseados deben ser capaces de encontrar el valor de
que minimiza el MSE.

grfica de la
muestra
presenta
datso
suavizados
para 2
valores de

6.4.3.3. Suavizado Exponencial Doble

El suavizado
exponencial
doble usa
dos
parmetros
y es mejor al
manejar
tendencias

Como fue observado previamente, el Suavizado Simple no es

excelente en seguir los datos cuando hay una tendencia. Esta
situacin puede ser mejorada introduciendo una segunda
ecuacin con una segunda constante, , la cual debe ser
seleccionada en conjuncin con .
Aqu estn las dos ecuaciones asociadas con el Suavizado
Exponencial Doble:

Notar que el valor actual de la serie es usado para calcular su

valor suavizado reemplazado en el suavizado exponencial
doble.

Valores Iniciales
Mtodos
Diferentes
para
seleccionar
los valores
iniciales

Como en el caso del suavizado simple, hay una variedad de

esquemas para colocar los valores iniciales para St y bt en el
suavizado doble.
S1 es en general puesto a y1. Aqu hay tres sugerencias para
b1 :
b1 = y2 - y1
b1 = [(y2 - y1) + (y3 - y2) + (y4 - y3)]/3
b1 = (yn - y1)/(n - 1)
Comentarios

Significacin
de las
ecuaciones
de suavizado

La primera ecuacin de suavizado ajusta St directamente para

la tendencia del periodo previo, bt-1, agregndola al ltimo
valor suavizado, St-1. Esto ayuda a eliminar el rezago y trae St
a la base apropiada del valor actual.
La segunda ecuacin de suavizado entonces actualiza la

tendencia la tendencia, la cual es expresada como la

diferencia entre los dos ltimos valores. La ecuacin es
similar a la forma bsica de suavizado simple, pero aqu
aplicada a la actualizacin de la tendencia.
Las tcnicas
de
optimizacin
pueden ser
usadas

Los valores para y pueden ser obtenidos va tcnicas de

optimizacin no lineal, tales como el Algoritmo Marquardt.

6.4.3.4. Pronstico con Suavizado Exponencial

Doble (LASP)
Frmula de
Pronsticos

El pronstico de un periodo hacia adelante viene dada por:

Ft+1 = St + bt
El pronstico de m periodos hacia adelante viene dado por:
Ft+m = St + mbt
Ejemplo

Ejemplo

Considerar una vez ms el conjunto de datos:

6.4, 5.6, 7.8, 8.8, 11, 11.6, 16.7, 15.3, 21.6, 22.4.
Ahora ajustamos un modelo de suavizado doble con = .3623
y = 1.0. Estas son las estimaciones que resultan en el MSE
ms bajo posible cuando comparamos la serie original a un
pronstico de un paso hacia adelante en el tiempo (puesto que
esta versin de suavizado exponencial doble usa el valor
actual de la serie para calcular un valor suavizado, la serie
suavizada no puede ser usada para determinar un
con
mnimo MSE). Los valores de inicio seleccionados son S1 = y1
= 6.4 y b1 = ((y2 - y1) + (y3 - y2) + (y4 - y3))/3 = 0.8.
Por motivo de comparacin tambin ajustamos un modelo de
suavizado simple con = 0.977 (este resulta del MSE ms
bajo para el suavizado exponencial simple).
El MSE para el suavizado doble es 3.7024.
El MSE para el suavizado simple es 8.8867.

Pronsticos

Los resultados suavizados para el ejemplo son are:

que resultan
para el
ejemplo

Datos Doble
6.4
5.6
7.8
8.8
11.0
11.6
16.7
15.3
21.6
22.4

Simple

6.4
6.6 (pronstico = 7.2) 6.4
7.2 (pronstico = 6.8) 5.6
8.1 (pronstico = 7.8) 7.8
9.8 (pronstico = 9.1) 8.8
11.5 (pronstico = 11.4) 10.9
14.5 (pronstico = 13.2) 11.6
16.7 (pronstico = 17.4) 16.6
19.9 (pronstico = 18.9) 15.3
22.8 (pronstico = 23.1) 21.5

Comparacin de Pronsticos
La tabla
presenta los
pronsticos
de suavizado
exponencial
simple y
doble

Para ver cmo cada mtodo predice los valores futuros,

calculamos los cinco primeros pronsticos de las ltimas
observaciones como sigue:
Periodo Simple Doble

Comparando
los grficos
de
pronsticos
de suavizado
exponencial
simple y
doble

Una grfica de estos resultados (usando los valores

pronosticados de suavizado doble) es muy ilustrativo.

11
12
13
14
15

22.4
22.4
22.4
22.4
22.4

25.8
28.7
31.7
34.6
37.6

Esta grfica indica que el suavizado doble sigue los datos

mucho ms cerca que el suavizado simple. Por otra parte, para
pronsticos de suavizado simple no puede hacer que mejore la
proyeccin de una lnea recta horizontal, lo cual no es muy
probable que ocurra en la realidad. As en este caso el
suavizado doble es preferido.
Grfica de
comparacin
de
pronsticos
de suavizado
exponencial
doble y
regresin

Finalmente, comparemos el suavizado doble y la regresin

lineal:

Esta es una imagen interesante. Ambas tcnicas siguen los

datos en forma similar, pero la regresin lineal es ms
conservadora. Es decir, hay un incremento ms bajo que con
el suavizado doble.

La seleccin
de la tcnica
depende del
pronosticador

La seleccin de la tcnica depende del pronosticador. Si es

deseado retratar el crecimiento del proceso de una manera
ms agresiva, entonces uno selecciona el suavizado doble. En
otro caso, la regresin puede ser preferible. Debera notarse
que en regresin lineal el tiempo funciona como es la
variable independiente.

6.4.3.5. Suavizado Exponencial Triple

Qu sucede si los datos presentan tendencia y estacionalidad?
Para manejar
estacionalidad,
tenemos que
agregar una
tercer
parmetro

En este caso el suavizado doble no trabajar. Introducimos ahora

una tercera ecuacin para cuidarnos de la estacionalidad (algunas
veces llamada periodicidad). La resultante de poner las
ecuaciones es llamado el mtodo "Holt-Winters" (HW) debido a
los nombres de los inventores.
La ecuaciones bsicas para su mtodo son dadas por:

Donde

y es la observacin
S es la observacin suavizada
b es el factor de tendencia
I es el ndice de estacionalidad
F es el pronstico en m periodos hacia adelante
t es un ndice denotando un periodo de tiempo

, , y son las constantes deben ser estimadas de tal manera

que el MSE de los errores es minimizado. Esto es mejor dejarlo a
un buen software estadstico.
Necesidad de
estacionalidad
completa

Para inicializar el mtodo HW necesitamos al menos unos datos

de estacin completa para determinar estimaciones iniciales de los
ndices estacionales I t-L.

L periodos en
una estacin

Unos datos de estacin completa consiste de L periodos. Y

necesitamos estimar el factor de la tendencia de un periodo al
siguiente. Para lograr esto, es aconsejable usar dos estaciones
completas; eso es, 2L periodos.

Valores iniciales para el factor de tendencia

Cmo
conseguir
estimaciones
iniciales para
los parmetros
de tendencia y
estacionalidad

La formula general para estimar la tendencia inicial esta dada por

Valores iniciales para los ndices estacionales

Como veremos en el ejemplo, trabajamos con los datos que
consisten de 6 aos con 4 periodos (eso es, 4 trimestres) por ao.
Entonces
Paso 1:
calcular
promedios
anuales

Paso 1: Calcular el promedio de cada uno de los 6 aos

Paso 2:
dividir por
promedios
anuales

Paso 2: Dividir las observaciones por el promedio anual

apropiado
1
2
3
4
5
6
y1/A1
y2/A1
y3/A1
y4/A1

Paso 3: formar
ndices
estacionales

y5/A2 y9/A3
y6/A2 y10/A3
y7/A2 y11/A3
y8/A2 y12/A3

y13/A4
y14/A4
y15/A4
y16/A4

y17/A5
y18/A5
y19/A5
y20/A5

y21/A6
y22/A6
y23/A6
y24/A6

Paso 3: Ahora los ndices estacionales estn formados por el

clculo del promedio de cada fila. Luego los ndices estacionales
iniciales (simblicamente) son:
I1 = ( y1/A1 + y5/A2 + y9/A3 + y13/A4 + y17/A5 + y21/A6)/6
I2 = ( y2/A1 + y6/A2 + y10/A3 + y14/A4 + y18/A5 + y22/A6)/6
I3 = ( y3/A1 + y7/A2 + y11/A3 + y15/A4 + y19/A5 + y22/A6)/6
I4 = ( y4/A1 + y8/A2 + y12/A3 + y16/A4 + y20/A5 + y24/A6)/6
Ahora conocemos el algebra detrs del clculo de las
estimaciones iniciales.
La siguiente pgina contiene un ejemplo de suavizado
exponencial triple.

El caso de coeficientes cero

Coeficientes
cero para los
parmetros de
tendencia y
estacionalidad

Algunas veces sucede que un programa computacional para el

suavizado exponencial triple da la salida final de coeficiente para
tendencia ( ) o estacionalidad ( ) de cero. O peor, ambos son
resultados cero!
Indica esto que no hay tendencia y/o no estacionalidad?
Por supuesto que no! Solamente significa que los valores
iniciales para tendencia y/o estacionalidad fueron correctos en el
dinero. Ninguna actualizacin era necesaria para llegar al MSE
ms bajo posible. Debemos inspeccionar las frmulas de
actualizacin para verificar esto.

6.4.3.6. Ejemplo de Suavizado Exponencial Triple

Ejemplo
comparando
suavizado
exponencial
simple, doble y
triple
La tabla
presenta los
datos para el
ejemplo

Este ejemplo presenta comparaciones de suavizado exponencial

simple, doble y triple para un conjunto de datos.
El conjunto de datos siguiente representa 24 observaciones.
Estos son seis aos de datos trimestrales (cada ao = 4
trimestres).
Trimestre Periodo Ventas
90

91

92

1
2
3
4
1
2
3
4
1
2
3
4

1
2
3
4
5
6
7
8
9
10
11
12

362
385
432
341
382
409
498
387
473
513
582
474

Trimestre Periodo Ventas

93

94

95

1
2
3
4
1
2
3
4
1
2
3
4

13
14
15
16
17
18
19
20
21
22
23
24

544
582
681
557
628
707
773
592
627
725
854
661

Grfica de
datos con
pronsticos
exponenciales
simple, doble y
triple

Serie Temporal Actual con pronsticos

Grfica de
datos con
pronsticos
exponenciales
triple
Comparaciones
de los MSE

Comparaciones de los MSE

MSE demanda tendencia estacionalidad
6906
5054
936
520

.4694
.1086
1.000
.7556

1.000
0.000

1.000
.9837

Los coeficientes actualizados fueron seleccionados por un

programa de computacin de tal manera que el MSE para cada

uno de los mtodos fue minimizado.
Ejemplo de clculo de la Tendencia Inicial
Clculo de la
tendencia
inicial

El conjunto de datos consiste de datos de ventas trimestrales. La

estacin es un ao y puesto que hay 4 trimestres por ao, L = 4.
Usando la frmula obtenemos:

Ejemplo de clculo de los ndices Estacionales Iniciales

Tabla de
ndices
estacionales
iniciales

1
2
3
4

362
385
432
341

382
409
498
387

473
513
582
474

544
582
681
557

628
707
773
592

627
725
854
661

380 419

510.5

591 675

716.75

En este ejemplo usamos los 6 aos completes de datos. Otro

esquema puede usar solamente 3, o algn otro nmero de aos.
Hay tambin un nmero de maneras de calcular las
estimaciones iniciales.

6.4.3.7. Resumen Suavizado Exponencial

Resumen
El suavizado
exponencial
ha
comprobado
ser una
tcnica til

El suavizado exponencial ha comprobado a travs de los

aos ser muy til en muchas situaciones de pronsticos. Fue
sugerido primero por C.C. Holt en 1957 y fue significativo
para ser usado en series temporales no estacionales que no
muestran tendencia. El ofreci un procedimiento ms tarde
(1958) que maneja tendencias. Winters (1965) generaliz el
mtodo para incluir estacionalidad, de ah el nombre
"Mtodo Holt-Winters".

Holt-Winters
tienen 3
ecuaciones
de
actualizacin

El Mtodo Holt-Winters tiene 3 ecuaciones actualizadas,

cada una con una constante que va de 0 a 1. Las ecuaciones
estn pensadas para dar ms ponderacin a las observaciones
recientes y menos ponderacin a las observaciones ms all
en el pasado.
Estas ponderaciones estn decreciendo geomtricamente a
una razn constante.
El procedimiento HW puede hacerse totalmente automtico
por software de usuario amigable.