Vous êtes sur la page 1sur 4

Suavización exponencial doble o ajustada - Holt

Si se tuviera que pronosticar un modelo con tendencia usando suavización exponencial


simple, el pronóstico tendría una reacción retrasada al crecimiento. Entonces, el
pronóstico tendría a subestimar la demanda real. Para corregir esto se puede estimar la
pendiente y multiplicar la estimación por el número de periodos futuros que se quieren
pronosticar.

Una simple estimación de la pendiente daría la diferencia entre las demandas en dos
periodos sucesivos; sin embargo, la variación aleatoria inherente hace que esta
estimación sea mala. Para reducir el efecto de aleatoriedad se puede usar la diferencia
entre los promedios calculados en dos periodos sucesivos. Usando suavización
exponencial, la estimación del promedio en T, es ST , de manera que la estimación de la
pendiente en el tiempo T

BT = (ST - ST-1)

Con esta idea una vez más, se puede usar suavizamiento exponencial para actualizar la
estimación de la tendencia, lo que lleva al suavizamiento exponencial doble,
representado por el siguiente conjunto de ecuaciones.

ST = α dT + (1- α) (ST-1 + BT-1)

BT = β (ST - ST-1) + (1- β) BT-1

FT+K = ST + k BT

El pronóstico para k periodos futuros consiste en la estimación de la pendiente más una


corrección por tendencia.

Debe elegirse uno de los dos parámetros α y β, para el suavizamiento exponencial


doble. Los comentarios sobre la elección de α en el suavizamiento exponencial simple
son válidos para ambos parámetros en este caso.

Para obtener un suavizamiento doble en el tiempo T, se necesitan los valores de ST-1 y


BT-1. Existen muchas formas de obtenerlos.

Procedimiento

Primero se dividen los datos en dos grupos iguales y se calcula el promedio de cada
uno. Este promedio se centra en el punto medio del intervalo; si hubiera 12 datos en el
grupo, el promedio estaría en 6.5

La diferencia entre los dos promedios es el cambio en la demanda respecto a la media


de cada conjunto de datos. Para convertir esta diferencia en una estimación de la
pendiente, se divide entre el número de periodos que separan los dos promedios.

Después, para obtener una estimación de la ordenada, se usa el promedio global y la


estimación de la pendiente por periodo multiplicados por el número de periodos a partir
del punto medio del periodo actual. Es más fácil entender este proceso usando un
ejemplo.

Los modelos de suavización exponencial ajustada tienen todas las ventajas de los
modelos de suavización exponencial simple; además, proyectan en el futuro (por
ejemplo para el periodo t + 1) agregando un incremento de corrección de tendencia Tt,
para el promedio suavizado del promedio suavizado del periodo presente F.

Ejemplo.

Desarrolle un pronóstico para las ventas de papel de computadora para los meses 25 y
30. Si la demanda del mes 25 es 259, actualice los parámetros y proporcione los
pronósticos para los meses 26 y 30.

Considere los datos de la siguiente tabla, que representa las ventas de papel de
computadora en cajas.

Mes Ventas Mes Ventas Mes Ventas


1 116 9 163 17 210
2 133 10 163 18 207
3 139 11 164 19 225
4 157 12 191 20 223
5 154 13 201 21 257
6 159 14 219 22 232
7 162 15 207 23 240
8 172 16 205 24 241

Primero se calculan los promedios de los meses 1 a 12 y 13 a 24.


Estos se muestran en la tabla.

Mes 1 2
1 116 201
2 133 219
3 139 207
4 157 205
5 154 210
6 159 207
7 162 225
8 172 223
9 163 257
10 163 232
11 164 240
12 191 241
Promedio 156.083333 222.25
Promedio global 189.166667

El incremento en las ventas promedio para el periodo de 12 meses es 222.25 – 156.08 =


66.17.

Al dividir este número entre doce se obtiene el incremento promedio por mes = 5.51

Así la estimación de la pendiente en el tiempo 24 será B24


= 5.51

Para obtener una estimación de la ordenada, se calcula el promedio global de los 24


datos como se ve en la tabla superior. Es 189.16.

Este promedio será centrado en el mes 12.5 (concepto de mediana en intervalos). Para
moverlo al tiempo actual se suma el ajuste por tendencia de 5.51 cajas por mes
multiplicado por (24-12.5).

La estimación de la ordenada es

S24 = 189.16 + 5.51 (24-12.5) = 252.52

Una vez que se tienen los valores iniciales, se pueden pronosticar periodos futuros. El
pronóstico para el periodo 25 es

F25 = S24 + 1 x B24 = 252.52 + 1 x 5.51 = 258

De manera similar, el pronóstico para el mes 30 es

F30 = 252.52 + 6 x B24 = 252.52 + 6 x 5.51 = 286

89.16 + 5.51 (24-12.5) = 252.52

Ahora se actualizan las estimaciones con α y β

α = 0.1 y β = 0.1

ST = α dT + (1- α) (ST-1 + BT-1)

S25 = α d25 + (1- α ) (S24 + B24)


S25 = 0.1 x d25 + (1- 0.1) (S24 + B24)

S25 = 0.1 x 258 + (1 – 0.1) x ( 252.52 + 5.51) = 258.09

La nueva estimación de la pendiente será

BT = β (ST - ST-1) + (1- β) BT-1

B25 = β (S25 - S24) + (1- β) B24

B25= 0.1 (258.09 - 258) + (1- 0.1) x 5.51 = 4.96

El pronóstico para el periodo 26 estará dado por:

FT+K = ST + k BT

F26 = 258.09 + 1 x 4.96 = 263.05

F30 = 258.09 + 5 x 4.96 = 282.89

Bibliografía

Sipper Daniel / Bulfin Robert L., Planeación y control de la producción, 1ª edición, 1ª


impresión, México D.F., Mc. Graw Hill, Junio 1999, pp. 132 -133.