2.1.

MEDICIÓN DEL ERROR EN EL PRONÓSTICO

Aunque generalmente X, o algún otro símbolo, identifica los valores observados reales
(históricos) de una variable, a menudo se utiliza un símbolo diferente para representar el
valor pronosticado de esa variable. En este trabajo los símbolos Ft+1 o 𝑌̂𝑡+1 se usarán para
denotar el valor de la predicción para el periodo de tiempo t+1. Como resumen de la relación
entre los valores observados y los valores pronosticados en una situación de series de
tiempo consúltese la siguiente tabla:

Tabla 1 Notación usada en los pronósticos de series de tiempo

Valores del pronóstico

Valores X1 X2 X3 X4 …… Xt-2 Xt-1 Xt Ft+1 Ft+2 Ft+3 …. Ft-1
Observados
Período i 1 2 3 4 …… t-2 t-1 t t+1 t+2 t+3 …. t+m

Presente
Valores 𝑌̂1 𝑌̂2 𝑌̂3 𝑌̂4 …… 𝑌𝑡−2 𝑌̂𝑡−1
̂ 𝑌̂𝑡 𝑌̂𝑡+1 𝑌̂𝑡+2 𝑌̂𝑡+3 …. 𝑌̂𝑡+𝑚
estimados
F1 F2 F3 F4 …… Ft-2 Ft-1 Ft
Valores del e1 e2 e3 e4 …… et-2 et-1 et
error

Los elementos de la notación mencionada se pueden mostrar utilizando la información de la

Tabla 2: Xi es el valor real de la serie de tiempo, Fi o 𝑌̂𝑖 es el valor pronosticado de la serie
temporal, y ei es el error, o la diferencia entre los valores reales (X i) y pronosticado (𝑌̂𝑖 ) de la
serie de tiempo en el periodo i.

El supuesto básico que está detrás del uso de cualquier técnica de predicción es que el valor
real observado será determinado por algún patrón más algunas influencias aleatorias.

Algebraicamente, esto se puede representar como

Lo real= el patrón + lo aleatorio

“El componente aleatorio mide la variabilidad de las series de tiempo después de que se
retiran los otros componentes o patrón. Contabiliza la variabilidad aleatoria en una serie de
tiempo ocasionada por factores imprevistos y no ocurrentes.

La mayoría de los componentes irregulares se conforman de variabilidad aleatoria. Sin

embargo, ciertos sucesos a veces impredecibles como huelgas, cambios de clima (sequías,
inundaciones o terremotos), elecciones, conflictos armados o la aprobación de asuntos
legislativos, pueden causar irregularidad en una variable.

A causa de que el mundo económico o empresarial no es determinístico, siempre estará

presente lo aleatorio. Esto significa que aun cuando el patrón promedio de los datos
subyacentes haya sido identificado, existirá cierta desviación entre los valores pronosticados
y los valores realmente observados.

Un objetivo común en la aplicación de técnicas de predicciones es minimizar tales

desviaciones o errores en los pronósticos. Dichos errores se definen como la diferencia entre
el valor real y lo que se ha pronosticado. Se pueden presentar como

1
 𝑒𝑖 = 𝑥𝑖 − 𝑌̂𝑖
El subíndice i indica que es el error del periodo de tiempo i el que se analiza. Como se
muestra en la tabla anterior, un valor del error se asocia con cada observación para la cual
existe tanto un valor real como un valor pronosticado.”1

2.1.1. DESVIACIÓN ABSOLUTA DE LA MEDIDA (MAD)

Un método para evaluar una técnica de pronóstico consiste en obtener la suma de los
errores absolutos. La Desviación Absoluta de la Media (MAD) mide la precisión de un
pronóstico mediante el promedio de la magnitud de los errores de pronóstico (valores
absolutos de cada error).

La MAD resulta de gran utilidad cuando el analista desea medir el error de pronóstico en las
mismas unidades de la serie original. La siguiente ecuación muestra como se calcula la
MAD:

∑𝑛𝑖=1|𝑒𝑖 |
𝑀𝐴𝐷 =
𝑛

2.1.2. ERROR MEDIO CUADRADO (EMC)

Otra técnica para evaluar una técnica de pronóstico es el Error Medio Cuadrado (EMC).
Cada error o residual se eleva al cuadrado; luego estos valores se suman y se divide entre el
número de observaciones. Este enfoque penaliza los errores mayores de pronósticos, ya que
eleva cada uno al cuadrado. Esto es importante pues en ocasiones pudiera ser preferible una
técnica que produzca errores moderados a otra que por lo regular tenga errores pequeños
pero que ocasionalmente arroje algunos en extremo grandes. La ecuación para el cálculo del
EMC, es la siguiente:
∑𝑛𝑖=1 𝑒𝑖2
𝐸𝑀𝐶 =
𝑛

2.1.3. PORCENTAJE DE ERROR MEDIO ABSOLUTO (PEMA)

“En ocasiones, resulta más útil calcular los errores de pronóstico en términos de porcentaje y
no de cantidades. El Porcentaje de Error Medio Absoluto (PEMA) se calcula encontrando el
error absoluto en cada periodo, dividiendo éste entre el valor real observado, para ese
periodo y después promediando estos errores absolutos de porcentaje.

Este enfoque es útil cuando el tamaño o magnitud de la variable de pronóstico es importante

en la evaluación de la precisión del pronóstico. El PEMA proporciona una indicación de que
tan grandes son los errores de pronóstico comparados con los valores reales de la serie.

1
Makridakis - Wheelwrigth, Métodos de pronóstico, México, D.F., Limusa, 1998, pp67-69

2
También se puede utilizar el PEMA para comparar la precisión de la misma u otra técnica
sobre dos series completamente diferentes. La siguiente ecuación muestra el cálculo del
PEMA:
∑𝑛
𝑖=1|𝑃𝐸𝑖 |
𝑃𝐸𝑀𝐴 = 𝑛

A veces resulta necesario determinar si un método de pronóstico está sesgado (pronóstico

consistentemente alto o bajo). En estos casos, se emplea el Porcentaje Medio de Error
(PME), que se calcula encontrando el error en cada periodo, dividiendo esto entre el valor
real de ese periodo y promediando después estos porcentajes de error.”2

2.1.4. PORCENTAJE DE ERROR MEDIO

Si un enfoque de pronóstico no está sesgado, la ecuación del PME producirá un porcentaje

cercano a cero. Si el resultado es un porcentaje negativo grande, el método de pronóstico
está sobrestimado de manera consistente. Si el resultado es un porcentaje positivo grande,
el método de pronóstico esta subestimado de forma consistente.

∑𝑛𝑖=1 𝑃𝐸𝑖
𝑃𝑀𝐸 =
𝑛
Una parte de la decisión para utilizar una técnica de pronóstico en particular es la
determinación de si la técnica producirá errores de predicción que se juzguen como
suficientemente pequeños. Es en este efecto realista esperar que una técnica produzca
errores de pronóstico relativamente bajos sobre una base consistente. Las cuatro mediciones
de precisión de un pronóstico que acabamos de describir se utilizan de la siguiente manera:

 La comparación de la precisión de dos técnicas diferentes.

 La medición de la utilidad o confiabilidad de una técnica.
 La búsqueda de una técnica óptima. 3

Tabla 2 Pasajeros transportados en 2007 de un corredor vial de Quito

(1) (2) (3) (4) (5) (6) (7)

Pronóstico Error Error Erros Error
Absoluto porcentual cuadrático
Pasajeros absoluto medio

i Xi Fi Xi-Fi |Xi-Fi| |(Xi- (Xi-Fi) 2

Fi)/Xi|*100
Enero 1 6,341 - - - -
Febrero 2 5,693 6,341 -648 648 11,4% 419,904
Marzo 3 6,508 5,693 815 815 12,5% 664,225

2
Makridakis - Wheelwrigth, Métodos de pronóstico, México, D.F., Limusa, 1998, pp63-74

Mahmoud, E., “The Evaluation of forecasts”, en S. Makridakis y S. Wheelwright, The Handbook of Forecasting,
2a. ed.,Wiley, Nueva York.

3
http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm consultada el 22/10/08

3
Abril 4 6,171 6,508 -337 337 5,5% 113,569
Mayo 5 6,562 6,171 391 391 6,0% 152,881
Junio 6 6,168 6,562 -394 394 6,4% 155,236
Julio 7 6,176 6,168 8 8 0,1% 64
Agosto 8 5,755 6,176 -421 421 7,3% 177,241
Septiembre 9 6,207 5,755 452 452 7,3% 204,304
Octubre 10 6,477 6,207 270 270 4,2% 72,900
Noviembre 11 6,360 6,477 -117 117 1,8% 13,689
Diciembre 12 6,263 6,360 -97 97 1,5% 9,409
Suma 74,683 -78 3,950 64,0% 1,983,422
MAD PEMA EMC
Media -7 359 6% 180,311

La tabla 3 presenta un conjunto de datos de demanda mensual del 2007 en millones de

pasajeros de un corredor de transporte masivo de la ciudad de Quito, que se utilizarán para
ejemplificar estas medidas de precisión. Como punto de partida, los pronósticos son muy
sencillos, los pasajeros del mes anterior se utilizan como predicción del siguiente mes.
Nótese que el promedio de la columna (4) sale muy bajo respecto a los valores que se
manejan esto ya que entre la suma de los errores los signos tienden a eliminar los valores
negativos a los positivos distorsionando la interpretación del error, por lo que para evitar este
problema se debe computar los errores absolutos y se observa lo que comúnmente se
conoce como la desviación absoluta media MAD (5).

El MAPE de la columna (6) es una medida relativa, y es por esto que algunas veces se
prefiere el error promedio o MAD como medida de precisión.

Otra medida de exactitud es el ECM que se obtiene en la columna (7) una diferencia entre
este y el MAD o el MAPE, es que el primero castiga mucho más a un pronóstico por
desviaciones extremas que por desviaciones pequeñas ya que la ECM eleva el error al
cuadrado de ahí la necesidad de minimizar el error cuadrado medio es decir es mejor que se
tengan varias desviaciones pequeñas a una desviación grande.

En conclusión, cualquier técnica de estimación debe evaluarse en términos de error. La

evaluación del error normalmente implica un diagnóstico gráfico, a fin de detectar valores
atípicos o zonas de errores con patrones recurrentes y la elaboración de alguna medida
resumen, preferentemente relativa. El análisis de los errores también nos permitirá evaluar la
capacidad del método de ajuste para la captación de puntos de cambio de tendencia.

El esquema a continuación muestra la clasificación de los modelos de series de tiempo que

se analizarán este capítulo.

4
 4.2Métodos de
suavizamiento.
4.1 Análisis •Métodos de promedio 4.3 Métodos de
Exploratorio de la •Métodos de Descomposición.
Serie suavizamiento

5
 4.1 ANÁLISIS EXPLORATORIO DE LAS SERIES DE TIEMPO.

Para iniciar con el estudio de la serie es necesario antes definir un software con el que se
pueda analizar los datos de demanda de pasajeros, para ello se han analizado varios
paquetes que actualmente muestran sus bondades en cuanto a predicciones se refiere. El
mercado presenta varias alternativas que fueron manejadas previamente, sin embargo el
análisis de este trabajo se realiza como base en el paquete SPSS versión 15 apoyado con
algunos cálculos de Excel y en algunos casos con el Minitab versión15.

El motivo de la selección de este software está fundamentado en dos razone, la primera es

utilizar recursos actuales que se encuentran inhabilitados en la empresa donde se aplicará el
estudio y la segunda es porque al desplegar análisis predictivos en sistemas operacionales
de primera línea tales como el SPSS que muestra ser un paquete amigable y ventajas
competitivas, se pueden cumplir los objetivos específicos de este trabajo.

Statistical Package for the Social Sciences (SPSS) es un programa estadístico informático
muy usado en las ciencias sociales y las empresas de investigación de mercado. Como
programa estadístico es muy popular su uso debido a la capacidad de trabajar con bases de
datos de gran tamaño.4 Aunque los procesos que rodean al análisis predictivo son
complicados, implantar una solución SPSS para el análisis predictivo no lo es.

En este sentido, los análisis que se presentan a continuación mostrarán los comandos
aplicados, las ventanas de instrucciones así como las salidas que la aplicación de cada
software devuelve para el análisis.

4.2 MODELO DE PREDICCIÓN CUANTITATIVO: MÉTODOS DE

SUAVIZAMIENTO

El interés se ha centrado en principio en estudiar los métodos de suavizamiento, pues bien,

estos métodos se clasifican como a continuación se muestra en la ilustración 26. En cada
uno de los modelos se analizarán tanto la parte matemática así como los errores que se
obtienen para cada caso.

Métodos de Promedio: Modelos no formales, promedios móviles, incrementos porcentuales

y ajustes a la curva son los modelos de series de tiempo más sencillos los cuales pueden ser
utilizados para generar pronósticos.

Estos modelos pueden ser implementados a través de hojas de cálculo rápidamente y no

requieren un conocimiento experto en estadística por parte del pronosticador, usualmente
estos modelos son muy simples y para tener mayor exactitud en el pronóstico las compañías
casi siempre deben acudir a modelos alternativos de series de tiempo.

Métodos de suavización exponencial: suavización exponencial es el método seleccionado

por la mayoría de empresas. Estos modelos se desempeñan bien en términos de exactitud,
son fáciles de aplicar y pueden ser automatizados, permitiendo ser utilizados a gran escala.

Los modelos de suavización exponencial capturan y pronostican el nivel de los datos con los
diferentes tipos de tendencias y patrones estacionales. Los modelos son adaptativos y

4
http://es.wikipedia.org/wiki/SPSS, consultada el 18 de marzo de 2009

6
pronostican dando mayor importancia o ponderación a los datos más recientes sobre los
datos más distantes en el pasado. 5

Los métodos que se encargan de estos análisis son los métodos de

suavizamiento simple en cuyo caso el patrón es horizontal, el método de Holt
cuando existe presencia del patrón de tendencia o el método de Winters el que
incluye los patrones de tendencia y estacionalidad.

5
http://www.dandoenelblanco.com/2008/07/modelos-de-series-de-tiempo-para-pron%C3%B3sticos-de-
demanda.html consultada el 10 de febrero de 2009.

7
Ilustración 1 Modelos de predicción mediante suavizamiento exponencial

8
4.2.1 MODELOS NO FORMALES:
t Yt Yt+1 et Estas técnicas suponen que los periodos recientes son los mejores
para pronosticar el futuro. El método más sencillo es el método del
1 42 último valor, a este pronóstico se le llama método ingenuo.
2 52 42 10
Pronóstico = último valor
3 54 52 2
4 65 54 11 4.2.2 MÉTODOS DE PROMEDIO
Si la serie contiene una aleatoriedad sustancial, un enfoque ingenuo producirá
predicciones que variarán considerablemente. Para eliminar dicha variabilidad, se podría
considerar el uso de algún tipo de promedio de los datos recientes observados. El método
de promedios móviles hace eso al tomar un conjunto de datos observados, encontrar su
promedio y luego utiliza tal promedio como un pronóstico del siguiente período. El término
promedio móvil se usa porque conforme cada nueva observación se encuentra disponible,
se puede calcular un nuevo promedio y utilizarlo como pronóstico. La aplicación de este
método se presenta a continuación.

∑(𝑛 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑟𝑒𝑐𝑖𝑒𝑛𝑡𝑒𝑠 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠)

𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑚ó𝑣𝑖𝑙 𝑠𝑖𝑚𝑝𝑙𝑒 =
𝑛

Predicción de la demanda de pasajeros un mes adelantado mediante promedio móviles.

Tabla 3 Cálculo del promedio Móvil de la demanda de pasajeros trimestral y pentamensual

(1) (2) (3) (4) (5)

2007 Demanda Promedio móvil Promedio móvil

Período Observada
Mes trimestral pentamensual

ENERO 1 6,341,394
(6,341,394+5,693,328+6,508,453)/3
FEBRERO 2 5,693,328

MARZO 3 6,508,453

ABRIL 4 6,170,858 6,181,058

MAYO 5 6,561,537 6,124,213

JUNIO 6 6,168,216 6,413,616 6,255,114

JULIO 7 6,176,497 6,300,204 6,220,478

AGOSTO 8 5,754,596 6,302,083 6,317,112

SEPTIEMBRE 9 6,207,238 6,033,103 6,166,341

OCTUBRE 10 6,477,329 6,046,110 6,173,617

ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009

NOVIEMBRE 11 6,360,097 6,146,388 6,156,775

DICIEMBRE 12 6,348,221 6,195,151

Diferencias 380,513 160,337

La tabla 4, muestra cómo la técnica de los promedios móviles se puede aplicar con un
promedio de tres y de cinco meses. La aplicación de este método de predicción se
muestra en la ilustración 27.

En esta figura se observan fácilmente dos de las características de los promedios móviles,
la primera es que antes de que cualquier pronóstico puede prepararse, se deben tener
tantas observaciones históricas como se necesiten y la segunda se refiere a que entre
más grande sea el número de observaciones incluidas en el promedio móvil, mayor será
el efecto de Suavizamiento en el pronóstico.

Al observar en los pronósticos tanto trimestral como pentamensual vemos que la

diferencia o rango es de 380,513 usuarios para el primer caso (6,413,616-6,033.103) en
cambio en el pronóstico pentamensual obtenemos casi la mitad de esa diferencia que es
de 160,337. Así aumentar el número de períodos incluidos en el promedio móvil tiene un
marcado efecto en el total de Suavizamiento realizado. Entre más grande el número,
mayor es el alcance del Suavizamiento, o más cerca se está del promedio de todos los
valores

6,800,000

6,600,000

6,400,000

6,200,000

6,000,000

5,800,000

5,600,000
OCTUBRE
FEBRERO

MARZO

ABRIL

MAYO

JULIO

NOVIEMBRE

DICIEMBRE
ENERO

SEPTIEMBRE
JUNIO

AGOSTO

Datos reales

Predicción con promedios móviles trimestral

Predicción con promedios móviles pentamensual

Ilustración 2 Gráfica de los pronósticos obtenidos mediante promedios móviles

10
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009

Para determinar si el promedio móvil trimestral o pentamensual es más apropiado para

pronosticar la demanda, es útil estimar el error en ambos pronósticos. La tabla 5 muestra
el error para cada predicción y calcula la desviación media absoluta (MAD) y el error
cuadrado medio (RMS) con propósitos de comparación. Ambas formas de medición de
error indican que el promedio móvil de cinco meses proporciona un mejor pronóstico que
el promedio móvil trimestral cuando se verifica con datos históricos al ser menores esos
errores.

Para entender mejor la técnica de los promedios móviles, se hace necesario considerar
brevemente la representación matemática de este método. En términos sencillos, la
técnica de predicción con promedios móviles se puede representar como sigue:

𝑋𝑡 +𝑋𝑡−1 +⋯……+𝑋𝑡−𝑁+1 1
𝐹𝑡+1 = 𝑆𝑡 = = ∑𝑡𝑖=𝑡−𝑁+1 𝑋𝑖 (a)
𝑁 𝑁
En donde
𝐹𝑡+1 = Pronóstico para el tiempo t+1
𝑆𝑡 = valor suavizado en el tiempo t
𝑋𝑖 = valor actual en el tiempo i
I = periodo de tiempo
N = número de valores incluidos en el promedio.

Tabla 4 Cálculo del los errores obtenidos mediante el método de promedios móviles

Promedio móvil trimestral Promedio móvil pentamensual

Demanda Demanda error error al Demanda error error al

Período error error
Observada Pronosticada absoluto cuadrado pronosticada absoluto cuadrado

1 6,341
2 5,693
3 6,508
4 6,171 6,181 10 10 104,047
5 6,562 6,124 -437 437 191,252,281
6 6,168 6,414 245 245 60,221,160 6,255 87 87 7,551,262
7 6,176 6,300 124 124 15,303,339 6,220 44 44 1,934,364
8 5,755 6,302 547 547 299,742,380 6,317 563 563 316,424,475
9 6,207 6,033 -174 174 30,322,998 6,166 -41 41 1,672,581
10 6,477 6,046 -431 431 185,949,538 6,174 -304 304 92,241,100
11 6,360 6,146 -214 214 45,671,679 6,157 -203 203 41,339,754
12 6,348 6,195
suma -330 2,183 828,567,423 0 145 1,241 461,163,537
media -41 273 103,570,928 0 18 155 57,645,442

11
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009

De la ecuación (a) se puede ver que en el método de los promedios móviles se da una
ponderación (o importancia) igual a cada uno de los último N valores de la serie, pero no
se asigna ponderación alguna a los valores observados antes de ese tiempo.

También se puede observar que para calcular el promedio móvil, se deben tener los
valores de las últimas N observaciones. Se puede desarrollar una forma más corta de la
ecuación (a) para calcular el promedio móvil. El pronóstico de promedio móvil para el
periodo t está dado por

𝑋𝑡−1 +𝑋𝑡−2 +⋯……+𝑋𝑡−𝑁

𝐹𝑡 = 𝑆𝑡 = (b)
𝑁
Esto significa que una vez que se tiene el pronóstico para el período t (es decir, F), se
puede obtener el pronóstico del periodo t+1 al sumar 𝑋𝑡 /𝑁 y restar 𝑋𝑡−𝑁 /𝑁.

El Valor de Ft+1 de la ecuación (a) se puede encontrar de manera alternativa como

𝑋𝑡 𝑋𝑡−𝑁
𝐹𝑡+1 = − + 𝐹𝑡 (c)
𝑁 𝑁

Escrita de esta forma, cada nuevo pronóstico basado en un promedio móvil es un ajuste
del pronóstico de promedio móvil precedente. Es, asimismo, fácil ver por qué el efecto del
Suavizamiento aumenta a medida que N se hace más grande: se está haciendo un ajuste
más pequeño entre cada pronóstico.

4.2.3 MODELOS DE SUAVIZAMIENTO EXPONENCIAL ÚNICOS.

Al menos dos limitaciones importantes de los promedios móviles han motivado a la

mayoría de los pronosticadores a aplicar en su lugar el método de Suavizamiento
exponencial. Primero, para calcular un pronóstico de promedio móvil es necesario
almacenar al menos N valores observados, lo que requiere espacio considerable si se
necesita pronosticar un número grande de elementos. Segundo, el método de promedios
móviles asigna una ponderación igual a cada una de las últimas N observaciones y
ninguna ponderación en absoluto a las observaciones anteriores al período (t-N).

Se puede plantear un fuerte argumento en el siguiente sentido: puesto que las

observaciones más recientes contienen la información más actualizada acerca de lo que
acontecerá en el futuro, se le debe asignar relativamente una mayor ponderación que a
las observaciones más antiguas. Lo deseable sería un esquema que asignara la
ponderación que asignara la ponderación mayor a los valores observados más recientes,
y ponderaciones decrecientes a los valores más antiguos. El Suavizamiento exponencial
satisface este requerimiento y elimina la necesidad de almacenar los valores históricos de
la variable.

En principio, el Suavizamiento exponencial funciona de manera análoga a los promedios

móviles al “suavizar” las observaciones históricas para eliminar lo estocástico. Sin
embargo, el procedimiento matemático para desempeñar dicho Suavizamiento es algo
diferente del utilizado en los promedios móviles. La técnica del Suavizamiento
exponencial se puede desarrollar empleando la ecuación (c) para calcular el promedio

12
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009

móvil. Supóngase que sólo se tiene disponible el valor observado más reciente y el
pronóstico hecho para el mismo periodo. En tal situación, la ecuación (c) podría
modificarse de forma tal que en lugar del valor observado en el periodo (t—N) se pudiese
empelar un valor aproximado. Una estimación razonable sería el valor del pronóstico del
periodo anterior. Así la ecuación (c) se modificaría para dar
𝑋𝑡 𝐹𝑡
𝐹𝑡+1 = − + 𝐹𝑡 (d)
𝑁 𝑁

Esta ecuación se puede escribir como

1 1
𝐹𝑡+1 = 𝑁
𝑋𝑡 + (1 − 𝑁) 𝐹𝑡 (e)

Lo que ahora se tiene es un pronóstico que pondera las observaciones más recientes con
una ponderación con valor de 1/N y al pronóstico más reciente con una ponderación con
valor de (1-1/N). Si sustituimos 1/N por el símbolo alfa se tiene

𝐹𝑡+1 = ∝ 𝑋𝑡 + (1−∝)𝐹𝑡 (f)

Esta ecuación es la forma general usada para calcular un pronóstico con el método del
Suavizamiento exponencial.

De esta ecuación se puede observar que el Suavizamiento exponencial también se

sobrepone a otra limitación de los promedios móviles en el sentido de que las
ponderaciones decrecientes se asignan a los valores observados más antiguos; es decir,
puesto que α es un número entre 0 y 1 (por lo que (1-α) es también un número entre 0 y
1), las ponderaciones α, α(1-α), α(1-α)2, etc., tienen valores decrecientes
exponencialmente. De aquí el nombre de Suavizamiento exponencial.

Una manera alternativa de escribir la ecuación (f) puede facilitar la comprensión del
Suavizamiento exponencial. Al reordenar los términos de la ecuación (f) se puede
obtener.

𝐹𝑡+1 = 𝐹𝑡 +∝ (𝑋𝑡 − 𝐹𝑡 ) o lo que es lo mismo que (g)

𝐹𝑡+1 = 𝐹𝑡 +∝ (𝑒𝑡 ) (h)

Por lo tanto, el efecto de una α grande o pequeña es análogo al efecto de incluir un

número pequeño o grande de observaciones al calcular un promedio móvil.

Utilizando los datos de la demanda de pasajeros, la ilustración 28 muestra como

mediante el uso del paquete SPSS se pueden obtener los resultados. El único aspecto
que debe recordarse es que para el primer periodo no está disponible ningún pronóstico
previo.

Analizar>Series temporales>Suavizamiento exponencial

Variables: Pasajeros_1
Modelo: Simple
Parámetros: General (Alfa)>Búsqueda de rejilla.
Aceptar>Aceptar

13
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009

Ilustración 3 Cálculo del modelo de predicción con el método simple con SPSS

Un valor grande de α (0.9) proporciona un Suavizamiento pequeño al pronóstico, mientras

que un valor pequeño de 𝛼 (0.1) proporciona un Suavizamiento considerable.

Un valor pequeño de α tiende a producir pronósticos que están más suavizados (o sea,
tienen menos fluctuación) que valores más grandes de α. Sin, embargo, para encontrar el
valor de α que genere los mejores pronósticos para los datos del pasado, se requiere
calcular el error cuadrado medio o la desviación absoluta media.

En nuestro análisis SPSS muestra los 10 valores del alfa calculados indicando la suma de
los errores cuadráticos, sobre el que podemos concluir que para 𝛼 = 0,00, el error es
menor, como muestra la tabla 6.
Tabla 5 Suma de los errores cuadráticos de la aplicación del Método simple

Sumas de los errores

Serie Rango del modelo Alpha (Nivel) cuadráticos
Pasajeros_1 1 .00000 4856,087,254,199.12000
2 .10000 5044909144667.69000
3 .20000 5363721301989.94000
4 .30000 5660141235867.19000
5 .40000 5914763276965.56000

14
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009

6 .50000 6122248837379.30000
7 .60000 6292367209369.67000
8 .70000 6444663320070.61000
9 .80000 6600432002495.73000
10 .90000 6777085518538.42000

Parámetros del suavizado

Serie Alpha (Nivel) Sumas de los errores cuadráticos gl error

Pasajeros_1 .00000 4856087254199.12000 1857
A continuación, se muestran los parámetros con las sumas menores de errores cuadráticos. Estos parámetros
se utilizan para pronosticar.

Para usar el Suavizamiento exponencial, solamente se necesita tener el valor observado

más reciente, el pronóstico más reciente y el valor de α. El empleo del Suavizamiento
exponencial único es fácil y económico, por que los programas de computadora pueden
encontrar automáticamente el mejor valor de α. En este caso vemos que el mejor α
calculado fue “0” por lo que analizando la ecuación para el cálculo del pronóstico:

𝐹𝑡+1 = 𝐹𝑡 +∝ (𝑒𝑡 ) (i)

Vemos que el término del error se anula, esto nos indica que siempre el valor del
pronóstico se convertirá en una constante lo que se ratifica en la Ilustración 29. La línea
proyectada verde inmediata al período de validación es el pronóstico realizado con este
método.
Tanto la técnica de Suavizamiento simple como los promedios móviles o el Suavizamiento
exponencial pueden utilizarse efectiva y económicamente cuando el patrón histórico de
los datos se puede considerar como horizontal. Sin embargo estas técnicas pueden no
ser efectivas al manejar tendencias o patrones estacionales, como es el caso de la
demanda bajo estudio, necesitándose desarrollar otras formas de Suavizamiento para
trabajar en tales situaciones, con el propósito de reducir considerablemente el error.

4.2.4 MODELOS DE SUAVIZAMIENTO EXPONENCIAL LINEAL (SUAVIZAMIENTO

EXPONENCIAL DOBLE DE HOLT)

El Suavizamiento exponencial único es teóricamente apropiado para cuando la serie

presenta un patrón horizontal, es decir no tiene tendencia. Si el Suavizamiento
exponencial único se usa con una serie de datos que contenga una tendencia consistente,
los pronósticos irán a la zaga (se retrasarán) de la tendencia. El método de Suavizamiento
lineal evita tal problema al reconocer explícitamente y tomar en consideración la presencia
de una tendencia.

Cuando una serie de tiempo presenta alguna tendencia, ya sea creciente o decreciente,
se puede utilizar el suavizamiento de Holt que permite estimar por separado el valor
suavizado de la serie y el cambio en la tendencia a través del tiempo. La ilustración 31
muestra cuál es procedimiento en SPSS para el cálculo de este método.

15
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009

Analizar>Series temporales>Suavizamiento exponencial

Variables: Pasajeros_1
Modelo: Holt
Parámetros: General (Alfa)>Búsqueda de rejilla.
Tendencia (Gamma)>Búsqueda de rejilla
Aceptar>Aceptar

Ilustración 4 Cálculo del modelo de predicción con el Método de suavizamiento de Holt con SPSS

Para utilizar el método de Holt se requieren dos constantes de suavizamiento, α que es la

constante de suavizamiento para el nivel de la serie y β la constante de suavizamiento
para la tendencia de la serie. Estas dos constantes deben estar entre cero y uno. Para
obtener el mejor ajuste se obtienen estimaciones con diferentes valores de alpha y beta y
la combinación adecuada es la que produzca una menor media absoluta de los errores
(MAE) o una menor media absoluta del porcentaje de error (MAPE) .6
Los valores de las estimaciones iniciales son:

S1= X1
T1 = X2 - X1
Las proyecciones o pronósticos se obtienen con las siguientes ecuaciones:

6
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030006/lecciones/capitulocinco/5_2_4.html
consultada el 20 de febrero de 2009.

16
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009

𝑇𝑡= 𝛽(𝑆𝑡 − 𝑆𝑡−1 ) + (1 − 𝛽)𝑇𝑡−1 (j)

𝑆𝑡 = 𝛼𝑋𝑡 + (1 − 𝛼 )(𝑆𝑡−1 + 𝑇𝑡−1 ) (k)

𝐹𝑡+𝑚 = 𝑆𝑡 + 𝑇𝑡 𝑚 (l)
Donde:

𝑆𝑡 equivalente del valor suavizado exponencial único

𝛽 coeficiente de suavizamiento, análogo a α
𝑇𝑡 tendencia suavizada en la serie de datos.
m número de períodos a pronosticar 1,2,3…………

Con la ecuación (j) podemos ver que la tendencia más reciente, (𝑆𝑡 − 𝑆𝑡−1 ) está
ponderada por β y la última tendencia suavizada, 𝑇𝑡−1, está ponderada por (1-β). La suma
de estos valores ponderados es el nuevo valor de la tendencia suavizada. Para nuestro
caso β es Gamma como lo nombra SPSS y vemos que el mejor valor encontrado es “0” lo
que implica que sólo la última tendencia será la que utilicemos.

SPSS realiza los cálculos utilizando estas ecuaciones, la tabla 7 muestra la corrida de
este método en el que se obtuvo los siguientes resultados:

Tabla 6 Descripción de resultados del Modelo de suavizamiento de Holt en SPSS

Descripción del modelo

Nombre del modelo MOD_4

Serie 1 Pasajeros Corregido
Modelo de Holt Tendencia Lineal
Estacionalidad Ninguno

Estado de suavizado inicial

Pasajeros_1
Nivel 67657.91096
Tendencia 44.17808

Sumas menores de los errores cuadráticos

Gamma
Serie Rango del modelo Alpha (Nivel) (Tendencia) Sumas de los errores cuadráticos
Pasajeros_1 1 .10000 .00000 3746909207855.35100
2 .20000 .00000 3956162450628.50300
3 .10000 .20000 4011466788585.11100
4 .30000 .00000 4167556892296.53200
5 .10000 .40000 4319389211935.85000
6 .40000 .00000 4350890080592.53700

17
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009

7 .20000 .20000 4369386411192.39700

8 .50000 .00000 4499296398596.58600
9 .60000 .00000 4619126559500.59000
10 .10000 .60000 4621629497052.09000

Parámetros del suavizado

Gamma
Serie Alpha (Nivel) (Tendencia) Sumas de los errores cuadráticos gl error
Pasajeros_1 .10000 .00000 3746909207855.35100 1459
A continuación, se muestran los parámetros con las sumas menores de errores cuadráticos. Estos parámetros
se utilizan para pronosticar.

La primera tabla resume los datos del modelo ejecutado en donde explica que la
tendencia aplicada es la lineal y que no hay presencia de estacionalidad.

La tabla de sumas menores de los errores cuadráticos son resultado de las 10 iteraciones
que realiza el paquete en búsqueda de la menor suma de cuadrados de los errores.

Vemos de la tabla de parámetros del suavizado que aún el error sigue siendo alto para los
parámetros óptimos encontrados por el SPSS, en donde debemos tomar en cuenta que el
paquete renombra como parámetro de nivel a alpha y en el caso de la tendencia que
utilizamos para el desarrollo teórico beta a gamma.

Con respecto a la ecuación (k) la única diferencia entre ésta y la forma anterior con
respecto al suavizamiento exponencial único ecuación (f), es el término adicional 𝑇𝑡−1 que
se suma a 𝑆𝑡−1 para ajustar los valores suavizados del patrón tendencial en la serie de
datos.

Se observa que el valor S se actualiza primero, y luego se actualiza la tendencia T y para

obtener un pronóstico se deben sumar el componente tendencial al valor suavizado
básico para el número de periodos adelantados que se va a pronosticar, como se indica
en la ecuación (l). La ilustración 32 muestra el cálculo para la predicción en la serie de
pasajeros transportados. Observe que la predicción presenta un crecimiento lineal con
tendencia, sin embargo el comportamiento de los datos históricos nos hace concluir que el
futuro no se esperaría tenga presente este patrón. Observe la línea verde de la
predicción.

La diferencia con el método anterior es que se tomó en cuenta la tendencia multiplicada

por el período lo que nos resultó una ecuación lineal con tendencia como pronóstico, sin
embargo la periodicidad aún no es analizada y es por tal razón necesitamos buscar un
método que nos permita mejorar el modelo de predicción por ello a continuación
analizamos un método en el que toma ya en cuenta este hecho.

Los residuales de un ajuste deben siempre distribuirse aleatoriamente, sin ninguna

apreciable dirección. Si los residuales de algún modelo mostrasen algún patrón, el modelo

18
ULSA M. A. : PRONÓSTICO DE LA DEMANDA P. Reyes / agosto 2009

sería inadecuado. Los residuales de la ilustración 33 no muestran una gran variabilidad lo

que revalidan la necesidad de ajustar el modelo.

19