Sunteți pe pagina 1din 6

Un matemático, como un pintor o un poeta, es un fabricante de modelos.

Si sus modelos son más duraderos que los de estos últimos, es


debido a que están hechos de ideas. Los modelos del matemático, como los del pintor o los del poeta deben ser hermosos. La belleza es la
primera prueba; no hay lugar permanente en el mundo para unas matemáticas feas.
Godfrey Harold Hardy (1877-1947), matemático británico

ACTIVIDAD:

Antes de iniciar el siguiente método detengámonos practicando los métodos de Brown y de Holt, para
eso necesitamos el archivo de Excel que está en el BLOG.

SUAVIZAMIENTO EXPONENCIAL AJUSTADO A LA TENDENCIA Y A LA


VARIACIÓN ESTACIONAL: MÉTODO DE WINTERS

Otra forma útil de suavizamiento la desarrolló Winters a principios de la década de 1960. Este
método genera resultados semejantes a los del suavizamiento exponencial ajustado a la
tendencia, pero tiene la ventaja extra de ser capaz de manejar datos estacionales junto con
datos que tengan una tendencia. El método de Winters se basa en tres ecuaciones, cada una
de las cuales suaviza un factor asociado a cada uno de los tres componentes del patrón
(aleatoriedad, tendencia y estacionalidad). En este aspecto es semejante al suavizamiento
exponencial con tendencia, el cual suaviza lo aleatorio y ajusta lo tendencial. Sin embargo, el
método de Winters incluye un parámetro adicional para manejar la estacionalidad, esta
estimación está dada por un índice estacional y se calcula con la ecuación (c), la cual muestra
que la estimación del índice estacional (Yt/At) se multiplica por, se suma después a la
estimación estacional anterior (St-L), multiplicada por (1-). La razónYtse divide entreAtpara
expresar el valor en forma de índice en vez de hacerlo en términos absolutos, de modo que
pueda promediarse con el índice estacional suavizado al periodot-L.

1. La serie exponencial suavizada

Yt  (1 )( At1
At    Tt 1 )
St L ........... (a)
Pronóstico
s II

Ajusta la estacionalidad,
elimina efectos
estacionales que
pudieran existir en el valor
original Yt
2. la estimación de la tendencia

Tt  ( At  At 1 )  (1   )Tt 1 .......... (b)

3. La estimación de la estacionalidad

Yt
St    (1  )S t L
At .......... (c)

4. El pronóstico de p periodos en el futuro

Ft  p  ( At  pTt )S t  L p .......... (d)


Pronóstico
s II

Este índice ajusta el


pronóstico a la
estacionalidad

En donde:
At = nuevo valor suavizado
 = constante de atenuación de los datos (0≤ α ≤1)
Yt = nueva observación o valor real de la serie, en el periodot
 = constante de atenuación de la estimación de la tendencia (0≤ β ≤ 1)
Tt = Estimación de la tendencia
 = constante de atenuación de la estimación de la estacionalidad (0≤ ≤ 1)
St = estimación de la estacionalidad
p = periodos a pronosticar en el futuro
L = duración de la estacionalidad(por ejemplo, número de meses
o trimestres en un año)
Ft+p = pronóstico de p periodos en el futuro

La ecuación (a) actualiza la serie suavizada. Una pequeña diferencia de esta ecuación la
distingue de la correspondiente At Yt  (1   )( At 1  Tt 1 ) en el modelo de Holt. En la
ecuación (a), Yt se divide St-L, lo cual ajusta Yt a la estacionalidad, eliminando así los efectos
estacionales que pudieran existir en el dato original Yt.

Después de suavizar la estimación de la estacionalidad y la estimación de la tendencia en las


ecuaciones (b) y (c), se obtuvo el pronóstico con la ecuación (d). Ésta es casi la misma que la

fórmula correspondiente, Yˆt  p  At  pTt , que se emplea para obtener el pronóstico en el


método de Holt. La diferencia estriba en que esta estimación para un periodo t+p, se multiplica
St-L+p. Este índice estacional es el último disponible, de ahí que se utilice para ajustar el
pronóstico a la estacionalidad.

La ecuación de St es comparable a un índice estacional. Dicho índice se calcula como la razón


del valor actual de la serie Yt dividido entre el valor suavizado actual de la serie At. Si Yt es
mayor que At, la razón será mayor que 1. Si es menor que At, la razón será menor que 1. Para
entender este método y la función del índice estacional, S, es importante darse cuenta que At
es un valor (promedio) suavizado de la serie que incluye tendencia pero no estacionalidad. Los
valores de los datos Yt, por otro lado, contienen estacionalidad. Así, la razón (Yt/At) dice algo
acerca del nivel de estacionalidad de los datos. Recuerde que Yt es el valor actual de los datos
Pronóstico
s II
que contiene estacionalidad, en tanto que At está suavizado y no la contiene. Sin embargo, la
estacionalidad en cada periodo no es perfecta. Contiene aleatoriedad, por lo cual debe ser
suavizada o promediada para eliminar tal aleatoriedad.

Para suavizar dicha estacionalidad, la ecuación de S pondera el factor estacional recientemente


calculado (Yt/At) con  y el número estacional más reciente que corresponde a la misma
estación St-L con (1-)

La ecuación de Tt suaviza la tendencia pues pondera dicha tendencia incremental (At-At-1) con
 y el valor tendencial previo Tt-1con (1-).Esto se hace exactamente de la misma forma que
en el suavizamiento con tendencia. En la ecuación (a) del valor suavizado de At, el primer
término se divide entre el factor estacional Tt-L. Esto se hace para desestacionalizar (eliminar
las fluctuaciones estacionales) Yt. Este ajuste se puede ejemplificar al considerar el caso
cuando Tt-L es mayor que 1, lo que ocurre cuando el valor de S en el periodo t-L es mayor que
el promedio de su estacionalidad. Al dividir Yt entre St-L se tiene un valor que es menor que el
valor original por un por ciento precisamente igual a la cantidad en que la estacionalidad del
periodo t-L era mayor que el promedio. El ajuste opuesto ocurre cuando el factor de
estacionalidad es menor que 1. El valor St-L se utiliza en estos cálculos porque St no se puede
calcular hasta que se conoce At

Finalmente la predicción basada en el método de Winters se calcula como

Yˆt  p  ( At  pTt )S t  L p
Pronóstico
s II

Uno de los problemas que acompañan el uso del método de Winters consiste en determinar
los valores de ,  y  que minimizarán el error medio cuadrado (EMC) o la desviación absoluta
media (DAM). El enfoque para realizar esto es el de ensayo y error.

Ejemplo: Considere los datos de la siguiente tabla:

Año Trim. t Yt

1 1 3017.6
2 2 3043.5
88
3 3 2094.4
4 4 2809.8
1 5 3274.8
2 6 3163.3
89
3 7 2114.3
4 8 3024.6
1 9 3327.5
2 10 3493.5
90
3 11 2439.9
4 12 3490.8
1 13 3685.1
2 14 3661.2
91
3 15 2378.4
4 16 3459.6

Solución: Respecto a los valores iniciales: El valor inicial suavizado, al igual que Holt, se puede
tomar el primer valor de la serie real. El valor inicial de la tendencia se considera igual
a cero. Las estimaciones de estacionalidad se pueden calcular para datos anteriores
mediante la descomposición de la serie de tiempo, o en su defecto considerarla igual
a 1.

El valor de  es similar al del modelo de suavizamiento exponencial simple y los datos


para eliminar la aleatoriedad. La constante de atenuación  es similar a alfa, salvo
que esta suaviza la tendencia en los datos. La constante de atenuación  es parecida
a alfa y a beta, con excepción de que atenúa la estacionalidad de los datos .

Considere los siguientes datos iniciales:

= 0.19 A1 = 3017.60
= 0.12 T1= 0
= 0.9 S1 = 1
Pronóstico
s II

1. La serie exponencialmente suavizada


Y
At   t  (1   )( At1  Tt 1 )
St  L

Y2 2
A  0.19  (1  0.19)( A1  T1 )
1.0

A2 
2. La estimación de la tendencia
Tt   ( At  At 1 )  (1   )Tt 1
T2  0.12( A2  A1 )  (1  0.12)T1
T2 
3. La estimación de la estacionalidad
Y
St   t  (1   )S t  L
At

Y2
S  0.9  (1  0.9)1.0
2
A2

S2 
4. El pronóstico de p periodos en el futuro
Yˆt  p  ( At  pTt )St  L  p

Yˆ17  ( ( )*( )* ( ) 

Norma Hernández
Hernández
4
0

S-ar putea să vă placă și