Академический Документы
Профессиональный Документы
Культура Документы
El modelo de Holt-Winters
El modelo Holt-Winters incorpora un conjunto de procedimientos que conforman el nucleo de la familia de series temporales de alisado exponencial. A diferencia de muchas otras tcnicas, el modelo Holt-Winters puede adaptarse fcilmente a cambios y tendencias, as como a patrones estacionales. En comparacin con otras tcnicas, como ARIMA, el tiempo necesario para calcular el pronstico es considerablemente ms rpido. Esto significa que cualquier usuario con suficiente pero no necesariamente mucha experiencia puede poner en prctica la tcnica de Holt-Winters. Ms all de sus caractersticas tcnicas, su aplicacin en entornos de negocio es muy comn. De hecho, Holt-Winters se utiliza habitualmente por muchas compaas para pronosticar la demanda a corto plazo cuando los datos de venta contienen tendencias y patrones estacionales de un modo subyacente.
El actual nivel de ventas subyacente, que permanece tras haber desestacionalizado las ventas y haber restado el efecto de factores aleatorios. La tendencia actual que siguen las ventas. Es decir, el cambio en el nivel subyacente de ventas que esperamos suceda entre el momento actual y el prximo mes. Por ejemplo, si estimamos nuestro nivel actual en 500 unidades y esperamos
que sea de 505 unidades el siguiente mes, entonces nuestra tendencia estimada es de +5 unidades. El ndice estacional para el mes que estamos pronosticando. Si nuestra estimacin es 1.2, esto significa que esperamos que nuestras ventas este mes sean 20% por encima del nivel subyacente de dicho mes, mostrando as que nuestros productos se venden relativamente bien en ese momento del ao.
Un ejemplo real clarifica mucho ms este tipo de pronsticos. El siguiente video2 muestra cmo predecir el nmero de pedidos que una compaa recibir en los prximos 12 meses, poniendo en prtica los parmetros de Holt-Winters. Este tipo de anlisis predictivos son extremadamente tiles para las empresas, pues les permiten planificar su respuesta a un cambio experimentado por la demanda; por ejemplo, ampliando la plantilla o equipndose con mayores recursos.
La eleccin de la constante de alisado determina las caractersticas operativas del AES, ya que la rapidez con que se adaptan las predicciones a los posibles cambios experimentados por el valor de
a depende de . Si es grande (prximo a 1) el AES se adapta rpidamente a los cambios experimentados en el valor de a y, en consecuencia, deber escogerse un valor grande de cuando a es poco estable. Por el contrario, si la serie es muy estable, el valor de deber ser pequeo para conseguir eliminar al mximo las fluctuaciones aleatorias debidas al trmino de perturbacin y conseguir un mejor alisado.
Pronstico ex-post
Si existen ms valores del pasado de los que el sistema necesita o de los que se van a utilizar para la inicializacin del modelo (consulte "Nmero de valores del pasado" y "Perodos de inicializacin" en Parmetros de pronstico: Independiente del modelo de pronstico el sistema llevar a cabo un pronstico ex-post.Para ello, el sistema distribuye en dos grupos las series cronolgicas de los valores del pasado. El primer grupo, con los valores ms antiguos, se utiliza para la inicializacin. Para llevar a cabo un pronstico ex-post, el sistema utiliza el segundo grupo ya que es mejor adaptar los parmetros a los desarrollos ms recientes.
A veces puede ser til otorgar pesos o valores a los datos dependiendo de su relevancia para determinado estudio. En esos casos se puede utilizar una media ponderada. Si es un conjunto de datos o media muestral y son nmeros reales positivos, llamados "pesos" o factores de ponderacin, se define la media ponderada relativa a esos pesos como:
La media es invariante frente a transformaciones lineales, cambio de origen y escala, de las variables, es decir si X es una variable aleatoria e Y es otra variable aleatoria que depende linealmente de X, es decir, Y = aX + b (donde a representa la magnitud del cambio de escala y b la del cambio de origen) se tiene que: