Suavizado Exponencial Doble

Resumen Estadístico

Alfa, Beta RMSE RMSE

0.00, 0.00 11.712 0.60, 0.60 0.303
0.10, 0.10 4.729 0.70, 0.70 0.210
0.20, 0.20 1.840 0.80, 0.80 0.136
0.30, 0.30 1.000 0.90, 0.90 0.069
0.40, 0.40 0.633 1.00, 1.00 0.000
0.50, 0.50 0.432

El análisis se llevó a cabo con alfa = 1.0000, y Beta = 1.0000

Resumen del Análisis de Series de Tiempo

El método de suavizado exponencial doble se utiliza cuando los datos muestran una tendencia pero no una estacionalidad. Este modelo no es apropiado cuando se
quieren predecir datos transversales. El suavizado exponencial doble aplica una suavización simple dos veces, una vez para los datos originales, y luego para los
resultados del suavizado simple de los datos. Una ponderación alfa como parámetro se utiliza en el primer suavizado o el simple (SES) mientras una ponderación
beta como parámetro se utiliza en el segundo o suavizado exponencial doble (SED), un valor bajo de beta otorga menos peso a las tendencias más recientes y un
valor elevado de beta le otorga un mayor peso a estas tendencias . Este acercamiento es muy útil cuando los datos son históricos y no estacionarios. El programa
encuentra los parámetros óptimos para alfa y beta automáticamente a través de un proceso de optimización que minimiza los errores de pronóstico.

La prueba que mejor se ajusta para el pronóstico del promedio móvil simple es la media de la raíz cuadrada de los errores al cuadrado (RMSE - Root Mean Squared
Error). La RMSE calcula la raíz cuadrada de la desviación al cuadrado promedio de los valores ajustados contra los datos actuales.

El Error Cuadrático Medio (MSE - Mead Squared Error) es una medida de error absoluto que ajusta los errores (la diferencia entre los datos históricos y los datos del
pronóstico ajustados pronosticados por el modelo) para prevenir que los errores positivos y negativos se cancelen entre sí. Esta medida también tiende a exagerar
errores grandes ponderándolos con mayor importancia que los errores pequeños, cuadrándolos, lo cual puede ayudar cuando se comparan diferentes modelos de
series de tiempo. El Error de la Media al Cuadrado (RMSE) es la raíz cuadrada del MSE y es la medida más popular de error, también conocida como función de
perdida cuadrática. El RMSE puede definirse como el promedio de los valores absolutos de los errores del pronóstico y es muy apropiado cuando el costo de los
errores del pronóstico es proporcional al tamaño absoluto del error del pronóstico. El RMSE se utiliza como un criterio de selección para el mejor ajuste de modelos
de series de tiempo.

El Porcentaje de la Media del Error Absoluto (MAPE - Mean Absolute Percentage Error ) es una medida estadística de error relativo, como un porcentaje promedio del
error de los datos históricos y es más apropiado cuando el costo de los errores del pronóstico tiene una relación más cercana al porcentaje del error que a un valor
numérico de error. Finalmente, una medida asociada es la estadística de la U de Theil, la cual mide la credibilidad del pronóstico del modelo. Es decir, si la estadística
de la U de Theil es menor a 1.0, entonces el método utilizado para el pronóstico proporciona un estimado que es estadísticamente mejor que adivinar.

Periodo Real Pronóstico Ajustado Medidas de Error

1 1.00 RMSE 0.0000
2 2.00 MSE 0.0000
3 3.00 3.00 MAD 0.0000
4 4.00 4.00 MAPE 0.00%
5 5.00 5.00 U de Theil 0.0000
6 6.00 6.00
7 7.00 7.00
8 8.00 8.00
9 9.00 9.00
10 10.00 10.00
11 11.00 11.00
12 12.00 12.00
13 13.00 13.00
14 14.00 14.00
15 15.00 15.00
16 16.00 16.00
17 17.00 17.00
18 18.00 18.00
19 19.00 19.00
20 20.00 20.00
Pronóstico21 21.00
Pronóstico22 22.00
Pronóstico23 23.00
Pronóstico24 24.00
Pronóstico25 25.00
 Metodologías

El Mejor Modelo: Suavizado Exponencial Doble Segundo Mejor Modelo: Promedio Móvil Doble
Alfa 1.0000 2
Beta 1.0000 RMSE 1.0000
RMSE 0.0000 MSE 1.0000
MSE 0.0000 MAD 1.0000
MAD 0.0000 MAPE 9.47%
MAPE 0.00% U de Theil 1.0000
U de Theil 0.0000

Tercero Mejor Modelo: Suavizado Exponencial Simple Cuarto Mejor Modelo: Promedio Móvil Simple
Alfa 1.0000 2
RMSE 1.0000 RMSE 1.5000
MSE 1.0000 MSE 2.2500
MAD 1.0000 MAD 1.5000
MAPE 13.67% MAPE 17.48%
U de Theil 1.0000 U de Theil 1.5000

Quinto Mejor Modelo: Aditivo de Holt-Winter Sexto Mejor Modelo: Aditivo Estacional
Alfa 0.4760 Alfa 0.7697
Beta 0.1813 Gamma 1.0000
Gamma 1.0000 Estacionalidad 7
Estacionalidad 7 RMSE 2.5980
RMSE 2.4651 MSE 6.7497
MSE 6.0769 MAD 1.3986
MAD 1.8112 MAPE 12.97%
MAPE 16.44% U de Theil 3.4552
U de Theil 3.5039

Séptimo Mejor Modelo: Multiplicativo de Holt-Winter Octavo Mejor Modelo: Multiplicativo Estacional
Alfa 0.0498 Alfa 0.1486
Beta 0.2566 Gamma 1.0000
Gamma 1.0000 Estacionalidad 7
Estacionalidad 7 RMSE 4.3224
RMSE 3.2511 MSE 18.6835
MSE 10.5696 MAD 3.8775
MAD 2.3959 MAPE 30.30%
MAPE 23.05% U de Theil 4.6195
U de Theil 4.5049
 Suavizado Exponencial Doble

Resumen Estadístico

Alfa, Beta RMSE RMSE

0.00, 0.00 11.023 0.60, 0.60 10.658
0.10, 0.10 8.973 0.70, 0.70 10.920
0.20, 0.20 9.634 0.80, 0.80 11.171
0.30, 0.30 9.888 0.90, 0.90 11.377
0.40, 0.40 10.024 1.00, 1.00 11.631
0.50, 0.50 10.358

El análisis se llevó a cabo con alfa = 1.0000, y Beta = 0.0001

Resumen del Análisis de Series de Tiempo

El método de suavizado exponencial doble se utiliza cuando los datos muestran una tendencia pero no una estacionalidad. Este modelo no es apropiado cuando se
quieren predecir datos transversales. El suavizado exponencial doble aplica una suavización simple dos veces, una vez para los datos originales, y luego para los
resultados del suavizado simple de los datos. Una ponderación alfa como parámetro se utiliza en el primer suavizado o el simple (SES) mientras una ponderación beta
como parámetro se utiliza en el segundo o suavizado exponencial doble (SED), un valor bajo de beta otorga menos peso a las tendencias más recientes y un valor
elevado de beta le otorga un mayor peso a estas tendencias . Este acercamiento es muy útil cuando los datos son históricos y no estacionarios. El programa encuentra
los parámetros óptimos para alfa y beta automáticamente a través de un proceso de optimización que minimiza los errores de pronóstico.

La prueba que mejor se ajusta para el pronóstico del promedio móvil simple es la media de la raíz cuadrada de los errores al cuadrado (RMSE - Root Mean Squared
Error). La RMSE calcula la raíz cuadrada de la desviación al cuadrado promedio de los valores ajustados contra los datos actuales.

El Error Cuadrático Medio (MSE - Mead Squared Error) es una medida de error absoluto que ajusta los errores (la diferencia entre los datos históricos y los datos del
pronóstico ajustados pronosticados por el modelo) para prevenir que los errores positivos y negativos se cancelen entre sí. Esta medida también tiende a exagerar
errores grandes ponderándolos con mayor importancia que los errores pequeños, cuadrándolos, lo cual puede ayudar cuando se comparan diferentes modelos de
series de tiempo. El Error de la Media al Cuadrado (RMSE) es la raíz cuadrada del MSE y es la medida más popular de error, también conocida como función de
perdida cuadrática. El RMSE puede definirse como el promedio de los valores absolutos de los errores del pronóstico y es muy apropiado cuando el costo de los
errores del pronóstico es proporcional al tamaño absoluto del error del pronóstico. El RMSE se utiliza como un criterio de selección para el mejor ajuste de modelos de
series de tiempo.

El Porcentaje de la Media del Error Absoluto (MAPE - Mean Absolute Percentage Error ) es una medida estadística de error relativo, como un porcentaje promedio del
error de los datos históricos y es más apropiado cuando el costo de los errores del pronóstico tiene una relación más cercana al porcentaje del error que a un valor
numérico de error. Finalmente, una medida asociada es la estadística de la U de Theil, la cual mide la credibilidad del pronóstico del modelo. Es decir, si la estadística
de la U de Theil es menor a 1.0, entonces el método utilizado para el pronóstico proporciona un estimado que es estadísticamente mejor que adivinar.

Periodo Real Pronóstico Ajustado Medidas de Error

1 72.00 RMSE 8.1687
2 58.00 MSE 66.7284
3 50.00 58.00 MAD 6.0560
4 52.00 50.00 MAPE 9.62%
5 70.00 52.00 U de Theil 1.0001
6 79.00 70.00
7 61.00 79.00
8 65.00 61.00
9 66.00 65.00
10 64.00 66.00
11 62.00 64.00
12 68.00 62.00
13 69.00 68.00
14 72.00 69.00
15 69.00 72.00
16 70.00 69.00
17 75.00 70.00
18 60.00 75.00
19 52.00 60.00
20 55.00 52.00
Pronóstico21 55.00
Pronóstico22 55.00
Pronóstico23 54.99
Pronóstico24 54.99
Pronóstico25 54.99
 Suavizado Exponencial Doble

Resumen Estadístico

Alfa, Beta RMSE RMSE

0.00, 0.00 11.712 0.60, 0.60 0.303
0.10, 0.10 4.729 0.70, 0.70 0.210
0.20, 0.20 1.840 0.80, 0.80 0.136
0.30, 0.30 1.000 0.90, 0.90 0.069
0.40, 0.40 0.633 1.00, 1.00 0.000
0.50, 0.50 0.432

El análisis se llevó a cabo con alfa = 1.0000, y Beta = 1.0000

Resumen del Análisis de Series de Tiempo

El método de suavizado exponencial doble se utiliza cuando los datos muestran una tendencia pero no una estacionalidad. Este modelo no es apropiado cuando se
quieren predecir datos transversales. El suavizado exponencial doble aplica una suavización simple dos veces, una vez para los datos originales, y luego para los
resultados del suavizado simple de los datos. Una ponderación alfa como parámetro se utiliza en el primer suavizado o el simple (SES) mientras una ponderación
beta como parámetro se utiliza en el segundo o suavizado exponencial doble (SED), un valor bajo de beta otorga menos peso a las tendencias más recientes y un
valor elevado de beta le otorga un mayor peso a estas tendencias . Este acercamiento es muy útil cuando los datos son históricos y no estacionarios. El programa
encuentra los parámetros óptimos para alfa y beta automáticamente a través de un proceso de optimización que minimiza los errores de pronóstico.

La prueba que mejor se ajusta para el pronóstico del promedio móvil simple es la media de la raíz cuadrada de los errores al cuadrado (RMSE - Root Mean Squared
Error). La RMSE calcula la raíz cuadrada de la desviación al cuadrado promedio de los valores ajustados contra los datos actuales.

El Error Cuadrático Medio (MSE - Mead Squared Error) es una medida de error absoluto que ajusta los errores (la diferencia entre los datos históricos y los datos del
pronóstico ajustados pronosticados por el modelo) para prevenir que los errores positivos y negativos se cancelen entre sí. Esta medida también tiende a exagerar
errores grandes ponderándolos con mayor importancia que los errores pequeños, cuadrándolos, lo cual puede ayudar cuando se comparan diferentes modelos de
series de tiempo. El Error de la Media al Cuadrado (RMSE) es la raíz cuadrada del MSE y es la medida más popular de error, también conocida como función de
perdida cuadrática. El RMSE puede definirse como el promedio de los valores absolutos de los errores del pronóstico y es muy apropiado cuando el costo de los
errores del pronóstico es proporcional al tamaño absoluto del error del pronóstico. El RMSE se utiliza como un criterio de selección para el mejor ajuste de modelos
de series de tiempo.

El Porcentaje de la Media del Error Absoluto (MAPE - Mean Absolute Percentage Error ) es una medida estadística de error relativo, como un porcentaje promedio del
error de los datos históricos y es más apropiado cuando el costo de los errores del pronóstico tiene una relación más cercana al porcentaje del error que a un valor
numérico de error. Finalmente, una medida asociada es la estadística de la U de Theil, la cual mide la credibilidad del pronóstico del modelo. Es decir, si la estadística
de la U de Theil es menor a 1.0, entonces el método utilizado para el pronóstico proporciona un estimado que es estadísticamente mejor que adivinar.

Periodo Real Pronóstico Ajustado Medidas de Error

1 1.00 RMSE 0.0000
2 2.00 MSE 0.0000
3 3.00 3.00 MAD 0.0000
4 4.00 4.00 MAPE 0.00%
5 5.00 5.00 U de Theil 0.0000
6 6.00 6.00
7 7.00 7.00
8 8.00 8.00
9 9.00 9.00
10 10.00 10.00
11 11.00 11.00
12 12.00 12.00
13 13.00 13.00
14 14.00 14.00
15 15.00 15.00
16 16.00 16.00
17 17.00 17.00
18 18.00 18.00
19 19.00 19.00
20 20.00 20.00
Pronóstico21 21.00
Pronóstico22 22.00
Pronóstico23 23.00
Pronóstico24 24.00
Pronóstico25 25.00
 kilos
1 72
2 58
3 50
4 52
5 70
6 79
7 61
8 65
9 66
10 64
11 62
12 68
13 69
14 72
15 69
16 70
17 75
18 60
19 52
20 55