Вы находитесь на странице: 1из 20

Pronsticos, Series

de Tiempo y
Regresin

Captulo 8: Suavizacin
Exponencial
Temas

1. Introduccin al tema
2. Suavizacin exponencial simple
3. Indicios de error
4. Mtodo Holt de la suavizacin exponencial
corregida de la tendencia
5. Metodos de Holt-Winters
6. Tendencia amortiguada y otros mtodos de
suavizacin exponencial
Introduccin

Queremos formar pronsticos a futuro para


datos sin tendencia, ni estacionalidad.
Formas de hacerlo:
promedio de todas las observaciones

camino aleatorio E(yt)=yt-1


media mvil
estimacin con varios perodos (lags)
yt = 0+1yt-1+2yt-2+3yt-3+...+
suavizacin exponencial
Introduccin

Pesca real
450

400

350

300

250

200

150

100

50

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Suavizacin Exponencial
Simple
Todos los perodos influyen en el
pronstico, pero los ms recientes
influyen ms.
Si designamos = pronstico, entonces
T = yT + (1-)yT-1 +(1-)2yT-2 +
+(1-)T-1y1 + (1-)T0
Por ejemplo
3 = y3 + (1-)y2 + (1-)2y1 + (1-)3 0
Suavizacin Exponencial
Simple
Por ejemplo
3 = y3 + (1-)y2 + (1-)2y1 + (1-)3 0
Si = 0.1,
3 = 0.1y3 + (0.9)0.1y2 + (0.9)20.1y1 +
(0.9)30.1 0
3 = 0.1y3 + 0.09y2 + 0.081y1 + 0.0729 0
Observa que
4 = y4 + (1-)y3 + (1-)2y2 + (1-)3 y1
+ (1-)4 0
Suavizacin Exponencial
Simple
Observa que
4 = y4 + (1-)y3 + (1-)2y2 + (1-)3 y1
+ (1-)4 0
4 = y4 + (1-){y3 + (1-)y2 + (1-)2 y1
+ (1-)3 0}
Recuerda que
3 = y3 + (1-)y2 + (1-)2y1 + (1-)3 0
As que
4 = y4 + (1-) 3
Suavizacin Exponencial
Simple
Generalizando,
T = yT + (1-) T-1
En la prctica, usamos esta ecuacin
elimina la necesidad de almacenar datos
de una serie de tiempo muy largo.
es una constante de suavizacin
El pronstico puntual para cualquier
perodo futuro (T+) es
yT+(T) = T
Suavizacin Exponencial
Simple
El pronstico puntual para cualquier
perodo futuro (T+) es
yT+(T) = T
Un intervalo de prediccin de 95%
calculado en el perodo T para yT+ es
0 z.025s 1 1 2

Donde s es el error estndar


Indicios de error

Seal de la suma acumulativa simple


C(,T): compara la suma acumulativa
de errores con la desviacin absoluta de
la media suavizada.
T
Y ( , T ) et Y , T 1 eT
t 1

MAD( , T ) et 1 MAD , T 1
Y ( , T )
C ( , T )
MAD( , T )
Indicios de error

Si C(,T) es grande durante dos o ms


periodos consecutivos, hay un problema
con el modelo.
Es grande si C(,T) > K
Para niveles de confianza de 5% y 1%:
0.1 0.2 0.3
K (5%) 5.6 4.1 3.5
K (1%) 7.5 5.6 4.9
Indicios de error

Tambin existe el indicio de error


suavizado S(,T) , que utiliza

E , T et E , T 1
E , T
S , T
MAD , T
Mtodo Holt, Suavizacin
Exponencial Corregida de la
Tendencia
Suponga que la serie s muestra una
tendencia, pero que sta puede cambiar
en el tiempo.
Ahora se estiman dos ecuaciones:
Nivel: T = yT + (1-)( T-1 + bT-1)
Tendencia: bT = (T - T-1) + (1- )bT-1
Un pronstico puntual para yT+ es
yT+(T) = T +bT
Ventas de termmetros

350
300
250
y
200
150

0 10 20 30 40 50
time
Mtodo Aditivo de Holt-Winters

Se usa cuando la serie tiene una


tendencia, al menos localmente, y un
patrn estacional constante.
Al modelo Holt, se resta el factor
estacional (snT-L, donde L indica el
nmero de perodos en un ao: 4 o 12):
Nivel: T = (yT snT-L)+ (1-)( T-1 + bT-1)
Tendencia: bT = (T - T-1) + (1- )bT-1
Factor estacional: snT = (yT- T)+(1-) snT-L
Mtodo Aditivo de Holt-Winters

Nivel: T = (yT snT-L)+ (1-)( T-1 + bT-1)

observacin estimacin
compensada anterior del
nivel

Tendencia: bT = (T - T-1) + (1- )bT-1


estimacin
pendiente anterior de
nueva la pendiente
Factor estacional: snT = (yT- T)+(1-) snT-L

estimacin de la
variacin estacional
observada recientemente
Mtodo Multiplicativo de Holt-
Winters
Se usa cuando la serie tiene una
tendencia, al menos localmente, y un
patrn estacional creciente.
Al modelo Holt, se divide por el factor
estacional (snT-L, donde L indica el
nmero de perodos en un ao: 4 o 12):
Nivel: T = (yT / snT-L)+ (1-)( T-1 + bT-1)
Tendencia: bT = (T - T-1) + (1- )bT-1
Factor estacional: snT = (yT/ T)+(1-) snT-L
Mtodo Multiplicativo de Holt-
Winters
Nivel: T = (yT / snT-L)+ (1-)( T-1 + bT-1)

observacin estimacin
compensada anterior del
nivel

Tendencia: bT = (T - T-1) + (1- )bT-1


estimacin
pendiente anterior de
nueva la pendiente
Factor estacional: snT = (yT/ T)+(1-) snT-L

estimacin de la
variacin estacional
observada recientemente
Mtodo de la tendencia
amortiguada
Nivel: T = yT + (1-)( T-1 + bT-1)
Tendencia: bT = (T - T-1) + (1- )bT-1
Un pronstico puntual para yT+ es
yT+(T) = T + (bT + 2bT + ... + TbT )
Tambin existen el mtodo aditivo de
Holt-Winters con tendencia amortiguada
y el mtodo multiplicativo de Holt-
Winters con tendencia amortiguada
(frmulas en el captuloTabla 8.3)
Ligas
Dr. Robert F. Nau, Duke University,
http://www.duke.edu/~rnau/411avg.htm
Dr. J.E. Beasley, Brunel University,
http://people.brunel.ac.uk/~mastjjb/jeb/or/forecast.html
artculo de Owadally y Haberman
http://imaman.oxfordjournals.org/cgi/content/abstract/14/2
/129?maxtoshow=&HITS=10&hits=10&RESULTFORMA
T=&fulltext=haberman&searchid=1&FIRSTINDEX=0&res
ourcetype=HWCIT