You are on page 1of 22

Suavizamiento exponencial

Logro de la sesión:

Al finalizar la sesión, el estudiante obtiene un


pronóstico usando el método de suavización
exponencial en una serie estacionaria de datos.
¿Cómo realizar pronósticos para el 2016 de las emisiones
de CO2 provenientes de la quema de combustible de
transporte en el Perú?

Serie
observada

Serie
suavizada

Para obtener el pronóstico de las emisiones de CO2 provenientes de la quema de


combustible para el 2016, obtendremos la serie suavizada con el fin de conseguir
un pronóstico lo más próximo al comportamiento real de la serie.
Temario

Medición del error en el pronóstico.

Suavizamiento exponencial.
Medición de Error en el Pronóstico

Para calcular el error o residual de cada periodo de


pronóstico se utiliza:

et Y t Y t

et : Error de pronóstico en el periodo t

Yt : Valor real en el periodo t



Y t : Valor del pronóstico en el periodo t
Métodos de comparación

Cuando se ajustan dos o más modelos a la misma serie de


tiempo, es útil tener algún método para compararlos.

Es este caso estudiaremos, el criterio de la desviación


absoluta media (DAM), el criterio del error cuadrático
medio (EMC) y el del porcentaje del error medio absoluto
(PEMA).

Siempre se busca el valor menor en los indicadores DAM,


PEMA y EMC ya que representan un mejor ajuste del
modelo.
Métodos de comparación

El DAM resulta de gran utilidad cuando


el analista desea medir el error del σ𝑛𝑡=1 𝑌𝑡 − 𝑌෠
𝐷𝐴𝑀 =
pronóstico en las mismas unidades de la 𝑛
serie original.

El EMC se usa para comparar métodos


diferentes de pronóstico. Penaliza los σ𝑛 ෠ 2
𝑡=1(𝑌𝑡 −𝑌)
errores grandes del pronóstico, es más 𝐸𝑀𝐶 =
𝑛
sensible a errores anormales de
pronóstico que el DAM.

El PEMA se usa para comparar métodos


𝑌𝑡 − 𝑌෠
diferentes de pronóstico. Indica que tan σ𝑛𝑡=1
𝑌𝑡
grande son los errores del pronóstico. 𝑃𝐸𝑀𝐴 =
Contrasta con los valores reales de la 𝑛
serie.
Suavizamiento exponencial
El método de suavización exponencial se usa cuando la serie de datos tiene un
comportamiento estacionario (sin estacionalidad).

Serie estacionaria:
Gráfica de series de tiempo de Cemento gris - Colombia

1200000

1100000
Cemento gris

1000000

900000

800000
Mes Ene May Set Ene May Set Ene
Año 2014 2015 2016

Se caracterizan por poseer una tendencia a ser constantes, que no varían


en el tiempo o se mantienen estables. Sus valores oscilan en torno a un
valor medio, por lo tanto se mantiene sin aumentar o disminuir, esto es,
oscilan suavemente en torno a su valor medio.
Método de Suavización Exponencial

Ejemplos de series estacionarias:


 Producción mensual de cemento gris
 Participación mensual en el PBI de los metales en el Perú.

La línea azul representa


los valores originales de
la serie de tiempo y la
línea roja representa el
suavizamiento
exponencial para poder
predecir de manera
adecuada en el
siguiente periodo.
Método de suavización exponencial

Yˆt 1  Yt  1   Yˆt


Ŷ t+1 : Nuevo valor suavizado o valor de pronóstico para el siguiente periodo
(t+1).
α : Constante de suavización ( 0 < α < 1)
Y t : Valor real de la serie en el periodo t
Ŷ t : Valor suavizado en el periodo t

Para el primer valor : Ŷ1 = Y1

También, la suavización exponencial es el pronóstico anterior más α veces el


error (Y t - Ŷt) del pronóstico anterior.
Método de suavización exponencial

El valor real de “α” determina el grado hasta el cual


la observación más reciente puede influir en el valor
del pronóstico, es decir cuando α tiende a:

1 El nuevo pronóstico incluirá un ajuste


sustancial de cualquier error ocurrido en el
pronóstico anterior.

0 El nuevo pronóstico es similar al anterior.


Ejemplo:

Los siguientes datos corresponden a las emisiones de CO2 provenientes del


transporte en el Perú, (% total de la quema del combustible), durante el
periodo del 2003 al 2015. Aplicando un método de suavizamiento
exponencial proyecte para el 2016, usando un alfa de 0.2; 0.4; 0.6; 0.8.

Emisiones de CO2 originadas


Años por el transporte
2003 37.19688
2004 34.95298
2005 37.67591
2006 36.89152
2007 35.18519
2008 38.61527
2009 36.49304
2010 39.17614
2011 39.85142
2012 39.98540
2013 38.46676
2014 40.72727
2015 41.65202
Solución:

Ingreso de datos al MINITAB


Solución: α = 0,2
En la ventana emergente, completar según lo mostrado
y dar Clic en tiempo
En la ventana mostrada dar clic en opciones y luego en
almacenamiento:
Luego dar clic en resultados y finalmente aceptar:
La salida es la siguiente:

Análogamente se repite el procedimiento para alfa 0.4 ; 0.6 ; 0.8.


Resumen de resultados:

Alfa 0.2 0.4 0.6 0.8


DAM 1.52959 1.43768 1.45108 1.52587
PEMA 3.94951 3.74121 3.79697 4.00975
EMC 3.3428 2.71484 2.72846 3.07961
Pronóstico
39.3667 40.4351 40.998 41.3882
2016

 El mejor pronóstico será para alfa 0.4, ya que presenta las


menores mediciones del error.
 El pronóstico para el 2016 sería: 40.4351% de quema de
combustible.
Conclusiones:

1° El método de suavizamiento exponencial se


utiliza en series sin estacionalidad y sin
tendencia.

2° El mejor pronóstico será aquel que presente las


menores mediciones de error (EMC, PEMA y
DAM).
Bibliografía

• Montgomery,D y Runger,G (2006) Probabilidad y Estadística


aplicadas a la Ingeniería. México D F, Ed. LIMUSA, SA de CV Grupo
Noriega de editores
Material producido por la Universidad Peruana de Ciencias Aplicadas
Autor: Depaz, P; Ognio, C; Campomanes, F y Gutierrez, S
COPYRIGHT ©UPC 2016 - Todos los derechos reservados.