You are on page 1of 11

Método de Holt Winters, aplicado al pronóstico de la serie de tiempo remuneración por la

fabricación de calzado


Alfonso Gutiérrez Lugo
1
, Luis Ernesto Mancilla Espinoza
2
, Hugo Alfonso Gutiérrez Contreras
3
,
Marco Antonio Gutiérrez Contreras
1
.

1
Ingeniería Industrial, Instituto Tecnológico Superior de Lagos de Moreno,
Libramiento Tecnológico No. 5000, 47480 Jalisco, México alfonso.gtz.
lugo@ gma il.co m
marcoantonio gutierre zco ntrera s@ho tma il.co m
http://www.teclagos.edu.mx/
2
División de Estudios de Posgrado e Investigación, Instituto Tecnológico de León,
Av. Tecnológico S/N, 37290 Guanajuato, México
lmanc illa01@ho tma il.co m
http://posgrado.itleon.edu.mx/
3
Ciencias de la Educación (Matemáticas), Complejo Educativo Hispanoamericano
Felipe B. Martínez Chapa S/N, 37120 Guanajuato, México
hugogtzco n@gma il.co m
http://www.hispanoamericano.edu.mx/



Resumen
La necesidad de tener una base cuantitativa e iniciar la planeación del próximo periodo ,
en cualquier organización, permite continuar la dirección hacia una visión o misión, para lograr el
cálculo adecuado se tiene la opción de diferentes métodos, el básico es una serie de tiempo o un
método causal; al tomar como base una serie de tiempo, el más sencillo es el de nivel, siempre se
tiene una cantidad fija y alrededor de ella se obtienen los pronósticos posibles, dentro de un rango
de acuerdo a una función de densidad de probabilidad. Otro método, toma en cuenta la tendencia
de crecimiento o decrecimiento, de una recta que minimiza las diferencias con respecto a la serie
ya conocida. Después se consideran los métodos que toman en consideración la tendencia y las
cantidades estacionales, en periodos o lapsos de tiempo bien definidos. En éstos se encuentra el
método de Holt Winters[1]. El método se aplica a una serie de tiempo de la remuneración por la
fabricación del calzado (la serie de tiempo se obtuvo por medio de la Encuesta Mensual de la
Industria Manufacturera, en el ciclo de Enero- a Julio- ). Además se comparan los
pronósticos de los últimos 19 periodos mensuales; con el error absoluto promedio, el error
porcentual promedio y el error cuadrático medio, para obtener un conocimiento de la precisión
del método de Holt Winters. El objetivo es comparar los resultados obtenidos con otros métodos
de tendencia, se relata el proceso del método de Holt, se obtienen los errores del método de Holt
y se toman los mismos errores de los métodos de tendencia; regresión lineal, promedios móviles,
alisado exponencial simple, exponencial doble de Brown y serie difusa [2,3,5], ya
experimentados por el mismo equipo, con los mismos datos en otras publicaciones[2],.
1. INTRODUCCIÓN
En este trabajo se usa el Método de Holt Winters considerando la tendencia y
estacionalidad, para realizar el pronóstico de la remuneración por la fabricación del calzado (la
serie de tiempo se obtuvo por medio de la Encuesta Mensual de la Industria Manufacturera, en el
ciclo de Enero- a Julio- )[4]. Las series de tiempo son la base para realizar el análisis
del patrón de los datos, la gráfica es un auxiliar para conocer el comportamiento aproximado de
los datos, para identificar; tendencia, estacionalidad, ciclo y aleatoriedad[1]. Cuantos más
factores anteriores se observen en una serie de tiempo, el pronóstico es más complejo,
repercutiendo en dificultad de un método adecuado, para mantener la precisión y exactitud
aceptable. En el caso de la remuneración por la fabricación de calzado, se observan factores de
comportamiento de; tendencia y estacionalidad, lo cual es una interpretación preliminar para
aplicar el método de Holt Winter, considerando tendencia y estacionalidad. Después se obtienen
el error porcentual medio y el error cuadrático medio[1], que se comparan con los resultados de
anteriores trabajos, donde se aplicaron métodos de tendencia (Regresión Lineal, Promedios
Móviles, Alisado Exponencial Simple, Alisado Exponencial Doble de Brown y Difuso)[1,2,5,7].
El trabajo en la segunda sección explica los tipos de patrones que pueden presentar la
serie de tiempo, lo cual se identifica con una gráfica de valor observado contra periodo, en el caso
en estudio es de periodos mensuales desde enero del año 2008, hasta julio del año 201 1, con base
a estos patrones se decide los posibles métodos cuantitativos, para realizar el pronóstico. Además
se explican los métodos para evaluar los errores de un pronóstico. La tercera sección, explica la
serie de pasos a seguir para aplicar el método de Holt Winters considerando la tendencia y
estacionalidad, para llegar al pronóstico del siguiente periodo. En la cuarta sección, se comparan
los resultados de errores y pronósticos para los datos mensuales. Y en la quinta sección se tienen
las conclusiones.

2. PATRONES DE UNA SERIE DE TIEMPO
La serie de tiempo son datos observados en periodos de tiempo iguales, un registro
cronológico de variables observadas en lapsos de tiempo regular, el pronóstico es una estimación
del fenómeno a futuro próximo, corto plazo, unos periodos de tiempo cortos unos cuantos meses,
mediano plazo por unos dos años, largo plazo más de tres años años. Las series de tiempo
presentan uno o varios patrones de tendencia, estacionalidad, ciclo y/o aleatoriedad. El pronóstico
puede ser causal, con un patrón consistente de comportamiento del fenómeno estudiado,
posibilidad de conocer su evolución futura, estimar componentes no observables, y obtener un
valor del fenómeno en el futuro. La serie cronológica debe ser a tiempos regulares de unidad de
tiempo, la variable registrada tener las mismas unidades de medición, ser confiable el origen o
registro de los datos. La tendencia de los datos observados es un patrón a decrecer o crecer, en
forma consistente conforme avanza el tiempo, o en uno o varios periodos de tiempo continuos. La
estacionalidad es la repetición consistente de aumentar o disminuir, con similar cantidad,
repentinamente el valor observado, este se da en periodos de tiempo con fechas definidas o lapsos
de tiempo identificables, siempre en lapsos de tiempo menores a un año. El ciclo, al igual que la
estacionalidad son aumento o disminuciones repentinas, bien definidos, pero en periodos de
tiempo mayores a un año. Aleatoriedad son aumentos o disminuciones sin una claridad en el
tiempo son esporádicos y en lapsos muy cortos de tiempo, después desaparecen. En el caso de
M
i
l
e
s

d
e

p
e
s
o
o
s
.

e
n
e
-
0
8


m
a
r
-
0
8

m
a
y
-
0
8

j
u
l
-
0
8

s
e
p
-
0
8

n
o
v
-
0
8

e
n
e
-
0
9

m
a
r
-
0
9

m
a
y
-
0
9

j
u
l
-
0
9

s
e
p
-
0
9

n
o
v
-
0
9

e
n
e
-
1
0

m
a
r
-
1
0

m
a
y
-
1
0

j
u
l
-
1
0

s
e
p
-
1
0

n
o
v
-
1
0

e
n
e
-
1
1

m
a
r
-
1
1

m
a
y
-
1
1

j
u
l
-
1
1

análisis, la venta de calzado, se observa un patrón de tendencia pequeña a crecer y con
estacionalidad en los meses de julio, octubre y diciembre arrojan un aumento.


REMUNERACIÓN POR LA FABRICACIÓN DE CALZADO


400.000
350.000
300.000
250.000
200.000
150.000
100.000
50.000
-



Mes y Año.



Figura 1. Serie de tiempo remuneración por la fabricación de calzado
Con base en la inspección de la gráfica (ver Figura 1), se recomienda usar un método de
tendencia y estacionalidad, seleccionando el método de Holt Winters, para obtener el pronóstico
de la venta de calzado.
Por otro lado para conocer la precisión y exactitud del método, se obtiene con la
aproximación del pronóstico al valor observado, para medir la precisión se encuentra el error
porcentual medio y el error cuadrático medio.

El error de cada periodo, es la diferencia del pronóstico menos el valor observado.




El error porcentual promedio, es la sumatoria de los errores absolutos con respecto al
valor histórico, la sumatoria anterior se multiplica por cien para obtener el porcentaje, y por
último se obtiene el promedio al dividir entre la cantidad de errores m.
| |

[∑ ( ) ]



Por último, se obtiene le error cuadrático medio (ECM), con la raíz cuadrada del
promedio de la sumatoria de cada error medio elevado al cuadrado.


∑ ( )


SERIE DE TIEMPO

La serie de tiempo de la remuneración por la fabricación de calzado se toma de
PROSPECTA, del sitio oficial en internet [4], a su vez tomados del Instituto Nacional de
Estadística Geografía e Informática (INEGI), de la Encuesta Mensual de la Industria
Manufacturera (EMIM), con una muestra de empresas de fabricación de calzado, en el ciclo
enero- a julio- , en total periodos mensuales (ver Tabla 1).

Tabla 1.- Total de remuneraciones mensuales por la fabricación de calzado.

Mes/año Moneda Nacional
(en miles de pesos)
Mes/año Moneda Nacional
(en miles de pesos)
1/2008 256,330 1/2010 246,000
2/2008 260,250 2/2010 245,540
3/2008 267,510 3/2010 281,110
4/2008 265,020 4/2010 254,300
5/2008 265,190 5/2010 264,800
6/2008 247,560 6/2010 268,450
7/2008 273,690 7/2010 286,980
8/2008 258,710 8/2010 280,900
9/2008 255,750 9/2010 283,950
10/2008 282,930 10/2010 289,050
11/2008 261,890 11/2010 270,490
12/2008 324,880 12/2010 356,000
1/2009 226,700 1/2011 259,850
2/2009 225,360 2/2011 254,910
3/2009 241,450 3/2011 280,850
4/2009 236,900 4/2011 268,360
5/2009 233,780 5/2011 270,200
6/2009 230,200 6/2011 277,750
7/2009 258,900 7/2011 280,130
8/2009 243,320
9/2009 250,650
10/2009 273,390
11/2009 252,600
12/2009 324,930


3. DESARROLLO
El método de Holt Winters [12,13], realiza una serie de pasos que aplican inicialmente
una decisión del lapso de tiempo, anual, dividido en periodos de tiempo (semanal, mensual,
bimestre, trimestre, u otro submúltiplo del lapso de tiempo), en este caso se toman lapsos de
tiempo mensuales, tomando en cuenta la estacionalidad en determinados meses. Además, se tomó
la regresión lineal para encontrar un pronóstico del lapso anual, para después desestacionalizar la
serie.
Paso 1
Se parte la serie en datos mensuales por año, obtener el total anual y el promedio mensual
de cada año, sin considerar su estacionalidad, es decir como una cantidad mensual promedio.
Paso 2
Dividir el dato histórico entre el promedio mensual desestacionalizado, logrando calcular
el índice de estacionalidad, del mes para cada año. Si el resultado es 1.2108 (diciembre del 2008),
esto indica que del promedio se tiene un aumento del 21.08%, como factor de estacionalidad; si
el cociente fuera 0.97 (febrero del 2008), el índice revela que en ese mes, del promedio mensual,
se tiene una disminución del 3.00%. Para estandarizar a un solo valor para cada mes, el índice de
estacionalidad por año del mismo mes, se suman y dividen en cantidad de datos, el promedio de
cada índice de cada mes, para los n lapsos de años observados (ver Tabla 2).


Tabla 2. Calculo de índices de estacionalidad por mes y año.





Paso 3
Se encuentra un pronóstico de la tendencias por cualquier método (Promedio móvil,
suavización exponencial, Método de Brown, regresión lineal), como ya se explicó se usa la
regresión lineal para encontrar los pronósticos mensuales. La fórmula de regresión;

En la serie de tiempo, es el pronóstico del periodo , es el número del periodo , el
coeficiente m es la razón de cambio de la variable en el periodo , es el coeficiente
independiente u ordenada al origen.

Se efectúa la aplicación de los métodos de serie de tiempo, obteniendo la siguiente
ecuación de regresión ajustada (ver Figura 3), correspondiente a la tendencia.



Para los periodos , y los pronósticos resultantes
.
Donde
e
n
e
-
0
8


a
b
r
-
0
8

j
u
l
-
0
8

o
c
t
-
0
8

e
n
e
-
0
9

a
b
r
-
0
9

j
u
l
-
0
9

o
c
t
-
0
9

e
n
e
-
1
0

a
b
r
-
1
0

j
u
l
-
1
0

o
c
t
-
1
0

e
n
e
-
1
1

a
b
r
-
1
1

j
u
l
-
1
1

360000

340000

320000

300000


Valor observa do

280000

260000

Pronostco
re! res"#n l"neal

240000

220000




Figura 3.- Pronóstico con Regresión Lineal

Como es la tendencia únicamente, existen diferencias marcadas entre el pronóstico, línea
recta de la gráfica y los datos históricos. La tendencia es al crecimiento. Se obtienen los
pronósticos individuales para cada mes de toda la serie, con la fórmula de regresión, acumulando
los pronósticos por año, y obtener con estos el promedio mensual al dividir entre cantidad de
periodos por año, doce meses (ver Tabla 3).

Tabla 3. Cálculo de tendencia con regresión lineal.





Paso 4

Ahora se toman los promedios mensuales del pronóstico y se multiplican para cada año
con su índice estacional mensual promedio, logrando el pronóstico por el método de Holt Winters
(ver Tabla 4).
Tabla 4. Pronóstico método Holt Winter.








Figura 4. Pronóstico Holt Winter.

Los pronósticos del método Holt Winters, considera la tendencia (método de regresión
líneal), y la estacionalidad. Como se observa en la gráfica las diferencias entre pronóstico y la
remuneración observada mensual, arroja diferencias, pero se acercan al dato histórico. El error
porcentual medio es del 3.80%, y el error cuadrático medio es de 11,891. Como se considera el
índice de estacionalidad el pronóstico se aproxima a los datos históricos (ver Figura 4).

4. Resultados
La tabla No. 5, muestra los errores porcentual medio, error cuadrático medio y el
pronóstico de julio del 2011 de diferentes métodos, donde se realizaron pronósticos a la misma
serie de tiempo.


Tabla 5. Errores porcentual medio, cuadrático medio y pronóstico de julio del 2011.


Método: Error porcentual
medio
Error cuadrático medio Pronós tico julio 2011
obs ervado 280,130
1. Holt Winter
3.80% 11,891 286,106
2. Promedio móvil, m=3
6.66% 27,044 278,940
3. Suavización
exponencial s imple,
α=0.13
5.46% 25,118 276,122
4. Regres ión lineal
6.55% 24,066 252,211
5. Suavización
exponencial doble,
α=0.01
7.05% 26,442 267,395
6. Difus o
0.33% 1,138 281,000

Si se toma el error porcentual medio el método difuso sería el mejor con 0.33%, y le
seguiría el método Holt Winter, con un 3.80%, el primer método se considera sofisticado, el
segundo es un método elaborado. El resto son de los clasificados como métodos sencillos, para
determinar el método óptimo, su porcentaje es mayor al 5.46%.
En el caso del error cuadrático medio se tiene el de menor cantidad 1,138, en el método
difuso; de nuevo el método de Holt Winter es el siguiente con 11,891 de error cuadrático medio,
los otros métodos con una cantidad superior a 24,066, es relevante las diferencias entre los
diferentes métodos en el error cuadrático medio, lo podemos relacionar con el grado de exactitud
de cada método.
Considerando la aproximación más cercana de un solo pronóstico en mes de julio del
2011, se observa la aproximación al dato real de 280,130 contra 281,000 del método difuso,
después, el promedio móvil con tres periodos 278,940, le sigue suavización exponencial simple
(α=0.13) con 276,122 y el método de Holt Winter con 286,106.

Figura 5. Método difuso.


Si se comparan las gráficas con los datos históricos y de predicción, se notará la exactitud y
precisión del método difuso (ver Figura 5), seguido con el método de Holt Winter. Con mayor
frecuencia de pronósticos muy próximos a los datos históricos. Debido principalmente a que el
método de Holt Winters toma en cuenta la estacionalidad y el método difuso toma en cuenta la
estacionalidad y el comportamiento aleatorio de los datos históricos.


6. Conclusiones

Después de aplicar diferentes métodos de pronósticos, se observa la diferencia tan
acentuada entre los diferentes tipos de factores como; la tendencia, estacionalidad y la
aleatoriedad de los datos, conforme se integra cada factor, el método es más complejo, pero a su
vez más preciso y exacto. Pero esto es inversamente proporcional al costo del método, por lo que
se debe primero obtener una premisa del comportamiento de los datos, en una gráfica e
identificar cada factor. Por otro lado, solo falta identificar y evaluar si la exactitud y la precisión
son importantes para el pronóstico, así como los costos inherentes de estos dos factores, para
obtener el costo total por método. En esta forma cada empresa u organización debe otorgar un
costo y con éstos decidir el método óptimo para sus necesidades. La gráfica siguiente sirve para
tomar una decisión sobre el método a utilizar (Ver Gráfica 6).


Figura 6. Gráfica de costos por método.


REFERENCIAS


1. Granger, C.W.J. and Newbold, P. “Forecasting economic time series”. Academic Press
New York vol. 2 (1997).
2. Marisol Gutiérrez, Luis Ernesto Mancilla, Alfonso Gutiérrez Lugo y Marco A. Gutiérrez.
“Series de Tiempo Difusas aplicadas al pronóstico de la remuneración por la fabricación
del calzado”. Advances in cumputing science and control. Research in Computing
Science Vol. 59 (Noviembre, 2012) Pág. 205-216.
3. Guerra, J., Sánchez, G. y Reyes, B. “Modelos de series de tiempo para predecir la
inflación en Venezuela”. Serie Documentos de Trabajo vol. 13 (1997).
4. Prospecta, Centro de Innovación y Competitividad, http://www.prospecta.
org.mx
5. Hanke, J.E. “Pronósticos en los negocios”. Pearson Educación (2006).
6. Mason, R.D., Lind, D.A. y Maria De Lourdes Fournier G. “Estadística para administración
y economía” Alfaomega Bogotá (1992).
7. Render, B. “Principios de administración de operaciones”. Pearson Educación (2004).
8. Holton, J. y Keating, B. “Previsiones en los negocios”. Irwin. Madrid (1996).
9. Montgomery, D.C., Runger, G.C. y Medal, E.G.U. “Probabilidad y Estadística, aplicadas
a la Ingeniería”. McGraw Hill (1996).
10. Bowerman, B.L. and Oconnell, R.T. “Pronósticos, series de tiempo y regresión: Un
enfoque aplicado”. Cengage Learning Editores (2007).
11. Armitage, P., Berry, G., Artero, C.C. “Estadística para la investigación biomédica”.
Harcourt Brace Madrid (1997).
12. Aguirre Jaime, A. “Introducción al tratamiento de series temporales: Aplicación a las
ciencias de la salud”. Díaz de Santos (1994).
13. Lorenzo, J.M.M. “Estadística descriptiva”. Editorial Paraninfo (2007).
14. Lorenzo, J.M.M. “Problemas resueltos de estadística descriptiva para ciencias sociales ”
Editorial Paraninfo (2007).