Dr.

Salom Gonzles Chvez

MODELOS ENERGETICOS

PARTE 2
INTRODUCCION AL CONCEPTO DE PREDICCIONES

La determinacin de las predicciones del comportamiento futuro de

variables energticas, desempea un papel importante en el desarrollo de una
adecuada planificacin energtica de una regin o pas. Cada una de las series
histricas (series temporales) originadas por las diversas actividades
energticas tienen un comportamiento particular, dado que poseen un
determinado tipo de tendencia y componente estacional. Para alcanzar buenos
resultados, las tcnicas de prediccin a adoptar deben estar en estrecha
relacin con las caractersticas propias de cada variable temporal.
As, en esta parte del curso se realiza la evaluacin de predicciones de
variables energticas mediante el anlisis cuantitativo univariante de series
temporales, utilizando el enfoque determinstico y el enfoque estocstico. Bajo
el enfoque determinstico se hace la formulacin de los mtodos de ajuste de
tendencias, medias mviles y alisados exponenciales mltiples, mientras que
bajo el enfoque estocstico se tiene la modelizacin ARIMA (Autoregressive
Integrated Moving Average). Por otro lado se realiza las predicciones mediante
un anlisis multivariante utilizando los modelos economtricos dinmicos.
2.1

IMPORTANCIA DE LAS PREDICCIONES

Dentro del campo de la investigacin y desarrollo, el pronstico es una tcnica

que ayuda a predecir lo que ocurrir en el futuro. El futuro, por lo general no es
determinstico; ninguna tcnica de pronstico ser aplicable a todos los
procesos de decisin en una organizacin productiva de bienes y servicios. En
este sentido, es importante adoptar las tcnicas predictivas en mutua
correspondencia con la pericia en la materia a predecir. Desde una perspectiva
cientfica y bajo un sentido cuantitativo, se entienden prediccin y previsin
como sinnimos para anticipar el futuro de un determinado suceso.
El pronstico es un elemento necesario del proceso de planeacin o
planificacin, predice lo que pasar si las tendencias histricas no cambian y,
en el caso de cambiar, se requiere del ajuste necesario.
2.2

METODOS ALTERNATIVOS DE PREDICCION

El conocimiento de los mtodos o tcnicas de prediccin disponibles es

necesario, tanto para juzgar sobre las predicciones elaboradas externamente,
como para formular las propias. Sin embargo, la variedad de tcnicas y
diversidad de opiniones sobre su validez hacen difcil disponer de una visin

Dr. Salom Gonzles Chvez

MODELOS ENERGETICOS

equilibrada de conjunto. Segn el tipo de informacin y sus combinaciones, se

puede decir que la prediccin toma como base:
a) La opinin que tienen ciertas personas sobre el futuro de la materia en
estudio. En este caso, que denominaremos informacin subjetiva, las
tcnicas que se utilizan tratan de obtener el mximo aprovechamiento de
las experiencias, opiniones y expectativas de sujetos individuales o
instituciones seleccionadas segn diversos criterios.
b) La evolucin del fenmeno objeto de estudio en perodos anteriores.
Para este enfoque, la informacin bsica es la propia informacin
histrica, la serie temporal de la variable dependiente objeto de
estudio.
c) Las reglas internas de funcionamiento del tema cuyo comportamiento se
trata de predecir. Este planteamiento subraya la importancia de la
informacin relacional o causal, de la propia conexin entre variables
condicionantes del tema que se trata de predecir. Las leyes de
comportamiento que se supone van a regir en el futuro es frecuente que
se deduzcan de la experiencia sobre su funcionamiento en el pasado,
con lo cual la informacin histrica resulta tambin relevante
En principio, para adoptar la tcnica de prediccin a una situacin dada han de
tenerse en cuenta las siguientes condiciones:

El horizonte temporal que se contempla

Las variables participantes
El nivel de detalle
El uso futuro del pronstico
El costo del pronstico. Incluye el desarrollo, almacenamiento,
operacin y la oportunidad de la tcnica utilizada
La existencia o no de un proceso de planeacin
Es de indicar que el peligro latente en cualquier clase de prediccin, es que las
regularidades o relaciones observadas en el perodo de observacin no se
mantengan durante el perodo de prediccin, es decir que se presenten los
denominados cambios estructurales. La posible aparicin de cambios
estructurales constituye siempre una amenaza, tanto ms temible cuanto
mayor sea el horizonte temporal de la prediccin.
2.3

CLASIFICACION DE LOS METODOS PREDICTIVOS

Los mtodos o tcnicas de prediccin se pueden clasificar de diversas formas,

atendiendo a los objetivos que se persigan obtener.
En el contexto temporal, se pueden distinguir dos clases de predicciones:
condicionales e incondicionales.

Dr. Salom Gonzles Chvez

MODELOS ENERGETICOS

Las predicciones condicionales son las que se realizan mediante mtodos

causales ( mtodos multivariantes, en los que se utilizan varias series
cronolgicas y que incluyen relaciones entre la magnitud que se ha de predecir
y otras magnitudes ).
Las predicciones incondicionales son las que se hacen mediante mtodos
autoproyectivos ( mtodos univariantes, en los que se emplea una sola serie
cronolgica y en los que el modelo est basado en la aceptacin de que los
modelos histricos seguirn siendo vlidos ). Estos mtodos pueden estar
basados en dos enfoques alternativos: el determinista o clsico y el estocstico
o moderno.
En general, los mtodos de prediccin se pueden dividir en dos grandes
grupos: cuantitativos y cualitativos.
2.3.1 METODOS CUANTITATIVOS
Son mtodos formales que utilizan las matemticas para el tratamiento
sistemtico de una informacin histrica, como es una serie histrica de datos,
para luego identificar y estimar relaciones funcionales que conlleven hacia la
prediccin de dicha serie.
Entre los mtodos cuantitativos se tienen los siguientes:

Medias mviles
Alisados exponenciales
Modelo de Brown
Modelos de Holt y Winters
Mtodo de ajuste de tendencias
Mtodo economtrico (modelos economtricos)
Mtodo estocstico (modelos ARIMA)

2.3.2 METODOS CUALITATIVOS

Se basan en el juicio subjetivo de una persona o grupo de personas que
realizan un anlisis sobre determinada situacin, considerando o no la
informacin que se tenga sobre el pasado.
Los mtodos cualitativos pueden ser exploratorios y normativos. Los
primeros parten de un diagnstico del presente y pretenden proyectar lo que
ser el futuro; es decir explican lo que pasar. Los normativos parten de un
futuro, idealizado o no, y de l derivan las tecnologas, acciones, programas,
estrategias, etc., que movern el presente a este escenario idealizado; es decir
explican lo que hay que hacer para alcanzar un futuro propuesto.
Entre los principales mtodos cualitativos se cuentan los siguientes:

Dr. Salom Gonzles Chvez

MODELOS ENERGETICOS

Mtodo Delphi (Delfos)

Investigacin Morfolgica
Encuestas e investigaciones de mercado
Consenso de grupo
Impactos cruzados

A continuacin se describen brevemente cada uno de estos mtodos

Mtodo Delphi. Es de tipo normativo y consiste en que un grupo de
expertos crean un panel de ideas, mediante la respuesta a una serie
de preguntas. El grupo de expertos incorpora estas respuestas, que
no son conocidas entre las diferentes personas preguntadas, a
sucesivas fases del trabajo. Para homogeneizar las respuestas, stas
se cuantifican y se establecen las probabilidades de ocurrencia de los
acontecimientos futuros o las fechas en que pueden suceder. La
realimentacin de la informacin pretende guardar la incomunicacin
entre los miembros del panel, ya que el anonimato es una de las
principales caractersticas del mtodo. Los principales inconvenientes
de este mtodo radican en la posibilidad de eleccin incorrecta del
grupo, una errnea interpretacin de las respuestas de los expertos
por los coordinadores y la influencia de la personalidad dominante de
uno o varios miembros del grupo en la toma de decisiones.
Mtodo de investigacin morfolgica. Tambin es normativo,
establece previsiones examinando los principales componentes de un
fenmeno, identificando todos los posibles estados de cada elemento
para posteriormente determinar el nmero concreto de posibles
combinaciones futuras de los mismos. La probabilidad de ocurrencia
de los acontecimientos (basada en informacin subjetiva ) puede ser
utilizada, si se incorpora un carcter meramente exploratorio, como
etapa precedente para otras previsiones posteriores, o si se toma
como tcnica normativa, para establecer un orden de posibles
soluciones entre los problemas planteados.
Encuestas e investigaciones de mercado. Con estas encuestas,
bien sea de intenciones, bien de actitudes, se establece el
comportamiento o las expectativas del mercado. Considerando las
respuestas obtenidas, se pueden establecer las intenciones o ndices
de sentimiento con relacin a determinadas conductas futuras; estas
caractersticas hacen que las predicciones sean, tal vez, ms tiles a
corto que a largo plazo.
Consenso de grupos o panel de expertos. En este mtodo se
fomenta la comunicacin de un grupo de personas, generalmente
expertos, en forma de discusin abierta para que lleguen a
conclusiones concretas sobre el futuro desarrollo de ciertos
acontecimientos. Se utiliza principalmente en prediccin tecnolgica.

Dr. Salom Gonzles Chvez

MODELOS ENERGETICOS

La idea principal es que varios expertos pueden dar predicciones ms

precisas que los individuos aisladamente.
Mtodo de impactos cruzados. Est basado en una matriz que
contempla la probabilidad de ocurrencia de un nmero de posibles
desarrollos; representa la direccin y fuerza del impacto que un
acontecimiento puede tener sobre la probabilidad de otros
(incrementndolo, reducindolo o dejndolo invariante). Se suele
utilizar la opinin de expertos como fuente de informacin de partida,
y puede utilizar escenarios, ms que acontecimientos aislados. Su
capacidad predictiva parece estar demostrada ms en situaciones a
largo que a corto plazo.
2.4

PREDICCIONES MEDIANTE SERIES TEMPORALES

Una serie temporal, llamada tambin serie histrica o serie cronolgica, es una
sucesin de valores observados de una variable referidos a momentos o a
perodos de tiempo diferentes, generalmente regulares. La caracterstica
distintiva de una serie temporal, en contraposicin a las observaciones de corte
transversal, es que los datos aparecen ordenados cronolgicamente. Este
hecho, que parece intranscendente, tiene diversas repercusiones tericas y
prcticas, entre las que se destacan las siguientes:
El tiempo es, en s mismo, una variable continua, y as ha de
considerarse en la formulacin de modelos tericos; sin embargo en
las aplicaciones empricas el tiempo se trata como una variable
discreta debido a la naturaleza de los datos.
Para designar la serie temporal observada utilizaremos la notacin
Xt
( t = 1, 2, 3,........N )
t: mes, trimestre, ao...
Autocorrelacin. Al estar los datos referidos a momentos o perodos
de tiempo sucesivos, interesa conocer las relaciones entre los
trminos consecutivos. El coeficiente de correlacin entre Xt y Xt-1 se
denomina coeficiente de autocorrelacin de primer orden;
anlogamente, el coeficiente de correlacin entre Xt y Xt-2 es el
coeficiente de autocorrelacin de segundo orden, y as
sucesivamente.
Para medir la amplitud, longitud o tamao de la serie temporal se
puede utilizar el tiempo transcurrido durante el perodo muestral o el
nmero de observaciones; ambas variables estn relacionadas por la
unidad de tiempo utilizada en las observaciones

Dr. Salom Gonzles Chvez

MODELOS ENERGETICOS

2.4.1 FINALIDAD DE LAS SERIES TEMPORALES

En trminos generales, el anlisis de series temporales persigue los siguientes
fines:
La descripcin de una serie temporal dada
La prediccin de la evolucin futura de una serie temporal
Para ello es posible adoptar los enfoques alternativos univariante y
multivariante.
a) El enfoque univariante hace uso de los datos histricos de la
variable (serie temporal) para elaborar un modelo que describa
aceptablemente el comportamiento de la misma en el pasado. Tal
modelo descriptivo puede usarse para realizar predicciones de los
valores futuros de la variable. Este tipo de prediccin, como se indic
anteriormente, tambin se denomina autoproyectivo.
b) El enfoque multivariante busca relaciones entre dos o ms series
temporales. Refirindose al campo econmico, cabe adoptar hiptesis
de mayor o menor contenido de teora econmica. Las relaciones
estructurales dinmicas de alto contenido terico son los modelos
economtricos, que son modelos causales.
Cuando se espera que sean los datos los que determinen la relacin
entre las variables, a travs de mtodos estadsticos en los que la
teora econmica no juega ningn papel, estamos ante los modelos
multivariantes del anlisis de series temporales.
Por ltimo; Cuando se trata de relaciones entre variables en las que
influyen principalmente los condicionantes estadsticos y luego los
condicionantes de la teora econmica, estamos ante el caso de los
modelos economtricos dinmicos modernos
2.4.2 PATRONES BASICOS DE UNA SERIE TEMPORAL
Dentro del enfoque univariante, en el anlisis de series temporales existen
cuatro patrones bsicos a considerar, que pueden o no presentarse en la serie
y que son fundamentales para la seleccin de la tcnica de prediccin: la
tendencia, el patrn cclico, el patrn de estacionalidad y la horizontalidad.
El patrn de tendencia existe cuando una serie histrica tiende a
aumentar o a disminuir sus valores medios con el tiempo. Una ilustracin
de esta caracterstica se muestra en la figura 1.1.

Dr. Salom Gonzles Chvez

MODELOS ENERGETICOS

Pronstico de
la variable

Serie Temporal
Valor medio
Tiempo

Figura 1.1 Serie de tiempo con una tendencia

El patrn de estacionalidad existe cuando una serie de tiempo flucta
de acuerdo con un factor temporal que suele depender de un
determinado perodo del ao. Por ejemplo, el consumo de energa en
calefaccin y agua caliente sanitaria aumenta en los meses de invierno y
disminuye en los meses de verano (figura 1.2).

Pronstico de
la variable

V
O
I
P

V O I P V O I P V O I

Verano
Otoo
Invierno
Primavera

Tiempo

Figura 1.2 Serie de tiempo con patrn de estacionalidad

El patrn cclico es similar al de estacionalidad, pero en l las
fluctuaciones suelen ocurrir ms lentamente. Son cambios graduados en
el tiempo ( figura 1.3).

Dr. Salom Gonzles Chvez

MODELOS ENERGETICOS

Pronstico de
la variable

Tiempo

Figura 1.3 Serie de tiempo con patrn cclico

La horizontalidad, es indicativo de una serie de tiempo que no tiene
una tendencia determinada. La serie es en este caso estacionaria (figura
1.4).

Pronstico de
la variable

Tiempo

Figura 1.4 Serie de tiempo con patrn horizontal

Una serie de tiempo puede combinar los patrones de tendencia, estacionalidad
y ciclaje. Sin embargo, alguno de estos patrones puede dominar la serie;
existen tcnicas que permiten identificar el elemento dominante, como lo es el
mtodo de descomposicin.
A estos cuatro patrones hay que aadir un elemento indeseable en toda serie
de tiempo, que siempre existe, y que es la aleatoriedad de la observacin.

MODELOS ENERGETICOS
Salom Gonzles Chvez

PARTE 3
MODELOS DETERMINISTICOS DE PREDICCIONES

3.1

MEDIAS MOVILES

Es un mtodo de prediccin de estructura variable que define la prediccin

como la media simple de unos cuantos periodos muestrales previos al que
corresponde la prediccin. Al nmero de observaciones que se utiliza para
definir la media se le llama longitud de la media mvil.
Dado una serie temporal expresada por:
Valor observado en el perodo t de una serie temporal: t =
Xt
1,2,3,4....N
N
Tamao muestral de la serie o periodo muestral de la serie
k
Longitud de la media mvil. Puede tomarse en el caso de datos
mensuales igual k = 12, en el caso de datos trimestrales k = 4
El predictor que corresponde al mtodo de medias mviles de longitud k, se
puede expresar como:

1 k 1
X t (1) = X t i
k i =0
Entre sus caractersticas se tiene:

Para definir la prediccin con este mtodo es preciso disponer de un

nmero de observaciones previas igual a la longitud elegida; por otra
parte el nmero de periodos de la longitud es el nmero de periodos
iniciales para los que no puede definirse la prediccin
Cuanto menor sea la longitud ms sensible ser la prediccin a los
valores recientes de la serie y cuanto mayor sea la longitud, menos
sensible o mas alisada ser la prediccin

El procedimiento consiste:

Se fija un periodo muestral inferior al perodo real, surgiendo as un

periodo extramuestral aparente
Para obtener la prediccin para los valores del periodo extramuestral
aparente, slo se utiliza la informacin disponible en el periodo muestral
inferior.

MODELOS ENERGETICOS
Salom Gonzles Chvez

Para determinar la exactitud del pronstico, se procede a calcular el error

absoluto puntual, ety as minimizar el error cuadrtico medio (ECM), el error
absoluto medio (EAM) y el error absoluto medio porcentual (EAMP). Estos
indicadores de error vienen expresados por:
et = X t (1) - Xt, t = 1,2,3,..., n
ECM ( n ) =

EAM

EAM

(n) =

(n) =

1
n

1
n

1
n
n

i =1

i =1

et

i =1

et
X

100

t+i

MEDIA MOVIL DOBLE

Es un mtodo de estructura variable que obtiene las predicciones suponiendo
que la tendencia es localmente lineal; esto significa que la pendiente no es
constante en todo el perodo muestral, sino que se va redefiniendo conforme se
incorpora nueva informacin.
Esta tcnica requiere en principio de una media mvil simple, a cuyos
resultados se vuelve a aplicar el mismo mtodo. Con el perfeccionamiento de
esta tcnica se ha encontrado que un pequeo ajuste a la media mvil simple
produce mejores resultados. En efecto:
Inicialmente se obtiene la media mvil simple y de all la media mvil doble, a
partir de:
X t (1 ) = ( X t (1) + Xt1 (1) + X t 2 (1 ) +.........+ X t N +1 (1 ) )/N

El ajuste se obtiene al introducir dos parmetros a y b, calculados mediante:

a = 2 X t (1) - X t (1)
b = 2 ( X t (1) - X t (1) )/( N-1 )
As, el pronstico final ajustado queda:
X t ( m ) = a + b m

Donde m es el nmero de perodos futuros que se desea predecir. Con esta

tcnica se requieren almacenar 2N observaciones histricas antes de poder
iniciar el pronstico.

MODELOS ENERGETICOS
Salom Gonzles Chvez

3.2

ALISADO EXPONENCIAL SIMPLE

Es un mtodo mediante el cual se obtienen mecnicamente predicciones de

una serie temporal en funcin de las observaciones pasadas. Es decir, se
obtiene por una media mvil con ponderaciones decrecientes en forma de
progresin geomtrica. As se puede dar mayor importancia a las
observaciones ms recientes o a las ms antiguas.
Se expresa como:
X t (1) =

Xt + (1 - ) Xt-1 + (1 - ) Xt-2 +....=

2

(1 )

Xt

i= 0

Donde el coeficiente puede tomar valores entre 0 y 1. La suma de los

coeficientes ser la unidad, puesto que:

(1 )
i= 0

1 (1 )

=1

Una expresin alternativa, ms resumida, para el clculo es:

X t (1) =

Xt + (1 - ) Xt 1 (1)

Por tanto, la prediccin de alisado puede interpretarse como una media

ponderada de los valores previos anteriores, reales y de prediccin. Adems,
recordando la expresin del error et, la frmula anterior puede tomar la forma:
X t (1) = Xt 1 (1) +

(Xt - Xt 1 (1))

de donde se obtiene:
X t (1) = Xt 1 (1) +

et

Esto indica, que las variaciones del valor de prediccin son una proporcin, ,
del error del perodo precedente. De aqu se desprende que en el alisado
exponencial se da distinto peso a las observaciones. Para cercano a 1, se da
mayor importancia a las observaciones ms recientes, ya que se concede
mucho peso al error de la prediccin anterior. Si, por el contrario, es cercano
a 0, se da mayor importancia a las observaciones ms antiguas. Se debe tener
en cuenta tambin que si la serie presenta pequeas oscilaciones irregulares
se deben utilizar valores reducidos de ; al contrario, para valores de
cercanos a la unidad es muy posible que los datos presenten tendencias o
estacionalidad.

MODELOS ENERGETICOS
Salom Gonzles Chvez

Tal como se puede comprobar, para hacer predicciones utilizando alisado

exponencial es necesario saber el valor de y el valor inicial de X t 1 (1) . Esta
ltima cuestin es relativamente poco importante y puede resolverse
adoptando directamente X1 (1) = X1, o bien, igualando este primer valor al
promedio de un pequeo nmero inicial de observaciones, como por ejemplo:
X1 (1 ) = (X1 + X2 + X3) / 3

La eleccin del parmetro debe acomodarse a cada serie en particular. Se

trata de encontrar el valor ptimo de , en el sentido de seleccionar aqul que
minimiza el valor del error cuadrtico medio, el valor medio del error absoluto o
el valor medio del sesgo.
3.3

MODELO DE BROWN

Con el propsito de abordar este modelo de prediccin, otra manera de

interpretar el alisado exponencial simple, visto anteriormente, es suponiendo
una serie temporal Xt, sin tendencia y con un trmino de error ut , generada por:
Xt = + ut
Para realizar predicciones de Xt bastar con estimar . Si para obtener tal
estimacin, que designamos por b, se adopta el criterio:
m in
(b)

i = 0

(X

t i

b ) 2 (1 ) i

para dado, entre 0 y 1, el resultado de la minimizacin da como solucin:

b=

(1 )
i= 0

X ti

la cual coincide con la primera expresin de alisado exponencial simple. Puesto

que el elemento determinista de Xt es constante, indica que todas las
predicciones sern iguales, es decir:
b = X t (1) = X t ( 2 ) = X t ( 3 ) =........
3.3.1 MODELO DE BROWN CON TENDENCIA LINEAL
Consiste en sustituir la hiptesis anterior, de una serie sin tendencia, por la de
tendencia lineal. Es decir de la forma:
Xt+i = + .i + ut+i

i = 0, 1, 2, 3,.....

MODELOS ENERGETICOS
Salom Gonzles Chvez

La prediccin en el perodo t a horizonte m se obtendr mediante:

X t ( m ) = a + b.m

Donde a y b son estimaciones de y que se consiguen previamente a partir

de los datos de la serie temporal Xt (t = 1, 2, 3,....N). Entonces, adoptando el
criterio

( a , b )
i= 0

[X

m in

( a bi )] (1 ) i
2

ti

0<<1
Para obtener los valores de a y b que minimizan la expresin anterior se
igualan a cero sus primeras derivadas con respecto de a y b, de donde se
obtiene el siguiente sistema de ecuaciones:
X

t i

Xt

(1 ) i a + i(1 ) i b = 0
i

i (1 ) i a i (1 ) i + b i 2 (1 ) i = 0

Como

i (1 ) i =

(1 ) i =

(1 )( 2 )

Reemplazando se forma el siguiente sistema de ecuaciones:

X

t i

(1 ) i a + b

(1 )

=0

(
1
)( 2 )
i
i i (1 )
(1 ) a + b
= 0

Xt

De acuerdo a la primera expresin de alisado exponencial simple, se puede

definir la serie alisada, St , partiendo de la serie original, Xt , mediante la
expresin:
S t = (1 ) i Xt i

t = 1, 2, 3...

Anlogamente se puede aplicar por segunda vez la frmula de alisado, ahora a

la serie St
S t = (1 ) i S ti
i

que tambin adopta la forma:

S t = 2 i(1 ) i Xt i + S t
i

MODELOS ENERGETICOS
Salom Gonzles Chvez

Si se considera t variable, para cada valor de t se tiene un par de valores de a y

b como solucin del sistema de ecuaciones mostrado anteriormente. Es decir
se denotarn como at y bt , siendo til esta denotacin cuando se contempla la
actualizacin de las estimaciones de a y b al aumentar el tamao muestral.
Aplicando estas nuevas notaciones en el sistema de ecuaciones anterior, se
obtienen at y bt .

at = 2S t S t
bt =

( S t S t )
1

Por tanto, las predicciones en el perodo t a horizonte m , actualizando at y bt

con la ltima informacin disponible, relativa al perodo corriente t, se calcular
mediante:
X t ( m ) = at + bt m

3.3.2 MODELO DE BROWN CON TENDENCIA CUADRATICA

Se plantea como una extensin del modelo anterior cuando se supone que la
serie original sigue una tendencia cuadrtica de la forma:
Xt+i = + .i + .i2 + ut+i

i = 0, 1, 2, 3,.....

Las predicciones se obtienen mediante:

1
Xt ( m ) = a t + b t. m + c t. m 2
2

Para dado, los parmetros at , bt y ct se estiman mediante las siguientes

expresiones deducidas:

at = 3S t 3S t + S t
bt =

[( 6 5 )S t (10 8 )S t + ( 4 3 )S t]
2(1 ) 2

2
ct =
( S 2 S t + S t)
(1 ) 2 t
Donde
S t = (1 ) i Xt i
i

t = 1, 2, 3...

S t = (1 ) i S ti
i

MODELOS ENERGETICOS
Salom Gonzles Chvez

S t = (1 ) i S t i
i

Para realizar los clculos se utilizan las siguientes ecuaciones:

S t = Xt + (1 )S t 1
S t = S t + (1 )S t 1
S t = S t + (1 )S t 1

La inicializacin se puede llevar a cabo, haciendo:

S 1 = S 2 = S 3 = X1
3.4

MODELO DE HOLT

Este mtodo sirve para realizar predicciones bajo el supuesto de tendencia

lineal, pero utilizando dos parmetros de alisado, y , en lugar de solamente
uno como es el caso de del modelo de Brown con tendencia lineal. La
expresin matemtica de la prediccin se puede formular de la siguiente forma:
X t ( m ) = S t + m b t

y las expresiones de actualizacin estn dadas por:

St = Xt + (1 )( St 1 + bt 1)
bt = ( St St 1) + (1 )bt 1

,
,

0 < <1
0 < <1

Se observa que, la prediccin a un horizonte temporal m se obtiene sumando a

la estimacin alisada el valor actual de X, St , el trmino mbt , representativo del
incremento provocado por la tendencia lineal.
La primera ecuacin de actualizacin propone que, para proporcionar una
estimacin alisada de Xt mediante St , se corrija el factor St+1 mediante la
adicin de un trmino de tendencia, bt-1 , cuyo subndice hace referencia a que
este coeficiente es el que corresponde a la estimacin realizada en la
informacin disponible hasta el perodo t-1 .
La segunda ecuacin de actualizacin, posee la estructura de cualquier
ecuacin de alisado, aunque ahora utiliza otro parmetro, , diferente al
anterior. La actualizacin de bt se realiza mediante la diferencia entre los dos
ltimos valores de alisado, St - St-1 .
Este modelo, al tener dos parmetros, y , es ms flexible que el de Brown.
Cambiando estos parmetros se puede ponderar ms la aleatoriedad de los
datos ( ) o la de la tendencia ( ), segn el comportamiento de la serie con la
que se trabaje.

MODELOS ENERGETICOS
Salom Gonzles Chvez

La inicializacin se puede adoptar haciendo:

S1 = X1

X X1
b1 = X2 - X1 , b1 = X 3 X 1 , b1 = N
,
N 1

Se puede personalizar otros modelos de alisados exponenciales a partir de los

dos anteriores, por ejemplo cuando se supone una tendencia exponencial o
cuando se quiere controlar la velocidad de amortiguamiento de la tendencia
(reduccin de la tendencia en magnitud en funcin del tiempo). En este ltimo
caso se integrar un tercer coeficiente que, cuando es cercano a la unidad, la
amortiguacin es gradual, y cuando es cercano a cero, la amortiguacin es
rpida.
3.5

METODO DE AJUSTE DE TENDENCIAS

Consiste en ajustar a los datos de la serie temporal una funcin matemtica

ms o menos compleja, aplicando el anlisis de regresin.
Las tendencias se manifiestan en muchas series, mediante un crecimiento
regular a largo plazo; otras muestran un decrecimiento, en tanto que algunas
parecen constantes o estacionarias, y otras presentan ondas u oscilaciones.
Estas caractersticas se traducen, en la prctica, en que las tendencias suelen
representarse mediante funciones del tiempo continuas y diferenciables.
Entre los modelos de regresin utilizados se tienen: el lineal, el exponencial, el
autorregresivo de tendencia, la funcin logstica y la curva de Gompertz.
3.5.1 TENDENCIA LINEAL
Cuando se trata de una serie temporal Xt que manifiesta una tendencia lineal,
se plantea el ajuste de la funcin
Xt = + t + ut ;

t = 1, 2, 3,...........T

Donde:
ut : Es el trmino de error (perturbacin aleatoria); se supone en principio
que sigue un comportamiento regular, es decir, que cumple las hiptesis
del modelo bsico de regresin lineal, esto es esperanza nula, varianza
constante e independencia intertemporal, que se expresan como:

E ( ut ) = 0;

E ( u t2 ) = 2 ;

E ( u t , ut + s ) = 0 , t y s 0

representa la tasa, supuestamente fija, de variacin de Xt

3.5.2 TENDENCIA EXPONENCIAL

MODELOS ENERGETICOS
Salom Gonzles Chvez

El tiempo es por naturaleza una variable continua; cabe por tanto considerar Xt
como una funcin continua del tiempo, de la cual se tienen observaciones X1,
X2, .....XT a intervalos temporales unitarios.
Si la tendencia, T(t), sigue una ley exponencial, se tiene:

T(t ) = a.ert ,
Donde:
r=

a >0

dT ( t ) / T ( t )
dt

r , representa la tasa acumulativa instantnea de variacin de la

tendencia, que ser positiva si hay crecimiento y negativa en caso
contrario.
ESTIMACION
El problema estadstico consiste en estimar a y r a partir del conjunto de
observaciones Xt, t=1, 2, ....,T. Para tal fin se utiliza la expresin discreta

X t = a. e rt . e ut , t = 1, 2,....., T
Tomando logaritmos naturales se tiene
ln Xt = ln a + r.t + ut
A partir de esta ltima expresin, se puede estimar r por mnimos cuadrados,
suponiendo para u un comportamiento regular. Con esta especificacin se
consigue linealizar un modelo no lineal, a fin de aplicar la tcnica de la
regresin lineal.
3.5.3 AUTORREGRESIVO DE TENDENCIA
El modelo autorregresivo de tendencia se expresa mediante

X t = c 0 + c 1 X t 1 + ut ,

c1 > 0

Dependiendo de c1, este modelo contiene como casos particulares el lineal y el

exponencial. En efecto se puede utilizar para verificar la hiptesis de que la
tendencia de Xt es lineal (c1=1), frente a la hiptesis alternativa de que existe
adems una componente exponencial ( c1 1) .
Este modelo se puede aplicar, por ejemplo, para representar tendencias que
presentan dos componentes aditivas, una lineal y otra exponencial.

MODELOS ENERGETICOS
Salom Gonzles Chvez

3.5.4 FUNCION LOGISTICA

Esta funcin no lineal caracteriza a evoluciones temporales de variables, en
cuyo ciclo vital suelen presentarse tres fases: la primera de crecimiento, la
segunda de estabilidad y la tercera de declinacin. Cada una de estas fases
debe ser analizada por separado utilizando diferentes modelos de tendencias.
La forma de S de la fase de crecimiento puede representarse mediante la
funcin logstica:
T*
T (t ) =
1 b e rt
Donde r, b y T* (asntota horizontal) son constantes positivas y las coordenadas
del punto de inflexin son:
1
T*
( ln b ,
)
2
r
Una manera simple de abordar la estimacin de la logstica, evitando
problemas de no linealidad, consiste en partir de la ecuacin diferencial de T(t)
que tiene la forma:
dT ( t )
= kT ( t )[ T * T ( t )] ,
dt

k=

r
T*

En el muestreo a intervalos temporales discretos se dispone de las

observaciones Xt, por lo que es preciso plantear alguna aproximacin discreta,
para un ajuste parcial, de la forma siguiente:
ln

Xt
= R KXt 1 + ut
Xt 1

R = KX *

3.5.5 CURVA DE GOMPERTZ

Al igual que la funcin logstica, para describir fenmenos de crecimiento con
un punto de inflexin, tambin se puede utilizar la curva de Gompertz que tiene
por ecuacin:

T (t ) = T * b e

rt

Los parmetros r, b y T* (punto de inflexin), son positivos. Comparando frente

a la funcin logstica, esta curva no presenta simetra y su mxima tasa de
crecimiento, que tiene lugar en el punto de inflexin, es inferior.
La ecuacin diferencial de esta curva viene dada por:

MODELOS ENERGETICOS
Salom Gonzles Chvez

d [ ln T ( t )]
= r[ ln T * ln T ( t )]
dt

La curva de Gompertz es preferible a la logstica en aquellas situaciones de

crecimiento asimtrico en las que la tasa de crecimiento aumenta rpidamente
al principio y declina lentamente al final del proceso.
Para la estimacin simplificada de la curva de Gompertz se puede utilizar la
siguiente aproximacin discreta de su ecuacin diferencial:
ln

Xt
= a ln X * a ln Xt 1 + ut
Xt 1

r = ln(1-a)
A partir de esta expresin se obtienen estimaciones de a y de X* aplicando los
mtodos de regresin lineal. Para estimar b se sustituyen en la primera
ecuacin T(t) y t por X y t (medias muestrales), respectivamente, y T* por X*
estimada; luego se despeja el parmetro b.
Para hacer una comprobacin de si los datos siguen una tendencia segn la
curva de Gompertz al representar ln(Xt/Xt-1) versus lnXt-1 , la nube de puntos
resultante debe obedecer a una recta.
3.6

MODELO DE WINTERS

Este mtodo se adecua al tratamiento de predicciones de series con tendencia

y que adems presenten variaciones estacionales. Se expresa mediante forma
aditiva o multiplicativa de sus componentes tendencia y estacionalidad. Una
forma multiplicativa, se muestra en la siguiente expresin:

X t (m) = ( St + m bt ) I t + m s
Donde s es el nmero de observaciones anuales. La componente estacional se
tiene en cuenta mediante el factor It+m-s , y las frmulas de actualizacin son:

St =

Xt
+ (1 )( St 1 + bt 1 )
It s

bt = ( St St 1 ) +(1 )bt 1
Xt
+ (1 ) I t s
St
Donde est relacionado con la componente aleatoria, con la componente
estacional y con la tendencia.
It =

El Programa SPSS, ofrece otra modelo ms general al Winters, en el que se

puede realizar combinaciones en el objetivo minimizar el margen de error.