Aplicación de los métodos mars, holt
Transcripción
Aplicación de los métodos mars, holt
Meteorología Colombiana W 10 pp. 36-46 Marzo 2006 Bogotá, O.e. rSSN: 0124-6984 APLICACiÓN DE LOS MÉTODOS MARS, HOLT-WINTERS y ARIMA GENERALIZADO EN EL PRONÓSTICO DE CAUDALES MEDIOS MENSUALES EN Ríos DE ANTIOQUIA APPlICATION OF THE METHODS: MARS, HOLT-WINTERS ANO GENERAlIZED ARIMA TO FORECASTING OF MONTHL Y-MEAN FLOW OF RIVERS IN AN1"IOQUIA JOANY SÁNCHEZ MOLlNA Maestría en Ingeniería-Recursos Hidráulicos Escuela de Geociencias y Medio Ambiente, Facultad de Minas, Universidad Nacional de Colombia, Sede Medellín GERMÁN POVEDA JARAMILLO Profesor Asociado, Posgrado en Recursos Hidráulicos, Universidad Nacional de Colombia, Sede Medellín [email protected] Sánchez, J. & G. Poveda. 2006: Aplicación de los métodos Mars, Holt-Winters y Arima generalizado en el pronóstico de caudales me dios mensuales en ríos de Antioquia. Meteoro!. Colomb. 10: 36-46.ISSN 0124-6984. Bogotá, D. e - Colombia. RESUMEN Se implementan tres metodologías para el pronóstico de caudales medios mensuales en ríos de Antioquia: i) MARS (Multivariate Adaptative Regression Splines), ii) un método ARIMA generalizado no paramétrico a priori, y iii) el método para métrico de Holt-Win terso El método no paramétrico de MARS permite incorporar la persistencia hidrológica y la influencia de fenómenos macroclimáticos como el ENSO. Las predicciones se implementan durante el período 1990-2004 para cuatro ríos de Antioquia, importantes en la generación de energía eléctrica en Colombia: Nare, Guatapé, Guadalupe y río Grande 11. Se evalúan los tres métodos de predicción usando intervalos de pronóstico de 1 mes, para horizontes de pronóstico de 12 meses. El desempeño de 105 modelos se cuantifica mediante medidas del error en el horizonte de validación, la bondad del pronóstico se cuantifica a partir del error cuadrático medio, dependiendo del mes en el que se inicia el pronóstico. Los resultados indican ganancias importantes en la capacidad de predicción en comparación con métodos tradicionales en hidroclimatología. Palabras clave: caudales medios mensuales, flredicción, ARIMA, Holt-Winters, MARS. ABSTRAeT Three forecasting methodologies are implemented to forecast monthly average flows in rivars in Antioquia, namely: i) MARS (Multi variate Regression Splines), ii) a generalized ARIMA nonparametric method, and iii) the parametric "Holt Winters" method. The MARS method includes the hydrological persistence and the influence of macro-climatic phenomena like ENSO. Forecasts are implemented for the period 1990-2004 at four major rivers used for hydropower generation in Colombia: Nare, Guatapé, Guadalupe and rio Grande 11. Forecasting methods are evaluated using prediction intervals of 1 month for prediction horizons of 12 months. Forecasting skills of each method is quantified through diverse error metrics, including the mean square error, as well as forecasting skill depending on ínitial month of prediction and percentage of terciles. Our results indicate a very important predictability capacity gain using the implemented methods in comparison to traditional methods used in hydro-climatology. Key words: monthly river flows, forecasting, MARS, ARIMA, Holt-Winters. 1. INTRODUCCiÓN les para los ríos Guadalupe y Grande 11 corresponden al período común entre 1951 y 2004, mientras que para los Las metodologías de regresión se utilizan ampliamente ríos Nare y Guatapé corresponden al período entre 1959 en todos los campos de la ciencia como herramientas de y 2004. El período de calibración de los modelos se se análisis de datos; fundamentalmente en el modelamien leccionó desde el inicio de las series hasta diciembre de to y predicción de series. En general una regresión se usa 1989; los siguientes 15 años se utilizaron en la validación para desarrollar un modelo matemático que relaciona de los modelos. En la Figura 1 se presenta el ciclo anual variables dependientes o respuesta con variables expli de cada uno de los caudales medios mensuales de los cativas o de entrada. ríos en estudio. Estos métodos cobran gran importancia en la predicción Las variables macroclimáticas usadas como variables de caudales medios mensuales, en países como Colom predictoras son: índice Multivariado del ENSO (MEI), ín bia, donde la mayor parte de la energía generada es de dice de Oscilación del Sur (SOl) y Temperatura Superficial carácter hídrico, y su implementación es necesaria en la del Mar en las regiones Niño 3 y 4. En el cálculo del ín predicción de dichos caudales. En el posgrado en Apro dice Multivariado del ENSO (Wolter, 1987, en Poveda et vechamiento de los Recursos Hidráulicos se han llevado a ál., 2002) se utilizan 6 variables en las cuales tiene gran cabo diversas investigaciones en las que se implementan influencia el fenómeno ENSO (presión a nivel del mar, varias metodologías de predicción. componentes zonales y meridionales del viento superfi cial, SST, temperatura del aire en la superficie y nubosi En este trabajo se aplican tres metodologías de predic dad tota!), mientras que el índice de Oscilación del Sur ción: el método MARS que es no paramétrico y en se se calcula como la diferencia estandarizada de presiones gundo lugar las metodologías de Holt-Winters y ARIMA atmosféricas entre Tahití y Darwin (Trenberth, 1976, en generalizado, las cuales son para métricas. Después de Poveda et ál., 2002). describir los métodos se evalúan los resultados obteni dos por las diversas metodologías mediante los criterios En la Figura 2 se presentan los correlogramas cruzados de RMS y el de acierto por terciles en la predicción de entre la serie de caudales del río Nare y las variables ma caudales medios mensuales de los ríos Nare, Guatapé, croclimáticas que se usaron en la predicción. Guadalupe y Grande 11. Finalmente se hace una discusión sobre la bondad de los métodos para predecir los medios mensuales de los cuatro ríos en cuestión. 2.2 Métodos de predicción 2.2.1 Holt-Winters 2. ASPECTOS METODOLÓGICOS El método de Holt-Winters es básicamente un proce 2.1 Información utilizada dimiento de suavizamiento exponencial. Este tipo de Las metodologías de predicción se evaluaron usando los querimientos de almacenamiento en las bases de datos, procedimient,ps faCilitan los cálculos y reducen los re registros de caudales medios mensuales de los ríos Nare, lo cual cobra importancia cuando se están prediciendo Guatapé, Guadalupe y Grande 11. Los registros mensua muchas series de tiempo. Guatapé "are EFMAMJJASOND EFMAMJJASOND Gmnde 11 I ~¡ ~,I,dUliüh ~ ~ ~.dl,liljui ... EFMAMJJASOND EFMAMJ.IASOND FIGURA 1. Ciclo anual de caudales en los ríos de interés. H.¡ 1-,·,··,·,·,·,·,-,·,-,-1 i1'i ~:.--..,:~••,. ~ ~ -(j,5 o Corre Iaci ón Caudal- S SH13-4 Correlación Caudal-SOl Correlación Caudal·M El 8 1 2 ::1 4 5 6 7 13 9 10 11 -1 o ! i ,____ ~ b -Oti o -1 8 O 1 2 3 4 5 6 7 El 9 10 11 Rezago o Rezago 1 2 3 4 ti 6 7 S 9 10 11 Rezago FIGURA 2. Correlaciones cruzadas entre la serie del río Nare y las variables macroclimáticas. Los modelos de suaviza miento exponencial se basan en Todo depende de si se considera estacionalidad aditiva la actualización, para cada período, de hasta tres paráme o multiplicativa (~), donde F representa la media y e, es tros: el error de predicción. La actualización global en el caso multiplicativo está dada por Media (modelo de suaviza miento simple). + (1 Media y tendencia (Holt, 1957). R Media, tendencia y estacionalidad (modelo de Holt b¡ p(R - F;-l) Winters). L r~..;... (1 - a)(F;-l + (1 - + b'-l)' p)b, h (2) - r)/,-p Estos modelos se conocen en la literatu'ra como de sua donde D,es el caudal actual; F;, b, e 1, son las predicciones vizamiento exponencial de uno, dos y tres parámetros, de la media, la tendencia y la estacionalidad; a, f3 y y son los respectivamente. parámetros de suavizamiento, los cuales están contenidos en el intervalo (0,1), y Pel número de períodos a predecir. La Al usar el modelo de Holt-Winters, en un período t, el predicción para el pefíodo siguiente está dada por patrón de comportamiento en la predicción puede estar l = (F; dado por D, (F bOl + é, o por DI = F bt l + é, (1) + b,ll+l-p (3) Para predicciones de más de un período hacia el futuro el ajuste se hace como se muestra a continuación: rbt)L+-- p ; (E; 1 S r S p (4) .,r flx) ¿ (7) amBn¡ (x) m=l (Segura y Vercher, 2001). donde M es el número de subregiones, a1Jl son los coefi cientes de la función y Bm(x) es una función base dada Para el caso del modelo aditivo se tiene por: (5) donde E; a(D, b, L /3(E; y(D, + (1 - a)(E;-1 + bt - 1) + (1 {J)bt-¡ E;) + (1- y)L LL p) (8) donde Hes una función de paso que va desde k = 1 has ,) J (6) .9 Para modelos estacionales el método trata de encontrar valores óptimos para a, f3 y y por minimización del error cuadrático a un paso. Para modelos estacionales los valores iniciales de ~ , bt e 1t se establecen por la ejecución de una descomposición simple en la tendencia yen la componente de estaciona lidad usando medias móviles. 2.2.2 MARS MARS es una implementación de técnicas propuestas por Friedman (1991) para resolver problemas de regresión. Tales técnicas tienen como objetivo principal predecir va lores de una variable continua dependiente o de salida, a partir de un grupo de variables independientes llamadas comúnmente variables predictoras. El método MARS es de regresión no paramétrica y no lineal, se basa en una generalización del particionamiento recursivo y ha sido utilizado en gran cantidad de áreas del conocimiento. El modelamiento no para métrico se caracteriza porque ta kAl' el número de divisiones resultantes en la función básica; SKMes igual a :!:: 1 según sea la división derecha o izquierda, respectivamente; es el nudo o partición de la variable y es la variable predictora. El signo ( + ) como subíndice de dicha expresión significa que solo se toma como resultado cuando el argumento de la función es positivo; de lo contrario se hace igual a cero. En Friedman (1991) se encuentran los aspectos relaciona dos con la modelación no para métrica y la computación adaptativa. Además allí se presenta completamente el algoritmo de ajuste de MARS. En general, MARS intenta superar las limitaciones de la modelación no para métrica y el particionamiento recur sivo, planteando algunas generalizaciones a los procedi mientos; por ejemplo, garantizando modelos continuos y derivadas continuas. El modelo de ajuste de MARS se puede escribir de la forma (9) !(x)=a.+ MARS utiliza el criterio de falta de ajuste, LOF: para la selección del modelo, que se define como el máximo nú mero de funciones básicas Una función para LOF se define como no aproxima una función única en todo el dominio, sino (10) que ajusta una función con varias funciones para métricas simples, generalmente polinomios de bajo orden, defini das sobre una subregión del dominio (ajuste para métrico por tramost o ajusta una función simple para cada valor de la variable (ajuste global). Los parámetros en cada re gión también se hallan por mínimos cuadrados. La función de aproximación ajustada puede ser de la for ma: El criterio GCV(M) es el promedio de los residuos al cua drado afectado por un factor de penalización, el cual se presenta en el denominador. La función C(k!), que es una función de costo, está dada por CUy!) = traza (B(BT B) LBT) 1 (11) donde B es la matriz de datos de las Mfunciones básicas (Bij 2.2.4 Climatología Bi(x). Es el más simple de todos los métodos de predicción y consiste en tomar como valor de predicción para cada 2.2.3 ARIMA generalizado mes el promedio mensual multianual. Se basa en la descomposición de la serie de tiempo en un determinado número de componentes, los cuales se es 3. RESULTADOS y ANÁLISIS pecifican por un sistema de varianzas en el error. Algunos de ellos pueden llegar a ser cero. En la Figura 4 se muestran las series de tiempo predichas por los diferentes métodos y las series observadas. Solo El modelo más simple utilizado es del tipo se muestran los resultados de las predicciones con una ventana de 12 meses, y se inicia siempre en el mes de (12) enero. El desempeño de los modelos se evalúa para to das las series mediante el error cuadrático medio (RMS), Los valores observados son m, X, é, ~ el cual se define como se muestra a continuación: lV( 0, (J~ (13) (17) Hay dos parámetros, (J2 ~t;, Y 0" J" Este es un modelo ARIMA (0,1,1), pero con restricciones en el sistema de pa En la Figura 5 se muestran los resultados obtenidos por rámetros. esta metodología; para los diferentes ríos se compara el El programa también tiene incorporado un modelo con RMS promedio de las predicciones hechas con inicio en tendencia lineal loca" el cual tiene la misma ecuación, cada uno de los meses de todos los años en el período pero con una pendiente que varia en el tiempo. A conti de validación de las metodologías, con una ventana de nuación se presenta la ecuación para dicho modelo. predicción de doce meses. mi f 1 = n'~l m, + ni t;" t;, - iV(O,(J2_t;,) n, e, ,e, ~ N(0,(J2 ~et) No es común encontrar ° 0'2 _e. (14) Por ejemplo, se quiere evaluar el RMS de predecir julio de cualquier año comenzando en diciembre del año an 0, con lo terior; lo que hace el criterio es establecer una diferencia cual se asegura una suavidad en la tendencia. El ante entre el valor real del caudal de julio de ese año y el valor rior corresponde a un modelo restringido de tipo ARIMA predicho para julio de ese mismo; los valores de las pre (J2 Ó (0,2,2). dicciones de todos los julios con mes de inicio diciembre en todo el período de validación se almacenan en un vec Un tercer modelo utilizado por el programa es el mode tor. La n de la fórmula representa el número de años de lo básico estructural, el cual tiene tendencia local y una validación de los modelos que para nuestro caso es igual componente estacional adicional. Su ecuación se mues a 15, que es igual al número de julios predichos con mes tra a continuación: de inicio diciembre. El procedimiento anterior es análo go para todas las predicciones con mes de inicio enero, (15) febrero, marzo, etc. Es importante tener en cuenta que el período de calibraeión se actualiza a medida que se pasa donde SI es la componente estacional con dinámica de un mes de inicio a otro. En la Figura 3 se ilustra lo plan teado anteriormente. Los modelos descritos anteriormente son no estacionarios. caudal eriodo de calibmióH me $ de inicio fubrm die añQ O Tiem~o FIGURA 3. Actualización de los períodos de calibración para cada mes de inicio. ! ~ s j a¡¡ lB '" ~ '.00 1992 1994 ,\)l). 2000 2002 2004 1998 20.00 2002 200.4 19'98 2000 2002 2004 ,"". 2000 200a ;1.004 1998 Ti8JnpO (me$Q1iO) Río Guotapé a¡¡ :;:! ¡¡¡ ~ s :;¡ ,.. 1 II lii; ¡¡: $i! '900 1992 1994 .... , rtempo <meses) 51 ,.. ~ s ¡¡¡ J ~ $i! 1990 '99' 1990 19$2 ... 1994 , ,..... 1996 " :¡¡ ~ S ~ l! .. ¡¡¡ ;¡ 1<:' $i! Tlo¡}mfOlo (m"'&l0s) - -Real MARS - -Holt-Winters - ARIMA Generalizado FIGURA 4. Series de caudales medios mensuales en el período de validación. Climatología Los valores más altos del RMS se presentan para el generacionlCe ntra leshid roelectrica si centralg uatape, río Grande 11, mientras que el río Guatapé se muestra como el de mejor predictibilidad. El resultado obteni htm. do es de gran importancia pues el río Guatapé al igual Por medio del análisis de los errores es posible concluir que el Nare alimentan el embalse de El Peñol que es que en general MARS presenta los menores errores en las el de mayor capacidad de regulación del país; esta in predicciones, mientras que los métodos ARIMA generali formación puede consultarse en http://www.eeppm. zado y Holt-Winters tienen los más altos. La influencia del com/epm coml conte n idol acercade/i nfraest ruct u ral ciclo anual se puede visualizar en la Figura 5. Holt-Winters MARS ARIMA Climatología Mio: 5.41, Mm: 1571 %RSM 16 o ..c u ~ 14 J Q. ..'" 12 :::;; 10 Mes inicio Mes inicio Mes ¡nicío Mes inicio 8 6 Mes inicio Mes inicio Mes inicio Mes inicio Mes inicio Mes inicio Mes inicio Mes inicio Mes inicio o .., .r: 'ti !Q. Mes inicio o .., .r: 'ti o ..c ! = u Q. 1.. ¡ Mes inicio Mes inicio FIGURA 5. Porcentaje de RMS de las predicciones en el período de validación. En estos gráficos se presenta el mes de inicio de la pre Nare el método que mejor se comporta según este criterio dicción en las abscisas y el mes que se va a predecir en es la climatología pues muestra los porcentajes de acierto las ordenadas. más altos para todos los terciles y en la mayoría de los me ses; entre tanto, para el río Guatapé, los mejores resulta En general, las mayores dificultades en la predicción se dos los muestra la climatología, que solo es sobrepasada presentan en el trimestre mayo, junio, julio, al igual que en el tercil inferior, en el cual los mejores resultados los en noviembre, diciembre, enero. presentan los métodos de Holt-Winters y ARIMA generali zado. Para el río Grande 11 y el río Guadalupe los resultados Todos los ríos en estudio presentan una dificultad pa son más variados pues no hay un método que sea mejor recida en lo que se refiere a la predicción de sus series que otro, dado que para algunos meses y de acuerdo con de caudales medios mensuales. Sin embargo, solo el el tercil hay métodos que son superiores a los otros. método MARS se comporta de manera coherente en períodos con presencia del fenómeno El Niño o La Niña; tal efecto se puede observar claramente durante CONCLUSION ES el periodo de validación comprendido entre los años 1998 y 2000, que corresponden a un periodo del fe nómeno La Niña, durante el cual los métodos de Holt Winters y AR1MA hacen estimaciones muy pobres de los caudales medios mensuales, mientras que MARS se aproxima bastante bien a los valores reales de los caudales durante dicho período; así se puede apreciar en la Figura 4. Para la estimación de los aciertos en los pronósticos por En este trabajo se compararon diferentes metodologías de predicción, entre las cuales se encuentran las de tipo para métrico y no paramétrico. MARS, que corresponde a las metodologías de tipo no paramétrico, es capaz de incorporar la influencia de fenómenos macroclimáticos como el ENSO. Los resultados muestran que el mejor método de predic ción es MARS, pues tiene el menor RSM en cada uno de terciles, se puede comparar si el valor de la variable pro los ríos, y además presenta resultados parecidos, en el nosticada corresponde al tercil observado. En caso afir acierto por terciles, a las otras metodologías. Los resul mativo, se considera como un acierto. Un valor de 100% tados también indican que en un clima como el de Co implica que todos los valores predichos para un tercil lombia, que es altamente influenciado por fenómenos determinado, realmente se observaron en ese tercil. Para macroclimáticos como el ENSO, se deben utilizar meto realizar este análisis es necesario conocer los límites que dologías de predicción no paramétricas, como MARS, las permiten discriminar si un valor determinado está en el cuales incluyen la influencia de estos fenómenos en sus tercil superior, medio o inferior (Poveda et ál., 2002). Al predicciones de caudales medios mensuales. aplicar este criterio a las series obtenidas para todos los ríos y para cada método se obtienen comportamientos Agradecimientos: a Jesús David Gómez por su extensa muy diversos de la bondad de los métodos. Así, para el río colaboración. .." C\ c::: ;:o Nare Guatapé > ?' '"'O ...o:> inf '"' ti> :¡ med sup med inf -1! sup ..:!!. ti> Q.. % acierto ti> -... 3: ""'"' ti> o:> -C o:> - ... ti> '"' ti> el) % acierto 1,1 1,8 1,9 8,0 8,1 8.2 !I E F i: M (fI _, J i j¡I----- ::::1 o No. o r~~~ el) A (fI M. ::::1 o 15.5 13.5 _, s: » :;o A M _. J J J, :::1 l:!, s l:!, s 1)..\0---" 18.5 M el) (fI :::1 J _. A o 15,5 14.5 3: ~~ F- ~ o o.. N. N 14,5 ~~ (fI Jj, ª: oª: ~o.. l:!, s F M. i: % acierto % acierto 13.5 14.0 14.5 15.0 15.5 16.0 _, JI-fol----~! M (fI ::::1 J _. A 8.3 8.4 8.5 8.6 8.1 8,8 -'1 A el) A M % acierto % acierto s.a 8,3 IU 8.5 8.6 8.1 en _. A, o o. o. N N D~, [~...:- ~ 3: % acierto 10 11 12 9 10 11 12 13 14 E i:~~ M'-- el) el) A (fI (fI M :¡' ñ' :::1 J -, A o' % acierto % acierto 13 " O. (fI % acierto 9 10 11 12 i: :¡' ñ' ñ' O· ñ[m J I "l i: el) (fI :¡' M J J -, A l:!, s o O N, o 20 2 14 11 12 13 9 10 11 12 13 % acierto 141 14 16 18 20 221 1f~ j:l- ª:o ~o i: al :::1 :s:F J 5' -, J A o o F. 3:. , (fI J 1i -. ::!. J , ii 6' N . J ~~~I (fI :¡' ñ' ::!. n s ~ 0_. _" 3: el) (fI J _. J A· o' 12 :s: I o' 14.5 14 18 16 ::I: O ;::; 20 I ~ CD (fI :¡. ñ' O' :::s (1) iil N n % acierto 22 14 16 18 20 .2 , ~~ (fI '» ~ s: » J :¡' _. J A l:!. s. o o. N " % acierto _ __ '1 el) 20 N % acierto 10 12 14 16 18 20 22 F E" % acierto " % acierto 12,813.013.213.413.613.8 18 M. IJ) D" % acierto 16 l:!. s N· 12.813.013.213.413.613.8 20 % acierto 14 ti) (fI __ 18 ~~@! o. N i % acierto 141 16 ''--'~l l:!, s.. o M A 18 1f~ (fI J :¡. J _. " E F 16 F 'g O'~=-- % acierto ", 14 " ;+=== 13,213.313,413.513.613. % acierto % acierto 14 " 10 :::1 13 A"", _.EJ~ el) (fI 12 J % acierto 13 11 ~ñ'O· ~ "', , " ID 3:~' el) _. J o N, o l:!. s 9 15,0 15.5 % acierto 16.0 14.5 3: :::1 ª: 16.0 I (') - I Q)3 l CD IJ) 15.5 J J s.. o N· D. I OO I ~, ...,., C'I c:: ::=:> Grande 11 Ji> Guadalupe 0\ -.:1 ...,... Q inf ti> :::l .... med inf sup c;} ~, sup med ~. ti> Q. ti> - % acierto % acierto ........ 18.8 19.2 19.6 20.0i 19.0 E ro .... Q "C Q .... .... ,... ti> 5: (1) 5: (1) % acierto 19.5 20.0 20.5 :::s ¡:;. o' o 19.5 20.0 % acierto 20.5 16.4 16,0 F.~ 16.8 M 5' ¡:;. .......- - ~, o·~ N '" % acierto 16 18 20 22 o % acierto % acierto 2· 16 18 20 22 16 24 18 "ar= mb H O'e 20 24 12 14 A M :::s _. J A. 5:iF ~ 1/1 :;. J ' :::s M J ¡:;' n s O' N A-i-== J S ' D~_..... . ..... _. % acierto % acierto 17 1 a 19 20 21 22 23 16 18 '~~'ll 16 5: 18 20 F % acierto F 5: (1) M A. 5: (1) tn M tn M. §: o ~ :!. ~, A. S o N o 14.4 % acierto -' 14.8 M A 10 12 14 5: (1) M A.. 5: ~.10 12 14 16 CD tn 5' -, o ~ N J. 5: 14 16 16 »;;O :;' ~. 3: ~~~~~~== o·¡:;'§~~» N o % acierto % acierto 16.6 16.8 17.0 17.217,4 16.616,6 17.0 17.217.4 E_---1 5: (1) 5: 1/1 (1) 12 F m o' [ % acierto - % acierto 10 F _. tnM-~ :::s ¡:;. :!. o oN O· o' o' 0 ,_____ . _______ _ ::¡ (D ~, ¡:;. N J J. 18 :;' J ñ' 1B 16 ífb- -~ -,j.~ O.. . _ _ _ , 14 ;:::; 1 _JI 12 !O % acierto 16 I:J: % acierto 10 18 1/1 :;. J ------ ~------------------ 13.6 14.0 14.4 14.8 ~t::::=J _L-!.--J.. ~c=~-_s E _, J :::s J 14.0 16 ~:~:.~ ~¡l;;;;;~:::-- g:; 14 tn CD tn "t::==- 12 _.J 5: ~~ 13.6 o en N " :::SJ " ¡:;, o' ~ % acierto o % acierto (1) :;' ~ CD =:: 3: » ;;O J % acierto '--1$-1 22 tn 10 12 14 16 18 20 ¡:;' _, 18.01 ~: ~ 5: :~~=~~=:-,¡. % acierto 22 20 ~ :::s 17.5 ~E-" tn o 10 • tn M _. J J _, J _.A 6' 5: (1) 17.0 ~, 16 E"c~~"""l ----"----.... (1) tn 16.5 F.j- is % acierto 22 18.0 ~r--"""""""""-""i :!. o ti> 17.5 (1) ;-r;:==- ~ 17.0 5: M A I/I~-l----- 5: A % acierto % acierto 16.5 17.2 ,-_.~-~.~- " ~'~~' §: ~ 1/1 190 . n s O == 3 _ Q) O O ,ec I iil' REFERENCIAS BIBLIOGRÁFICAS Segura, J. V. y Vercher, E. 2001. A spreadsheet modeling approach to the Holt-Winters optimal forecasting. Friedman, J. H. 1991. Multivariate Adaptive Regression Splines. Stanford University. Stanford, CA. Poveda, G.; Mesa, O. J; Carvajal, L. European Journal of Operational Research, V. 131: 375-388. . Hoyos, C. D.; Mejía, J. http://www.eeppm.com/epmcom/contenido/acercade/ F.; Cuartas, L. A. Y Pulgarín, A. 2002. Predicción de infraestructura/generacion/Centraleshidroelectri caudales medios mensuales en ríos colombianos cas/centralguatape.htm usando métodos no lineales. Meteorología Co lombiana, 6: 101-110. Fecha de recibo: 20.03.2006 fecha de aceptación: 30.03.2006