Método de Promedios

Aunque existen más métodos para pronosticar, por simplicidad presentamos

solamente dos, que consideramos los más usuales y sencillos de llevar a cabo.

 Promedios Móviles
 Suavización Exponencial

Estos métodos pueden utilizarse cuando:

a) Hay información disponible de la variable(s) que se está pronosticando.

b) La información puede ser cuantificada.
c) Si se considera razonable que el patrón de comportamiento del pasado
continuará en el si se cuenta con una base de datos histórica y se quiere
pronosticar una variable considerando su comportamiento pasado,
entonces podemos utilizar el método de promedios móviles o el método de
suavización exponencial, que son conocidos también como métodos de
series de tiempo.

Método de Promedios Móviles

La utilización de esta técnica supone que la serie de tiempo es estable, esto es,
que los datos que la componen se generan sin variaciones importantes entre un
dato y otro (error aleatorio=0)2, esto es, que el comportamiento de los datos
aunque muestren un crecimiento o un decrecimiento lo hagan con una tendencia
constante.

Cuando se usa el método de promedios móviles se est á suponiendo que todas

las observaciones de la serie de tiempo son igualmente importantes para la
estimación del parámetro a pronosticar (en este caso los ingresos). De
estamanera, se utiliza como pronóstico para el siguiente periodo el promedio de
los n valores de los datos más recientes de la serie de tiempo.

Utilizando una expresión matemática, tenemos:

El término móvil indica que conforme se tienen una nueva observación de la serie
de tiempo, se reemplaza la observación más antigua de la ecuación y se calcula
un nuevo promedio. El resultado es que el promedio se moverá, esto es, conforme
se tengan nuevos datos y se vayan sustituyendo en la fórmula, el valor del
promedio irá modificándose.

No existe una regla específica que nos indique cómo seleccionar la base del
promedio móvil n. Si la variable que se va a pronosticar no presenta variaciones
considerables, esto es, si su comportamiento es relativamente estable en el
tiempo, se recomienda que el valor de n sea grande. Por el contrario, es
aconsejable un valor de n pequeño si la variable muestra patrones cambiantes. En
la práctica, los valores de n oscilan entre 2 y 10.

El método de promedios móviles es muy útil cuando se tiene información no

desagregada y cuando no se conoce otro método más sofisticado y que permita
predecir con mayor confianza.

Este método permite suavizar la serie de tiempo aunque existen otros métodos
que son más eficientes en la predicción.

Una serie de tiempo es un conjunto de observaciones respecto a una variable,

medidas en puntos sucesivos en el tiempo o a lo largo de periodos sucesivos de
tiempo. Un análisis de una secuencia de datos se conoce como análisis de series
de tiempo de una variable.
El error aleatorio muestra el grado de confiabilidad con que se van a comportar los
datos. La variación del error puede ser de 0 a 1, en donde, un error aleatorio=0
muestra una total confiabilidad del comportamiento de los datos y un error
aleatorio=1 muestra que los datos no son confiables en su comportamiento.

Promedio Móvil = Σ(n valores de datos más recientes)

n

Suavización Exponencial

Otro método para realizar un pronóstico es el método de suavización exponencial.

A diferencia de los promedios móviles, este método pronostica otorgando una
ponderación a los datos dependiendo del peso que tengan dentro del cálculo del
pronóstico. Esta ponderación se lleva a cabo a través de otorgarle un valor a la
constante de suavización, α, que puede ser mayor que cero y menor que uno.
Para nuestro ejemplo, utilizamos un valor de α = 0.8, por ser éste el que mejor
ajusta al pronóstico a los datos reales.

El método de suavización exponencial supone que el proceso es constante, al

igual que el método de promedios móviles. Esta técnica está diseñada para
atenuar una desventaja del método de promedios móviles, en donde los datos
para calcular el promedio tienen la misma ponderación. De manera particular, esta
técnica considera que las observaciones recientes tienen más valor, por lo que le
otorga mayor peso dentro del promedio.

La suavización exponencial utiliza un promedio móvil ponderado de los datos

históricos de la serie de tiempo como pronóstico; es un caso especial de promedio
móvil en donde se selecciona un solo valor de ponderación. El modelo básico de
suavización exponencial se presenta a continuación:
Ft+1 = αYt + (1 - α)Ft
Donde:
Ft+1 = Pronóstico de la serie de tiempo para el periodo de t + 1.
Yt = Valor real del periodo anterior al año a pronosticar.
Ft = Valor real del periodo ante-anterior al año a pronosticar.
α= Constante de suavización (0 ≤ α ≤1).

La utilización de esta ecuación implica algunas especificaciones. El cálculo de

Ft+1 está ligado con los 2 periodos anteriores. En otras palabras, el pronóstico de
suavización exponencial en determinado periodo es (Ft+1) = al valor real de la
serie de tiempo en el periodo anterior (Yt) X la constante de suavización (α), + 1 -
la constante de suavización (α) X el periodo ante-anterior (Ft).

Ft+1 = αYt + (1 - α)Ft

A pesar de que la suavización exponencial nos da un pronóstico que es un

promedio ponderado de todas las operaciones pasadas, no es necesario guardar
todos los datos del pasado a fin de calcular el pronóstico para el periodo siguiente.

De hecho, una vez seleccionada la constante de suavización α, sólo se requiere

de dos elementos de información para calcular el pronóstico. La ecuación (2)
muestra que con un α dado, podemos calcular el pronóstico para el periodo t + 1
simplemente conociendo los valores reales y pronosticados de la serie de tiempo
para el periodo t, es decir, Yt y Ft.

La elección de la constante de suavización α es crucial en la estimación de

pronósticos futuros. Si la serie de tiempo contiene una variabilidad aleatoria
sustancial, se preferirá un valor pequeño como constante de suavización. La razón
de esta aseveración es que gran parte del error del pronóstico es provocado por la
variabilidad aleatoria, por lo que un valor pequeño de α permite un pronóstico
mejor. Por el contrario, para una serie de tiempo con una variabilidad aleatoria
relativamente pequeña, valores más elevados de la constante de suavización
tienen la ventaja de ajustar con rapidez los pronósticos cuando ocurren errores de
pronóstico y permitiendo, por lo tanto, que el pronóstico reaccione con mayor
rapidez a las condiciones cambiantes. En la práctica, el valor de α está entre .01 y
90.

Utilizando la ecuación 2, sustituimos los valores correspondientes para hacer el

pronóstico para el año 1992. Sustituyendo valores nos quedaría:

Ingresos 1992 = 0.8 (201986) + (1– 0.8)(163305)

Egresos 1992 = 0.8 (189498) + (1 – 0.8)(162370)

El mismo procedimiento se realiza para el resto de los años y obtenemos los

resultados que aparecen en el cuadro 2. Una vez que se calculan los pronósticos
de ingresos y egresos, la diferencia entre éstos nos da el ahorro, que aparece en
la última columna del mismo cuadro.

Podemos observar que el pronóstico se ajusta más a los datos reales que en el
caso de los promedios móviles. Este método nos permite realizar un pronóstico
más confiable que el caso anterior. Claramente se observa que el pronóstico tiene
mejor ajuste y la diferencia entre los valores reales y los pronosticados es mínima.
Por lo tanto, este método es una mejor opción que los promedios móviles para
predecir el comportamiento futuro de los ingresos y egresos.

Método de Semipromedios
Cuando la serie de años es par:
Consiste en dividir la serie de años en dos partes iguales y obtener promedio de
cada parte, a efecto de determinar el factor de acumulación.

Procedimiento:
 La serie se divide en dos parte iguales.
 Se obtienen promedios de cada parte de la serie.
 Se comparan ambos promedios y el resultado se divide entre la cantidad
de años de cada semipromedio.
 El resultado que se obtiene con el paso anterior, es el factor de
acumulación.

1. Determinación de la diferencia entre los dos semipromedios en unidades y en

tiempo.
32,000 - 26,000 = 6,000 Unidades
Año 2000 - año 2003 = 3 Años

2. Determinación del factor de crecimiento de ventas “b”

Diferencia en unidades / Diferencia en tiempo
6,000 Unidades / 3 años = 2,000

3. Aplicando la “Y” calculada con el primer semipromedio:

El primer semipromedio es 26,000 producto de sumar las ventas de los años 2008,
2009,2010 y luego dividir el resultado dentro de tres. En el presente caso el
semipromedio, numerando los otros años de forma correlativa, hasta llegar al año
deseado, que en el presente caso es 2014, correspondiéndole el año 5.

Yc = a + b (X1)
Yc = 26,000 + 2,000 (5)
Yc = 26,000 + 10,000
Yc = 36,000 Unidades

4. Aplicando la “Y” calculada con el segundo semipromedio:

El segundo semipromedio es 32,000 producto de sumar las ventas de los años
2012, 2013, 2014 y luego dividir el resultado dentro de tres. En el presente caso el
semipromedio posee la tendencia dé ubicarse en el año central, es decir 2012, por
lo que este es el año cero del segundo semipromedio, numerando los demás años
de forma correlativa, hasta llegar al año deseado, que en el presente caso es el
2014,correspondiéndole el año (2)

Yc = a + b (X2)
Yc = 32,000 + 2000 (2)
Yc = 32,000 + 4,000
Yc = 36,000 Unidades

Respuesta: Ventas para el año 2014 = 36,000 unidades.

Cuando la serie de años es impar:

Si la serie es suficientemente grande, entonces puede eliminarse un año para
convertirla en par, para el efecto se toma el primer año de la serie y se suma al
segundo obteniéndose el promedio; luego el segundo año con el tercero y así
sucesivamente, hasta llegar al penúltimo año.

Para procesar el último año es necesario obtener un factor de acumulación,

midiendo la tendencia, comparando el último año con el período intermedio
establecido inmediatamente antes y el resultado (aumento o disminución) se
aplica al último año.

Procedimiento:
1. Para determinar el último semipromedio, se resta el anterior semipromedio
calculado, con el anterior a éste para el presente caso:
34,000 - 33,000 = 1,000

2. Luego esta diferencia se suma a las ventas del último año:

34,000 + 1,000 = 35,000

3. Determinación de la diferencia de semipromedios en unidades y en tiempo:

o 33,000 - 26,400 = 6,600
o Medianos del año 2013 - Principios de 2011 = 2.5 años

4. Determinación del factor de acumulación anual:

o Diferencia en unidades / Diferencia en tiempo
o 6,600 / 2.5 años = 2,640
o 2,640 / 2 = 1,320 semestral

5. Determinación de las ventas para el año 2014 utilizando el primer semipromedio

y factor de acumulación:
Yc = a + bx
Yc = 26,400 + 2,640(4)
Yc = 26,400 + 10,560
Yc = 36,960 Unidades.

Bibliografia;
http://www.cca.org.mx/funcionarios/biblioteca/html/finanzas_publicas/docum
entos/3/m3_metodos.pdf
http://documents.tips/documents/metodo-semi-promediado.html