18.

3 Promedios móviles y suavizamiento exponencial 797

3. En los ejercicios 1 y 2 se utilizaron distintos métodos de elaboración de pronósticos. ¿Cuál

AUTO evaluación parece dar la mejor exactitud del pronóstico para los datos históricos? Explique.
4. Considere los datos siguientes de series de tiempo.

Mes 1 2 3 4 5 6 7
Valor 24 13 20 12 19 23 15

a) Calcule el valor del CME utilizando el valor más reciente como pronóstico para el periodo
próximo. ¿Cuál es el pronóstico para el mes 8?
b) Calcule el valor del CME al utilizar el promedio de todos los datos disponibles como pro-
nóstico para el siguiente periodo. ¿Cuál es el pronóstico para el mes 8?
c) ¿Qué método parece proveer el mejor pronóstico?

18.3 Promedios móviles y suavizamiento

exponencial
En esta sección se estudiarán tres métodos de elaboración de pronósticos que son apropiados
para una serie de tiempo de patrón horizontal: promedios móviles, promedios móviles ponde-
rados y suavizamiento exponencial. Estos métodos también se adaptan bien a los cambios de
nivel de un patrón horizontal como se observó en las series de tiempo de las ventas prolongadas
de gasolina (tabla 18.2 y figura 18.2). Sin embargo, no funcionan muy bien sin alguna modifi-
cación cuando existen efectos importantes de tendencia, cíclicos o estacionales. Debido a que
el objetivo de cada uno de estos métodos es “suavizar” las fluctuaciones aleatorias en las series
de tiempo, se les conoce como métodos de suavizamiento. Son fáciles de utilizar y en general
proporcionan un alto nivel de exactitud para pronósticos a corto plazo, como el del periodo
siguiente.

Promedios móviles
El método de promedios móviles utiliza el promedio de los valores de los k datos más recien-
tes de la serie de tiempo como pronóstico para el próximo periodo. En términos matemáticos,
un pronóstico de promedio móvil de orden k es el siguiente.

PRONÓSTICO DE PROMEDIO MÓVIL DE ORDEN k

Y  Yt1  . . .  Yt k 1
Ft1  a
(los k valores más recientes de los datos)
 t (18.1)
k k

donde

Ft1  pronóstico de la serie de tiempo para el periodo t  1

Yt  valor real de la serie de tiempo en el periodo t

El término móvil se utiliza porque cada vez que en la serie de tiempo hay una nueva ob-
servación, ésta sustituye a la observación más antigua de la ecuación y se calcula un nuevo
promedio. Como resultado, el promedio se modifica, o se mueve, conforme se disponga de una
nueva observación.
Para ilustrar el método de los promedios móviles, regrese a los datos de las ventas de gaso-
lina de la tabla 18.1 y de la figura 18.1. La gráfica de la figura 18.1 indica que la serie de tiempo
de las ventas de gasolina tiene un patrón horizontal. Por tanto, se pueden aplicar los métodos de
suavizamiento de esta sección.
798 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos

Para utilizar los promedios móviles a efecto de pronosticar las series de tiempo, primero se
debe seleccionar el orden, o el número de los valores de las series de tiempo que se incluirán
en el promedio móvil. Si sólo los valores más recientes se consideran relevantes, es preferible
utilizar un valor pequeño de k. Si existen valores más antiguos que se consideren relevantes,
entonces es mejor un valor grande de k. Como se mencionó antes, una serie de tiempo con un
patrón horizontal puede cambiar con el tiempo a un nuevo nivel. Un promedio móvil se adap-
tará al nuevo nivel y seguirá brindando pronósticos adecuados después de k periodos. Así, un
valor menor de k hará un seguimiento más rápido en el cambio en una serie de tiempo, pero
los valores mayores serán más eficaces para el suavizamiento de las fluctuaciones aleatorias en
el tiempo. Así que el criterio de negocios basado en el entendimiento del comportamiento de
una serie de tiempo es de gran ayuda en la elección de un buen valor de k.
Para ilustrar cómo los promedios móviles pueden utilizarse para pronosticar las ventas de
gasolina, se utilizará un promedio móvil de tres semanas (k  3). Se comienza por calcular el
pronóstico de ventas en la semana 4 con la media de los valores de la serie de tiempo en las
semanas 1 a 3.

17  21  19
F4  promedio de las semanas 1 a 3   19
3

Por tanto, el pronóstico del promedio móvil de ventas en la semana 4 es 19 o 19 mil galones de
gasolina. Debido a que el valor real observado en esta semana es 23, el error de pronóstico en
la semana 4 es 23  19  4.
A continuación se calcula el pronóstico de ventas en la semana 5 al promediar los valores
de la serie de tiempo de las semanas 2 a 4.

21  19  23
F5  promedio de las semanas 2 a 4   21
3

Por tanto, el pronóstico de las ventas en la semana 5 es 21 y el error relacionado con este indi-
cador es 18  21   3. Un resumen completo del pronóstico del promedio móvil para las
series de tiempo en las tres semanas de ventas de gasolina se proporciona en la tabla 18.9. La
figura 18.7 muestra la gráfica de la serie de tiempo original y el pronóstico del promedio móvil
de tres semanas. Observe cómo la gráfica de los pronósticos por promedio móvil ha tendido a
suavizar las fluctuaciones aleatorias en la serie de tiempo.

TABLA 18.9 Resumen de los cálculos del promedio móvil para tres semanas

Valor de Valor absoluto Error de Valor absoluto

la serie Error de del error pronóstico Error del error
Semana de tiempo Pronóstico pronóstico de pronóstico cuadrado porcentual porcentual
1 17
2 21
3 19
4 23 19 4 4 16 17.39 17.39
5 18 21 3 3 9 16.67 16.67
6 16 20 4 4 16 25.00 25.00
7 20 19 1 1 1 5.00 5.00
8 18 18 0 0 0 0.00 0.00
9 22 18 4 4 16 18.18 18.18
10 20 20 0 0 0 0.00 0.00
11 15 20 5 5 25 33.33 33.33
12 22 19 3 3 9 13.64 13.64
Totales 0 24 92 20.79 129.21
 18.3 Promedios móviles y suavizamiento exponencial 799

FIGURA 18.7 Gráfica de series de tiempo de las ventas de gasolina y pronósticos del promedio
móvil a tres semanas

25

20

Ventas (miles de galones)

15
Pronóstico del promedio
móvil a tres semanas
10

0
0 1 2 3 4 5 6 7 8 9 10 11 12
Semana

Para pronosticar las ventas en la semana 13, el siguiente periodo en el futuro, se calcula
simplemente el promedio de los valores de la serie de tiempo en las semanas 10, 11 y 12.

20  15  22
F13  promedio de las semanas 10 a 12   19
3

Por tanto, el pronóstico para la semana 13 es 19 o 19 mil galones de gasolina.

Exactitud del pronóstico En la sección 18.2 se estudiaron tres medidas de exactitud del
pronóstico: EAM, CME y EPAM. Al utilizar los cálculos del promedio móvil de tres semanas de
la tabla 18.9, los valores para estas tres medidas de exactitud del pronóstico son

24
EAM   2.67
9
92
CME   10.22
9
129.21
EPAM   14.36%
9

En situaciones donde es
necesario comparar los
métodos de elaboración
de pronósticos para distintos
periodos, son preferibles
las medidas relativas como
EPAM para comparar
un pronóstico de ventas
semanales con un pronóstico
de ventas mensuales.
En la sección 18.2 también se mostró que al utilizar las observaciones más recientes como
pronóstico para la siguiente semana (un promedio móvil de orden k  1) dio como resultado
los valores de EAM  3.73, CME  16.27 y EPAM  19.24%. Así, en cada caso el método de
promedio móvil para las tres semanas proporcionó pronósticos más exactos que el simple uso
de la observación más reciente como pronóstico.
Para determinar si con un orden distinto de k se pueden obtener pronósticos más precisos
con el promedio móvil, se recomienda el uso del método de prueba y error para determinar el
valor de k que minimiza el CME. Para la serie de tiempo de ventas de gasolina se puede mostrar
que el valor mínimo del CME corresponde a un promedio móvil de orden k  6 con CME 
6.79. Si se está dispuesto a asumir que el orden del promedio móvil que es mejor para los datos
800
Un pronóstico de promedio
móvil de orden k  3 es un
caso especial del método
de promedios móviles
ponderados en el que cada
peso es igual a 1/3.
Existen varios
procedimientos de
suavizamiento exponencial.
El método que aquí se
presenta se refiere a
menudo como suavizamiento
exponencial sencillo. En la
siguiente sección se muestra
cómo un suvizamiento
exponencial que utiliza dos
constantes de suavizamiento
puede ser utilizado para
pronosticar una serie de
tiempo con tendencia lineal.
Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
históricos también será mejor para los valores futuros de la serie de tiempo, el pronóstico para el
promedio móvil más preciso en las ventas de gasolina se puede obtener utilizando un promedio
móvil de orden k  6.
Promedios móviles ponderados
En el método del promedio móvil, cada observación en los cálculos recibe el mismo peso.
Una variante, conocida como promedios móviles ponderados, consiste en seleccionar un pe-
so diferente para cada uno de los valores y después calcular el promedio ponderado de los k
valores más recientes como pronóstico. En la mayoría de los casos la observación más recien-
te recibe el mayor peso, y los pesos se reducen para los datos más antiguos. Utilice la serie
de tiempo de las ventas de gasolina para ilustrar el cálculo de un promedio móvil ponderado de
tres semanas. Asigne un peso de 3/6 a la observación más reciente, un peso de 2/6 a la segunda
observación más reciente, y un peso de 1/6 a la tercera observación más reciente. Utilizando
este promedio ponderado, el pronóstico para la semana 4 se calcula como sigue.
Pronóstico para la semana 4  16 (17)  26 (21)  36 (19)  19.33
Observe que en el método del promedio móvil ponderado la suma de los pesos es igual a 1.
Exactitud del pronóstico Para utilizar el método de promedios móviles ponderados, pri-
mero debe seleccionar la cantidad de valores que se incluirán en el promedio móvil ponderado
y después elegir los pesos para cada uno de los valores. En general, si se cree que el pasado re-
ciente es un mejor predictor del futuro que el pasado distante, habrá que asignar pesos mayores
a las observaciones más recientes. Sin embargo, si la serie de tiempo es muy variable, puede ser
mejor elegir pesos aproximadamente iguales para todos los datos. El único requisito en la se-
lección de los pesos es que su suma debe ser igual a 1. Para estimar si con una determinada
combinación de cantidad de datos y de pesos se obtiene un pronóstico más preciso que con
otra combinación, se recomienda utilizar el CME como medida de exactitud del pronóstico. Es
decir, si se supone que la combinación que es mejor para el pasado también será mejor para el
futuro, se utilizará la combinación del número de valores y pesos que minimice el CME de la
serie de tiempo histórica para pronosticar el siguiente valor en la serie de tiempo.
Suavizamiento exponencial
El suavizamiento exponencial también utiliza un promedio ponderado de los valores pasa-
dos de la serie de tiempo como pronóstico; es un caso especial del método de promedio móvil
ponderado en el que se elige sólo un peso, aquel para la observación más reciente. Los pesos
de los valores para los demás datos se calculan automáticamente y son más pequeños conforme
las observaciones se vuelven más antiguas. La ecuación de suavizamiento exponencial es la
siguiente.
PRONÓSTICO DE SUAVIZAMIENTO EXPONENCIAL
Ft1  αYt  (1  α)Ft (18.2)
donde
Ft1  pronóstico para el periodo t  1 de la serie de tiempo
Yt  valor real de la serie de tiempo en el periodo t
Ft  pronóstico para el periodo t de la serie de tiempo
α  constante de suavizamiento (0  α  1)

El término suavizamiento
exponencial proviene
del carácter exponencial del
sistema de ponderación
de los valores históricos.
18.3 Promedios móviles y suavizamiento exponencial 801
La ecuación (18.2) muestra que el pronóstico para el periodo t  1 es un promedio pon-
derado del valor real en el periodo t y del valor pronosticado para el periodo t. El peso dado
al valor real en el periodo t es la constante de suavizamiento α, y el peso dado al pronóstico
para el periodo t es 1  α. Resulta que el pronóstico exponencial para cualquier periodo es en
realidad un promedio ponderado de todos los valores reales anteriores de la serie de tiempo. Se
ilustra lo anterior con una serie de tiempo que sólo implica los datos de tres periodos: Y1, Y2 y Y3.
Para empezar los cálculos, sea F1 el valor real de la serie de tiempo en el periodo 1, es de-
cir, F1  Y1. Por tanto, el pronóstico para el periodo 2 es
F2  αY1  (1  α)F1
 αY1  (1  α)Y1
 Y1
Observe que el pronóstico de suavizamiento exponencial para el periodo 2 es igual al valor real
de la serie de tiempo en el periodo 1.
El pronóstico para el periodo 3 es
F3  αY2  (1  α)F2  αY2  (1  α)Y1
Por último, al sustituir esta expresión para F3 en la expresión para F4 obtenemos
F4  αY3  (1  α)F3
 αY3  (1  α)[αY2  (1  α)Y1]
 αY3  α(1  α)Y2  (1  α)2Y1
Observe ahora que F4 es un promedio ponderado de los tres primeros valores de la serie de
tiempo. La suma de los coeficientes o pesos de Y1, Y2 y Y3 es igual a 1. Con un argumento similar
se puede demostrar que, en general, cualquier pronóstico Ft1 es un promedio ponderado de
todos los valores anteriores de la serie de tiempo.
A pesar de que con el suavizamiento exponencial se obtiene un pronóstico que es el prome-
dio ponderado de todas las observaciones anteriores, no deben conservarse todos los datos del
pasado para calcular el pronóstico del periodo siguiente. De hecho, la ecuación (18.2) muestra
que una vez que el valor de la constante de suavizamiento α es elegida, sólo se necesitan dos
informaciones para calcular el pronóstico: Yt , el valor real de la serie de tiempo para el perio-
do t, y Ft , el pronóstico para el periodo t.
Para ilustrar el método de suavizamiento exponencial, considere de nuevo la serie de tiem-
po de los precios de la gasolina presentada en la tabla 18.1 y en la figura 18.1. Como ya se
explicó, para iniciar los cálculos se establece un pronóstico de suavizamiento exponencial para
el periodo 2 igual al valor real de la serie de tiempo en el periodo 1. Por tanto, como Y1  17,
para empezar con los cálculos del suavizamiento exponencial se pone F2  17. Referente a los
datos de la serie de tiempo en la tabla 18.1, se encuentra que el valor real de la serie de tiempo
en el periodo 2 es Y2  21. Por tanto, el error de pronóstico del periodo 2 es 21  17  4.
Al continuar con los cálculos del suavizamiento mediante una constante de suavización
α  0.2, se obtiene el siguiente pronóstico para el periodo 3:
F3  0.2Y2  0.8F2  0.2(21)  0.8(17)  17.8
Una vez que se conoce el valor real de la serie de tiempo en el periodo 3, Y3  19, se puede
generar un pronóstico para el periodo 4 de la siguiente manera.
F4  0.2Y3  0.8F3  0.2(19)  0.8(17.8)  18.04
Al continuar con los cálculos para el suavizamiento exponencial se determinan los valores de
los pronósticos semanales que se muestran en la tabla 18.10. Observe que no se ha mostrado
802 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos

TABLA 18.10 Resumen de los pronósticos de suavizamiento exponencial y los errores

de pronóstico de la serie de tiempo para las ventas de gasolina con α  0.2
como constante de suavizamiento

Valores de la serie Error de Error de pronóstico

Semana de tiempo Pronóstico pronóstico cuadrado
1 17
2 21 17.00 4.00 16.00
3 19 17.80 1.20 1.44
4 23 18.04 4.96 24.60
5 18 19.03 1.03 1.06
6 16 18.83 2.83 8.01
7 20 18.26 1.74 3.03
8 18 18.61 0.61 0.37
9 22 18.49 3.51 12.32
10 20 19.19 0.81 0.66
11 15 19.35 4.35 18.92
12 22 18.48 3.52 12.39
Totales 10.92 98.80

un pronóstico de suavizamiento exponencial o un error de pronóstico para la semana 1, ya que

no se obtuvo ningún pronóstico. Para la semana 12, se tiene que Y12  22 y F12  18.48. Se
puede utilizar esta información para generar un pronóstico sobre la semana 13.

F13  0.2Y12  0.8F12  0.2(22)  0.8(18.48)  19.18

Por tanto, el pronóstico de suavizamiento exponencial de la cantidad vendida en la semana 13

es 19.18, o 19 180 galones de gasolina. Con este pronóstico, la empresa, como consecuencia,
puede hacer planes y tomar decisiones.
La figura 18.8 muestra la gráfica de los valores reales y pronosticados de la serie de tiem-
po. Observe en especial cómo los pronósticos “suavizan” la irregularidad de las fluctuaciones
de la serie de tiempo.

Exactitud del pronóstico En los cálculos anteriores para el suavizamiento exponencial se

utilizó una constante de suavizamiento de α  0.2. Aunque cualquier valor para α entre 0 y 1
es aceptable, algunos darán mejores pronósticos que otros. Una idea de cómo elegir el mejor
valor para α se obtiene al revisar el modelo básico de suavizamiento exponencial de la siguien-
te manera.

Ft1  αYt  (1  α)Ft

Ft1  αYt  Ft  αFt
Ft1  Ft  α(Yt  Ft) (18.3)

Así, el nuevo pronóstico Ft1 es igual al anterior Ft más un ajuste, el cual es la constante de
suavizamiento α multiplicada por el error de pronóstico más reciente Yt  Ft . Es decir, el pro-
nóstico para el periodo t  1 se obtiene al ajustar el pronóstico para el periodo t mediante
una fracción del error de pronóstico. Si en la serie de tiempo existe una variabilidad aleatoria
considerable, se prefiere un valor pequeño para la constante de suavizamiento. La razón de esta
elección estriba en que gran parte del error de pronóstico se debe a la variabilidad aleatoria, y
no se quiere reaccionar de forma exagerada y ajustar los pronósticos muy rápidamente. Para una
serie de tiempo con una variabilidad aleatoria relativamente pequeña, los errores de pronóstico
tienden más a representar un cambio en el nivel de la serie. Por tanto, los valores mayores para
 18.3 Promedios móviles y suavizamiento exponencial 803

FIGURA 18.8 Series de tiempo real y pronosticada de las ventas de gasolina con constante
de suavizamiento α  0.2

25
Serie de
tiempo real

20
Ventas (miles de galones)

15
Pronóstico de la serie
de tiempo con α ⫽ 0.2

10

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Semana

la constante de suavizamiento tienen la ventaja de ajustar rápidamente los pronósticos, lo que

permite adaptarlos más pronto a las condiciones cambiantes.
El criterio que se utilizará a efecto de determinar el valor adecuado para la constante de
suavizamiento α es el mismo que el propuesto para determinar el número de periodos a incluir
en el cálculo de los promedios móviles. Es decir, se elige el valor de α que minimice el cuadrado
medio debido al error (CME) o error cuadrático medio. Un resumen de los cálculos del CME para
el pronóstico de suavizamiento exponencial de las ventas de gasolina con α  0.2 se muestra
en la tabla 18.10. Observe que hay un error cuadrado menos que el número de periodos, porque
no se tenía el valor anterior con el que se pudiera obtener un pronóstico para el periodo 1. El
valor de la suma de los errores de pronóstico cuadrados es 98.80, por lo que CME  98.80/11 
8.98. ¿Habrá un valor de α distinto que proporcione mejores resultados en términos de un valor
menor del CME? La forma más sencilla de responder esta pregunta es simplemente probar otros
valores para α. Después se comparan los cuadrados medios del error con el valor de 8.98 del
CME obtenido mediante una constante de suavizamiento α  0.2.
Los resultados del suavizamiento exponencial con α  0.3 se muestran en la tabla 18.11.
El valor de la suma de los errores de pronóstico cuadrados es 102.83, por lo que CME 
102.83/11  9.35. Observe que con CME  9.35 para este conjunto de datos reales, una cons-
tante de suavizamiento de α  0.3 resulta en pronósticos menos exactos que si se emplea una
constante de suavizamiento de α  0.2. Por tanto, se preferirá esta constante original de α 
0.2. Al utilizar otros valores de α se puede hallar un “buen” valor para la constante de suaviza-
miento. Este valor puede ser utilizado en el modelo de suavizamiento exponencial a efecto de
obtener pronósticos para el futuro. En un momento posterior, después de obtener nuevas obser-
vaciones de la serie de tiempo, se analizan nuevamente los datos recabados para determinar si
la constante de suavizamiento debe ser modificada para obtener mejores resultados.
804 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos

TABLA 18.11 Resumen de los pronósticos de suavizamiento exponencial y de los errores

de pronóstico para las ventas de gasolina con constante de suavizamiento
α  0.3

Valores de la serie Error de Error de pronóstico

Semana de tiempo Pronóstico pronóstico cuadrado
1 17
2 21 17.00 4.00 16.00
3 19 18.20 0.80 0.64
4 23 18.44 4.56 20.79
5 18 19.81 1.81 3.28
6 16 19.27 3.27 10.69
7 20 18.29 1.71 2.92
8 18 18.80 0.80 0.64
9 22 18.56 3.44 11.83
10 20 19.59 0.41 0.17
11 15 19.71 4.71 22.18
12 22 18.30 3.70 13.69
Totales 8.03 102.83

NOTAS Y COMENTARIOS

1. Los paquetes de hoja de cálculo son una ayuda
eficaz en la elección de un valor adecuado para α
en el suavizamiento exponencial. Con los datos
de las series de tiempo y las fórmulas de elabora-
ción de pronósticos, en una hoja de cálculo se pue-
den probar diferentes valores de α y elegir el que
proporciona el error de pronóstico más pequeño
utilizando una o más medidas de exactitud de pro-
nóstico (EAM, CME o EPAM).
2. Presentamos el promedio móvil y los métodos de
suavizamiento exponencial en el contexto de una
serie de tiempo estacionaria. Estos métodos tam-
bién pueden utilizarse para pronosticar una serie de
tiempo no estacionaria que cambia de nivel pero no
muestra una tendencia o estacionalidad. Los pro-
medios móviles con valores pequeños de k se pue-
den adaptar más rápidamente que los promedios
móviles con valores mayores de k. Los modelos de
suavizamiento exponencial con constantes de sua-
vizamiento más cercanas a 1 se adaptan más rápi-
damente que los modelos con valores más pequeños
de la constante de suavizamiento.

Ejercicios

Métodos
5. Considere los datos siguientes de serie de tiempo.
AUTO evaluación

Semana 1 2 3 4 5 6
Valor 18 13 16 11 17 14

a) Construya una gráfica de serie de tiempo. ¿Qué tipo de patrón existe en los datos?
b) Obtenga los pronósticos con un promedio móvil a tres semanas para esta serie de tiempo.
Calcule el CME y un pronóstico para la semana 7.
c) Utilice α  0.2 para calcular los pronósticos de suavizamiento exponencial de la serie de
tiempo. Calcule el CME y dé un pronóstico para la semana 7.