Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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?
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.
Y Yt1 . . . Yt k 1
Ft1 a
(los k valores más recientes de los datos)
t (18.1)
k k
donde
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
FIGURA 18.7 Gráfica de series de tiempo de las ventas de gasolina y pronósticos del promedio
móvil a tres semanas
25
20
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
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 En la sección 18.2 también se mostró que al utilizar las observaciones más recientes como
necesario comparar los pronóstico para la siguiente semana (un promedio móvil de orden k 1) dio como resultado
métodos de elaboración
los valores de EAM 3.73, CME 16.27 y EPAM 19.24%. Así, en cada caso el método de
de pronósticos para distintos
periodos, son preferibles promedio móvil para las tres semanas proporcionó pronósticos más exactos que el simple uso
las medidas relativas como de la observación más reciente como pronóstico.
EPAM para comparar Para determinar si con un orden distinto de k se pueden obtener pronósticos más precisos
un pronóstico de ventas con el promedio móvil, se recomienda el uso del método de prueba y error para determinar el
semanales con un pronóstico
valor de k que minimiza el CME. Para la serie de tiempo de ventas de gasolina se puede mostrar
de ventas mensuales.
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 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.
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
Existen varios El suavizamiento exponencial también utiliza un promedio ponderado de los valores pasa-
procedimientos de dos de la serie de tiempo como pronóstico; es un caso especial del método de promedio móvil
suavizamiento exponencial.
ponderado en el que se elige sólo un peso, aquel para la observación más reciente. Los pesos
El método que aquí se
presenta se refiere a de los valores para los demás datos se calculan automáticamente y son más pequeños conforme
menudo como suavizamiento las observaciones se vuelven más antiguas. La ecuación de suavizamiento exponencial es la
exponencial sencillo. En la siguiente.
siguiente sección se muestra
cómo un suvizamiento
exponencial que utiliza dos
constantes de suavizamiento PRONÓSTICO DE SUAVIZAMIENTO EXPONENCIAL
puede ser utilizado para
pronosticar una serie de Ft1 αYt (1 α)Ft (18.2)
tiempo con tendencia lineal.
donde
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
F4 αY3 (1 α)F3
αY3 (1 α)[αY2 (1 α)Y1]
αY3 α(1 α)Y2 (1 α)2Y1
El término suavizamiento Observe ahora que F4 es un promedio ponderado de los tres primeros valores de la serie de
exponencial proviene tiempo. La suma de los coeficientes o pesos de Y1, Y2 y Y3 es igual a 1. Con un argumento similar
del carácter exponencial del
se puede demostrar que, en general, cualquier pronóstico Ft1 es un promedio ponderado de
sistema de ponderación
de los valores históricos. 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:
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.
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
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
NOTAS Y COMENTARIOS
1. Los paquetes de hoja de cálculo son una ayuda serie de tiempo estacionaria. Estos métodos tam-
eficaz en la elección de un valor adecuado para α bién pueden utilizarse para pronosticar una serie de
en el suavizamiento exponencial. Con los datos tiempo no estacionaria que cambia de nivel pero no
de las series de tiempo y las fórmulas de elabora- muestra una tendencia o estacionalidad. Los pro-
ción de pronósticos, en una hoja de cálculo se pue- medios móviles con valores pequeños de k se pue-
den probar diferentes valores de α y elegir el que den adaptar más rápidamente que los promedios
proporciona el error de pronóstico más pequeño móviles con valores mayores de k. Los modelos de
utilizando una o más medidas de exactitud de pro- suavizamiento exponencial con constantes de sua-
nóstico (EAM, CME o EPAM). vizamiento más cercanas a 1 se adaptan más rápi-
2. Presentamos el promedio móvil y los métodos de damente que los modelos con valores más pequeños
suavizamiento exponencial en el contexto de una 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.