Pronósticos cuantitativos

Mientras que los pronósticos cuantitativos buscan más en las

estadísticas y tendencias pasadas para hacer predicciones,
los pronósticos cualitativos se basan más en la opinión de directivos o
de juicios. Los pronósticos cualitativos también se utilizan a menudo
cuando los datos cuantitativos están ausentes.

Promedio móvil simple

En aplicaciones financieras, un "promedio móvil simple" (PMS) es la media no

ponderada de los datos "n" anteriores. Sin embargo, en ciencia e ingeniería, la
media normalmente se toma de una cantidad igual de datos en cualquier lado
de un valor central. Esto garantiza que las variaciones en la media estén
alineadas con las variaciones en los datos en lugar de desplazarse en el
tiempo. Un ejemplo de una media de ejecución ponderada por igual para una
muestra de precio de cierre de día n es la media de los precios de cierre de los
días anteriores de n días. Si esos precios son la fórmula es:

Al calcular los valores sucesivos, un nuevo valor entra en la suma y un valor

antiguo se elimina, lo que significa que una suma completa cada vez es
innecesaria para este caso simple.
El período seleccionado depende del tipo de movimiento de interés,
como corto, intermedio o largo plazo. En términos financieros, los
niveles medios móviles pueden interpretarse como soporte en un
mercado en baja, o resistencia en un mercado en alza, en un análisis
técnico.
Si los datos utilizados no están centrados en torno a la media, un
promedio móvil simple rezaga el último punto de referencia a la mitad
del ancho de la muestra. Una PMS también puede verse
desproporcionadamente influenciado por puntos de referencia
anteriores o nuevos datos entrantes. Una característica del PMS es que
si los datos tienen una fluctuación periódica, la aplicación de una PMS
de ese período eliminará esa variación (el promedio siempre contiene
un ciclo completo). Pero rara vez se encuentra un ciclo perfectamente
regular.1
Para varias aplicaciones, es ventajoso evitar el cambio inducido al usar
solo datos "pasados". Por lo tanto, se puede calcular una media móvil
central, utilizando datos igualmente espaciados a cada lado del punto
en la serie donde se calcula la media. La derivación y propiedades de la
media móvil central simple se dan en completo en Filtro Savitzky-Golay.
Esto requiere el uso de un número impar de puntos de referencia en la
ventana de muestra.
Un inconveniente principal del PMS es que deja pasar una cantidad
significativa de la señal más corta que la longitud de la ventana. Peor
aún, en realidad lo invierte. Esto puede conducir a resultados
inesperados, como picos en el resultado suavizado que aparecen donde
había valles en los datos. También conduce a que el resultado sea
menos uniforme de lo esperado ya que algunas de las frecuencias más
altas no se eliminan correctamente.
 Promedio móvil ponderado

El promedio móvil ponderado descarta el dato histórico más antiguo y

considera el más reciente, tal y como se trabaja con los promedios
móviles simples, la diferencia es que los datos históricos se
ponderan, es decir, se les asignan pesos diferentes.

Otra similitud con el último dato y con los promedios móviles simples es que
el promedio móvil ponderado se utiliza para pronosticar valores futuros
de series estables, que no presenten tendencia ni estacionalidad.
Fórmula

Notación:
Ft – pronóstico del siguiente periodo t
Dt – valor observado de la demanda en el periodo t
wi – peso o ponderación para el valor observado de la demanda en el
periodo t-i
Desafortunadamente no existe una fórmula para calcular las ponderaciones
que se deben asignar a cada dato histórico, pero se debe probar un conjunto
de ponderaciones y seleccionar las que nos proporcionan un pronóstico más
preciso.
Ejemplo
Consideremos la siguiente tabla de ventas semanales de un cierto producto:
En esta serie histórica no se observa patrón de tendencia ni de estacionalidad,
los datos históricos se mantienen entorno a un valor.

Promedio móvil con n=2, w1=2 y w2=1

Ahora vamos a realizar un pronóstico considerando solo dos datos históricos
(n=2) y dando un peso de 2 al más reciente w1=2 y de 1 al más antiguo w2=1.
Dado que necesitamos dos datos para obtener un pronóstico vamos a
comenzar con el pronóstico de la semana 3 usando las observaciones de las
semanas 1 y 2.

Es natural que se obtengan valores diferentes para el pronóstico al utilizar

diferentes valores de n y de wi. Los promedios móviles ponderados pueden ser
más sensibles a cambios recientes que los promedios móviles simples, siempre
y cuando la ponderación de las observaciones recientes sea mayor, pero en
esta situación se corre el riesgo de confundir una variación aleatoria con un
cambio a su nivel de demanda superior o inferior.
Nuevamente, la elección de las ponderaciones dependerá del encargado del
pronóstico, pero la desviación media absoluta más pequeña es un buen
indicador de que conjunto de ponderaciones elegir. Se pudo haber utilizado
cualquier otro conjunto de ponderaciones, la elección dependerá del
pronóstico que resulte más preciso.

Suavización exponencial
El método de suavización exponencial utiliza los promedios históricos de
una variable en un período para intentar predecir su comportamiento futuro.

Por tanto, de lo que se trata es de predecir qué va a pasar y lo que hace es

suavizar la serie temporal. El objetivo es reducir las fluctuaciones y conseguir
observar una tendencia que a veces no está clara a simple vista. Es muy
utilizado, sobre todo, en previsión de ventas y ha demostrado una eficacia más
que aceptable.

El método de suavización exponencial

Veamos una forma de cálculo sencilla. La fórmula, que mostramos con detalle
en el ejemplo, incluye una demanda real (Do) y un pronóstico (Po). Por otro
lado, también se tiene en cuenta el factor de suavización ( alfa) expresado en
tantos por uno. La fórmula sería esta:
 Lo que hacemos, como veremos al final, es suavizar la serie. Súmanos al
pronóstico del período anterior (Po) la diferencia entre este y la demanda (Do)
multiplicados por el factor de suavización (alfa). Con esto conseguimos valores
con menor variabilidad y se podrá observar mejor la evolución de la serie
temporal.

Por supuesto, existen modelos algo más complejos. Por un lado, el modelo
Box-Jenkins y por otro, el de Holt-Winter. Este último es muy útil por su
sencillez y fácil utilización. No vamos a entrar en detalles concretos, ya que nos
excederíamos de nuestro objetivo de mostrar la economía de forma sencilla.

Las ventajas de los métodos de suavización exponencial

Las ventajas son sobre todo la sencillez y la facilidad de aplicación, pero hay
algunas más. Mostramos las más relevantes a continuación:

 No necesita de muchos datos históricos, a diferencia de otros métodos como

el ARIMA.
 Tiene una mayor precisión que otros al utilizar técnicas de modelado
exponencial.
 Es un método que goza de gran flexibilidad, al utilizar datos de demanda que
pueden ser elegidos por el investigador.
 El llamado alisado exponencial doble permite reducir los problemas de
pronóstico cuando el factor de suavización es mayor a 0.5. Uno de sus pocos
inconvenientes.

Ejemplo de suavización exponencial

Imaginemos una empresa que vende patatas fritas. El director comercial de la

matriz mexicana contacta con su homólogo en España. Este le indica que va a
hacer un pronóstico de ventas para Valencia. Pero claro, el único indicador que
tiene para comenzar son las ventas en una ciudad de México en que se puedan
comparar datos. Utiliza un factor para suavizar la serie del 35%.
Como podemos observar en la figura, aplicando la fórmula obtenemos los
valores del pronóstico. El primero (P1), de enero de 2015, son las ventas de
México D.F de ese mes. La columna de la demanda son los datos reales de ese
año. A partir de ahí, introduciendo la fórmula, se pueden ir creando el resto de
datos de la columna de pronósticos.

Podemos comprobar que la suavización exponencial lo que hace es reducir las

fluctuaciones y observamos que no parece que exista una tendencia clara. Sin
embargo, el pronóstico se sitúa la mayor parte del tiempo por encima de la
demanda real que se acabó produciendo. Aunque en un período posterior esta
es bastante mayor.

Suavización exponencial doble

La tendencia en el suavizamiento exponencial doble o modelo de holt. ... Con

este método se agrega una constante de suavización delta (δ), cuya función es
reducir el error que ocurre entre la demanda real y el pronóstico. Otros
autores usan como constante la letra griega beta (β), es lo mismo.
El pronóstico de suavización exponencial doble es óptimo para patrones de
demanda que presentan una tendencia, al menos localmente, y un patrón
estacional constante, en el que se pretende eliminar el impacto de los
elementos irregulares históricos mediante un enfoque en períodos de
demanda reciente.