Unidad 2

Modelos para
pronósticos

Análisis de Datos
 Página 1 de 30

Introducción
En esta unidad se buscar adquirir la intuición necesaria para lograr predecir la naturaleza
incierta dentro de los negocios y las tendencias que estos manejan en sus actividades, con
la finalidad de ayudar al profesional a mejorar la forma en que se abordarán las incógnitas
que se presenten y logre una forma correcta en la toma de decisiones.

Hoy en día se cuenta con herramientas tecnológicas como los computadores o los
software especializados que nos permitirán realizar pronósticos de escenarios futuros de
nuestras variables de interés, es importante considerar que si bien estas tecnologías nos
permiten obtener buenos resultados, no podemos dejar de lado la intuición y el
razonamiento lógico del profesional que esté desempeñando esta labor, principalmente
porque la experiencia y el conocimiento de los negocios es un elemento fundamental
cuando queremos medir el rendimiento futuro nuestras variables de interés.

Es cierto que cuando intentamos predecir períodos futuros podemos llegar a puntos que
generan ciertas inconsistencias entre nuestros valores pronosticados y los valores reales
que nos depara el futuro, pero debemos tener en consideración que la aplicación de estas
técnicas nos van a servir como guía, como una ayuda para poder generar planeamiento o
tomar decisiones sobre nuestros negocios, de no realizar esto ¿cómo sería posible que el
Banco Central pueda tomar decisiones realistas sobre las tasas de interés futuras? Si bien
ellos pueden observar las variables económicas del momento actual, también deben
realizar proyecciones de estas, o considerar posibles presiones inflacionarias futuras.

Con estas informaciones, los organismos pueden orientar sus futuras decisiones y tener
nociones de que es lo que sucederá. Esto no solo aplica para la decisión de tasas, sino que
generalmente podemos utilizar pronósticos para identificar niveles de ventas de un
producto en específico o sobre carteras de productos, ¿cómo una entidad financiera
podría estimar el comportamiento de la emisión de créditos?, o también ¿cómo podría
ellos intuir el comportamiento de las captaciones bancarias si no poseen herramientas
para pronosticar posibles escenarios futuros? De esta forma tomar decisiones, generar
estrategias son necesarias no solo para cumplir lo que están prediciendo, sino también
para obtener resultado mejores a los esperados.

Es importante tener un muy buen conocimiento de los datos a utilizar, que la ingeniería
del dato que está detrás de todo el análisis sea lo suficientemente consistente para que
nuestros valores pronosticados tengan un fundamento sólido. En línea con esto, es
 Página 2 de 30

importante tener en cuenta que el profesional que esté trabajando estos proyectos tenga
un muy buen juicio, tanto en lo cualitativo como en lo cuantitativo, siempre manteniendo
un equilibrio entre ambos y no recaiga en cargar todas sus expectativas hacia uno de ellos.
Esto porque puede ser que por desconocimiento de métricas de pronóstico se decida
estar totalmente seguro de que su intuición sobre los resultados futuros es siempre
acertada, o que confíe tanto en los resultados obtenidos por los modelos que deje de lado
implicancias propias de los negocios que lleven a orientar de una forma distinta los
resultados obtenidos, y posiblemente en algunos casos rechazarlos.

1. Patrones temporales
En esta sección se evaluarán los patrones temporales, con lo cual nos va a nacer la duda
de ¿qué cantidad de tipos o metodologías de pronósticos existen? En la actualidad existen
muchas formas pronosticar valores futuros, y en esta ocasión abordaremos algunas de
ellas y quizás sean las más utilizadas hoy en día. También, debemos tener en
consideración los plazos que posean (corto, mediano o largo plazo), ya que los tiempos o
plazos que posean nuestras series de datos nos ayudarán a entender cuál será la
metodología que usaremos.

Cuando la dinámica del ejercicio de pronosticar valores futuros busca diseñar estrategias
inmediatas y obtener algún resultado requerido por los profesionales estratégicos de la
organización es posible utilizar herramientas de corto plazo, mientras que cuando el
objetivo es realizar un análisis para definir el curso general de una de nuestras variables
de interés y se espera que esta decisión pueda proyectarse más allá en el tiempo, es
necesario utilizar períodos de largo plazo. Este tipo de análisis por lo general es utilizado
por los altos directivos de las empresas.

Los procedimientos formales para realizar pronósticos radican en la premisa de que los
valores históricos o experiencias del pasado pueden dar una intuición sobre los posibles
comportamientos futuros, esto considerando la implicancia de que las condiciones que
generaron escenarios pasados serán condiciones que influyen de igual forma en
escenarios futuros. Teniendo en consideración eventos históricos es que pueden
determinarse pasos para poder definir el curso de un proceso a pronosticar.
 Página 3 de 30

Formulación
Manipulación Construcción Evaluación
del problema Implementación
y limpieza de y evaluación del
y recopilación del modelo
datos del modelo pronóstico
de datos

Fuente: Hanke, J. y Wichern, D. (2010). Pronósticos en los Negocios (9ed). México: Pearson
Educación.

Una definición más profunda de cada uno de los puntos mencionados se detalla a
continuación:

• Formulación del problema y recopilación de datos: Ambos puntos están muy

relacionados ya que al momento de definir cuál será el problema analizar, también
se deberá tomar la decisión de cuáles datos son los que nos encaminan a resolver
la problemática. En ocasiones, el acceso a la información es sencilla, como también
puede ser un proceso complejo, y con relación a la información disponible y a su
buen procesamiento el profesional deberá decidir qué tan cuantitativo o
cualitativo será el ejercicio para desarrollar.

• Manipulación y limpieza de datos: En ocasiones se podrá contar con muchos

datos y en otras ocasiones con pocos. Debemos saber si estos datos se encuentran
lo suficientemente limpios como para realizar nuestro análisis o si será necesario
desarrollar imputaciones sobre ellos, o identificar si estos datos son pertinentes a
nuestro proceso de pronósticos y saber si deben o no ser considerados. En este
punto, nos podría nacer la siguiente duda ¿Es importante la consideración de las
unidades de medida de los datos?, o por qué no preguntarnos si los datos que
utilicemos deben venir de una única fuente de información, o si es posible generar
acumulaciones en el tiempo, todas estas dudas están fuertemente ligadas a la
experiencia y el conocimiento del negocio que posee la persona que lo realiza.

• Construcción y evaluación del modelo: Esto aborda el ajustar los datos

recolectados con la finalidad de generar un modelo de pronóstico adecuado, y que
con esto logramos minimizar los errores en el pronóstico. Se dice que mientras
más sencillo sea el modelo, es más probable que los datos se adecuen al modelo
de pronóstico. Debemos centrarnos en encontrar un equilibrio entre un enfoque
de pronóstico más complejo que nos entregue un poco más de precisión y un
enfoque sencillo que sea entendible fácilmente y que sea de fácil asimilación para
quien debe tomar decisiones.
 Página 4 de 30

• Implementación del modelo: Una vez recopilados los datos y realizadas las
debidas imputaciones que fuesen necesarias, viene la implementación del modelo,
para el cual hay que definir previamente cuáles metodologías serán aplicadas para
pronosticar y llevarlas a la práctica. Cuando se implementa este tipo de modelos,
es necesario tomar los datos más recientes y utilizar esta información como un
respaldo, que será utilizado para verificar la precisión o exactitud que el modelo
seleccionado nos ha entregado.

• Evaluación del pronóstico: En esta última etapa, se realizará el análisis de los

llamados residuos o errores del modelo, en el cual vamos a comparar nuestros
valores reales contra nuestros valores estimados. Desde el punto anterior,
podemos notar que los datos más recientes fueron respaldados para usarlos como
un elemento de comparación contra nuestro pronóstico, y esta comparativa nos
dará los primeros indicios de qué tan certera fue nuestra metodología y cuál es la
magnitud de los residuos observados. En algunos casos los profesionales a cargo
de estos análisis tienden a reportar la suma de los valores absolutos de las
diferencias encontradas, y a mostrar la división por la cantidad de intentos para
reconocer los valores promedios, o por qué no, utilizar los valores al cuadrado para
poder indagar más sobre las magnitudes de los residuos. Este análisis de los
errores le permite al profesional elegir si quedarse con el modelo que esté
ejecutando o si elegir algún método alternativo para realizar su análisis.

Con toda esta información, podemos notar que los pronósticos tienen como finalidad
reducir el nivel de incertidumbre que deben realizarse al momento de tomar decisiones
por parte de los directivos de cada negocio. Por lo cual podemos decir que el análisis que
vayamos a realizar debería cumplir con dos principales propósitos:
Propósitos

El análisis debe ser correcto y preciso para satisfacer las necesidades de la empresa

Su procedimiento y resultados deben satisfacer la toma de decisiones (relación costo-beneficio)

Fuente: Hanke, J. y Wichern, D. (2010). Pronósticos en los Negocios (9ed). México: Pearson
Educación.
 Página 5 de 30

Como ya hemos visto hasta este punto, los datos cumplen un rol fundamental en la
elaboración de los pronósticos, por lo cual se vuelve muy necesario que estos sean
confiables. Esta confianza en nuestros datos nos ayudará a encaminarnos a resultados
más precisos, y nos da espacio para pensar que el modelo más potente y bien
desarrollado nos entregará muy buenos resultados, pero aun siendo el mejor modelo
podría fallar si sus entradas de datos no nos entregan la confianza necesaria para
validarlos. La recopilación de datos es una tarea difícil para los profesionales a cargo de
depurar la información, pero existen criterios que nos darán orientación y apoyo en esta
búsqueda:

• Datos fidedignos y precisos: Haciendo referencia al cuidado que hay que tener
cuando estamos seleccionando nuestros datos, ¿es relevante la fuente que
estamos utilizando?, ¿La información que posee es exacta en relación con lo que
queremos pronosticar?

• Datos relevantes: La fuente de datos puede ser muy buena, pero tenemos que
analizar si nuestros datos son lo suficientemente buenos para representar las
circunstancias que estamos analizando ¿Son realmente representativos de la
realidad del negocio?

• Datos consistentes: En ocasiones la problemática que se aborde puede tener

cambios en lo que se espera observar de ellos, por lo cual la información
recopilada debe ser lo suficientemente buena para poder adaptarnos frente a
posibles variaciones en lo que el negocio espera obtener del análisis.

Datos
Datos
fidedignos y
relevantes
precisos

Datos Datos
consistentes oportunos
 Página 6 de 30

• Datos oportunos: Los datos pueden venir en períodos de largo o corto plazo, pero
es importante notar que es lo que el estudio a realizar necesita realmente, quizás
se quiere saber el comportamiento de retornos de inversiones bancarias, por lo
cual los datos más recientes, con la frecuencia más acotada nos pueda entregar
información que entregue mayor consistencia a nuestro modelo; o si se está
generando un producto nuevo y queremos comparar otros productos similares la
recopilación de más datos hacia atrás en el tiempo no entregue mayor confianza.
Esta decisión está fuertemente ligada a los directivos de las empresas, las fuentes
de información disponibles y a la capacidad de los profesionales de poder tener
acceso a fuentes de información que apoyen sus análisis.

Hasta ahora hemos visto la importancia de elegir fuentes de datos correctas, y tener en
consideración que existen diversos modelos para realizar pronósticos. Es importante
también dar un enfoque sobre los patrones que podrían presentar nuestras series de
datos, principalmente porque para pronosticar existen formas de ver los datos. Si estos
están alocados en un período único del tiempo podemos decir que no encontramos frente
a una estructura de ‘Corte Transversal’ mientras que si estas observaciones registran o
recopilan comportamientos a lo largo del tiempo nos encontramos frente a una estructura
de ‘Series de Tiempo’.

Quizás lo más utilizado sean datos que nos muestran registros históricos y no podemos
quedarnos solo con saber que son históricos, debemos hacernos la siguiente pregunta
¿Nuestros datos están siguiendo un comportamiento específico?, ¿Presentan algún patrón
a lo largo del tiempo? Lo más probable es que nuestros datos sí presenten algún patrón
específico y la forma más común de reconocerlo a simple vista es de forma visual,
apoyándonos en esto podemos inferir alguna información adicional. A continuación se
detallarán los patrones más comunes que pueden ser identificados en una serie de
tiempo.

1.1. Horizontal (estacionario)

Cuando los datos recopilados a lo largo del tiempo presentan una fluctuación alrededor de
un nivel o una media constante, podemos decir que existe un patrón ‘Horizontal’ o
también conocidos como patrones ‘Estacionarios’. Este tipo de datos nos presenta
patrones estacionarios en la serie en relación con su media ya que su comportamiento no
presenta fluctuaciones que se desvíen fuertemente desde un punto central con el paso del
 Página 7 de 30

tiempo. Esto nos hace pensar o intuir que los patrones de demanda de algún producto en
específico (Ejemplo: la venta de sal), presentan un comportamiento relativamente estable.

Este tipo de patrones nos podría hacer pensar que las variables presentan un
comportamiento aleatorio en el tiempo, pero no siempre es así, en ocasiones podría
existir un grado de autocorrelación entre los períodos observados (la cual tendería a 0 en
un corto período de tiempo); aun así, lo importante al momento de reconocer esta
estacionariedad es que los valores mantendrán una naturaleza que no se aleja mucho de
su media. Las técnicas de pronósticos estacionarios pueden ser usados cuando se
presentan las siguientes circunstancias:

• Cuando la serie se encuentra estabilizada frente a los factores que la afecta, o

cuando el ambiente en el cual se desenvuelve la serie se mantiene sin cambios.
• Cuando existe muy poca información disponible, principalmente porque este tipo
de modelos ocupa el promedio para proyectar hacia períodos futuros y cuando se
cuenta con una mayor cantidad de observaciones es posible aplicar métodos más
complejos.
• Cuando puede estabilizarse la serie mediante alguna conversión, por ejemplo,
utilizando herramientas de transformación de datos como lo son aplicar logaritmos
o raíces.

Un ejemplo de cómo podría verse gráficamente un patrón horizontal, puede ser sobre una
serie de 12 semanas que nos muestra las ventas de gasolina.

Fuente: Anderson, D., et al (2015). Quantitative Methods for Business. South Western: Cengage
Learning.
 Página 8 de 30

Notamos que los valores promedios de la serie corresponden a 19,25 galones de gasolina
por semana, y que el comportamiento de los datos se encuentra muy cercano a su
promedio; además es posible observar que los valores siguen un comportamiento
claramente aleatorio por lo que sus propiedades estadísticas son independientes en el
tiempo. Sin embargo, observar que un patrón es horizontal o estacionario no es evidencia
suficiente para concluir que la serie es estacionaria; por el momento está bien trabajar de
esta manera, pero existen formas más avanzadas de determinar estos patrones mediante
la transformación de series no estacionarias y convirtiéndolas en una.

1.2. Tendencia
Cuando los datos presentan alzas o bajas (bonanzas o recesiones) en determinados
momentos del tiempo podemos decir que nos encontramos frente a un patrón de
‘Tendencia’. Cuando se observa la serie de forma gráfica, se recomienda trazar una línea
recta que se ajuste a los datos, con la intención de identificar en qué momentos del
tiempo el comportamiento propio de los datos históricos se encuentra muy por sobre este
punto medio o muy por bajo dicho punto, permitiéndonos reconocer visualmente una
tendencia en la serie de datos. Podemos decir entonces, que la tendencia es el
componente de largo plazo que representa el crecimiento o el descenso en la serie de
tiempo, durante un período prolongado.

Las técnicas de pronóstico de tendencia pueden ser usadas cuando presentan las
siguientes circunstancias:

• Cuando incrementos en factores como la productividad o la tecnología conllevan

consigo un cambio en el estilo de vida, o en el desarrollo de las funciones.
• Cuando un aumento en la población incentiva a un aumento en la demanda de
bienes y servicios, o también cuando se presenta el caso contrario.
• Cuando los efectos inflacionarios o macroeconómicos tienen un impacto sobre el
poder adquisitivo de las monedas, un efecto en los salarios, en los costos de
producción y en los niveles de precios de los bienes.
• Cuando el producto que se está ofreciendo tiene un impacto positivo y presenta
una buena aceptación en el mercado, lo que repercute como un aumento en el
precio de su demanda. Esto puede ser observado comúnmente cuando vemos el
ciclo de vida de un producto.

Un ejemplo de cómo podría verse gráficamente un patrón de tendencia, puede ser

analizado sobre las dos series mostradas a continuación. La primera corresponde a una
 Página 9 de 30

serie de ventas de una empresa manufacturera de bicicletas por un período de 10 años

(gráfica derecha); mientras que la segunda serie nos permite observar los ingresos por
medicamentos contra el colesterol (gráfica izquierda).

Fuente: Anderson, D., et al (2015). Quantitative Methods for Business. South Western: Cengage
Learning.

Si pudiésemos trazar una línea que se ajuste a los datos de la serie de venta de bicicletas,
podríamos notar claramente un aumento en las ventas a lo largo del tiempo, incluso
considerando los puntos de altas ventas obtenidos los años 3 y 7, o las caídas en las ventas
los meses 4, 8 y 9.

Aquí hay algo importante que notar, ya que vemos que las ventas de bicicletas presentan
un patrón incremental en el tiempo y que puede ser trazado de forma lineal, pero en
muchos casos este tipo de tendencia puede ser descrita por otro tipo de patrones como lo
es el ejemplo de los ingresos por venta de fármacos contra el colesterol; donde podemos
notar que la curva aumenta de un modo no lineal. La tasa de cambios no incrementa de
forma constante año a año, sino que al parecer estos aumentos están ocurriendo sobre un
comportamiento exponencial. Este tipo de patrones es posible observarlos en distintos
tipos de series, pero lo más común es identificar la tendencia de forma lineal y es como se
abordará a lo largo de esta unidad.

1.3. Estacionalidad
Cuando vemos que los datos se encuentran influidos por factores temporales podemos
decir que está bajo un efecto estacional. Este patrón de ‘Estacionalidad’ se refiere a un
cambio que ocurre año tras año, y podríamos pensar que, si tenemos una frecuencia de
datos mensuales la estacionalidad medirá la variabilidad de la serie cada mes del año y así
continuará sucesivamente. Por lo generar las series estacionales, pueden ser identificadas
 Página 10 de 30

cuando tenemos una mayor cantidad de registros a lo largo del tiempo, por ejemplo,
registros mensuales a lo largo de varios años, esto porque con una cantidad de tiempo
reducida es muy difícil identificar este tipo de patrones.

Una forma de desarrollar pronósticos estacionales es mediante la generación de índices.

Como mencionamos los datos pueden ser evaluados en base a sus meses, y si tenemos
varios años de información podríamos generar un índice que represente a todos los meses
enero, febrero, marzo y así sucesivamente. Los índices mencionados son usados para
incluir la estacionalidad o para eliminar este efecto de los valores observados. Las técnicas
de pronóstico de estacionalidad pueden ser usados cuando presentan las siguientes
circunstancias:

• El clima como un efecto de estacionalidad, por ejemplo, las temporadas del

año.
• El calendario anual o fechas importantes de las zonas geográficas.

Un ejemplo de cómo podría verse gráficamente un patrón de estacionalidad, puede ser

sobre una serie de ventas de paraguas que fueron vendidos en una tienda de ropa por un
período trimestral por 5 años.

Fuente: Anderson, D., et al (2015). Quantitative Methods for Business. South Western: Cengage
Learning.

En la serie no es posible observar una tendencia de largo plazo en su comportamiento, e

incluso es posible observar que puede parecerse a una tendencia horizontal con
fluctuaciones aleatorias. Sin embargo, una revisión más profunda de las fluctuaciones nos
revela un patrón sistémico que se repite cada año; este es que en el primer y el tercer
trimestre de cada año las ventas son muy moderadas, mientras que en el segundo
 Página 11 de 30

trimestre se observa un alza considerable de ventas en cada año, y en el cuarto trimestre

se observa una baja considerable en las ventas. Con esto podemos notar que esta serie si
presenta un patrón estacionario y nos motiva a ser muy detallistas al momento de
observar y analizar el comportamiento gráfico de una serie de datos.

1.4. Ciclo
Cuando nuestros datos presentan aumentos o disminuciones a lo largo del tiempo, pero
no presentan estos movimientos en períodos fijos, nos estaremos encontrando con un
patrón ‘Cíclico’. Este patrón se identifica como una fluctuación en forma de onda que
ocurre alrededor de una tendencia, y por lo común, se ve afectada por efectos
económicos generales. Las fluctuaciones cíclicas a menudo son el resultado de
expansiones y contracciones económicas, mejor conocidas como ciclos de los negocios.

Estos patrones son difíciles de modelar ya que por lo general poseen comportamientos
que son inestables, y sus fluctuaciones sobre la tendencia no se repiten en intervalos de
tiempo fijos; de igual forma la magnitud de su intervalo tiende a cambiar. El análisis de los
componentes cíclicos de las series existe y a menudo se requiere de indicadores de
coincidencia o indicadores económicos importantes. Las técnicas de pronóstico cíclicas
pueden ser usados cuando presentan las siguientes circunstancias:

• El ciclo del negocio influye en la variable de interés

• Cambios en gustos de las personas producto de movimientos populares
• Situaciones a nivel país importantes, y que afecten el diario vivir como las guerras
o las epidemias
• En el caso del ciclo de vida de un producto, podemos identificar los cambios de
ciclo desde su lanzamiento, madurez, y por último su declive

Un ejemplo de cómo podría verse gráficamente un patrón cíclico, puede ser sobre una
serie de ventas de por un período de varios años.
 Página 12 de 30

Fuente: Anderson, D., et al (2015). Quantitative Methods for Business. South Western: Cengage
Learning.

Toda fluctuación que sea recurrente ya sea sobre o bajo la línea de tendencia y que dura
más de un año puede atribuirse como un componente cíclico de la serie de tiempo. Por lo
general estos componentes cíclicos tienen relación con los movimientos multianuales de
la economía y con todos los ejemplos que vimos anteriormente.

2. Métodos de proyección
Se ha visto la importancia de realizar pronósticos para poder predecir valores futuros que
puedan ser importantes para las compañías, también hemos visto la importancia de la
limpieza de datos y de las fuentes de información existentes. Ahora, es momento de
revisar algunas metodologías que nos permitirás realizar pronósticos, entre ellas nos
encontraremos con métodos sencillos como lo son el método de promedios (se generan
pronósticos en base en un promedio de las observaciones pasadas) y el método de
suavización (se generan pronóstico en base un promedio de las observaciones pasadas en
base a ponderadores o pesos), para posteriormente avanzar con métodos más avanzado
como los que proponen Holt y Winter.

Si pudiésemos ver el comportamiento, o la estructura de cómo se vería una elaboración

de pronóstico, nos encontraríamos con lo siguiente:

Fuente: Pronóstico en los Negocios

 Página 13 de 30

En donde podemos notar que el tiempo 𝑌𝑡 corresponde al tiempo presente, y es desde

donde nosotros podremos observar los datos pasados y mediante alguna de las
metodologías que pronto veremos podremos pronosticar períodos hacia el tiempo futuro.
En esta proyección, debemos tener en consideración que la observación entre el dato real
obtenido y los pronosticados nos dirán qué tan lejos estuvo nuestro modelo de acertar
con la información correcta. Para evaluar nuestros métodos, existen pasos a seguir, que
podrían representarse de la siguiente manera:

• La selección de un método de pronóstico se realiza con base en el análisis y la

intuición del pronosticador acerca de la naturaleza de los datos.
• El conjunto de datos se divide en dos secciones: una sección de inicio o de ajuste y
una sección de prueba o pronóstico.
• La técnica seleccionada de pronóstico se usa para desarrollar valores de ajuste con
la primera parte de los datos.
• La técnica se usa para pronosticar la segunda sección, los pronósticos obtenidos se
comparan con los datos y se evalúa el error de pronóstico.
• Se toma una decisión. La decisión puede ser usar la técnica en su forma actual,
modificarla o desarrollar un pronóstico usando otra técnica y comparar los
resultados.

Si tomáramos el último registro de nuestra serie y lo utilizáramos como una forma de

pronosticar el período siguiente, nos encontraríamos contra la forma más sencilla de
pronosticar conocida como “Modelos Informales” (𝑌̂𝑡+1 = 𝑌𝑡 ), los cuales tienen una alta
posibilidad de que este nos entregue un valor con un error importante, principalmente
porque los valores futuros de una serie no siempre se mantienen constantes. Un método
informal posee la premisa de que los datos más recientes ofrecen las mejores
predicciones del futuro.

De esta forma podemos notar que los valores predichos tendrán un efecto sistémico bajo,
haciendo que se vuelva importante tener en consideración el comportamiento no solo del
período anterior más cercano, sino que también como es que se comporta con el valor
que lo antecede, esto puede ajustarse al considerar períodos pasados del modelo (𝑌̂𝑡+1 =
𝑌𝑡 + (𝑌𝑡 − 𝑌𝑡−1 )). A continuación, analizaremos metodologías que no consideran la forma
sencilla mencionada, sino que van agregando valor a períodos pasados para lograr
predecir el futuro.
 Página 14 de 30

2.1. Promedio móvil simple

Actualizar las informaciones de cientos de miles de artículos ya es un trabajo arduo para
los profesionales que recopilan la información, y desarrollar un método para cada tipo de
producto se vuelve tedioso, por lo que es necesario poseer herramientas simples,
sencillas, poco costosas y para el corto plazo. Estas técnicas a menudo usan alguna clase
de ponderador de observaciones pasadas para suavizar fluctuaciones de corto plazo, esto
significa que las fluctuaciones de valores pasados representan puntos de partida
aleatorios de alguna estructura subyacente.

En el método de “Promedio Simple”, al igual como sucedía en lo mencionado sobre

modelos informales y considerando los pasos para su evaluación, se toma una decisión
para usar los primeros puntos de datos 𝒕 como parte de la inicialización de la parte
restante de puntos como parte de prueba, pronosticando el siguiente período de esta
forma:

𝒕
𝟏
̂ 𝒕+𝟏 =
𝒀 ∑ 𝒀𝒊
𝒕
𝒊=𝟏 (1)

Cuando una nueva observación esté disponible, el pronóstico siguiente en 𝒀̂ 𝒕+𝟐 , será el
promedio o la media calculada incluyendo la nueva observación. Este es el método de
promedios simples, y es una técnica adecuada cuando los factores que producen la serie
se encuentran estables y el ambiente en el cual se encuentra la serie permanece sin
cambios.

El método de “Promedio Simple” nos permite observar toda la serie para extraer el
siguiente valor en el tiempo, pero ¿qué pasaría si el analista desea darles más importancia
a los valores recientes? Para resolver esta duda tener el método “Promedio Móvil Simple”,
en el cual se puede especificar un número constante de puntos dados al inicio y se puede
calcular una media con las observaciones más recientes. Entonces, cuando esté disponible
una nueva observación, se puede calcular una nueva media sumando el valor más reciente
y eliminando el valor más antiguo. La forma de representar un promedio móvil simple está
dada por:
 Página 15 de 30

𝒀𝒕 + 𝒀𝒕−𝟏 + ⋯ + 𝒀𝒕−𝒌+𝟏 (2)

̂ 𝒕+𝟏 =
𝒀
𝒌

La notación se lee de la siguiente manera:

• ̂ 𝒕+𝟏 = Valor pronosticado

𝒀

• 𝒀𝒕 = Valor en el período 𝒕

• 𝒌 = Número de términos del promedio móvil

La respuesta a los cambios en los patrones subyacentes de la serie depende del número
de períodos que se estén incluyendo en la media móvil, lo que nos permite observar que
este tipo de metodologías no cambia el número de puntos de datos a medida que avanza
el tiempo, por lo cual el promedio móvil no maneja muy bien las tendencias o la
estacionalidad, pero las maneja un poco mejor que un método de promedio simple.

2.2. Suavización exponencial

En el método anterior, vimos que la media móvil va tomando un rango de tiempo y va
proyectando la información más reciente posible. Este método conocido como
“Suavización Exponencial” nos ofrece un modelo de media móvil que va asignando un
peso a los valores previos observados, y a menudo se va adecuando a los datos que no
presentan una tendencia predecible.

La suavización exponencial revisa continuamente un estimado a la luz de las experiencias

más recientes. Este método se basa en promediar (suavizar) valores pasados de una serie
de manera exponencialmente decreciente, en donde la observación más reciente recibe el
peso más grande, ∝ (donde 0 < 𝜶 < 1); la siguiente observación más reciente recibe menos
peso, 𝜶(𝟏 − 𝜶); la observación de dos períodos en el pasado recibe incluso menos peso,
𝛼(𝟏 − 𝜶)𝟐 ; y así sucesivamente.

̂ 𝒕+𝟏 puede considerarse como la

En la suavización exponencial, el nuevo pronóstico para 𝒀
suma ponderada de la nueva observación y el antiguo pronóstico. Con esto podemos
representar la fórmula de la suavización exponencial como:

̂ 𝒕+𝟏 = 𝜶𝒀𝒕 + (𝟏 − 𝜶)𝒀

𝒀 ̂𝒕 (3)

En donde:
 Página 16 de 30

• ̂ 𝒕+𝟏 = Nuevo valor suavizado o el valor del pronóstico para el siguiente período
𝒀

• 𝛼 = Constante de suavización (0 < 𝜶 < 1)

• 𝒀𝒕 = Nueva observación o el valor real de la serie en el tiempo 𝒕

• ̂ 𝒕 = Último valor suavizado o el pronóstico del tiempo 𝒕

𝒀

Desde aquí podemos reescribir la ecuación anterior para notar que el pronóstico en 𝒀 ̂ 𝒕+𝟏,
̂ 𝒕 ajustado 𝛼 veces el residuo o error del pronóstico
es el resultado del viejo pronóstico 𝒀
en el período anterior. Esto podemos verlo se la siguiente manera:

̂ 𝒕+𝟏 = 𝜶𝒀𝒕 + (𝟏 − 𝜶)𝒀

𝒀 ̂𝒕

̂ 𝒕+𝟏 = 𝜶𝒀𝒕 + 𝒀
𝒀 ̂ 𝒕 − 𝜶𝒀
̂𝒕

̂ 𝒕+𝟏 = 𝒀
𝒀 ̂ 𝒕 + 𝜶(𝒀𝒕 − 𝒀
̂𝒕 )

El 𝛼 determina el grado con el cual la observación actual influye en el pronóstico de la

siguiente observación. Con un ′𝜶′ cercano a ‘1’ el nuevo pronóstico será muy similar a la
observación actual, no así en el caso contrario cuando ′𝜶′ cercano a ‘0’, el pronóstico será
muy similar al pronóstico anterior, y la observación tendrá muy poco efecto.

Hasta ahora hemos visto cómo se puede proyectar el período siguiente, pero cuando
pronosticamos el período actual tendremos:

̂ 𝒕 = 𝜶𝒀𝒕−𝟏 + (𝟏 − 𝜶)𝒀
𝒀 ̂ 𝒕−𝟏

Y si sustituimos esto en la ecuación en tiempo futuro tendremos:

̂ 𝒕+𝟏 = 𝜶𝒀𝒕 + (𝟏 − 𝜶)𝒀

𝒀 ̂𝒕

̂ 𝒕+𝟏 = 𝜶𝒀𝒕 + (𝟏 − 𝜶)[ 𝜶𝒀𝒕−𝟏 + (𝟏 − 𝜶)𝒀

𝒀 ̂ 𝒕−𝟏 ]

̂ 𝒕+𝟏 = 𝜶𝒀𝒕 + 𝜶(𝟏 − 𝜶) 𝒀𝒕−𝟏 + (𝟏 − 𝜶)𝟐 𝒀

𝒀 ̂ 𝒕−𝟏

La sustitución continua de 𝒀̂ 𝒕−𝟏 indica que 𝒀

̂ 𝒕+𝟏 puede escribirse como la suma de 𝒀
actual y las anteriores con pesos que descienden exponencialmente .

̂ 𝒕+𝟏 = 𝜶𝒀𝒕 + 𝜶(𝟏 − 𝜶) 𝒀𝒕−𝟏 + (𝟏 − 𝜶)𝟐 𝒀

𝒀 ̂ 𝒕−𝟐 + (𝟏 − 𝜶)𝟑 𝒀
̂ 𝒕−𝟑 + ⋯ (4)
 Página 17 de 30

El valor asignado de 𝛼 es la clave del análisis. Si se desea que las predicciones sean
estables y las variaciones aleatorias se suavicen, se requiere un valor pequeño de 𝛼. Por
otro lado, si se requiere de una respuesta rápida a un cambio en los patrones de las
observaciones, es necesario utilizar un valor de 𝛼 más grande. De esta forma nace la
siguiente duda ¿cómo podemos determinar el 𝛼 que utilizaremos?

2.3. Holt-Winter
La metodología de suavización exponencial vista anteriormente es muy útil cuando los
datos tienen un patrón de cambios infrecuentes; entonces cuando presentan una
tendencia sostenida, la suavización permanecerá retrasada en el tiempo con relación a los
datos reales. Es aquí donde nace la propuesta de “Holt” como una nueva forma de
suavización que logra trabajar de buena manera frente a datos que presentan tendencias
claras y contienen información que nos permite anticipar movimientos o
comportamientos futuros (tendencia bien definida).

En este escenario podemos lograr trazar una tendencia lineal en el tiempo, y gracias a este
método podremos modelar el comportamiento de estas observaciones. Holt en el año
2004 desarrolló un método conocido como suavización exponencial lineal de Holt, la cual
toma en cuenta la evolución local de las tendencias en una serie de tiempo y puede usarse
para generar pronósticos.

Esta técnica permitirá trazar una recta en la serie de datos del negocio que estemos
analizando, ir suavizando directamente la pendiente de la recta trazada y proporcionando
una adaptación en el tiempo a nuevas observaciones; adicional a esto la técnica de ‘Holt’
nos permitirá un grado de adaptabilidad y flexibilidad en la elección de los coeficientes
con los cuales se controlará el nivel y la tendencia de los datos. La técnica posee 3
ecuaciones que serán utilizadas para su desarrollo.

1. La serie suavizada exponencialmente o nivel actual estimado

𝑳𝒕 = 𝜶𝒀𝒕 + (𝟏 − 𝜶)(𝑳𝒕−𝟏 + 𝑻𝒕−𝟏 ) (5)

2. El estimado de la tendencia
 Página 18 de 30

𝑻𝒕 = 𝜷(𝑳𝒕 − 𝑳𝒕−𝟏 ) + (𝟏 − 𝜷)𝑻𝒕−𝟏 (6)

3. El pronóstico para los 𝒑 períodos futuros

̂ 𝒕+𝒑 = 𝑳𝒕 + 𝒑𝑻𝒕
𝒀 (7)

Donde

• 𝑳𝒕 = Nuevo valor suavizado

• 𝛼 = Constante de suavización para el nivel (0 < 𝛼 < 1)

• 𝒀𝒕 = Nueva observación o valor real de la serie en el tiempo 𝒕

• 𝛽 = Constante de suavización para el valor estimado de la tendencia (0 < 𝛼 < 1)

• 𝑻𝒕 = Estimado de la tendencia

• 𝒑 = Período a pronosticar futuros

• ̂ 𝒕+𝒑 = Pronóstico para el período 𝒑 en el futuro

𝒀

La ecuación (5) es muy similar a lo visto en la ecuación de suavización exponencial simple,

con la diferencia de que ahora se incorpora el término 𝑻𝒕−𝟏 para actualizar
adecuadamente su nivel cuando existe tendencia. El nivel actual 𝑳𝒕 se calcula usando un
promedio ponderado de dos estimaciones de nivel: la primera es la observación actual 𝒀𝒕 ,
y la segunda es la suma de la tendencia previa 𝑻𝒕−𝟏 y el nivel suavizado 𝑳𝒕−𝟏 .

Para estimar la tendencia en la ecuación (6) nos encontramos con una nueva constante se
suavización determinada por 𝛽. De esta forma se asignará un peso para estimar la
participación de las diferencias en el cambio de nivel 𝑳𝒕 − 𝑳𝒕−𝟏 y la estimación
previamente suavizada 𝑻𝒕−𝟏 .

Por último, la ecuación (7) nos muestra un pronóstico para los 𝒑 períodos futuros. En
donde se utiliza la tendencia actual estimada 𝑻𝒕 y se multiplica tantas veces como 𝒑
 Página 19 de 30

periodos sean necesarios en el pronóstico, dando paso finalmente a sumar el nivel actual
𝑳𝒕 .

Al igual como en el caso de la suavización simple, las constantes de suavización 𝛼 y 𝛽

pueden seleccionar subjetivamente, pero ¿cómo podríamos nosotros tomar una decisión
de elección sobre estas constantes?, ¿Si asignamos pesos grandes, aumentaremos la
velocidad de los cambios o en caso contrario tendremos movimientos más lentos?

Hasta ahora hemos visto cómo el método de ‘Holt’ nos permite ajustar los datos
considerando la ‘Tendencia’ que existe en nuestra serie, y a es aquí en donde nos
podemos encontrar con ‘Winter’, quien desarrolla una modificación y extensión al modelo
de ‘Holt’, logrando incorporar ahora la ‘Estacionalidad’ que se hace presente en nuestra
serie de datos, lo que busca representar de mejor manera los datos de nuestra serie y
reducir lo errores de pronóstico.

En la versión multiplicativa del método de ‘Winter’ la estimación de la estacionalidad está

dada por un índice estacional denominado 𝑺𝒕 , que será el resultado de un componente 𝛾
y un estimado del índice estacional dado por la división entre el valor actual y el nivel
estimado, y sumado a (𝟏 − 𝜸) veces el componente previo estacional 𝑺𝒕−𝒔 . El
procedimiento aplicado con esta modificación busca generar un índice que pueda usarse
de forma multiplicativa para ajustar un pronóstico que pueda tomar el efecto de los
períodos de bonanzas y de recesiones en una serie temporal. Las ecuaciones propuestas
por el método de ‘Winter’ son las siguientes

1. Series suavizadas exponencialmente o nivel estimado

𝒀𝒕 (8)
𝑳𝒕 = 𝜶 + (𝟏 − 𝜶)(𝑳𝒕−𝟏 + 𝑻𝒕−𝟏 )
𝑺𝒕−𝒔

2. El estimado de la tendencia

𝑻𝒕 = 𝜷(𝑳𝒕 − 𝑳𝒕−𝟏 ) + (𝟏 − 𝜷)𝑻𝒕−𝟏 (9)

3. Estimado de estacionalidad
 Página 20 de 30

𝒀𝒕
𝑺𝒕 = 𝜸 + (𝟏 − 𝜸)𝑺𝒕−𝒔
𝑳𝒕
(10)

4. El pronóstico para los 𝒑 períodos futuros

̂ 𝒕+𝒑 = (𝑳𝒕 + 𝒑𝑻𝒕 ) 𝑺𝒕−𝒔+𝒑

𝒀 (11)

Donde

• 𝑳𝒕 = Nuevo valor suavizado

• 𝛼 = Constante de suavización para el nivel (0 < 𝛼 < 1)

• 𝒀𝒕 = Nueva observación o valor real de la serie en el tiempo 𝒕

• 𝛽 = Constante de suavización para el valor estimado de la tendencia (0 < 𝛼 < 1)

• 𝑻𝒕 = Estimado de la tendencia

• 𝛾 = Constante de suavización para el estimado de estacionalidad

• 𝑺𝒕 = Estimado de estacionalidad

• 𝒑 = Período a pronosticar futuros

• 𝒔 = Longitud de la estacionalidad

• ̂ 𝒕+𝒑 = Pronóstico para el período 𝒑 en el futuro

𝒀

La ecuación (8) actualiza las series suavizadas mediante la división con 𝑺𝒕−𝒔 , lo cual ajusta
la estacionalidad para el dato 𝒀𝒕 , y permite eliminar los efectos estacionales que pudieran
existir en los datos de nuestra serie.
 Página 21 de 30

Si bien la fórmula (7) es muy similar a la (11), esta última ajusta la estimación de períodos
futuros 𝒀̂ 𝒕+𝒑 multiplicando el resultado por el componente 𝑺𝒕−𝒔+𝒑. Este índice estacional
es el último disponible y se utiliza para ajustar el pronóstico con la estacionalidad.

El método que nos propone ‘Winter’ es una forma fácil pero muy funcional para tratar
nuestros datos cuando estos presentan algún patrón estacional, y con esto nos podría
nacer la duda ¿de qué otras formas podríamos trabajar la estacionalidad en las series?,
¿Podemos eliminar de alguna forma estos patrones estacionales o ajustarlos a los datos
de la serie? Estas preguntas podrían estar un poco más allá de lo que esperamos
comprender por el momento, pero queda a disposición de la búsqueda de conocimiento
de forma individual.

3. Medidas de evaluación
En línea con el análisis cuantitativo, nos encontramos con estructuras de datos que están
ordenadas en el tiempo. Con esta información nos estamos acercando a series de tiempo,
las cuales para ser analizadas requieren identificar cada uno de los momentos del tiempo
que estemos observando. Esta representación en series de tiempo generalmente nos
permite identificar cada una de las variables bajo la letra 𝑌, la cual bajo un subíndice
definido nos permitirá posicionarnos en cada uno de los momentos de nuestra serie. De
esta forma, una notación 𝑌𝑡 se referirá a la observación de la variable 𝑌 en el tiempo 𝑡.

Es importante notar que las representaciones matemáticas, al igual como lo visto en

unidades anteriores, nos permitirá identificar cuál de nuestras observaciones es un valor
real en nuestra serie de tiempo (identificada como 𝑌𝑡 ), y cuál es un valor pronosticado por
nuestro análisis (identificada bajo el símbolo de sombrero para su representación 𝑌̂𝑡 ).

Las formas simples de identificar estas observaciones son las siguientes:

• 𝑌𝑡 = Observación de una variable en el tiempo 𝑡

• 𝑌̂𝑡 = Observación pronosticada de la variable en el tiempo 𝑌𝑡

Existe una gran variedad de métodos con los cuales se busca identificar los errores
producto de técnicas de pronósticos. En las cuales por lo general se trabaja un promedio
en función de las diferencias obtenidas entre los valores reales y los pronosticados. Esta
diferencia entre ambas observaciones se conoce como residuos y son calculados bajo la
siguiente expresión:
 Página 22 de 30

• 𝑒𝑡 = 𝑌𝑡 − 𝑌̂𝑡 = Residuo o error de pronóstico en el tiempo 𝑡

Podríamos preguntarnos ¿qué beneficio nos entrega calcular un error de pronóstico?,

pero la respuesta está dada porque el cálculo de estos errores nos permite tomar
decisiones frente a nuestros análisis de proyección, y definir si vamos a seguir por ese
rumbo o si decidimos tomar una alternativa distinta. Estos métodos de evaluación nos
permitirán encontrar un camino que nos permita proyectar desempeños futuros y de igual
forma generar evaluaciones para interpretar de forma metodológica los resultados de
cada uno de nuestros procesos experimentales.

Podemos encontrar dos fuentes de errores en los pronósticos:

• Sesgados: El cual resulta de un error constante, por concepto de una mala

selección de variables o con relaciones equivocadas entre ellas. Esto está
directamente relacionado con el profesional cuantitativo que esté realizando el
análisis, y con la experiencia que posea sobre la selección y el modelamiento del
dato. Profesionales con más experiencia en la administración de estas operaciones
tenderán a incurrir menos en este tipo de errores.

• Aleatorios: Este tipo de error de pronóstico, son aquellos que no poseen una
explicación como tal, es decir, son errores provocados por factores imprevisibles y
por ende es muy difícil detectar cuál es su causa.

Es importante notar que siempre existirán los residuos o errores de pronóstico. Es por
esto, que en la práctica siempre se intentará minimizar ambos tipos de errores eligiendo
el mejor método de pronóstico usando los métodos de evaluación de los valores
pronosticados. A continuación, se verán algunos de los métodos existentes más conocidos
con los cuales es posible evaluar las técnicas de pronósticos que estemos utilizando.

3.1. MSE
El Error Cuadrático Medio (Mean Squared Error - MSE), es uno de los métodos más
utilizados para la evaluación de técnicas de pronósticos en el cual cada uno de los errores
o residuos son elevados al cuadrado, los pasos para aplicar este método podrían
describirse como los siguientes:
 Página 23 de 30

• Se encuentra el residuo mediante la resta del valor real y su valor pronosticado,

para posteriormente elevarlo al cuadrado.

• Se realiza una suma de los resultados obtenidos en el punto anterior.

• Se calcula el promedio, dividiendo el resultado anterior por el número de

observaciones de nuestra serie.

Esta técnica genera una sanción sobre aquellos errores más grandes mediante la elevación
al cuadrado de los resultados, esto es muy importante ya que una técnica que produce
errores moderados quizá sea preferible a una que usualmente tenga pequeños errores.
𝑛
1 2
𝑀𝑆𝐸 = ∑ (𝑌𝑡 − 𝑌̂𝑡 )
𝑛
𝑡=1

3.2. RMSE
La Raíz Cuadrada del Error Cuadrático Medio (Root Mean Squared Error - RMSE), al igual
que el MSE es utilizada para medir o evaluar los métodos de evaluación de pronósticos. En
ambos casos se sancionan los residuos o errores grandes. Este método considera todos los
pasos de MSE y agrega un último paso a seguir:

• Calcular la raíz cuadrada obtenida en el método de MSE

Si bien ambos métodos son trabajados sobre las mismas unidades de medida, este
método nos entrega un resultado bajo una magnitud que nos permite una mejor
interpretación.

𝑛
1
𝑅𝑀𝑆𝐸 = √ ∑ (𝑌𝑡 − 𝑌̂𝑡 )2
𝑛
𝑡=1

Es una medida que nos entrega un resultado representado por la raíz cuadrada de las
diferencias, por lo cual mientras mayor es el resultado mayor es el residuo o error, y por lo
tanto menos preciso es el modelo.
 Página 24 de 30

3.3. MAPE
El Error Porcentual Absoluto Medio (Mean Absolute Percentage Error - MAPE), nos
permite obtener otra forma metodológica de evaluar los residuos o errores, la cual es
mediante el uso de porcentajes en vez de cantidades, es decir, nos permite medir el
tamaño del error absoluto en términos porcentuales. Es posible calcularlo de la siguiente
manera:

• Se encuentra el residuo mediante la resta del valor real y su valor pronosticado

• Se calcula el valor absoluto del punto anterior

• Se realiza la división entre los resultados del punto anterior y el valor real de cada
punto en el tiempo

• Se suman todos los resultados obtenidos, y se dividen por el total de

observaciones de la serie
𝒏
𝟏 |𝒀𝒕 − 𝒀̂𝒕 |
𝑴𝑨𝑷𝑬 = ∑
𝒏 𝒀𝒕
𝒕=𝟏

Este método es útil cuando el error relativo al tamaño respectivo del valor de la serie de
tiempo es importante, para la evaluación de la exactitud del pronóstico. Es importante
notar que este tipo de metodologías no posee unidades de medición debido a que es un
porcentaje.

Al considerar el uso de estas técnicas metodológicas de análisis de los errores o residuos,

podrían nacer las siguientes dudas:

• ¿Qué otras técnicas metodológicas de evaluación de pronósticos existen?

• ¿Es posible comparar la exactitud de dos o más técnicas existentes?

• ¿Nos permite esto medir que tan útil y confiable es una técnica en particular?

• ¿Es posible identificar qué tipo de técnica será óptima para nuestro análisis?
 Página 25 de 30

3.4. Ejemplo
A continuación, se desarrollará un caso simple, pero práctico, que nos permitirá
comprender la forma de utilizar y de interpretar los métodos de evaluación de pronósticos
sobre una serie de datos trimestrales.

Una compañía que elabora barras extensibles de metal nos presenta que sus ventas
trimestrales en millones para los últimos 3 años son las siguientes:

Trimestres Ventas

1 35
2 49
3 24
4 32
5 46
6 48
7 37
8 67
9 25
10 46
11 55
12 32

Fuente: Elaboración propia

Con esto es posible aplicar uno de los métodos de pronóstico más utilizados, que será un
promedio móvil simple de 3 períodos previos. Con lo cual las ventas proyectadas bajo esta
herramienta nos entregarán la siguiente información:

Trimestres Ventas Pronóstico

1 35
2 49
3 24
4 32 36,00
5 46 35,00
6 48 34,00
7 37 42,00
 Página 26 de 30

8 67 43,67
9 25 50,67
10 46 43,00
11 55 46,00
12 32 42,00

Fuente: Elaboración propia

Con esta información tendremos ya nuestros valores pronosticados, y podremos dar paso
al cálculo de los residuos o errores bajo la diferencia de valores reales y pronosticados.
Procediendo ahora a utilizar los métodos de evaluación observados bajo los siguientes
pasos:

• Restas entre las ventas trimestrales y los pronósticos trimestrales nos dará los
errores del período observado

• Elevamos al cuadrado cada uno de los errores para poder identificar los errores
cuadráticos medios MSE

• Calculamos la raíz del error cuadrático medio para encontrar el RMSE

• Se calcula el valor absoluto de los errores y se dividen por el valor real de la venta
para obtener su variación porcentual MAPE

Trimestres Ventas Pronóstico Residuos MSE RMSE MAPE

1 35
2 49
3 24
4 32 36,00 -4,00 16,00 4,00 12,50%
5 46 35,00 11,00 121,00 11,00 23,91%
6 48 34,00 14,00 196,00 14,00 29,17%
7 37 42,00 -5,00 25,00 5,00 13,51%
8 67 43,67 23,33 544,44 23,33 34,83%
9 25 50,67 -25,67 658,78 25,67 102,67%
10 46 43,00 3,00 9,00 3,00 6,52%
11 55 46,00 9,00 81,00 9,00 16,36%
12 32 42,00 -10,00 100,00 10,00 31,25%
15,67 1751,22 105,00 270,72%
 Página 27 de 30

Fuente: Elaboración propia

Para este ejercicio se utilizó como pronóstico, la media móvil simple de 3 períodos, por lo
cual todos los cálculos solo pueden ser realizados a partir del trimestre 4 en adelante. De
esta forma, debemos considerar que el número de períodos que utilizaremos en nuestros
métodos es de n=9, y cada una de las medidas totales obtenidas debe ser dividida por el
número de observaciones a trabajar, permitiéndonos obtener los resultados de los
métodos de evaluación.

Total N° Obs Indicador

MSE 1751,22 9,00 194,58
RMSE 105,00 9,00 11,67
MAPE 270,72% 9,00 30,08%

Fuente: Elaboración propia

Hasta este punto ya tenemos los resultados que esperábamos obtener de este análisis de
metodologías de pronóstico. Pero nos nace la siguiente duda ¿Cómo podemos interpretar
las medidas obtenidas de este ejercicio?, o también pensar ¿de qué nos sirve haber
obtenido estos valores? Estas respuestas son difíciles de dilucidar cuando vemos la última
tabla obtenida, ya que existe un punto muy importante, el cual es que estas medidas nos
permitirán realizar un análisis más profundo cuando generemos comparaciones entre
nuestro método de promedio móvil simple contra otros modelos que conozcamos y que
podamos aplicar sobre la serie de ventas de barras extensibles de metal. Una vez que
podamos ejecutar distintos modelos de pronósticos, podremos dar paso a comparar las
métricas de evaluación y de esta forma elegir cuál será la metodología más acertada sobre
nuestros datos.
 Página 28 de 30

Conclusiones
La finalidad de todo lo analizado es que los profesionales puedan adquirir las
herramientas para ayudar a desarrollar estrategias apropiadas en el futuro mediante la
elaboración de pronósticos. Aprendimos que una serie de tiempo es un conjunto de
observaciones de una variable proyectada en puntos sucesivos del tiempo, y que a lo largo
del tiempo nos puede mostrar información que es propia de su comportamiento que, al
observar mediante patrones como la tendencia, la estacionalidad, los ciclos y los
comportamientos estacionarios, nos permite poder evaluar qué tipo de metodología es la
más recomendada para utilizar.

A lo largo de lo aprendido pudimos notar que los métodos de series de tiempo como los
promedios móviles, los promedios ponderados, la suavización exponencial, entre otros;
son apropiados cuando los datos históricos están restringidos a los valores pasados de la
variable a pronosticar. Pero no podemos dejar de lado que existen otro tipo de
metodologías importantes, como por ejemplo los métodos causales, los cuales también
son utilizados para generar pronósticos en el tiempo, con la diferencia de que si bien un
método causal puede incorporar valores de la serie de tiempo en su análisis (que por lo
general son muy pocos o no se cuenta con ellos), utiliza una gran cantidad de variables o
factores bajo el supuesto de que la variable a pronosticar exhibe una relación causa y
efecto con una o más variable, para con esto lograr explicar la variable pronosticada (estos
métodos corresponde a modelos de regresión).

Por último, los profesionales de hoy en día dan mucha importancia a los pronósticos,
porque están conscientes de los asuntos económicos, políticos, y otros acontecimientos
pueden afectar la demanda de los productos o servicios. Con esto los profesionales
pueden desarrollar metodologías que les permitan poner en juicio las informaciones que
los datos proporcionan y el conocimiento que ellos poseen sobre el comportamiento de
los negocios.
 Página 29 de 30

Referencias bibliográficas
Anderson, D. Sweeney, D. y Williams, T. (2008). Estadística en la Administración y
Economía (10.ª ed.). México DF: Cengage Learning.

Hanke, J. y Wichern, D. (2010). Pronósticos en los Negocios (9ed). México: Pearson

Educación.

Anderson, D., et al (2015). Quantitative Methods for Business. South Western: Cengage
Learning.

Ingrese aquí el nombre de la

asignatura