Ejemplo 1.

PMS con K=3

Promedio Movil
Semana Yt Ft Error Error ^2
1 17
2 21
3 19
4 23 19 -4 16
5 18 21 3 9
6 16 20 4 16
7 20 19 -1 1
8 18 18 0 0
9 22 18 -4 16
10 20 20 0 0
11 15 20 5 25
12 22 19 -3 9
13 19 10.22
= F13 PRONOSTICO 13 error cuadratico medio (ECM)

Ejemplo 2. Haga un PMS, pero Ahora con K=5. ¿Cuál es mejor?

Semana Yt Ft Error Error ^2

1 17
2 21
3 19
4 23
5 18
6 16 19.6 3.6 12.96
7 20 19.4 -0.6 0.360000000000002
8 18 19.2 1.2 1.44
9 22 19 -3 9
10 20 18.8 -1.2 1.44
11 15 19.2 4.2 17.64
12 22 19 -3 9
13 19.4 7.41
 Chart Title
25

20

15

10

0
0 2 4 6 8 10 12 14

serie de tiempo es siempre discreta -pasar de 1 a 2,
promedio movil: quita picos
pronositca con la pura tendencia
entre mayor es K mas suave es la serie= mas pla
En PMS cada observación recibe el mismo peso
misma ponderación).

Menor se ECM el pronostico es mejor, y si es mayor

peor es el modelo de pronositco
ave es la serie= mas plana
n recibe el mismo peso (la
nderación).
 Ejemplo 1. PMP con K=3 y P1 = 1/6, P2 = 1/3, P3 = 1/2 ¿Qué pasa si invierte el valor de

Semana Yt Ft Error Error ^2

1 17 Chart Title
2 21
25
3 19
4 23 19.33 -3.67 13.44
20
5 18 21.33 3.33 11.11
6 16 19.83 3.83 14.69
15
7 20 17.83 -2.17 4.69
8 18 18.33 0.33 0.11
9 22 18.33 -3.67 13.44 10
10 20 20.33 0.33 0.11
11 15 20.33 5.33 28.44 5
12 22 17.83 -4.17 17.36
0
13 19.33 11.49 0 2 4 6 8
ECM
P1 1/6 PT-3
P2 1/3 PT-2
P3 1/2 PT-1
SUMA 1

Ejemplo 2. Haga un PMP con K=3 y con los valores de Pt que minimicen el CME

Semana Yt Ft Error Error ^2

1 17 SOLVER
2 21
3 19 ECM
4 23 18.53 -4.47 19.98
5 18 20.29 2.29 5.24 P1
6 16 20.17 4.17 17.39 P2
7 20 20.15 0.15 0.02 P3
8 18 17.32 -0.68 0.47
9 22 17.54 -4.46 19.89 P1≥0
10 20 19.30 -0.70 0.49 P2≥0
11 15 19.52 4.52 20.44 P3≥0
12 22 20.26 -1.74 3.04
13 18.20 9.66 NONLIN

P1 0.5095442 PT-3
P2 0.3672470 PT-2
P3 0.1134770 PT-1
SUMA 1
a si invierte el valor de las Pt?

Chart Title

4 6 8 10 12 14

que minimicen el CME

En PMP se selecciona un peso

diferente para cada observación
Por lo general se le asigna mayor peso a la
observación
más reciente y menores a las más antiguas.
 Ejemplo 1. SES con ALFA = 0.2

Semana Yt Ft Error
1 17 17 0
Ch
2 21 17 16 ALFA 0.2 25
3 19 17.8 1.44 1-ALFA 0.8
4 23 18.0 24.6016 20
5 18 19.0 1.06502 Criterio de arranque
6 16 18.8 7.98402 F1= Y1
15
7 20 18.3 3.02593
8 18 18.6 0.37013
9 22 18.5 12.3432 10
10 20 19.2 0.65713
11 15 19.4 18.9355 5
12 22 18.5 12.382
13 19.2 8.23371 0
0 2 4 6
ECM
 Se dice que el modelo aprende de los errores del
Chart Title pasado

el valor pronosticado en cualquier

momento es un promedio ponderado de todos los
valores previos donde los pesos de las observaciones
declinan en forma geométrica cuando se retrocede en
el tiempo.

2 4 6 8 10 12 14
e los errores del tecnica de suavizamiento con promedio geometrico NO
simple
no se pierden tantos datos en la construccion, a partir
ualquier del tiempo 2 se puede pronosticar
ado de todos los
las observaciones aprende de los errores, corrigiendo de acuerdo al
error anterior
do se retrocede en
Funciona bien para series de tiempo que no tienen una
tendencia muy marcada, m tiende a 0

Para corregir esto hay que introducir un modelo que si

funcione con tendencias muy marcadas: suavizamineto
de holt
MÉTODOS DE SUAVIZAMIENTO
Ejercicio

Con la siguiente serie de tiempo:

1) Haga un PMS con K=4. Calcule el CME y pronostique para el período 26
2) Haga un PMP con K= 3 Con P3=0.6, P2=0.3 y P1=.1. Calcule el CME y pronostique para el período 26
3) Haga un SES con alfa = 0.4y pronostique para t=26

En todos los casos grafique la serie original y la serie suavizada

3) ¿Cuál de los dos modelos de pronóstico es mejor?

Trimestre Yt
1 500
2 350
3 250
4 400
5 450
6 350
7 200
8 300
9 350
10 200
11 150
12 400
13 550
14 350
15 250
16 550
17 550
18 400
19 350
20 600
21 750
22 500
23 400
24 650
25 850
l período 26