PRÁCTICA 2: PRONÓSTICOS MÓVILES Y MEDICIÓN DEL ERROR

OBJETIVO: La sesión de práctica tiene como objetivo desarrollar pronósticos y determinar el grado
de error que tienen estos con respecto a los datos verdaderos. Con esto se identificará la calidad de los
pronósticos y su utilidad para tomar decisiones.

TEORIA RELEVANTE
1. Promedio Móvil Simple
Cuando la demanda de un producto no crece ni baja con rapidez, y si no tiene características
estacionales, un promedio móvil puede ser útil para eliminar las fluctuaciones aleatorias del
pronóstico. Cuando más largo sea el periodo del promedio móvil, más se suavizarán
(uniformarán) los elementos aleatorios. Pero si existe una tendencia en los datos, el promedio
móvil tiene la característica adversa de retrasar la tendencia. Por tanto, aunque un periodo más
corto produce más oscilación, existe un seguimiento cercano de la tendencia. Por el contrario,
un periodo más largo da una respuesta más uniforme, pero retrasa la tendencia (Chase, Jacobs,
& Aquilano, 2006). La fórmula de un promedio móvil es:
𝐷𝑡−1 + 𝐷𝑡−2 + 𝐷𝑡−3 + ⋯ + 𝐷𝑡−𝑛
𝐹𝑡 =
𝑛

𝐹𝑡 = 𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑝𝑎𝑟 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡

𝑛 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠 𝑝𝑜𝑟 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑎𝑟

𝐷𝑡−1 = 𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑟𝑒𝑎𝑙 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑝𝑎𝑠𝑎𝑑𝑜

Nota: dos variantes adicionales son el pronóstico de promedio acumulado (Cumulative) y el pronóstico
ingenuo (Naive).

Promedio Acumulado (Cumulative) donde todo importa y todos los datos están incluidos. Esto resulta
en un pronóstico que cambia muy lentamente con el tiempo, por lo tanto, es más estable que sensible.

Pronóstico ingenuo (Naive) donde solo importa el último punto de datos. Esto resulta en un pronóstico
nervioso o volátil que puede cambiar rápida y dramáticamente, por lo tanto, es más sensible que estable.

2. Promedio de Movible Ponderado

Dr. Diego Tlapa

Este método de pronóstico es una variación del promedio móvil. Mientras, en el promedio
móvil simple se le asigna igual importancia a cada uno de los datos que componen dicho
promedio, en el promedio móvil ponderado podemos asignar cualquier importancia (peso) a
cualquier dato del promedio (siempre que la sumatoria de las ponderaciones sean equivalentes
al 100%). Es una práctica regular aplicar el factor de ponderación mayor al dato más reciente.
𝐹𝑡 = 𝑤1𝐷𝑡−1 + 𝑤2𝐷𝑡−2 + ⋯ + 𝑤𝑛𝐷𝑡−𝑛
𝑛

∑ 𝑤𝑖 = 1
𝑡=1

w1 = Peso que se dará a la demanda real en el periodo t - 1

w2 = Peso que se dará a la demanda real en el periodo t - 2

wn = Peso que se dará a la demanda real en el periodo t-n

n = Número total de periodos del pronóstico

3. Medición de errores.
El concepto de “error” asociado al tema de los pronósticos hace referencia a la diferencia entre el valor
del dato real (observado) y el dato pronosticado. Los errores provienen de diferentes fuentes, y pueden
ser de dos tipos.
Errores sesgados: Ocurren cuando se comente un error constante. Según Chase, Jacobs, & Aquilano
(2006), las fuentes de sesgo son no incluir las variables correctas, usar relaciones equivocadas entre las
variables, aplicar la recta de tendencia errónea, un cambio equivocado en la demanda estacional desde
el punto donde normalmente ocurre y la existencia de alguna tendencia no detectada.
Errores aleatorios: Ocurren de tal forma que el modelo de pronóstico utilizado no los explica. Los
términos más comunes para describir el grado de error son:

Error estándar (Error). Determina la diferencia de la demanda observada contra el pronóstico.

𝑒𝑡 = 𝐷𝑡 − 𝐹𝑡

et = error de pronóstico.
Dt = Demanda del periodo t.
Ft = Pronóstico del periodo t.
Error medio (Mean Deviation). Determina la diferencia promedio de la demanda contra el pronóstico.
𝑛 (𝐷𝑡 − 𝐹𝑡)
∑𝑡=1
𝑒𝑝 =
𝑛

Dr. Diego Tlapa

ep = error medio o promedio de pronóstico (Mean Deviation=MD)
Dt = Demanda del periodo t (Demand=D)
Ft = Pronóstico del periodo t (Forecasted value=F)
n = Número de periodos de datos

Error Cuadrado Medio ECM o varianza (Mean Squared Error MSE). Sirve para identificar la media
de las desviaciones cuadráticas de carácter aleatorio de la demanda contra el pronóstico. El error
cuadrado medio se calcula por medio de:
∑𝑛 𝑒2
𝐸𝐶𝑀 = 𝑀𝑆𝐸 = 𝑡=1 𝑡
𝑛
e2 = error del pronóstico en el periodo t al cuadrado.
n = número de periodos.

Raíz del Error Cuadrado Medio RECM o desviación estándar (Root Mean Squared Error RMSE).
Sirve para identificar la media de las desviaciones de carácter aleatorio de la demanda contra el
pronóstico. La raíz del error cuadrado medio se calcula por:

∑𝑛 𝑒2
𝑅𝐸𝐶𝑀 = 𝑅𝑀𝑆𝐸 = √ 𝑡=1 𝑡
𝑛

e2 = error del pronóstico en el periodo t al cuadrado.

n = número de periodos.

Desviación Absoluta Media DAM (Mean Absolute Deviation=MAD). Es el error promedio en los
pronósticos mediante valores absolutos. Mide la dispersión de un valor observado en relación con un
valor esperado.
∑𝑛 |𝐷𝑡 − 𝐹𝑡|
𝑀𝐴𝐷 = 𝐷𝐴𝑀 = 𝑡=1
𝑛
t = Número del periodo.
D = Demanda real en el periodo.
F = Demanda pronosticada para el periodo.
n = Número total de periodos
ǁ = Símbolo para indicar el valor absoluto.

Cuando los errores que ocurren en el pronóstico tienen una distribución normal, la desviación absoluta
media se relaciona con la desviación estándar como,

Dr. Diego Tlapa

 𝜋
1 𝐷𝑒𝑠𝑣 𝑆𝑡𝑑 = √ × 𝐷𝐴𝑀
2
De Igual forma; 1 𝐷𝐴𝑀 = 0.8 𝐷𝑒𝑠𝑣 𝑆𝑡𝑑

Error Porcentual Medio EPM (Mean Percent Error=MPE). Esta medida

determina el error respecto del promedio de demanda. Esa es una medida útil porque es una estimación
de cuanto error se espera con un pronóstico.
𝑛 𝑒𝑡⁄𝐷𝑡
∑𝑡=1
𝐸𝑃𝑀 = 𝑀𝑃𝐸 = [ ] 𝑥 100
𝑛

e = error del pronóstico en el periodo t.

D = Demanda correspondiente al periodo t.
n = número de periodos.

Error Porcentual Absoluto Medio EPAM (Mean Absolute Percent Error=MAPE). Esta medida
determina el error respecto del promedio de demanda en términos absolutos. Esa es una medida útil
porque es una estimación de cuanto error se espera con un pronóstico.
∑𝑛 |𝑒𝑡⁄𝐷𝑡|
𝐸𝑃𝐴𝑀 = 𝑀𝐴𝑃𝐸 = [ 𝑡=1 ] 𝑥 100
𝑛

e = error del pronóstico en el periodo t.

D = Demanda correspondiente al periodo t.
n = número de periodos.

Señales de rastreo (SS o TS). Es una medida que indica si el promedio pronosticado sigue el paso de
cualquier cambio ascendente o descendente de la demanda. Como se utiliza en el pronóstico, la señal de
seguimiento es el número de desviaciones absolutas medias que el valor pronosticado se encuentra por
encima o por debajo de los hechos reales.
𝑆𝐶𝐸𝑃
𝑇𝑆 = 𝑆𝑆 =
𝑀𝐴𝐷
SS o TS = Señal de Rastreo.
SCEP = Sumatoria del error.
MAD o DAM = Desviación Absoluta Media.

Dr. Diego Tlapa

 ACTIVIDAD DE LA PRÁCTICA

Utilizando Excel y la plantilla de referencia, desarrolle los cálculos apropiados y responda lo que se le
pide.

1. Problema de Pronóstico con promedio móvil.

Los siguientes datos corresponden a la demanda de líquido limpiador casero (últimas nueve
semanas) Fuente: Vollman, Whybark, Berry, & Jacobs, (2005).

1A) Encuentre el pronóstico para la semana 33 considerando n= 1, 2, 3, 4, 5, 6, 7, 8 y 9 semanas

respectivamente.
Tabla 1. Demanda de líquido limpiador
Número de Semana

24 25 26 27 28 29 30 31 32

Cajas embarcadas 1600 1500 1700 900 1100 1500 1400 1700 1200

1B) Considerando n=3, encuentre el error e, ECM, RECM, DAM, EPM, EPAM, Coeficiente de
variación y señal de seguimiento.

2. Promedio de Movible Ponderado.

Continuando con los datos de la demanda de líquido limpiador casero (últimas nueve semanas) Fuente:
Vollman, Whybark, Berry, & Jacobs, (2005), se tiene

Tabla 2. Demanda de líquido limpiador

Número de Semana

24 25 26 27 28 29 30 31 32

Cajas embarcadas 1600 1500 1700 900 1100 1500 1400 1700 1200

Dr. Diego Tlapa

2A) Considerando tres periodos, W1=0.5, W2=0.3 y, W3=0.2. Determine el pronóstico correspondiente
para las diferentes semanas utilizando promedio movible ponderado.

2B) Considerando n=3 y el promedio móvil ponderado anterior, encuentre el error e, ECM, RECM,
DAM, EPM, EPAM, Coeficiente de variación y señal de seguimiento.

2C) Determine en función de los indicadores de error, cuál técnica de error es mejor y por qué.

Dr. Diego Tlapa