LICENCIATURA EN EDUCACIÓN

TALLER DE SIMULACIÓN DE MODELOS MATEMÁTICOS

Proyecto 1 Primer Parcial

Proyección de datos utilizando Promedios móviles y suavizado exponencial

Descripción del contexto

Se presenta una serie de tiempo que representa el número de estudiantes matriculados en una
escuela durante un período de 15 años. Existen variaciones en la matriculación de un año a
otro, pero no hay una tendencia clara de aumento o disminución en la población estudiantil
a lo largo del tiempo. Se sacará el valor estimado del año número 15 que en este caso es el
2018 así para así lograr tener una proyección de los datos, todo esto se realizara mediante
promedios móviles, suavizado exponencial y un nivel de confianza del 95%.
Patrón de la serie de tiempo
La serie de tiempo presenta un patrón de nivel u horizontal. Este tipo de patrón se
define como: Cuando los valores de una variable oscilan a través del tiempo alrededor de un
nivel constante o medio, existe un patrón horizontal estacionario. (Montemayor, 2012).
Los datos graficados se muestran en la figura 1.
Figura 1
Patrón Horizontal
540

530

520
Matrícula

510
Datos Reales
500

490

480
2002 2004 2006 2008 2010 2012 2014 2016 2018 2020
Año

Nota: La figura muestra las cifras de matrícula en una escuela del año 2004 al 2018. Fuente:
Elaboración Propia (2024).

Millán Saavedra Abril

 LICENCIATURA EN EDUCACIÓN
TALLER DE SIMULACIÓN DE MODELOS MATEMÁTICOS
Proyecto 1 Primer Parcial

Método de estimación

Para las series de tiempo que presentan patrón horizontal se usa los métodos de Promedios
Móviles y Suavizado Exponencial

Método de Promedios Móviles: Este método consiste esencialmente en calcular un valor

promedio en base a los datos históricos de que - se disponga, y utilizar este valor como
pronóstico para un período en el-futuro (UNISON, 2007).

Método de Suavizado Exponencial: Hace referencia al método donde se estima la demanda

a partir del último periodo calculado el cual se ajusta a la demanda real y al periodo anterior
calculado por medio de un coeficiente que disminuya el error medio del nuevo pronostico
(Caba, Oswaldo, & Tomas, 2011).

Para este ejercicio se realizó un modelado con k=3 y k=5 para el método de Promedios
Móviles y unos valores de alfa de 0.1,0.2 y 0.3 para el suavizado exponencial

Mediciones del error

Las mediciones de error que se usaron para este modelo son:
MAD: La desviación absoluta media es una extensión simple de la varianza absoluta. Suma
las varianzas absolutas y divide el resultado entre el número de registros. La desviación
absoluta media es una estadística de error que calcula el promedio de la distancia ente cada
par de puntos de datos reales y ajustados (PFUSU, 2009).
∑𝑒 !
𝑀𝐴𝐷 =
𝑛
MAPE: es el error de porcentaje medio absoluto, que es una medida relativa que escala
esencialmente la MAD para que se muestre en unidades de porcentaje en lugar de en unidades
de la variable (PFUSU, 2009).
100
∑(|𝑒| ∗ 𝑋𝑡
𝑀𝐴𝑃𝐸
𝑛
RMSE: es la desviación estándar de los valores residuales (errores de predicción). Los
valores residuales son una medida de la distancia de los puntos de datos de la línea de
regresión; RMSE es una medida de cuál es el nivel de dispersión de estos valores residuales.
En otras palabras, le indica el nivel de concentración de los datos en la línea de mejor ajuste
(PFUSU, 2009).
∑𝑒 !
𝑅𝑀𝑆𝐸 = 4
𝑛

Millán Saavedra Abril

 LICENCIATURA EN EDUCACIÓN
TALLER DE SIMULACIÓN DE MODELOS MATEMÁTICOS
Proyecto 1 Primer Parcial

Donde:

En la tabla 1 se observan las mediciones obtenidas

Tabla 1.
Mediciones del error
Valor de F Valor de Valor de MAPE Valor de RMSE
MAD
PM con k=3 514 11.30303 2.196911 14.28533
PM con k=5 513 3.725926 0.739374 4.812073
SE con α=0.1 506.855892 11.66241 2.269989 14.36812
SE con α=0.2 511.312377 11.24487 2.192132 11.4645
SE con α=0.3 514.4356 11.58793 2.262064 14.19033
Nota. El mejor el pronóstico es el que se obtuvo con k=5

Conclusión: Interpretación
De acuerdo con los datos de la tabla 1. se concluye que la mejor estimación para el periodo
15 en el año 2018 fue la que se obtuvo con el método de promedios móviles con k=5. La
estimación fue de 513 unidades. Los valores pueden estar oscilando entre los siguientes
intervalos:
Con MAD [510, 517]
Con MAPE [509, 517]
Con RMSE [504, 522]

Millán Saavedra Abril

 LICENCIATURA EN EDUCACIÓN
TALLER DE SIMULACIÓN DE MODELOS MATEMÁTICOS
Proyecto 1 Primer Parcial

Anexo
Figura 2
Modelación de la Matrícula del 2004 al 2018 con métodos de
Promedios Móviles y Suavizado Exponencial
540

530

520
Datos Reales
Matrícula

PM con K=3
510
PM con K=5
0.1
500
0.2
490 0.3

480
2002 2004 2006 2008 2010 2012 2014 2016 2018 2020
Año

Nota: La figura muestra las cifras de matrícula en una escuela del año 2004 al 2018, así como
la estimación de promedios moviles y suavizado expoenencial. Fuente: Elaboración Propia
(2024).

Millán Saavedra Abril

 LICENCIATURA EN EDUCACIÓN
TALLER DE SIMULACIÓN DE MODELOS MATEMÁTICOS
Proyecto 1 Primer Parcial

Referencias
Montemayor, E. (2012). Patrones de una serie de tiempo. Estrategia y Negocios.
http://www.editorialdigitaltecdemonterrey.com/materialadicional/id196/cap1/patrones_tiem
po.pdf
Método de los promedios móviles. (2007). [Tesis, Universidad de Sonora].
http://tesis.uson.mx/digital/tesis/docs/3607/Capitulo2.pdf
Moreno, R. (2016). Selección de un método de pronóstico de la demanda para la
estandarización de compras de empaque y embalaje. UNIVERSIDAD MILITAR NUEVA
GRANADA.
https://repository.unimilitar.edu.co/bitstream/handle/10654/15592/MorenoArenasRigoberto
2017.pdf?sequence=1&isAllowed=y#:~:text=Suavización%20exponencial%3A%20Hace%
20referencia%20al,%2C%20%26%20TOMAS%2C%202011).
Oracle® Fusion Cloud EPM Trabajo con Planning. (2009). (s. f.).
https://docs.oracle.com/cloud/help/es/pbcs_common/PFUSU/insights_metrics_MAD.htm#
PFUSU-GUID-8D4FC634-8A17-4DE5-BCFC-D618E82FCAE8

Millán Saavedra Abril