Promedios Móviles

Promedio Móvil Simple =

Promedio Móvil
Ponderado =
Promedio Móvil Simple =
Mes Ventas Reales de Cobertizos Promedio Móvil de 3 meses
Enero 10

Ejemplo: Las ventas Febrero 12

de cobertizos de una Marzo 13
empresa “X”, se Abril 16 (10+12+13)/3= 11.66
muestran en la Mayo 19 (12+13+16)/3= 13.66
columna central de la Junio 23 (13+16+19)/3= 16
siguiente tabla. A la Julio 26 (16+19+23)/3= 19.33
derecha se da el
Agosto 30 (19+23+26)/3= 22.66
promedio móvil de 3
Septiembre 28 (23+26+30)/3= 26.33
meses.
Octubre 18 (26+30+28)/3= 28
Noviembre 16 (30+28+18)/3= 25.33
Diciembre 14 (28+18+16)/3= 20.66
Promedio Móvil Ponderado =

Ponderación Aplicada Período

3 Último mes o más reciente
2 Hace dos meses
1 Hace tres meses
6 Suma de ponderaciones
Promedio Móvil Ponderado =
Mes Ventas Reales de Cobertizos Promedio Móvil de 3 meses
Enero 10
Febrero 12
Marzo 13
Abril 16 [(3x13)+(2x12)+(10)]/6 = 12.16
Mayo 19 [(3x16)+(2x13)+(12)]/6 = 14.33
Junio 23 [(3x19)+(2x16)+(13)]/6 = 17
Julio 26 [(3x23)+(2x19)+(16)]/6 = 20.5
Agosto 30 [(3x26)+(2x23)+(19)]/6 = 23.83
Septiembre 28 [(3x30)+(2x26)+(23)]/6 = 27.5
Octubre 18 [(3x28)+(2x30)+(26)]/6 = 28.33
Noviembre 16 [(3x18)+(2x28)+(30)]/6 = 23.33
Diciembre 14 [(3x16)+(2x18)+(28)]/6 = 18.66
Promedio Móvil Simple:

El método de pronóstico móvil simple se utiliza cuando se quiere dar más

importancia a conjuntos de datos más recientes para obtener la
previsión. Cada punto de una media móvil de una serie temporal es la
media aritmética de un número de puntos consecutivos de la serie, donde
el número de puntos es elegido de tal manera que los efectos estacionales
y / o irregulares sean eliminados.

El pronóstico de promedio móvil es óptimo para patrones de demanda

aleatorios o nivelados donde se pretende eliminar el impacto de los
elementos irregulares históricos mediante un enfoque en períodos de
demanda reciente.
Promedio Móvil Simple:

Promedio de ventas en unidades en el período t

Sumatoria de datos

Ventas reales en unidades de los períodos anteriores a t

Número de datos
Ejemplo:
Una compañía presenta en el siguiente tabulado el reporte de ventas correspondiente al año 2009.

MES VENTAS REALES

(2009)
Enero 80
Teniendo en cuenta los datos anteriores, se debe
Febrero 90
calcular un pronóstico mediante la tenia de Promedio
Marzo 85
Móvil utilizando:
Abril 70
Mayo 80
•Un período de 3 meses (a partir de abril de 2009)
•Un período de 6 meses (a partir de julio de 2009)
Junio 105
Julio 100
El objetivo consiste en identificar con cuál de los dos
Agosto 105
períodos del pronóstico se obtiene mayor precisión al
Septiembre 100
compararse con las ventas reales del reporte.
Octubre 105
Noviembre 100
Diciembre 150
Solución:
Al ser un pronóstico con un período móvil de 3 meses, éste deberá efectuarse a partir del mes de abril,
es decir que para su cálculo tendrá en cuenta tres períodos, es decir, Enero, Febrero y Marzo. Luego
para efectuar la previsión del mes de Mayo, deberán tenerse en cuenta los últimos tres períodos que
anteceden al mes de Mayo, es decir Febrero, Marzo y Abril. MES VENTAS REALES PRONÓSTICO (3
(2009) MESES)

Enero 80
Febrero 90
Marzo 85
Abril 70 85
Mayo 80 82
Junio 105 78
Julio 100 85
Agosto 105 95
Septiembre 100 103
Octubre 105 102
Noviembre 100 103
Diciembre 150 102
Solución:
El pronóstico restante al ser un pronóstico con un período móvil de 6 meses, este deberá efectuarse a
partir del mes de Julio, es decir que para su cálculo tendrá en cuenta seis períodos, es decir, Enero,
Febrero, Marzo, Abril, Mayo y Junio. MES VENTAS REALES PRONÓSTICO PRONÓSTICO
(2009) (3 MESES) (6 MESES)

Enero 80
Febrero 90
Marzo 85
Abril 70 85
Mayo 80 82
Junio 105 78
Julio 100 85 85
Agosto 105 95 88
Septiembre 100 103 91
Octubre 105 102 93
Noviembre 100 103 99
Diciembre 150 102 103
Promedio Móvil Ponderado:

Promedio de ventas en unidades en el período t

Sumatoria de datos

Factor de ponderación

Ventas o demandas reales en unidades de los períodos anteriores a t

Número de datos
Ejemplo:
Un almacén ha determinado que el mejor pronóstico se encuentra determinado con 4 datos y
utilizando los siguientes factores de ponderación (40%, 30%, 20% y 10%). Determinar el pronóstico
para el período 5.
Solución:
PERÍODO VENTAS (Unidades) PONDERACIÓN

Mes 1 100000 10%

En este caso el primer paso consiste en multiplicar a
cada período por su correspondiente factor de
Mes 2 90000 20% ponderación, luego efectuar la sumatoria de los
productos.
Mes 3 105000 30%

Mes 4 95000 40%

Podemos así determinar que el pronóstico de ventas para el período 5 es equivalente a 97500 unidades.
Suavizamiento Exponencial
Matemáticamente se puede escribir así:

nuevo Pronóstico

pronóstico anterior

demanda real en el período anterior.

Trimestre Toneladas reales Pronóstico
descargadas

1 180 175

2 168 176 175+0,10(180-175)=

3 159 175 176+0,10(168-176)=

4 175 173 175+0,10(159-175)=

5 190 173 173+0,10(175-173)=

6 205 175 173+0,10(190-173)=

7 180 178 175+0,10(205-175)=

8 182 178 178+0,10(180-178)=

Error del Pronóstico
Ejemplo:

Error de
Períodos Demanda Pronóstico
pronóstico
1 180 175 5.00
2 168 176 -8.00
3 159 175 -16.00
4 175 173 2.00
5 190 173 17.00
6 205 175 30.00
7 180 178 2.00
8 182 178 4.00
Suma de errores 36.00
Medidas para calcular el Error Global
del Pronóstico
Desviación Absoluta Media (MAD): Su valor se calcula sumando los
valores absolutos de los errores individuales del pronóstico y
dividiendo entre el número de períodos de datos (n).
Ejemplo:

Trimestre Toneladas reales Error del Desviación Absoluta

descargadas Pronóstico pronóstico Media
1 180 175 5 5
2 168 176 175+0,10(180-175)= -8 8
3 159 175 176+0,10(168-176)= -16 16
4 175 173 175+0,10(159-175)= 2 2
5 190 173 173+0,10(175-173)= 17 17
6 205 175 173+0,10(190-173)= 30 30
7 180 178 175+0,10(205-175)= 2 2
8 182 178 178+0,10(180-178)= 4 4
Suma de desviaciones absolutas: 84

MAD = 84 = 10,50
8
Error Cuadrático Medio (MSE): Es una segunda forma de medir el
error global del pronóstico. El MSE es el promedio de los cuadrados
de las diferencias entre los valores pronosticados y observados. Su
fórmula es:
Ejemplo:

Trimestre Toneladas reales Pronóstico Error del (Error)²

descargadas pronóstico
1 180 175 5 25
2 168 176 175+0,10(180-175)= -8 64
3 159 175 176+0,10(168-176)= -16 256
4 175 173 175+0,10(159-175)= 2 4
5 190 173 173+0,10(175-173)= 17 289
6 205 175 173+0,10(190-173)= 30 900
7 180 178 175+0,10(205-175)= 2 4
8 182 178 178+0,10(180-178)= 4 16
Suma de los cuadrados de los errores: 1,558

MSE = 1,558 = 194,75

8
Error porcentual absoluto medio (MAPE): Este se calcula como el
promedio de las diferencias absolutas entre los valores
pronosticados y los reales y se expresa como porcentaje de los
valores reales. Es decir, si hemos pronosticado n períodos y los
valores reales corresponden a n períodos, MAPE, se calcula como:

n
Ejemplo:

Trimestre Toneladas reales Pronóstico Error porcentual absoluto

descargadas 100 (error/real)
1 180 175 100(5/180)= 2,77%
2 168 176 100(8/168)= 4,76%
3 159 175 100(16/159)= 10,06%
4 175 173 100(2/175)= 1,14%
5 190 173 100(17/190)= 8,95%
6 205 175 100(30/205)= 14,63%
7 180 178 100(2/180)= 1,1%
8 182 178 100(4/182)= 2,20%
Suma de errores porcentuales: 45,62%

MAPE = 45,62% = 5,70%

8
Regresión Lineal y Correlación
El análisis de regresión lineal es un modelo de pronóstico que establece una
relación entre una variable dependiente y una o más variables independientes.
Utilizamos nuestro conocimiento de esta relación y nuestro conocimiento de los
valores futuros de las variables independientes para pronosticar los valores
futuros de la variable dependiente.

El análisis de regresión lineal simple sólo contiene una variable independiente.

Si los datos forman una serie de tiempo, la variable independiente es el tiempo
en periodos y la variable dependiente, por lo general, son las ventas, o aquello
que deseemos pronosticar.
 DEFINICIONES DE VARIABLES Y FÓRMULAS PARA EL ANÁLISIS DE REGRESIÓN LINEAL
SIMPLE
VARIABLE SIGNIFICADO VARIABLE SIGNIFICADO

x= Valores de la Y= Valores de y que

variable aparecen en la línea
independiente de tendencia Y= a + bX
y= Valores de la X= Valores de x que
variable ocurren sobre la línea
dependiente de tendencia
n= Número de r= Coeficiente de
observaciones correlación
a= Intersección con Coeficiente de
eje vertical determinación
b= Pendiente de la
línea de regresión
Valor medio de la
variable
dependiente
Ejemplo: ANÁLISIS DE REGRESIÓN LINEAL SIMPLE: UNA SERIE DE TIEMPO

Specific Motors produce motores electrónicos para válvulas automáticas para la industria de la construcción.
Durante más de un año, la planta de producción de Specific ha operado a casi plena capacidad. Jim White, el
gerente de planta, estima que el crecimiento en las ventas continuará y desea desarrollar un pronóstico a
largo plazo que se usará para planear las necesidades de las instalaciones para los siguientes tres años. Se
han totalizado las cifras de ventas correspondientes a los últimos diez años:
Ejemplo: ANÁLISIS DE REGRESIÓN LINEAL SIMPLE: UNA SERIE DE TIEMPO

Specific Motors produce motores electrónicos para válvulas automáticas para la industria de la construcción.
Durante más de un año, la planta de producción de Specific ha operado a casi plena capacidad. Jim White, el
gerente de planta, estima que el crecimiento en las ventas continuará y desea desarrollar un pronóstico a
largo plazo que se usará para planear las necesidades de las instalaciones para los siguientes tres años. Se
han totalizado las cifras de ventas correspondientes a los últimos diez años:
 APLICACIÓN DE LA ECUACIÓN DE REGRESIÓN PARA PRONOSTICAR LAS VENTAS DE AÑOS FUTUROS:

Si deseamos pronosticar las ventas en miles de unidades para los tres años siguientes,
podríamos reemplazar 11, 12, 13, que son los tres valores siguientes de X, en la ecuación de
regresión de X:
Y11 = 913.333 + 215.758(11) = 3,286.7, o 3,290 miles de unidades
Y12 = 913.333 + 215.758(12) = 3,502.4, o 3,500 miles de unidades
Y13 = 913.333 + 215.758(13) = 3,718.2, o 3,720 miles de unidades
Jack Weis, gerente general de Precisión Engineering Corporation, supone que los servicios de ingeniería que su empresa
proporciona a las empresas en construcción de carreteras están directamente relacionados con la cantidad de contratos
de construcción de éstas emitidos en su área geográfica. Weis se pregunta si su suposición es real, y de ser así, ¿podría
esta información ayudarle a planear mejor sus operaciones? Jack le pidió a Bill Branden, uno de sus ingenieros, que
hiciera un análisis de regresión lineal simple sobre datos históricos. Bill planea hacer lo siguiente: a) Desarrollar una
ecuación de regresión para predecir el nivel de la demanda de los servicios de Precisión, b) Utilizar la ecuación de
regresión para predecir el nivel de la demanda durante los siguientes cuatro trimestres, c) Determinar con qué grado de
exactitud se relaciona la demanda con la cantidad de contratos de construcción realizados.

a. Desarrollo de una ecuación de

regresión:

1. Bill recorre los registros locales, estatales y

federales con objeto de recolectar el valor en
dólares por trimestre de los contratos liberados
durante dos años en el área geográfica.

2. Examina la demanda de servicios de su empresa

a lo largo de este mismo periodo.

3. Prepara la siguiente información:

a. Desarrollo de una ecuación de regresión:

4. Bill ahora desarrolla los totales necesarios para efectuar el análisis de regresión. Las fórmulas y
definiciones de variables se encuentran en la tabla 3.5 (es útil utilizar una hoja de cálculo).