SERIES DE TIEMPO ESTACIONARIAS

» Promedio móvil simple (PMS)

Comenzando en el periodo t = k, se toman los últimos k datos de la serie, se calcula su promedio y este
será el pronóstico estimado para el siguiente periodo (t+1). Se debe entonces recorrer un periodo y
repetir el procedimiento hasta llegar al último periodo conocido.

𝑌 𝑡 +𝑌 𝑡 −1+ 𝑌 𝑡 −2 +…+𝑌 𝑡 − 𝑘+1

𝐹 𝑡 +1=
𝑘

Donde:
= valor estimado de Y (pronóstico) para el periodo t+1.
= valor observado real de Y en el periodo t.
k = Número de datos a utilizar para el cálculo del promedio.
 SERIES DE TIEMPO ESTACIONARIAS

» Promedio móvil simple (PMS)

Ejemplo:
Se tiene la siguiente información referente a una empresa que fabrica pinturas. Sea Y los litros de
pintura por mes que se desperdician como parte del proceso de producción (merma). Se requiere
pronosticar el valor del desperdicio para el mes 10, empleando el método de promedio móvil simple,
con una k = 3.

Mes 1 2 3 4 5 6 7 8 9 10
Desperdicio 21.3 20.9 21.2 21.0 21.7 20.8 21.0 21.3 20.9 ?
(Y)
 SERIES DE TIEMPO ESTACIONARIAS

» Promedio móvil simple (PMS)

Solución:
k=3 𝑌 𝑡 +𝑌 𝑡 −1+ 𝑌 𝑡 −2 +…+𝑌 𝑡 − 𝑘+1
𝐹 𝑡 +1=
𝑘
𝑌 9 +𝑌 8 +𝑌 7
𝐹 10 =
3
20.9 + 21.3 +21.0
𝐹 10 =
3
𝐹 10 =21.06
 SERIES DE TIEMPO ESTACIONARIAS

» Promedio móvil simple (PMS)

Solución:
El pronóstico buscado para el periodo 10 con k=3, es de = 21.0667.
Se concluye entonces que el pronóstico se espera sobreestimado en 0.0222 litros (ME), y la varianza
para este modelo es de 0.1293 (MSE) que servirá para comparar contra otro MSE. Se busca tener el
MSE menor.
Es importante mencionar que una desventaja de este método es que no toma en cuenta todos los datos
para determinar el pronóstico, además de que los k datos que sí toma en cuenta tienen todos ellos la
misma ponderación. Además, el valor adecuado de k debe estimarse a prueba y error. Como ventaja es
un método muy sencillo de aplicar.
 SERIES DE TIEMPO ESTACIONARIAS

» Promedio móvil ponderado (PMP)

Este método es muy parecido al de promedio móvil simple, con la única diferencia que los k datos que
se utilizan para el cálculo del promedio deben tener diferente peso o ponderación.

=1
K=3;

Mes 1 2 3 4 5 6 7 8 9 10
Desperdicio 21.3 20.9 21.2 21.0 21.7 20.8 21.0 21.3 20.9 ?
(Y)
 SERIES DE TIEMPO ESTACIONARIAS

» Promedio móvil simple ponderado (PMP)

En este método los k datos que se usan para el cálculo del promedio tienen diferente peso, dándosele
mayor importancia al dato más reciente y disminuyendo conforme los valores observados se alejan
del periodo a pronosticar. Igual que el método de Promedio móvil simple, no toma en cuenta todos
los datos y los valores de k y de todas las deben ser estimados de forma subjetiva, o bien, a prueba y
error.
 SERIES DE TIEMPO ESTACIONARIAS

» Promedio móvil simple ponderado (PMP)

Solución:
k=3 𝑊 𝑘 𝑌 𝑡 +𝑊 𝑘 −1 𝑌 𝑡 −1+𝑊 𝑘 −2 𝑌 𝑡 −2 +…+𝑊 1 𝑌 𝑡 − 𝑘+1
𝐹 𝑡 +1=
❑
𝑊 3 𝑌 9+𝑊 2 𝑌 8 +𝑊 1 𝑌 7
𝐹 10 =
❑
0.5 ∗20.9+0.3 ∗ 21.3+0.2 ∗ 21.0
𝐹 10 =
❑
𝐹 9 =21.04
Donde:
= valor estimado de Y (pronóstico) para el periodo t+1.
= valor observado real de Y en el periodo t.
k = número de datos a utilizar para el cálculo del promedio.
ponderación
 SERIES DE TIEMPO ESTACIONARIAS

» Suavización Exponencial Simple (SES)

A diferencia de los métodos de promedios móviles, el método de suavización exponencial simple

(SES) toma en cuenta todos los datos de la serie de tiempo, pero además, le asigna un mayor peso al
dato más reciente y disminuye esta ponderación de forma exponencial, mientras los datos se alejan del
periodo actual. El peso del dato más reciente viene dado por la constante de suavizamiento α, (donde 0
≤ α ≤ 1), y el pronóstico se calcula mediante la siguiente ecuación:

𝐹 𝑡 +1=𝛼 𝑌 𝑡 +(1 −𝛼) 𝐹 𝑡

 SERIES DE TIEMPO ESTACIONARIAS

» Suavización Exponencial Simple (SES)

De la ecuación anterior se puede observar que para obtener el pronóstico del periodo 2 () es necesario
conocer el pronóstico del periodo 1 (); sin embargo, éste no se conoce porque para determinarlo, a su
vez, se necesitaría conocer el pronóstico 0 (¿?).

Debido a esta situación, el método necesita un criterio de inicialización, asignando a el primer valor
observado (=). Asumir esto no tendrá un impacto tan relevante en el resultado final, debido a que este
primer valor tendrá una ponderación muy baja.
 SERIES DE TIEMPO ESTACIONARIAS

» Suavización Exponencial Simple (SES)

Ejemplo: Una empresa que vende artículos electrodomésticos quiere pronosticar sus ventas de
licuadoras para el siguiente mes, y para tal efecto recopiló los datos sobre las unidades vendidas en los
últimos 8 meses. Aplica el método de suavización exponencial simple con una constante de
suavizamiento de 0.3 (SES, α= 0.3).

Mes 1 2 3 4 5 6 7 8 9
Ventas 25 23 26 24 27 23 25 29 -
 SERIES DE TIEMPO ESTACIONARIAS

» Suavización Exponencial Simple (SES)

t=8

𝐹 8+1= 0.3 𝑌 8 +(1 − 0.3 ) 𝐹 8

𝐹 9= 0.3∗ 29+0.7 ∗ 24.74

𝐹 9 =26.0196
 SERIES DE TIEMPO ESTACIONARIAS

» Suavización Exponencial Simple (SES)

Una de las ventajas que ofrece este método es que se toman en cuenta la totalidad de datos de la serie de
tiempo (a diferencia de los métodos de promedios móviles), dándole un mayor peso al dato más reciente y
disminuyendo esta ponderación en forma exponencial conforme los datos son más antiguos.

Otra ventaja consiste en que no se tiene que guardar una cantidad grande de información para hacer los
cálculos, pues el nuevo pronóstico sólo utiliza tanto la observación como el pronóstico actual.
 SERIES DE TIEMPO ESTACIONARIAS

» Suavización Exponencial Simple (SES)

Sin embargo, la desventaja es que el valor más adecuado de la constante de suavizamiento (α) debe
estimarse a prueba y error. Es decir, al aplicar el método a una misma serie de tiempo, con diferentes valores
de α, los resultados arrojarán también diferentes valores del error. Aquel pronóstico que presenta el menor
error será el mejor.

Se puede comprobar que para el ejemplo anterior, si se empleara un valor de α = 0.6, el error sería mayor,
resultando mejor emplear un α = 0.3, por producir un MSE menor. A menor valor de α, mayor es el efecto
suavizador.
 ERRORES EN LOS PRONÓSTICOS

Es la diferencia entre el valor real y el valor pronosticado para un período específico. Normalmente se usa
como medición un promedio de los errores del pronóstico.
Existen varias maneras de medir el error y se usan para determinar el mejor método de pronóstico.

• Error Medio (ME): Sumatoria de las diferencias entre la demanda real y la pronosticada, dividido entre
la cantidad de puntos pronosticados.
 ERRORES EN LOS PRONÓSTICOS

• Error Absoluto Medio (MAE): Sumatoria del valor absoluto de las diferencias entre la demanda real y la
pronosticada, dividido entre la cantidad de puntos pronosticados.

MAE no es adecuado para medir ítems o productos con baja demanda. Ajusta la desviación al tamaño de la
demanda para evitar el sesgo de los ítems de mayor volumen.

• Error Porcentual Medio (MPE): Sumatoria de la relación de las diferencias entre la demanda real y la
pronosticada y la demanda real, dividido entre la cantidad de puntos pronosticados.
 ERRORES EN LOS PRONÓSTICOS
• Error Porcentual Absoluto (MAPE): Sumatoria de los valores absolutos de las diferencias entre la
demanda real y la pronosticada entre la demanda real, dividido entre la cantidad de puntos
pronosticados.

∑ | 𝑌 𝑡 − 𝐹
𝑌 𝑡
𝑡
|
𝑛

MAPE es fácil de interpretar, sin embargo desviaciones en productos de baja demanda, inflan el error global
y desviaciones de alto volumen, sub estiman el error global.
 ERRORES EN LOS PRONÓSTICOS
• Error Cuadrático Medio (MSE): Sumatoria de las diferencias entre la demanda real y la pronosticada al
cuadrado, dividido entre la cantidad de puntos pronosticados.

∑ ¿ ¿ ¿

MSE es muy sensible a desviaciones grandes entre la demanda real y la pronosticada. Sin embargo, la
medición más común que se emplea para hacer comparaciones es, sin duda, el error cuadrado medio (MSE),
quizá por su semejanza con el concepto estadístico básico de varianza (y a partir de ésta, la desviación
estándar).
 ERRORES EN LOS PRONÓSTICOS
El error medio (ME) y el error porcentual medio (MPE) dan información sobre el sesgo esperado en el
pronóstico; es decir, qué tan subestimado o sobreestimado estará el pronóstico en
promedio, dependiendo si ME es positivo o negativo, respectivamente. Sin embargo, no siempre
proporcionan una idea de la precisión, debido a que los errores negativos con los positivos se cancelan unos
con otros y podría darse el caso de que un pronóstico muy malo arrojara un ME o MPE con valor de cero o
muy cercano a cero.

Por otro lado, el error absoluto medio (MAE) y el error porcentual absoluto medio (MAPE) indican el
tamaño del error del pronóstico, debido a que se toma sólo la magnitud del error (valor absoluto), lo cual da
la idea de la exactitud esperada del pronóstico y en un momento dado podría emplearse alguna de estas
mediciones para comparar los resultados obtenidos entre diferentes métodos de pronóstico.

Usado para realizar comparaciones, entre dos valores de MSE, el más pequeño indicará un mejor pronóstico.
ERRORES EN LOS PRONÓSTICOS
 SELECCIÓN DEL MÉTODO DE PRONÓSTICO
Existen muchos métodos para pronosticar, y no hay manera de decir que alguno de ellos sea mejor que otro
para este propósito. Por lo general, la elección del mejor método para hacer un
pronóstico dependerá de diversos factores que hay que considerar, por ejemplo:

1. Disponibilidad de datos. Este es un factor que conducirá a la elección de un método cualitativo o uno
cuantitativo.
2. Precisión deseada. Es importante definir qué grado de precisión se desea. La búsqueda de una mayor
exactitud del pronóstico puede llevar al análisis de varios métodos y a otras consideraciones que pueden
requerir principalmente mayor tiempo y recursos.
3. Uso que se le dará al pronóstico. Es necesario saber para qué se utilizará el pronóstico, por ejemplo, para
determinar el grado de exactitud adecuado.
4. Disponibilidad de recursos. Es de especial consideración tomar en cuenta los recursos disponibles. Es
posible que el pronóstico no requiera tanta precisión, pero sí se necesite con urgencia (tiempo); puede ser
que la adquisición de datos confiables sea muy costosa (dinero); o bien, que se requiera gente preparada o
equipo especial para su elaboración (personal y equipo).
 SELECCIÓN DEL MÉTODO DE PRONÓSTICO
5. Importancia del pasado para estimar el futuro. Es preciso considerar la relevancia del patrón de
comportamiento histórico de la variable para identificar si puede tomarse en cuenta para el futuro.

6. Persona que va a realizar el pronóstico. Como característica inherente de un pronóstico, el juicio y la

intuición del pronosticador influirán en el método a elegir y, por consecuencia, en el resultado de la
estimación.

En resumen, no existe un método que sea mejor que otro; simplemente dependerá de cada situación. Podría
decirse que cada caso tiene su propio “mejor método” y este será el que elija el pronosticador, una vez que
haya puesto a consideración los factores antes mencionados.