DIPLOMADO DE

ESTADÍSTICA PARA LOS

NEGOCIOS Y TOMA DE
DECISIONES

Tláhuac, CDMX. Junio de 2021

4.3 Modelos de pronósticos y Caso
Integrador
Promedios móviles
Determinación del
promedio móvil ponderado
Determinación del
promedio móvil ponderado

• La tienda de suministro para jardín de Donna, quiere pronosticar las ventas de cobertizos
ponderando los últimos 3 meses, dando más peso a los datos recientes para hacerlos más
significativo.

Ponderación aplicada Periodo

3 Último mes
2 Hace dos meses
1 Hace tres meses
6 Suma de ponderaciones

•
Promedio móvil simple y
ponderado
Suavizamiento exponencial

• El suavizamiento exponencial es un sostificado método de pronóstico de promedios móviles

ponderado que sigue siendo bastante fácil de usar. Implica mantener muy pocos registros de
datos históricos. La fórmula básica de suavizamiento exponencial se expresa como sigue.

Nvo. Pronóstico = (Pronóstico del mes anterior) + α (Demanda real del mes anterior –
pronóstico del periodo anterior)

• Ft = Ft-1 + α (A t-1 - Ft-1)

• Donde

Ft = Nuevo pronóstico.
Ft-1 = Pronóstico del mes anterior.
α = constante de suavizamiento.
A t-1 = Demanda real del mes anterior.
Determinación de un pronóstico por
Suavizamiento exponencial

• La constante de suavizamiento se encuentra en un intervalo de .05 a .50 para aplicaciones de negocios. Puede cambiarse para dar más peso a datos
recientes (cuando α es alta) o más peso a datos anteriores (si α es baja).

• La tabla siguiente ayuda a ilustrar este concepto. Por ejemplo, cuando α = 0.5, podemos ver que el nuevo pronóstico se basa casi por completo en la
demanda de los últimos tres o cuatro periodos. Cuando α = 0.1, el pronóstico pone poco peso en la demanda reciente y toma en cuenta los valores
histórico de muchos periodos.

Ponderación asignada a

Constante de Periodo más 2° periodo más 3er. Periodo 4° Periodo más 5° Periodo más
suavizamiento reciente (α) reciente α (1- más reciente reciente reciente
α) α (1-α)2 α (1-α)3 α (1-α)4

α = 0.1 .1 .09 0.081 .073 .066

α = 0.5 .5 .25 .125 .063 .031

Problema
Trim. Tonelaje Real
Descargado Pronóstico con α = .10 Pronóstico con α = .50

1 180 175 175

2 168

3 159

4 175

5 190

6 205

7 180

8 182
Suavizamiento exponencial con ajuste a
la tendencia.

• El suavizamiento exponencial simple, como cualquier técnica de promedio móvil,

falla en sus respuestas a la tendencia. Existen otras técnicas de pronósticos que
permiten manejar mejor las tendencias. Sin embargo, como el suavizamiento
exponencial es un enfoque tan común en los negocios, lo estudiaremos con
mayor detalle.

• A continuación se presenta la razón por la que el suavizamiento exponencial debe

modificarse cuando está presente una tendencia.

• Suponga que la demanda de un producto o servicio ha venido aumentando en

100 unidades cada mes y que hemos obtenido pronósticos con α = .40 en el
modelo de suavizamiento exponencial.

• La tabla siguiente muestra un retraso considerable en los meses 2,3,4 y 5 aún

cuando el pronóstico del mes uno es perfecta.
Suavizamiento exponencial con
ajuste a la tendencia

Mes Demanda real Pronóstico para el mes T (Ft)

1 100 F1= 100 (ya pronosticada)
2 200 F2 = F1 + α (A 1 - F1) = 100 + 0.4 (100 – 100) = 100
3 300 F3= F2 + α (A 2 – F2) = 100 + 0.4 (200 – 100) = 140
4 400 F4= F3+ α (A 3 – F3) = 140 + 0.4 (300 - 140) = 204
5 500 F5= F4+ α (A4 – F4) = 204 + 0.4 (400 - 203) = 282

Para mejorar nuestro pronóstico, ilustraremos un modelo de suavizamiento exponencial más

complejo, uno que hace ajustes a la tendencia. La idea es calcular un promedio suavizado
exponencialmente de los datos y después ajustar el retraso positivo o negativo encontrado en
la tendencia. La nueva fórmula es:

Pronóstico incluyendo la tendencia (FITt) = Pronóstico suavizado exponencial (Ft) +

Tendencia suavizada exponencial (Tt)
Suavizamiento exponencial con ajuste a
la tendencia

Donde:
Ft = α (Demanda real del último periodo) + (1- α) (pronóstico del último periodo + Tendencia estimada para el
último periodo)

Ft = α (A t-1) + (1- α) (Ft-1 + Tt-1)

Tt= (Pronóstico de este periodo – Pronóstico del último periodo + (1-) (Tendencia estimada para el último periodo))

Tt= (Ft - Ft-1) + (1-) Tt-1

Ft = Pronóstico suavizado exponencial de la serie de datos incluidos en el periodo t.

Tt = Tendencia suavizada exponencialmente en el periodo t.
At= Demanda real en el periodo t.
α = constante de suavizamiento para el promedio (0<= α<=1)
= constante de suavizamiento para la tendencia (0<= <=1)
Suavizamiento exponencial con ajuste a
la tendencia

Así, los tres pasos para calcular el pronóstico con ajuste de tendencia son:

Paso 1: Calcule Ft el pronóstico suavizado exponencialmente para el periodo t, usando la

ecuación anterior de Ft.

Paso 2: Calcule la tendencia suavizada Tt.

Paso 3: Calcule el pronóstico incluye la tendencia, FITt = Ft + Tt

Ejemplo

• Un importante fabricante de Portland quiere pronosticar la demanda de un equipo para

control de la contaminación. Una revisión de las ventas históricas , como se muestra a
continuación, indica que hay una tendencia creciente:

Mes t Demanda Real (At)

1 12
• A las constantes de suavizamiento se les
2 17
asigna los valores de α = 0.2 y = 0.4. La
3 20 compañía supone que el pronóstico
4 19 inicial para el mes (F1) fue de 11
5 24 unidades y que la tendencia para el
mismo periodo (F1) fue de 2 unidades.
6 21
7 31
8 28
9 36
10 ?
Resolución de ejemplo

Mes Demand Pronóstico suavizado Tendencia Suavizada Pronóstico incluyendo

t a Real Ft = α (A t-1) + (1- α) (Ft-1 + Tt-1) Tt= (Ft - Ft-1) + (1-) Tt-1 la tendencia FITt
(At) F T + TT

1 12 11 2 13
2 17 =0.2(12)+ (1-0.2)(11 + 2) = 12.8 =0.4 (12.8 - 11) + (1-0.4) 2 = 1.92 = 12.8 + 1.92 = 14.72

3 20 =0.2(17) + (1-0-2) (12.8 + 1.92 ) = 15.18 =0.4 ( 15.18 – 12.8) + (1-0.4) 1.92 = 2.10
= 15.18 + 2.10 = 17.28

4 19 =0.2(20) + (1-0.2) ( 15.18 + 2.10) = 17.82 =0.4 ( 17.82 – 15.18) + (1-0.4)2.10 = 2.32
= 17.82 + 2.32 = 20.14

5 24 =0.2(19) + (1-0.2) ( 17.82 + 2.32) = 19.91 =0.4 (19.91 – 17.82) + (1-0.4) 2.32 = 2.23 = 19.91 + 2.23 = 22.14

6 21
7 31
8 28
9 36
10 ?
Ejemplo

• Un importante fabricante de Portland quiere pronosticar la demanda de un equipo para

control de la contaminación. Una revisión de las ventas históricas , como se muestra a
continuación, indica que hay una tendencia creciente:

Mes t Demanda Real (At)

1 12
• A las constantes de suavizamiento se les
2 17
asigna los valores de α = 0.2 y = 0.4. La
3 20 compañía supone que el pronóstico
4 19 inicial para el mes (F1) fue de 11
5 24 unidades y que la tendencia para el
mismo periodo (F1) fue de 2 unidades.
6 21
7 31
8 28
9 36
10 ?
Resolución de ejemplo

Mes Demand Pronóstico suavizado Tendencia Suavizada Pronóstico incluyendo la

t a Real Ft = α (A t-1) + (1- α) (Ft-1 + Tt-1) Tt= (Ft - Ft-1) + (1-) Tt-1 tendencia FITt
(At) FT + TT

1 12 11 2 13
2 17 =0.2(12)+ (1-0.2)(11 + 2) = 12.8 =0.4 (12.8 - 11) + (1-0.4) 2 = 1.92 = 12.8 + 1.92 = 14.72

3 20 =0.2(17) + (1-0-2) (12.8 + 1.92 ) = 15.18 =0.4 ( 15.18 – 12.8) + (1-0.4) 1.92 = 2.10
= 15.18 + 2.10 = 17.28

4 19 =0.2(20) + (1-0.2) ( 15.18 + 2.10) = 17.82 =0.4 ( 17.82 – 15.18) + (1-0.4)2.10 = 2.32
= 17.82 + 2.32 = 20.14

5 24 =0.2(19) + (1-0.2) ( 17.82 + 2.32) = 19.91 =0.4 (19.91 – 17.82) + (1-0.4) 2.32 = 2.23 = 19.91 + 2.23 = 22.14

6 21
7 31
8 28
9 36
10 ?
Variaciones Estacionales
en los datos

• Las variaciones estacionales en los datos son movimientos regulares ascendentes o

descendentes localizados en una seria de tiempo y que se relacionan con acontecimientos
recurrentes como el clima o las vacaciones. La demanda de carbón o petróleo aumentan
durante el mes de invierno, la demanda de los clubes de golf o bronceadores pueden ser
mayor durante el verano.

• La estacionalidad puede aplicarse de forma horaria, diaria, semanal, mensual, entre otros
patrones recurrentes.

• De manera similar, comprender las variaciones estacionales es importante para planear la

capacidad en las organizaciones que manejan picos en la carga de trabajo.

• A continuación se presenta los pasos que seguiría una compañía que tiene estaciones de un
mes.
Metodología de pronóstico
estacional

• 1.- Encontrar la demanda histórica promedio de cada estación (o mes en este caso), sumando la
demanda media en ese mes de cada año y dividiéndola entre el número de años con datos disponibles.

• 2.- Calcular la demanda promedio de todos los meses, dividiendo el promedio total de la demanda
anual entre el número de estaciones.
• 3.- Calcular un índice estacional para cada estación, dividiendo la demanda histórica real de ese mes
(paso 1) entre la demanda promedio de todos los meses (paso 2).

• 4.- Estimar la demanda total anual para el siguiente año.

• 5.- Dividir esta estimación de la demanda total anual entre el número de estaciones , después
multiplicar por el índice estacional para ese mes. Esto proporciona el pronóstico estacional.
Medición del error de
pronóstico

• La exactitud general de cualquier modelo de pronóstico – promedios móviles,

suavizamiento exponencial u otro – puede determinarse al comparar los valores
pronosticados con los valores reales u observados. Si F t denota el pronóstico en el
periodo t, y At denota la demanda real del periodo t, el error de pronóstico se denota
como:

Error del pronóstico= Demanda real – Valor pronosticado.

• En la práctica se usan varias medidas para calcular el error global del pronóstico. Estas
medidas pueden utilizarse para para comparar distintos modelos de pronósticos, así
como para vigilar los pronósticos y asegurar su buen desempeño. Las tres medidas
más populares son la MAD (mean absolute desviation; desviación absoluta media),
MSE (mean squared error; error cuadrático medio), y el MAPE (mean absolute percent
error; error porcentual absoluto medio)
Desviación absoluta media

• La primera medición del error global de pronóstico para un modelo es la desviación

absoluta media (MAD). Su valor se calcula sumando los valores absolutos de los errores
individuales del pronóstico y dividiendo el resultado entre el número de periodos con
datos:

• MAD =
Ejemplo:
• En los últimos 8 trimestres, en el puerto de Baltimore se han descargado de los barcos
grandes cantidades de grano. El administrador de operaciones del puerto quiere probar el
uso de suavizamiento exponencial para ver que tan bien funciona la técnica para predecir
el tonelaje de descarga. Supone que el pronóstico de grano descargado durante el primer
trimestre fue de 175 toneladas. Se examina dos valores de α = 0.10 y α = 0.5.

• Compare los datos reales con los pronosticados (usando cada uno de los valores de α) y
después encuentre la desviación adsoluta
Error porcentual
absoluto medio

• Un problema de la MAD como con el MSE es que sus valores dependen de la

magnitud del elemento que se pronostica. Si el elemento pronosticado se mide en
millares, los valores de la MAD y del MSE pueden ser muy grandes. Para evitar
esos problemas podemos utilizar el error porcentual absoluto medio (MAPE).

• MAPE =

• El MAPE es quizá la medida más fácil de interpretar. Por ejemplo, un resultado de

del 6% indica claramente que no depende de aspectos como la magnitud de los
datos de entrada.
WMAPE

• Weighted Mean Absolute Percent Error (Media del Error Absoluto en

Porcentaje Ponderada) asigna el peso correspondiente a cada ítem,
dependiendo del volumen de venta o de referencia del Item.