PROMEDIOS MOVILES Y METODOS DE SUAVIZACIÓN.

2018

CONTENIDO SEMANA 02 y 03:

Modelos de promedios: Promedios simples, promedios móviles, promedios

móviles dobles.
Métodos de suavización: Suavización exponencial simple, Suavización
exponencial doble, suavización exponencial ajustada a la tendencia: método
de Holt, suavización exponencial ajustada a la tendencia y la variación
estacional: método de Winter

I. INTRODUCCIÓN A LOS PRONÓSTICOS

Pronósticos

Pronosticar es muy importante en muchos tipos de empresas, ya que las

predicciones de hechos futuros se pueden incorporar al proceso de toma de
decisiones. Por ejemplo en las empresas manufactureras suelen requerirse
pronósticos mensuales o semanales para miles de productos. Por lo tanto, al
elegir una técnica de predicción se requiere de sencillez y facilidad de uso. Por
otro lado, el gobierno de un país debe ser capaz de pronosticar hechos como la
calidad del aire, la calidad del agua, índice de desempleo y tasa de inflación con
objeto de planear sus políticas. Una universidad tiene que ser capaz de
pronosticar el número de matriculados con objeto de tomar decisiones
relacionadas con los recursos destinados a los maestros, los laboratorios y al
alojamiento de los estudiantes. En particular, cualquier organización debe ser
capaz de hacer pronósticos para poder tomar decisiones inteligentes.

El objetivo de los métodos de serie de tiempo es descubrir un patrón en los datos

históricos y luego extrapolarlo hacia el futuro; el pronóstico se basa sólo en
valores pasados de la variable que tratamos de pronosticar o en errores pasados.

Las predicciones de los hechos y condiciones futuros se llaman pronósticos, y el

acto de hacer tales predicciones se denominan pronosticar.

II. Semana 02: Modelos de promedios o medias

Dentro de la enorme variedad de métodos y técnicas específicas de predicción, el

curso de series cronológicas inicia la predicción con los métodos cuantitativos para
establecer pronósticos, específicamente con un modelo univariable para
pronósticos, entre los que trataremos en esta parte del curso podemos mencionar
a las:
PROMEDIOS MOVILES Y METODOS DE SUAVIZACIÓN.
2018

Formulas “ad hoc” de predicción: las predicciones se generan mediante un

mecanismo automático establecido a priori y de cálculo recursivo. Técnicas:
Modelos naïve (ingenuo), medias móviles y alisado o suavización exponencial.

A.1. Modelo naïve o ingenuo

Es habitual denominar como ingenuo (naïve) aquel procedimiento de predicción

que repite de forma mecánica un comportamiento pasado. En sentido amplio, una
gran parte de las técnicas elementales de tratamiento de series cronológicas
podrían calificarse de ingenuas. En sentido estricto, existen unos esquemas de
cálculo prefijado conocido como modelos naïve:

I: 𝑦
̂𝑡+1 = 𝑦𝑡 II: 𝑦
̂𝑡+1 − 𝑦𝑡 = 𝑦𝑡 − 𝑦𝑡−1
El modelo I utiliza como valor de predicción del periodo próximo el dato actual.
El modelo II utiliza la igualdad de los incrementos y no el valor.

A.2. Modelo promedio simple

Una variante ligeramente más elaborada es utilizar el valor medio de un periodo,

en lugar de sólo el último, como predicción:
𝑦
̂𝑡+1 = 𝑦
̅
Naturalmente, tal esquema de predicción sólo tendría sentido en una serie sin
sentido y con oscilaciones alrededor de la media. En este caso, el valor más
probable de predicción sería precisamente la media, a este esquema se le conoce
como modelo promedio simple.

Dado que la mayoría de las series cronológicas presentan tendencia, existen las
siguientes opciones inmediatas para adoptar procedimientos “ingenuos”:

1. Añadir un elemento de tendencia, por ejemplo una tasa de crecimiento

constante c, la formula I, podría adoptar la forma: 𝑦
̂𝑡+1 = (1 + 𝑐 )𝑦𝑡
2. Eliminar la tendencia de la serie, predecir la nueva serie y posteriormente
añadir la tendencia.
3. En particular, en la práctica toda serie puede ser transformada en
estacionaria en la media, es decir dejarla sin tendencia, mediante el cálculo
de sus diferencias sucesivas. En gran número de casos, basta con una sola
diferencia, es decir, con trabajar con los incrementos de la serie original (es
adoptada por la formula II con respecto a la I):
∆𝑦𝑡 = 𝑦𝑡 − 𝑦𝑡−1
PROMEDIOS MOVILES Y METODOS DE SUAVIZACIÓN.
2018

∆𝑦
̂𝑡+1 = 𝑦
̂𝑡+1 − 𝑦𝑡

[(𝑦𝑡 − 𝑦𝑡−1 ) + (𝑦𝑡−1 − 𝑦𝑡−2 ) + ⋯ + (𝑦1 − 𝑦0 )] (𝑦𝑡 − 𝑦0 )

∆̅𝑦𝑡 = =
𝑛 𝑛

Por tanto, a efectos de predicción:

(𝑦𝑡 − 𝑦0 )
∆𝑦
̂ ̅
𝑡+1 = ∆𝑦𝑡 =
𝑛
𝑦
̂𝑡+1 = 𝑦𝑡 + ∆𝑦̂𝑡+1
(𝑦𝑡 − 𝑦0 )
𝑦
̂𝑡+1 = 𝑦𝑡 +
𝑛
En cualquier caso, estos modelos resultan pocos operativos ya que
permanentemente se tiene que recalcular la media de todos los datos que
constituyen el periodo muestral, a efectos de mantener una predicción actualizada.
Por otra parte, lo habitual es utilizar estas técnicas para predicción a corto plazo y
ello hace peligrar a la media que pueda estar influenciada por la estacionalidad de
los datos. Por lo mencionado es mucho más frecuente trabajar con MEDIAS
MÓVILES.

A.3. Modelos de media móviles

Es importante recordarse que la media móvil sólo es directamente aplicable

cuando la serie no presenta tendencia.

A.3.1 Modelo de Medias móviles simple

Las medias móviles son medias de un número preestablecido de datos, en que se

va añadiendo sucesivamente un dato nuevo y quitando, al mismo tiempo, el más
antiguo de los incluidos en la media anterior.

Si una media móvil de s términos (orden s) se calculará según la expresión:

𝑦𝑡 + 𝑦𝑡−1 + ⋯ + 𝑦𝑡−𝑠+1
𝑀𝑡𝑠 =
𝑠
PROMEDIOS MOVILES Y METODOS DE SUAVIZACIÓN.
2018

A efectos de predicción, debemos limitarnos, en principio, a aceptar la

𝑠
última media móvil calculada (𝑦 ̂ 𝑡+1 = 𝑀𝑡 ), lo que supone admitir la no
existencia de tendencia ni efecto de estacionalidad. La serie de medias móviles
puede tener tendencia (las medias pueden ser crecientes en el tiempo), pero no es
inmediato incorporarla en la medición de la fórmulas de predicción.

Si calculamos dicha media móvil con s=12 términos y datos mensuales,

cada valor corresponde a la media del año que acaba en ese mes. Por tanto, la
diferencia entre dos medias consecutivas corresponde a la diferencia entre el
mismo mes de dos años consecutivos (𝑦𝑡 − 𝑦𝑡−12 )

(𝑦𝑡 + 𝑦𝑡−1 … + 𝑦𝑡−11 ) − (𝑦𝑡−1 + 𝑦𝑡−2 … + 𝑦𝑡−12 ) 𝑦𝑡 − 𝑦𝑡−12

𝑀𝑡 − 𝑀𝑡−1 = =
12 12
Al no existir efecto de estacionalidad, esta diferencia será positiva, nula o negativa,
según que la serie muestre tendencia creciente, no tendencia o tendencia
decreciente. Sólo si (𝑦𝑡 = 𝑦𝑡−12 ) tiene sentido tomar 𝑀𝑡−1 como valor de
predicción para 𝑀𝑡 , si no debería añadirse el efecto (positivo o negativo) del
incremento medio anual, con lo que, a efectos de predicción:

𝑦𝑡 − 𝑦𝑡−12
𝑦
̂𝑡+1 = 𝑀𝑡 +
12
A resultados relativamente similares se llega trabajado con incrementos y
con una media móvil de 12 términos para datos mensuales:

(𝑦𝑡 − 𝑦𝑡−1 ) + (𝑦𝑡−1 − 𝑦𝑡−2 )+. . . +(𝑦𝑡−10 − 𝑦𝑡−11 ) + (𝑦𝑡−11 − 𝑦𝑡−12 ) 𝑦𝑡 − 𝑦𝑡−12
𝑀𝑡 = =
12 12
Y a efectos de predicción:
𝑦𝑡 − 𝑦𝑡−12
𝑦
̂𝑡+1 = 𝑦𝑡 + ∆𝑦
̂𝑡+1 = 𝑦𝑡 + 𝑀𝑡 = 𝑦𝑡 +
12
La fórmula anterior, es el resultado de predecir el valor de un mes por el del mes
anterior, más el incremento mensual medio del último año. Evidentemente, sigue
sin solucionarse el problema de la estacionalidad, aunque se ha corregido el de la
tendencia.

A efectos de análisis de datos históricos una media móvil de orden 12 no

presenta oscilaciones estacionales.
PROMEDIOS MOVILES Y METODOS DE SUAVIZACIÓN.
2018

Nota. En términos de predicción, la media móvil deberá ser corregida por

coeficientes estacionales , tal como veremos en el capítulo de
desestacionalización

La media móvil, suaviza las variaciones de la serie original, es por ello que se
incluye entre las denominadas técnicas de suavizamiento. Cuanto mayor sea el
número de términos u orden de la media móvil más suavizada quedará la serie
original

A.3.2 Modelo de Medias móviles doble

Este modelo de pronóstico se utiliza para datos que tienen una tendencia lineal.
Este modelo lo que hace es calcular un promedio móvil de un conjunto de datos;
luego posteriormente calcula un segundo promedio móvil del primer promedio
móvil.

El analista es quien debe determinar el número de periodos para el promedio

móvil, tanto para el primer y segundo promedio estos no necesariamente tienen
que ser iguales.

Se calcula el primer promedio móvil (Mt):

𝑦𝑡 + 𝑦𝑡−1 + ⋯ + 𝑦𝑡−𝑠+1
𝑀𝑡𝑠 =
𝑠
y Luego se calcula el segundo promedio móvil (Mt’):

𝑀𝑡 + 𝑀𝑡−1 + ⋯ + 𝑀𝑡−𝑠+1
𝑀𝑡′𝑠 =
𝑠
A.3.3 Modelo de Medias móviles ponderada

Este modelo se diferencia de los anteriores por que cada periodo del promedio
móvil tendrá una ponderación; el analista tendrá quedar mayor ponderación a los
períodos que desee que tengan mayor impacto en el pronóstico.
Cada una de las demandas históricas que intervienen en el promedio puede tener
su propia ponderación. El resultado de la suma de las ponderaciones es 1.0.

∑ 𝛼𝑖 = 1, 𝛼1 = 0.6, 𝛼2 = 0.2, 𝛼3 = 0.15𝑦 𝛼4 = 0.05,

El pronóstico para el siguiente periodo es:

PROMEDIOS MOVILES Y METODOS DE SUAVIZACIÓN.
2018

𝑦
̂𝑡+𝑎 = 𝛼𝑠 𝑦𝑡 + 𝛼𝑠−1 𝑦𝑡−1 + ⋯ 𝛼1 𝑦𝑡−𝑠+1

A.1.2. Aplicaciones

Práctica calificada 02 y 03:

1. La flota Bacaladera española es dueña de barcos que pescan a la rastra y

opera una planta procesadora de pescado. La compañía quiere hacer
pronósticos puntuales y por intervalos de su captura mensual de bacalao
(tn) con el fin de pronosticar sus ingresos mínimos y máximos posibles por
la venta de bacalao y planificar las operaciones de su planta procesadora
de pescado. La Cia tiene registros de la captura mensual de bacalao de
cada uno de los dos años anteriores. Los registros se proporcionan en la
siguiente tabla:
Determine los pronósticos un periodo por delante a través de los modelos
naïve o ingenuo, Modelo promedio simple, Modelo media móvil simple de
orden s=3 y s=4, modelo media móvil doble de orden s=3 y s=3 términos y
los modelos de media móvil ponderada con 𝛼1 = 0.6, 𝛼2 = 0.2, 𝛼3 =
0.15𝑦 𝛼4 = 0.05.
Además, evalúe los modelos y responda cuál de ellos tiene mejor
predicción.

Tabla 1. Captura de bacalao (Tn)

Mes Año2016 Año2017
Enero 362 276
Febrero 381 334
Marzo 317 394
Abril 297 334
Mayo 399 384
Junio 402 314
Julio 375 344
Agosto 349 337
Septiembre 386 345
Octubre 328 362
Noviembre 389 314
Diciembre 343 365

2. Un gran almacén decide aplicar medias móviles como método rápido y

sencillo de predicción de ventas (dos periodos por delante), a efectos de
determinar las necesidades de personal temporal de ventas en un periodo
PROMEDIOS MOVILES Y METODOS DE SUAVIZACIÓN.
2018

normal (sin oscilaciones estacionales ni tendencia, al menos especialmente

significativas). En el siguiente cuadro adjunto se incluyen las series:
𝑦𝑡 = 𝑣𝑒𝑛𝑡𝑎𝑠 𝑠𝑒𝑚𝑎𝑛𝑎𝑙𝑒𝑠 𝑒𝑛 𝑐𝑖𝑒𝑛𝑡𝑜𝑠 𝑑𝑒 𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠 𝑑𝑒 𝑠𝑜𝑙𝑒𝑠
𝑀𝑡3 = 𝑀𝑒𝑑𝑖𝑎𝑠 𝑚ó𝑣𝑖𝑙𝑒𝑠 𝑎𝑠𝑖𝑚é𝑡𝑟𝑖𝑐𝑎𝑠 𝑑𝑒 𝑡𝑟𝑒𝑠 𝑡é𝑟𝑚𝑖𝑛𝑜𝑠
𝑀𝑡6 = 𝑀𝑒𝑑𝑖𝑎𝑠 𝑚ó𝑣𝑖𝑙𝑒𝑠 𝑎𝑠𝑖𝑚é𝑡𝑟𝑖𝑐𝑎𝑠 𝑑𝑒 𝑠𝑒𝑖𝑠 𝑡é𝑟𝑚𝑖𝑛𝑜𝑠
3
𝑀𝑤
= 𝑀𝑒𝑑𝑖𝑎𝑠 𝑚ó𝑣𝑖𝑙𝑒𝑠 𝑎𝑠𝑖𝑚é𝑡𝑟𝑖𝑐𝑎𝑠 𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑎𝑠 𝑑𝑒 3 𝑡é𝑟𝑚𝑖𝑛𝑜𝑠 𝑦 𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠 (3,2,1)
𝑀𝑡3,3 = 𝐷𝑜𝑏𝑙𝑒 𝑚𝑒𝑑𝑖𝑎 𝑚ó𝑣𝑖𝑙 𝑑𝑒 𝑡𝑟𝑒𝑠 𝑦 𝑡𝑟𝑒𝑠 𝑡é𝑟𝑚𝑖𝑛𝑜𝑠

A efectos de valorar el comportamiento del modelo con datos históricos,

para cada variante de predicción se solicita calcular el error cuadrático
medio (ECM), el porcentaje de error absoluto medio (MAPE) y el coeficiente
de desigualdad de Theil (U)

PERIODO VENTAS

t yt
1 5.3
2 4.4
3 5.4
4 5.8
5 5.6
6 4.8
7 5.6
8 5.6
9 5.4
10 6.5
11 5.1
12 5.8
13 5.0
14 6.2
15 5.6
16 6.7
17 5.2
18 5.5
19 5.8
20 5.1
21 5.8
22 6.7
23 5.2
24 6.0
 PROMEDIOS MOVILES Y METODOS DE SUAVIZACIÓN.
2018

25 5.8
26
27

3. Mediante el modelo de la media móvil ponderada para los valores de

captura de bacalao medido en Tn, con ponderadores para el dato más
actual con un peso del 55%, el anterior 25% y el más antiguo del 20%.
Determinar:
a) El pronóstico para enero del 2018 usando la media móvil ponderada.
b) Evalúe el pronóstico anterior con los modelo media móvil doble con
orden s=2 y s=3 y el modelo de media móvil ponderada
c) el error cuadrático medio de los errores y el porcentaje de error medio
absoluto determine cuál es el mejor modelo de predicción.

Tabla 1. Captura de bacalao (Tn)

Mes Año2016 Año2017
Enero 362 276
Febrero 381 334
Marzo 317 394
Abril 297 334
Mayo 399 384
Junio 402 314
Julio 375 344
Agosto 349 337
Septiembre 386 345
Octubre 328 362
Noviembre 389 314
Diciembre 343 365

III. Semana 03: Métodos de suavización o alisado

B.1 Suavización exponencial