3.1 PROMEDIO MÓVIL SIMPLE.

Promedio Simple.
Este método consiste en atenuar los datos al obtener la media aritmética de cierto
número de datos históricos para obtener con este el pronóstico para el siguiente
periodo. El número de datos a tomar en cuenta para calcular el promedio es una
decisión de la persona que realiza el pronóstico.
𝑛
𝑥𝑡
𝑝𝑡+1 = ∑
𝑛
𝑡−1

Este modelo solo es recomendable para series de tiempo que no presentan

patrones de tendencia, estacionalidad, o ciclisidad en los datos.

Promedio Móvil Simple.

Esta técnica se utiliza cuando se quiere dar más importancia a conjuntos de datos
más recientes para obtener el pronóstico. El pronóstico se obtiene al calcular la
media aritmética del conjunto de datos más recientes seleccionado. Cada ves que
se tiene una nueva observación se agrega esta al conjunto de datos, y se elimina
de éste la observación o dato más antiguo. El número de datos más recientes a
considerar en el conjunto de observaciones del cual se calcula la media aritmética
es una decisión del analista que realiza el pronóstico; la sensibilidad a los cambios
en el comportamiento de la serie se reduce al utilizar un número mayor de
observaciones en el conjunto de datos. Este modelo no maneja muy bien los datos
con estacionalidad o con tendencia pero si lo hace mejor que la técnica del
promedio.

La siguiente ecuación establece el modelo del promedio móvil simple.

𝑥1 +𝑥𝑡−1 +𝑥𝑡−2…….𝑥𝑡−𝑛+1
𝑃𝑀1 =
𝑛
Aquí se muestra que el valor pronosticado es igual al promedio móvil.

𝑝𝑡+1=𝑃𝑀𝑡
En donde;

𝑃𝑀𝑡= es el promedio móvil en el periodo t.

𝑃𝑡 + 1 = es el valor pronosticado para el siguiente periodo.

𝑋𝑡 = es el valor real observado en el periodo t.

𝑛 = es el número de datos utilizados para el cálculo de la media aritmética.

Para este ejemplo utilizaremos un promedio de 12 observaciones anteriores a la
que se desea pronosticar, es decir el valor de n es igual a 12. La primera
observación a la que es posible calcular el promedio esta determinada por el
número de observaciones que se desea tomar en cuenta en el promedio como se
muestra en la siguiente expresión:

𝑋 𝑡 = 𝑛 nótese que 𝑡 = 𝑛

Tenemos que:

𝑛 = 12, 𝑡 = 12, 𝑋 𝑡 = 12, 𝑋12 , 𝑃 𝑇 = 𝑃𝑀𝑆𝑇−1 , 𝑃13 = 𝑃𝑀𝑆13−1 , 𝑃13 = 𝑃𝑀𝑆12

𝑷𝑴𝑺
𝑿𝟏𝟐 + 𝑿𝟏𝟐−𝟏 + 𝑿𝟏𝟐−𝟐 + 𝑿𝟏𝟐−𝟑 + 𝑿𝟏𝟐−𝟒 + 𝑿𝟏𝟐−𝟓 + 𝑿𝟏𝟐−𝟔 +𝑿𝟏𝟐−𝟕 + 𝑿𝟏𝟐−𝟖 + 𝑿𝟏𝟐−𝟗 + 𝑿𝟏𝟐−𝟏𝟎 + 𝑿𝟏𝟐+𝟏𝟐−𝟏
=
𝟏𝟐

𝑿𝟏𝟐 + 𝑿𝟏𝟏 + 𝑿𝟏𝟎 + 𝑿𝟗 + 𝑿𝟖 + 𝑿𝟕 + 𝑿𝟔 +𝑿𝟓 + 𝑿𝟒 + 𝑿𝟑 + 𝑿𝟐 + 𝑿𝟏

𝑷𝑴𝑺 =
𝟏𝟐

𝑷𝑴𝑺
𝟏𝟏𝟗. 𝟔𝟐 + 𝟏𝟏𝟐. 𝟗𝟖 + 𝟏𝟎𝟕. 𝟎𝟓 + 𝟗𝟗. 𝟖𝟑 + 𝟖𝟓. 𝟔𝟑 + 𝟕𝟖. 𝟎𝟕 + 𝟔𝟕. 𝟓𝟗 + 𝟔𝟑. 𝟑𝟑 + 𝟓𝟎. 𝟗𝟓 + 𝟒𝟓. 𝟒𝟗 + 𝟑𝟔 +
=
𝟏𝟐

𝟗𝟓𝟖. 𝟓𝟏
𝑷𝑴𝑺𝟏𝟐 = = 𝟕𝟕. 𝟖
𝟏𝟐

por lo tanto el pronóstico para la observación correspondiente al momento o

periodo de tiempo 13 es 𝑃13 = 79.88. Para el cálculo de los promedios móviles
simples de las observaciones posteriores utilizaremos la expresión corta vista con
anterioridad, esto lo podemos hacer ya que contamos con el primer promedio
móvil simple. El cálculo del pronóstico para la observación correspondiente al
momento de tiempo 14 queda de la siguiente manera:

𝑿𝟏𝟑 𝑿𝟏𝟑−𝟏𝟐 𝑿𝟏𝟑 𝑿𝟏 𝟔𝟕. 𝟗𝟓 𝟑𝟔

𝑷𝑴𝑺𝟏𝟑 = − + 𝑷𝑴𝑺𝟏𝟑−𝟏 = − +𝑷𝑴𝑺𝟏𝟐 = − + 𝟕𝟗. 𝟖𝟖 = 𝟖𝟐. 𝟖𝟒
𝟏𝟐 𝟏𝟐 𝟏𝟐 𝟏𝟐 𝟏𝟐 𝟏𝟐

𝑷𝟏𝟒 = 𝟖𝟐. 𝟓𝟒

En la siguiente tabla podemos observar el total de los valores pronosticados

obtenidos.
Gráfica de Líneas de la Serie de Tiempo y de su Pronostico Obtenido con el
Método del Promedio Móvil Simple.
En la gráfica anterior podemos apreciar como la curva descrita por lo valores
pronosticados esta sujeta a menos cambios bruscos de sus valores puntuales, o
como se acostumbra decir es mas suave o se suaviza respecto de la curva original
de la serie de tiempo. Y también se puede ver como en apariencia sigue el
comportamiento de la curva original, para conocer mejor la precisión del
pronóstico serie conveniente utilizar alguna de las medidas del error comúnmente
usadas y observar la variabilidad de este.

En la siguiente tabla se muestran los resultados obtenidos al calcular las medidas

de precisión para el ejemplo anterior.

Tabla. Medidas de Precisión Obtenidas al Aplicar el Método de los Promedios

Móviles Simples.
 3.2 PROMEDIO MÓVIL PONDERADO.

En el método de promedios móviles, cada observación en el cálculo recibe el

mismo peso.
• Una variación, conocida como promedios móviles ponderados, consiste en
seleccionar diferentes pesos para cada valor de datos y luego calcular un
promedio ponderado de los k valores de datos más recientes como el pronóstico.

• En la mayoría de los casos la observación más reciente recibe el mayor peso, y

el peso disminuye para los valores de datos más antiguos. Por ejemplo, para la
serie de tiempo de las venta de nafta semanal el cálculo de un promedio móvil
ponderado de tres semanas, donde la observación más reciente recibe un peso
del triple del peso dado a la observación más antigua y la siguiente observación
más antigua recibe un peso del doble que la observación más antigua.

Mientras que el promedio móvil simple da igual peso a cada componente de la

base de datos, el promedio móvil ponderado permite dar cualquier peso a un
elemento. El promedio móvil ponderado tiene una gran ventaja sobre el promedio
móvil simple, ya que puede variar el efecto de los datos pasados. No obstante, es
más inconveniente y costoso de usar

• Para la semana 4 el cálculo es:

3 2 1
∗ 19 + ∗ 21 + ∗ 17 = 19.33.
6 6 6

En general, si creemos que el pasado reciente es un mejor pronosticador del

futuro que el pasado distante, los pesos más grandes deben darse a las
observaciones más recientes.

Se utiliza cuándo...
El pronóstico de promedio móvil ponderado 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,
Dicho enfoque es superior al del promedio móvil simple.

Promedio Móvil Ponderado.

Este método de pronóstico es una variación del promedio móvil. Mientras, en el

promedio móvil simple se le asigna igual importancia a cada uno de los datos que
componen dicho promedio, en el promedio móvil ponderado podemos asignar
cualquier importancia (peso) a cualquier dato del promedio (siempre que la
sumatoria de las ponderaciones sean equivalentes al 100%). Es una práctica
regular aplicar el factor de ponderación (porcentaje) mayor al dato más reciente.
MÉTODO DE PROMEDIOS MÓVILES.

Métodos de promedios
Aunque existen más métodos para pronosticar, por simplicidad presentamos
solamente dos, que consideramos los más usuales y sencillos de llevar a cabo.

 Promedios Móviles

 Suavización Exponencial

Estos métodos pueden utilizarse cuando:

. a) Hay información disponible de la variable(s) que se está pronosticando.
. b) La información puede ser cuantificada.
. c) Si se considera razonable que el patrón de comportamiento del pasado
continuará en el futuro. Si se cuenta con una base de datos histórica y se
quiere pronosticar una variable considerando su comportamiento pasado,
entonces podemos utilizar el método de promedios móviles o el método de
suavización exponencial, que son conocidos también como métodos de
series de tiempo
.

La utilización de esta técnica supone que la serie de tiempo es estable, esto es,
que los datos que la componen se generan sin variaciones importantes entre un
dato y otro (error aleatorio=0)2, esto es, que el comportamiento de los datos
aunque muestren un crecimiento o un decrecimiento lo hagan con una tendencia
constante. Cuando se usa el método de promedios móviles se está suponiendo
que todas las observaciones de la serie de tiempo son igualmente importantes
para la estimación del parámetro a pronosticar (en este caso los ingresos). De
esta manera, se utiliza como pronóstico para el siguiente periodo el promedio de
los n valores de los datos más recientes de la serie de tiempo. Utilizando una
expresión matemática, tenemos:

El término móvil indica que conforme se tienen una nueva observación de la serie
de

∑(𝑛 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑚𝑎𝑠 𝑟𝑒𝑐𝑖𝑒𝑛𝑡𝑒𝑠 )

𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑚𝑜𝑣𝑖𝑙 =
𝑛

tiempo, se reemplaza la observación más antigua de la ecuación y se calcula un

nuevo promedio. El resultado es que el promedio se moverá, esto es, conforme se
tengan nuevos datos y se vayan sustituyendo en la fórmula, el valor del promedio
irá modificándose.

No existe una regla específica que nos indique cómo seleccionar la base del
promedio móvil n. Si la variable que se va a pronosticar no presenta variaciones
considerables, esto es, si su comportamiento es relativamente estable en el
tiempo, se recomienda que el valor de n sea grande. Por el contrario, es
aconsejable un valor de n pequeño si la variable muestra patrones cambiantes. En
la práctica, los valores de n oscilan entre 2 y 10.
El método de promedios móviles es muy útil cuando se tiene información no
desagregada y cuando no se conoce otro método más sofisticado y que permita
predecir con mayor confianza.

Este método permite suavizar la serie de tiempo aunque existen otros métodos
que son más eficientes en la predicción.

Una serie de tiempo es un conjunto de observaciones respecto a una variable,

medidas en puntos sucesivos en el tiempo o a lo largo de periodos sucesivos de
tiempo. Un análisis de una secuencia de datos se conoce como análisis de series
de tiempo de una variable. 2 El error aleatorio muestra el grado de confiabilidad
con que se van a comportar los datos. La variación del error puede ser de 0 𝑎 1, en
donde, un 𝑒𝑟𝑟𝑜𝑟 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑜 = 0 muestra una total confiabilidad del comportamiento
de los datos y un error aleatorio=1 muestra que los datos no son confiables en su
comportamiento.

3.3 SUAVIZAMIENTO EXPONENCIAL.

En que consiste?
Otro método para realizar un pronóstico es el método de suavización exponencial.
A diferencia de los promedios móviles, este método pronostica otorgando una
ponderación a los datos dependiendo del peso que tengan dentro del cálculo del
pronóstico. Esta ponderación se lleva a cabo a través de otorgarle un valor a la
constante de suavización, α, que puede ser mayor que cero y menor que uno.
Para nuestro ejemplo, utilizamos un valor de α = 0.8, por ser éste el que mejor
ajusta al pronóstico a los datos reales.

El método de suavización exponencial supone que el proceso es constante, al

igual que el método de promedios móviles. Esta técnica está diseñada para
atenuar una desventaja del método de promedios móviles, en donde los datos
para calcular el promedio tienen la misma ponderación. De manera particular, esta
técnica considera que las observaciones recientes tienen más valor, por lo que le
otorga mayor peso dentro del promedio.

La suavización exponencial utiliza un promedio móvil ponderado de los datos

históricos de la serie de tiempo como pronóstico; es un caso especial de promedio
móvil en donde se selecciona un solo valor de ponderación3 . El modelo básico de
suavización exponencial se presenta a continuación:

𝐹𝑡 + 1 = 𝛼𝑌𝑡 + (1 − 𝛼)𝐹
Donde:
𝐹𝑡 + 1 = Pronóstico de la serie de tiempo para el periodo de 𝑡 + 1.
𝑌𝑡 = Valor real del periodo anterior al año a pronosticar.

 𝐹𝑡 = Valor real del periodo anteanterior al año a pronosticar.
𝛼 = Constante de suavización (0 ≤ 𝛼 ≤ 1).

a utilización de esta ecuación implica algunas especificaciones. El cálculo de 𝐹𝑡 +

1 está ligado con los 2 periodos anteriores. En otras palabras, el pronóstico de
suavización exponencial en determinado periodo es (𝐹𝑡 + 1) = al valor real de la
serie de tiempo en el periodo anterior (𝑌𝑡) 𝑋 la constante de suavización
(𝛼), + 1 − la constante de suavización (𝛼) 𝑋 el periodo ante anterior (𝐹𝑡).

𝐹𝑡 + 1 = 𝛼𝑌𝑡 + (1 − 𝛼)𝐹𝑡

A pesar de que la suavización exponencial nos da un pronóstico que es un

promedio ponderado de todas las operaciones pasadas, no es necesario guardar
todos los datos del pasado a fin de calcular el pronóstico para el periodo siguiente.
De hecho, una vez seleccionada la constante de suavización α, sólo se requiere
de dos elementos de información para calcular el pronóstico. La ecuación anterior
muestra que con un α dado, podemos calcular el pronóstico para el periodo 𝑡 + 1
simplemente conociendo los valores reales y pronosticados de la serie de tiempo
para el periodo t, es decir, 𝑌𝑡 𝑦 𝐹𝑡.

La elección de la constante de suavización α es crucial en la estimación de

pronósticos futuros. Si la serie de tiempo contiene una variabilidad aleatoria
sustancial, se preferirá un valor pequeño como constante de suavización. La razón
de esta aseveración es que gran parte del error del pronóstico es provocado por la
variabilidad aleatoria, por lo que un valor pequeño de α permite un pronóstico
mejor. Por el contrario, para una serie de tiempo con una variabilidad aleatoria
relativamente pequeña, valores más elevados de la constante de suavización
tienen la ventaja de ajustar con rapidez los pronósticos cuando ocurren errores de
pronóstico y permitiendo, por lo tanto, que el pronóstico reaccione con mayor
rapidez a las condiciones cambiantes. En la práctica, el valor de α está entre .01 y
.90.
Utilizando la ecuación 2, sustituimos los valores correspondientes para hacer el
pronóstico para el año 1992. Sustituyendo valores nos quedaría:

𝐹𝑖𝑛𝑔𝑟𝑒𝑠𝑜𝑠 1992 = 0.8 (201986) + (1 – 0.8)(163305)

𝐹𝑒𝑔𝑟𝑒𝑠𝑜𝑠 1992 = 0.8 (189498) + (1 – 0.8)(162370).

El mismo procedimiento se realiza para el resto de los años y obtenemos los

resultados que aparecen en el cuadro 2. Una vez que se calculan los pronósticos
de ingresos y egresos, la diferencia entre éstos nos da el ahorro, que aparece en
la última columna del mismo cuadro.

Podemos observar que el pronóstico se ajusta más a los datos reales que en el
caso de los promedios móviles. Este método nos permite realizar un pronóstico
más confiable que el caso anterior. Claramente se observa que el pronóstico tiene
mejor ajuste y la diferencia entre los valores reales y los pronosticados es mínima.
Por lo tanto, este método es una mejor opción que los promedios móviles para
predecir el comportamiento futuro de los ingresos y egresos.

La ponderación se determina considerando el peso que se le asigna al valor más

reciente de la serie. Los pesos o ponderaciones para los demás valores se
determinan automáticamente, haciéndose más pequeños conforme las
observaciones se alejan del presente.
 3.4 PROYECCIÓN DE LA TENDENCIA.

Es importante ya que ….
En este punto se muestra cómo pronosticar los valores de una serie de tiempo que
exhibe una tendencia lineal a largo plazo. El tipo de series de tiempo para las
cuales el método de proyección de tendencias es aplicable, muestra un
incremento o disminución constante en el tiempo. Debido a que este tipo de serie
de tiempo no es estable, los métodos de suavización descritos en la sección
anterior no son aplicables.

La proyección de tendencias, como su nombre lo indica, pronostica un

comportamiento futuro de acuerdo con la tendencia observada en el pasado. La
técnica de predicción se denomina de series de tiempo. En las técnicas de
predicción se considera valido confiar en que el comportamiento histórico de una
variable que es fácil de proyectar (conocida como independiente), puede explicar
el comportamiento de la variable por estimar (dependiente).

Los métodos de proyección de tendencias buscan determinar la forma que debe

asumir una ecuación para que se ajuste de la mejor manera posible a la relación
observada entre las variables dependientes e independientes.

Por ejemplo, entre otras, puede asumir las formas de:

𝑌 = 𝑎 + 𝑏𝑥

𝑌 = 𝑎 + 𝑏𝑥 + 𝑐𝑥2

Ejemplo;

La serie de tiempo para el número de bicicletas vendidas parece tener un

incremento general o una tendencia ascendente.
Para una tendencia lineal, el volumen de ventas estimado expresado como una
función del tiempo.

𝑇𝑡 = 𝑏𝑜 + 𝑏1𝑡

𝑇𝑡 =valor de tendencia para las ventas de bicicletas en el periodo t Las

ecuaciones para calcular 𝑏1 𝑦 𝑏0 son;
∑ 𝑡𝑌𝑡 − (∑ 𝑡 ∑ 𝑦𝑡 )/𝑛
𝐵1 =
∑ 𝑡 2 − (∑ 𝑡)2 /𝑛

𝑏𝑜 = 𝑦̅ − 𝑏1 𝑡̅

Ecuación para el componente de tendencia lineal para las series de tiempo de

ventas de bicicletas. 𝑇𝑡 = 20.4 + 1.1𝑡 La pendiente de 1.1 en la ecuación de
tendencia indica que durante los 10 años pasados la empresa ha experimentado
un crecimiento medio en las ventas de alrededor de 1100 unidades por año.

La proyección de tendencia del año siguiente,

𝑇11 = 20.4 + 1.1 ∗ 11 = 32.5

 3.5 APLICACIÓN Y PRACTICA.

 Determinar si se presentan ciertos patrones o pautas no aleatorias.

 Aislar y entonces estudiar sus componentes a fin de proporcionar claves para
movimientos futuros.
 Hace posible pronosticar los movimientos futuros así como otros aspectos
que estén sincronizados.

Economía.

• Precios de un artículo
• Tasas de desempleo
• Tasa de inflación
• Índice de precios
• Precio del dólar
• Precio del cobre
• Precios de acciones
• Ingreso Nacional Bruto, etc.

Marketing.

• Series de demanda
• Gastos
• Utilidades
• Ventas
• Ofertas
Ejemplo de Series de Tiempo aplicado a Marketing:
Ventas En la siguiente tabla se encuentran los datos de las ventas de los últimos
cinco años de una empresa del ramo de alimentos:

Interpretación Las ventas se expresan en millones de pesos,

el origen o año 0, es 2003 y t aumenta una unidad por año.

El valor 1.3 indica que las ventas aumentan a razón de 1.3 millones de pesos por
año. El valor 6.1 es el de las ventas estimadas cuando t = 0.

Es decir, el monto de las ventas estimadas para el año 2003 es igual a 6.1
millones de pesos.

𝑦 = 6.1 + 1.3𝑡
Para trazar la recta, se deben tener dos puntos, para el primero de ellos se puede
utilizar el valor 6.1 de la ecuación anterior y el segundo se obtiene pronosticando
el año deseado, por ejemplo 4 (año 2006) para obtener el valor de y, es decir:

𝑦 = 6.1 + 1.3𝑡 = 6.1 + 1.3𝑡(4) = 11.3

con lo que ya se puede trazar la Recta de Tendencia

Interpretación:
Con base en las ventas anteriores, la estimación o pronóstico para el año 2006,
es 11.3 millones de pesos.
 BIBLIOGRAFIAS.
 Anderson D., Sweeney D. y Williams T. (2008), “Estadística para
Administración y Economía”. 10º edición. Ed. Thomson. México.

 Canavos, G. (2003), “Probabilidad y Estadística. Teoría y aplicaciones”. Mc

Graw Hill. Interamericana de México.