PROMEDIO MOVIL SIMPLE

1.-Un promedio móvil simple utiliza la demanda promedio durante una secuencia

fija de períodos y es bueno para una demanda estable sin patrones pronunciados
de comportamiento.[ CITATION Sar \l 2058 ]

Ecuación:
P 4 = [D 1 + D2 + D3+D4] / 4
P: Pronóstico, D: Demanda, No. De Periodo[ CITATION Sar \l 2058 ]

2.- 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.
[ CITATION ing \l 2058 ]

3.- 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 vez que se tiene una nueva observación se agrega está 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 simple.

La siguiente ecuación establece el modelo del promedio móvile simple.

 PROMEDIO MOVIL PONDERADO

1.-El promedio móvil ponderado descarta el dato histórico más antiguo y considera

el más reciente, tal y como se trabaja con los promedios móviles simples, la
diferencia es que los datos históricos se ponderan, es decir, se les
asignan pesos diferentes.
Otra similitud con el último dato y con los promedios móviles simples es que el
promedio móvil ponderado se utiliza para pronosticar valores futuros de series
estables, que no presenten tendencia ni estacionalidad.
Fórmula[ CITATION CEL \l 2058 ]

2.- Un promedio móvil ponderado ajusta el método de promedio móvil para reflejar

fluctuaciones con mayor exactitud asignando mayor peso a los datos más
recientes, lo que significa que los datos más viejos son por lo general menos
importantes. Los pesos se basan en la intuición y están entre 0 y 1 y deben sumar
un total de 1.0[ CITATION Sar \l 2058 ]

Ecuación:
PMP 4 = (P) (D3) + (P) (D2) + (P) (D1)
PMP: Promedio móvil ponderado, P: Peso, D: Demanda, No. de
Periodo[ CITATION Sar \l 2058 ]

3.- Mientras en el método de promedio móvil simple asignamos igual importancia a

todos los datos de la demanda pasada, el método de promedio móvil ponderado
nos permite calcular pronósticos asignando más peso para los elementos que
consideremos.
Esta es la ventaja del método, pues bajo ciertas circunstancias, las empresas
necesitan predecir la demanda de próximos periodos ponderando unos sobre
otros, lo que permite por ejemplo, darle más importancia a la tendencia, que
aunque este método nos sigue debiendo frente a este aspecto, si sale victorioso si
se compara con el promedio o media simple.[ CITATION Bet \l 2058 ]
 SUAVIZACION EXPONENCIAL

1.-El método de suavización exponencial simple trabaja a través de una constante

de suavización alfa (α) que tiene un valor comprendido entre 0 y 1, aunque en la
aplicación real su valor suele variar entre 0,05 y 0,50.
La constante funciona como un factor de ponderación (si, parecido al pronóstico
móvil ponderado) y su variación se hace de acuerdo a nuestra necesidad de darle
más peso a datos recientes (alfa α más elevado) o a datos anteriores (alfa α más
bajo). En este sentido, si α=1, nuestro pronóstico de demanda del próximo
periodo será exactamente igual al del periodo actual. [ CITATION Bet \l 2058 ]

2.-Es un método de ponderación que responde más fuertemente a cambios

recientes en la demanda asignando una constante de alisamiento que es más
fuerte para los datos más recientes; es útil si los cambios recientes en los datos
son el resultado del cambio real (patrón de temporada) y no solo fluctuaciones
aleatorias.
P t + 1 = a D t + (1 - a) P t
Donde
P t + 1 = pronóstico del siguiente periodo
D t = demanda real en el actual periodo
P t = el pronóstico determinado anteriormente para el actual período
a= es un factor de ponderación llamado la constante de alisamiento

3.- El método de Suavizamiento Exponencial Simple (conocido también

como Alisamiento Exponencial o Suavización Exponencial Simple) corresponde a
una de las metodologías más populares para realizar Pronósticos de Demanda al
disponer de una serie de tiempo. En este contexto en el artículo Pronóstico de
Demanda con Alisamiento Exponencial para distintos valores de Alfa se detalla la
aplicación de este método simulando su comportamiento y ajuste a los datos de la
demanda real para distintos valores del parámetro de suavización alfa (α). A
continuación presentaremos un compendio de ejercicios resueltos
de Suavizamiento Exponencial Simple y un resumen de los principales conceptos
tras este método.
El pronóstico del período t ( ) será igual al pronóstico del período anterior, es
decir, del período t-1 ( ) más alfa (α) por el error del período anterior (
), según se muestra en la fórmula a continuación:
 DESCOMPOSICION DE SERIE DE TIEMPOS

1.-La descomposición de series de tiempo ajusta la estacionalidad multiplicando el

pronóstico normal por un factor de temporada, este es conocido como el método
de "Tendencia Anual Móvil" [ CITATION Sar \l 2058 ]

2.- La descomposición de series temporales es una actividad fundamental además

de frecuente en los análisis de coyuntura económica y, en general, en el estudio
de la evolución económica y social de las sociedades. A veces, el objetivo es la
obtención de la componente estacional, mientras que, en otras, se desea extraer
la tendencia o el denominado ciclo-tendencia, componente que agrupa la
tendencia secular y la componente cíclica. Como es conocido, ambas son
componentes inidentificables de la serie temporal, en el sentido de que sin
restricciones adicionales la descomposición es arbitraria. [ CITATION San \l 2058 ]

3.- El Método de Descomposición corresponde a una metodología para

la Proyección de la Demanda que como el nombre lo sugiere “descompone” el
comportamiento de una Serie de Tiempo en tendencia, estacionalidad y ciclo,
relacionando dichos componentes a través de la siguiente fórmula (multiplicativa):[
CITATION Nor \l 2058 ]

Donde:
S= Valor pronosticado
T= Factor de tendencia
C= Componente cíclico
Y= Componente estacional
μ= Variación no sistemática
 METODO HOLT-WINTERS

1.-EL método Holt-Winters es un método de pronóstico de triple exponente

suavizante y tiene la ventaja de ser fácil de adaptarse a medida que nueva
información real está disponible. El método Holt-Winters es una extensión del
método Holt que considera solo dos exponentes suavizantes. Holt-Winters
considera nivel, tendencia y estacional de una determinada serie de tiempos. Este
método tiene dos principales modelos, dependiendo del tipo de estacionalidad; el
modelo multiplicativo estacional y el modelo aditivo estacional. El referente trabajo
se concentra en el modelo multiplicativo. [ CITATION Lau \l 2058 ]

2.- El método Holt- Winters es una extensión del método Holt que considera solo
dos exponentes suavizantes. Holt-Winters considera nivel, tendencia y estacional
de una determinada serie de tiempos. Este método tiene dos principales modelos,
dependiendo del tipo de estacionalidad:
. el modelo multiplicativo estacional: Este modelo presupone que a medida que se
incrementan los datos, también se incrementa el patrón estacional. La mayoría de
las gráficas de series de tiempo muestran este patrón. En este modelo, la
tendencia y los componentes de estación se multiplican y luego se suman al
componente de error.
. el modelo aditivo estacional: Un modelo de datos en el que los efectos de los
factores individuales se diferencian y se agrupan para modelar los datos. Un
modelo aditivo es opcional para los procedimientos de descomposición y para el
método de Winters.
Existen tres fases de trabajo, con tres conjuntos de datos diferentes
primer grupo de datos es para inicializar el modelo, esto es determinar los
indicadores de nivel, tendencia y estacionalidad.
Un segundo conjunto de datos es necesario para probar o calibrar los índices de
suavización Alfa, Beta y Gamma.
Un tercer grupo de datos para pronosticar y evaluar el funcionamiento del modelo
propuesto. Ejecutar todas las fases en un solo grupo de datos puede conducir a
tratar de encajar en exceso el modelo a los datos disponibles.

FORMULA
La fórmula general del pronóstico es:
D t, t+1 = (at +T.bt) + F t+T-P
Dónde: D = Demanda o variable a estimar;
a = Nivel promedio de ventas;
b = Tendencia;
F = Factor de estacionalidad;
t = Período actual;
T = Número de períodos en adelante que se desea proyectar
 ESTO YA ES TU DECISIÓN SI LO PONES
TENDENCIA

1.-La tendencia de una serie de tiempo es el componente de largo plazo que

representa el crecimiento o disminución en la serie sobre un periodo amplio.
Como se puede ver la tendencia es la propensión al aumento o disminución en los
valores de los datos de una serie de tiempo, que permanece a lo largo de un lapso
muy extendido de tiempo, es decir que no cambiará en el futuro lejano mientras no
hayan cambios significativos o radicales en el entorno en el que se encuentra
inmersa y que determina el comportamiento de la serie de tiempo en estudio,
cambios que podrían ser originados como por ejemplo, por descubrimientos
científicos, avances tecnológicos, cambios culturales, geopolíticos, demográficos,
religiosos, etc.[ CITATION mod \l 2058 ]

2.- Es la componente de largo plazo que constituye la base del crecimiento o

declinación de una serie histórica, como se presenta en la figura . Las fuerzas
básicas que producen o afectan la tendencia de una serie son: cambios en la
población, inflación, cambio tecnológico e incremento en la productividad.
Figura 1.1 Gráfica  de una serie de datos con tendencia[ CITATION htt \l 2058 ]
 

3.- La tendencia secular o tendencia a largo plazo de una serie es por lo común el
resultado de factores a largo plazo. En términos intuitivos, la tendencia de una
serie de tiempo caracteriza el patrón gradual y consistente de las variaciones de la
propia serie, que se consideran consecuencias de fuerzas persistentes que
afectan el crecimiento o la reducción de la misma, tales como: cambios en la
población, en las características demográficas de la misma, cambios en los
ingresos, en la salud, en el nivel de educación y tecnología.
Las tendencias a largo plazo se ajustan a diversos esquemas. Algunas se mueven
continuamente hacía arriba, otras declinan, y otras más permanecen igual en un
cierto período o intervalo de tiempo.[ CITATION est \l 2058 ]
ESTACIONALIDAD
1.-El componente estacional es un patrón de cambio que se repite a sí mismo año
tras año.
El patrón de cambio por lo general es un aumento o una disminución cuantitativa
en los valores observados de una serie de tiempo específica. Cabe mencionar que
aunque en la mayor parte de los casos el patrón estacional es un fenómeno que
se presenta en lapsos de tiempo de duración aproximada a un año; también puede
manifestarse éste fenómeno en periodos de tiempo, ya sean menores o mayores a
un año. Como por ejemplo, el caso de la verificación de vehículos que se eleva en
las dos primeras semanas de cada periodo de verificación, ocurriendo esto cada
dos meses, siendo éste lapso de tiempo menor a un año. O el caso del aumento
en las ventas de panfletos publicitarios, sucedido esto cada seis años ocasionado
por las elecciones presidenciales, siendo éste un lapso de tiempo mayor a un año.
[ CITATION mod \l 2058 ]

2.- Es un conjunto de fluctuaciones en forma de onda o ciclos, de más de un año

de duración, producidos por cambios en las condiciones económicas, como se
presenta en la figura 1.2.[ CITATION htt \l 2058 ]

Representan la diferencia entre los valores esperados de una variable  (tendencia)

y los valores  reales (la variación residual que fluctúa alrededor de la tendencia).

[ CITATION Fig \l 2058 ]

3.- El componente de la serie de tiempo que representa la variabilidad en los datos

debida a influencias de las estaciones, se llama componente estacional. Esta
variación corresponde a los movimientos de la serie que recurren año tras año en
los mismos meses (o en los mismos trimestres) del año poco más o menos con la
misma intensidad. Por ejemplo: Un fabricante de albercas inflables espera poca
actividad de ventas durante los meses de otoño e invierno y tiene ventas máximas
en los de primavera y verano, mientras que los fabricantes de equipo para la nieve
y ropa de abrigo esperan un comportamiento anual opuesto al del fabricante de
albercas.[ CITATION est \l 2058 ]

CICLISIDAD
1.- El componente cíclico es la fluctuación en forma de onda alrededor de la
tendencia.
La dilucidad es un fenómeno que en lo general parece estar relacionado con la
variación de la actividad económica ocurrida durante periodos de crisis o
prosperidad. La fluctuación también puede presentarse en series de tiempo
estacionarias.[ CITATION mod \l 2058 ]

2.- El componente de la serie de tiempo que representa la variabilidad en los datos

debida a influencias de las estaciones, se llama componente estacional. Esta
variación corresponde a los movimientos de la serie que recurren año tras año en
los mismos meses (o en los mismos trimestres) del año poco más o menos con la
misma intensidad. Por ejemplo: Un fabricante de albercas inflables espera poca
actividad de ventas durante los meses de otoño e invierno y tiene ventas máximas
en los de primavera y verano, mientras que los fabricantes de equipo para la nieve
y ropa de abrigo esperan un comportamiento anual opuesto al del fabricante de
albercas.[ CITATION est \l 2058 ]

ALEATORIEDAD
El componente aleatorio mide la variabilidad de las series de tiempo después de
retirar los otros componentes.
La aleatoriedad se puede decir que se presenta en todas las series de tiempo y no
es otra cosa que el cambio producido en los valores de una serie de tiempo debido
a fenómenos que son en extremo difíciles de explicar y que por lo tanto su
ocurrencia cae en el ámbito del azar.[ CITATION mod \l 2058 ]
Bibliografía
(s.f.). Obtenido de
http://matematicas.reduaz.mx/home/Docentes/ltrueba/Series/admon4.htm
(s.f.). Obtenido de
http://matematicas.reduaz.mx/home/Docentes/ltrueba/Series/admon4.htm
Betancourt, D. F. (s.f.). Obtenido de https://ingenioempresa.com/promedio-movil-
ponderado/
CELEBERRIMA. (s.f.). Obtenido de https://www.celeberrima.com/ejemplo-y-
formula-promedio-movil-ponderado-pronostico/
Echeberria, L. (s.f.). Obtenido de
https://administration21.files.wordpress.com/2017/01/pronc3b3sticos-holt-
winters-omr-nov2016.pdf
estadistica.mat. (s.f.). Obtenido de
http://www.estadistica.mat.uson.mx/Material/seriesdetiempo.pdf
ingenieria industrial. (s.f.). Obtenido de
https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-
industrial/pron%C3%B3stico-de-ventas/promedio-m%C3%B3vil/
Juan, S. (s.f.). Obtenido de
http://www.eco.uva.es/tono/Enlaces_archivos/967_354_173_5.pdf
modelosdepronosticos. (s.f.). Obtenido de
http://modelosdepronosticos.info/componentes_de_series_de_tiempo.html
Sabedra, N. (s.f.). Obtenido de https://www.gestiondeoperaciones.net/proyeccion-
de-demanda/metodo-de-descomposicion-aplicado-para-un-pronostico-de-
demanda/
Sara Carlos Donaires, k. H. (s.f.). Obtenido de
https://www.monografias.com/trabajos109/pronosticos-demanda-tendencia-
constante-y-estacionalidad/pronosticos-demanda-tendencia-constante-y-
estacionalidad.shtml.