I.

- PROMEDIOS MÓVILES PARA PROCESOS CONSTANTES

Considerando una serie de tiempo generada por un proceso constante, y un error aleatorio e, nuestro
modelo de pronóstico es :

𝑋𝑡 = 𝑎 + 𝑒𝑡

Donde 𝑒𝑡 es una variable aleatoria tal que su valor esperado y su varianza con : 𝐸(𝑒𝑡 ) = 0 𝑦 𝑉(𝑒𝑡 ) = 𝜎𝑡2 , y
a es un parámetro desconocido. Es posible que a tome diferentes valores para partes en la secuencia de
tiempos que estén muy separadas, pero para cualquier segmento de tiempo en particular a es una
constante.

Para pronosticar futuros valores se debe estimar el parámetro desconocido a. Suponiendo que se tienen
disponibles todas las observaciones a través de un periodo de tiempo (𝑥1, 𝑥2 , … , 𝑥𝑇 ) y asignándoles un
mismo valor a todas, con el criterio de los mínimos cuadrados se obtiene la siguiente expresión:
𝑇 𝑇

∑ 𝑒𝑡2 = ∑(𝑋𝑇 − 𝑎̂)2

𝑡=1 𝑡=1

Derivando respecto al parámetro 𝑎̂ e igualando a cero para encontrar el mínimo valor que minimice la
expresión nos queda :

∑𝑇𝑡+1 𝑋𝑡
𝑎̂ =
𝑇
Por lo tanto:

∑𝑇𝑡=1 𝑋𝑡
𝑃𝑡+1 = 𝑎̂ =
𝑇
Que es la media aritmética de T valores. Esta expresión nos sirve para calcular pronósticos dándole un
mismo valor o peso a cada una de las observaciones anteriores. Ahora, debido a que 𝑎̂ cambia a través del
tiempo, y siguiendo el criterio de los Promedios Móviles, es razonable dar un mayor valor a las
observaciones más recientes, y no tomar en cuenta a observaciones que por ser muy antiguas, sean
obsoletas. Así, tomando Mínimos Cuadrados solo a las N observaciones más reciente, se obtiene:

∑𝑇𝑡=𝑇−𝑁+1 𝑋𝑡
𝑎̂ =
𝑁
Por lo tanto,

∑𝑇𝑡=𝑇−𝑁+1 𝑋𝑡
𝑃𝑡+1 = 𝑎̂ =
𝑁
∑𝑇−1
𝑡=𝑇−𝑁 𝑋𝑡
Ahora, si 𝑃𝑡 = 𝑁
; y si ∑𝑇𝑡=𝑇−𝑁+1 𝑋𝑡 = ∑𝑇−1
𝑡=𝑇−𝑁 𝑋𝑡 + 𝑋𝑡 − 𝑋𝑇−𝑁 ; la expresión 𝑃𝑡+1 quedaría:

𝑋𝑡 − 𝑋𝑇−𝑁
𝑃𝑡+1 = 𝑃𝑡 +
𝑁
Donde 𝑃𝑡 es el pronóstico anterior (hecho para el periodo actual), 𝑋𝑡 es la observación real que se tuvo, la
cual se agrega al nuevo pronóstico, y 𝑋𝑇−𝑁 es la observación más antigua que se tenía, la cual es
descartada. Así, el número de datos N que se toman en cuenta, se mantiene constante, y los pronósticos
que se van obteniendo se calculan en base a los últimos valores observados.

II.- PROMEDIOS MÓVILES PARA PROCESOS CON TENDENCIAS

Considerando una serie de tiempos generada por un proceso con tendencia y un error e, el siguiente
modelo puede ser adecuadamente aplicado :

𝑋𝑡 = 𝑎 + 𝑏𝑡 + 𝑒𝑡
Donde a y b son parámetros desconocidos y e es una variable aleatoria tal que su valor esperado y su
varianza con : 𝐸(𝑒𝑡 ) = 0 𝑦 𝑉(𝑒𝑡 ) = 𝜎𝑡2 .

Para estimar los parámetros desconocidos a y b, se usará el criterio de los mínimos cuadrados y se tomarán
en cuenta solo las últimas N observaciones más recientes (promedios móviles), así, obtenemos la siguiente
expresión:
𝑇 𝑇
2
∑ 𝑒𝑡2 = ∑(𝑋𝑇 − 𝑎̂ − 𝑏̂𝑡)
𝑡=𝑇−𝑁+1 𝑡=1

Para encontrar los valores de 𝑎̂ y 𝑏̂ que minimicen esta expresión, la derivamos con respecto a estos
parámetros desconocidos e igualamos a cero cada expresión, quedándonos:
𝑇 𝑇 𝑇

∑ 𝑋𝑡 = ∑ 𝑎̂ + ∑ 𝑏̂𝑡
𝑡=𝑇−𝑁+1 𝑡=𝑇−𝑁+1 𝑡=𝑇−𝑁+1
𝑇 𝑇 𝑇

∑ 𝑡 ∗ 𝑋𝑡 = ∑ 𝑎̂𝑡 + ∑ 𝑏̂𝑡 2
𝑡=𝑇−𝑁+1 𝑡=𝑇−𝑁+1 𝑡=𝑇−𝑁+1

Usando series:
𝑇
𝑁
∑ 𝑡= (2𝑇 + 1 − 𝑁)
2
𝑡=𝑇−𝑁+1
𝑇
𝑁
∑ 𝑡2 = [(𝑁 − 1)(2𝑁 − 1) + 6𝑇(𝑇 + 1 − 𝑁)]
6
𝑡=𝑇−𝑁+1

𝑇
𝑁
∑ 𝑋𝑡 = 𝑁𝑎̂ + (2𝑇 + 1 − 𝑁)𝑏̂
2
𝑡=𝑇−𝑁+1

Reemplazando en la ecuación principal:

𝑇
𝑁 𝑁
∑ 𝑡 ∗ 𝑋𝑡 = (2𝑇 + 1 − 𝑁)𝑎̂ + [(𝑁 − 1)(2𝑁 − 1) + 6𝑇(𝑇 + 1 − 𝑁)]𝑏̂
2 6
𝑡=𝑇−𝑁+1

En este punto, tenemos dos ecuaciones con dos incógnitas, con lo que se puede resolver el sistema. Sin
embargo, las expresiones son algo complejas, por lo que para simplificar los cálculos, se moverá el origen al
centro de los datos, esto es, t = 0 a 𝑡 = 𝑡̅ donde:

∑𝑇𝑡=𝑇−𝑁+1 𝑡 𝑁−1
𝑡̅ = =𝑇−
𝑁 2
De donde:
 𝑁−1
∑ 2
𝑁−1 𝑋𝑡´
𝑡´=−
2
𝑎̂ =
𝑁
𝑁−1
∑ 2 𝑁−1 𝑡 ∗ 𝑋𝑡
12 𝑡´=−
2
𝑏̂ =
𝑁(𝑁 2 − 1) 𝑁

Una vez que se han obtenido los primeros valores de 𝑎̂ 𝑦 𝑏̂, es posible obtener los siguientes de manera
recursiva, con lo que nos quedan las siguientes expresiones:
1
𝑎̂𝑡 = 𝑎̂𝑡−1 + (𝑋 − 𝑋𝑇−𝑁 )
𝑁 𝑡
12 𝑁−1 𝑁+1
𝑏̂𝑡 = 𝑏̂𝑡 + 2 [ 𝑋𝑡 + 𝑋𝑡−𝑁 − 𝑁 ∗ 𝑎̂𝑡−1 ]
𝑁(𝑁 − 1) 2 2