Medias Móviles para Predicción de Consumos Energéticos

Contenido del curso

Introducción

Modelos de Regresión

Métodos de Suavizado

Conclusiones

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:005:54

Medias Móviles para Predicción de Consumos Energéticos

Curso de Forecasting con Excel

Clase 8 de 15

Clase 8 / 15

Recursos

Las medias móviles destacan cuando buscamos precisión práctica en series de tiempo caóticas. Una ventana móvil pequeña reduce la pérdida de información y mejora el reconocimiento de patrones, además de suavizar ruido y datos atípicos. Aquí se explica cuándo convienen, cómo ajustar su complejidad y por qué el coste computacional importa, con un caso real de predicción energética en Neiva, Huila.

¿Qué aporta una ventana móvil pequeña para el reconocimiento de patrones?

Una ventana que procesa pocos periodos, incluso a lo mucho dos, favorece un mapeo denso de la dinámica de la serie. Al conservar más detalle, la media móvil puede captar tendencias y microtendencias con mayor consistencia.

Menos pérdida de información, más señal útil.
Mayor capacidad de generalización con patrones finos.
Mejor detección de cambios sutiles en el corto plazo.

En contextos donde no existe un patrón de estacionalidad claro, estos micropromedios permiten reconocer direcciones y trayectorias locales que fortalecen la predicción.

¿Cuándo usar medias móviles para series con ruido y estacionalidades difusas?

Son ideales cuando los registros son históricamente caóticos o presentan fluctuaciones muy grandes que distorsionan las métricas principales. Aquí las medias móviles ayudan a suavizar el comportamiento, mitigando picos altos y bajos y reduciendo el impacto de datos atípicos.

Suavizado de variaciones extremas para mejorar la lectura de la serie.
Atenuación del ruido por naturaleza propia de los datos.
Priorización de la precisión cuando el precio o la decisión depende del ajuste fino.

Además, conocer y saber implementar modelos lineales, exponenciales, polinómicos y de media móvil es crucial para elegir la alternativa adecuada según el objetivo y la naturaleza del problema.

¿Cómo equilibrar precisión, coste computacional y contexto del problema?

Iterar modelos sobre bases de 100 mil, 1 millón o 5 millones de registros implica un coste computacional relevante. No todos los problemas requieren modelos muy robustos; algunos admiten enfoques más ligeros o soft cuando el riesgo lo permite.

Evaluar la relación costo-beneficio de la predicción.
Ajustar el modelo al riesgo del dominio: no es lo mismo un infarto de miocardio que el próximo hit musical.
En bioingeniería, el margen de error es mínimo y se requieren enfoques más especializados.

La decisión práctica combina tres ejes: precisión necesaria, tiempo de cómputo disponible y criticidad del error en el dominio.

¿Cómo mejoraron las medias móviles la predicción energética en Neiva, Huila?

En un proyecto real para predecir consumos energéticos de la ciudad de Neiva, Huila, se construyó un modelo basado en medias móviles capaz de identificar patrones estacionales, tendencias y microtendencias. Se ajustó la ventana para lograr la predicción más fina posible, evitando desfases y garantizando un precio justo.

Captura de estacionalidad y microtendencias para ajustar oferta y demanda.
Ventanas móviles calibradas para precisión operativa.
Impacto directo: mayor precisión y reducción de costos en la energía de toda la ciudad.

Este caso ilustra la fortaleza de las medias móviles cuando se exige exactitud en entornos con variabilidad marcada, pero donde el ajuste fino genera beneficios tangibles.

¿Te gustaría compartir un reto donde debas decidir el tamaño de la ventana móvil o el balance entre precisión y coste computacional?

Saul Felipe Ramirez

Hace 2 años

¿Cómo sería la fórmula para poder predecir con la media móvil de 2 para las ventas de la siguiente semana?, Porque obviamente por la fórmula solo me deja predecir el día siguiente, ¿pero qué pasa si quiero más días?

Ricardo Mondragon Vargas

Hace 2 años

Media Móvil con un Período Mayor: En lugar de 2, podrías usar una media móvil de 7 para capturar el promedio de la última semana. Esto te daría una visión más general de la tendencia reciente. Sin embargo, sigue siendo una predicción limitada a un período futuro.
Promedio Móvil Ponderado: Asigna pesos diferentes a los datos, dando mayor importancia a los datos más recientes. Esto permite que la predicción reaccione más rápido a los cambios recientes.
Suavización Exponencial: Similar al promedio móvil ponderado, pero con una fórmula que suaviza los datos históricos de forma exponencial, dando más peso a los datos recientes.
Análisis de Tendencias: Identifica patrones de crecimiento o decrecimiento a largo plazo en tus datos y utiliza una regresión lineal u otra técnica para proyectar la tendencia hacia el futuro.
Análisis de Estacionalidad: Si tus ventas tienen patrones estacionales (por ejemplo, aumentan en Navidad o en verano), utiliza métodos como el análisis de series de tiempo para modelar y predecir estas fluctuaciones.

Ricardo Mondragon Vargas

Hace un año

🧠 Opción 1: Proyección recursiva usando la media móvil de 2

Este método implica usar tu último valor conocido y la predicción obtenida para calcular la siguiente, aunque debes tener presente que la precisión disminuye con cada paso:

Supongamos que tus últimas ventas fueron:
- Día 1: 100
- Día 2: 110
Predicción Día 3: $$ P_3 = \frac{100 + 110}{2} = 105 $$
Predicción Día 4 (usando Día 2 y P_3): $$ P_4 = \frac{110 + 105}{2} = 107.5 $$
Predicción Día 5 (usando P_3 y P_4): $$ P_5 = \frac{105 + 107.5}{2} = 106.25 $$

Y así sucesivamente. Aunque este método tiene el mérito de ser sencillo, tiende a suavizar los valores con cada paso y podría no capturar tendencias ni estacionalidades reales.

🔍 Opción 2: Uso de métodos más avanzados

Si buscas predicciones más confiables para una semana completa, puedes usar modelos que consideren patrones temporales más complejos como:

Promedios móviles ponderados (donde los días más recientes tienen más peso)
Modelos de regresión lineal
Series temporales con ARIMA
Red neuronal recurrente (si quieres algo más profundo y no tienes miedo al código)

Comentarios (8)8 comentarios

Jesus David Zetien Benitez

Me parece super esta clase donde se explica cuando utilizar este modelo de proyección. Es clave diferenciar cuando un modelo permite acercarse al máximo a la realidad en cierto contexto, el modelo que más se adecue se direcciona en función al comportamiento de las observaciones.

Andrés Anaya Isaza

Profesor

Buen aporte muchachon :D éxitos y sigue adelante :D

Michel Santiago Andreu Olarte Moyano

Esto resuelve mi duda clases anteriores, entonces, se debe usar para datos no estándares, o sea, datos caóticos.

Buen trabajo :D

Jocabed Ríos Saucedo

¿Es conveniente aplicar un modelo de ventana móvil sobre los resultados obtenidos de la aplicación de un modelo de ventana móvil a información original? Es decir si yo aplico originalmente un modelo de ventana móvil 2 y posteriormente para predecir un segundo dato, ¿puedo aplicar la misma metodología sobre los resultados para predecir un tercer dato? o en todo caso ¿es mejor la aplicación de un modelo de ventana 3?

Jenny Milena Gómez Rodríguez

Hace 4 meses

Buen día

Aún no me queda claro como predecir los meses futuros con este método, para dar respuesta al ejercicio de la clase anterior

Juan Carlos Gutiérrez Martínez

👍

Hugo Britos

me parece que faltaría una predicción mes a mes, teniendo 3 o 4 años de historia para poder predecir.

Diana María Palencia Díaz

Gracias Andrés! por poner ejemplos de como estos modelos ayudaron en casos reales.

Gracias señorita, muchos éxitos y sigue adelante :D

Introducción

Pronósticos y análisis de datos con Google Sheets

Qué son las series de tiempo

Modelos de Regresión

Regresión lineal en Google Sheets para predicción

Cuándo usar regresión lineal y evitar errores

Modelos Exponenciales para Predicción de Crecimiento Empresarial

Regresión polinómica grado 2 vs grado 4

Métodos de Suavizado

Cómo elegir el mejor periodo en media móvil

Medias Móviles para Predicción de Consumos Energéticos

Predicciones con promedio ponderado en negocios

Modelos Multiplicativos para Pronósticos Financieros

Modelos multiplicativos para OKR realistas

Suavizado exponencial con alfa en Excel

Modelos de Suavizado Exponencial en Predicción Sanitaria

Conclusiones

Predicción de Tendencias con Métodos Estadísticos Avanzados

Predice el futuro con Google Sheets

Medias Móviles para Predicción de Consumos Energéticos

Progreso del curso

Introducción

Modelos de Regresión

Métodos de Suavizado

Conclusiones

Recursos

Recursos