138 CAPÍTULO 5 Series de tiempo Series de tiempo 138

138
138

CAPÍTULO 5

Series de tiempo

5.1. Modelo clásico de series de tiempo

5.2. Análisis de fluctuaciones
5.3. Análisis de tendencia
5.4. Análisis de variaciones cíclicas
5.5. Medición de variaciones estacionales e irregulares
5.6. Aplicación de ajustes estacionales
5.7. Pronósticos basados en factores de tendencia y estacionales.
139 CAPÍTULO 5 Series de tiempo Series de tiempo 139
139
139

Series de tiempo
Toda institución, ya sea la familia, la empresa o el gobierno, tienen que hacer planes
para el futuro si ha de sobrevivir y progresar. Hoy en día diversas instituciones
requieren conocer el comportamiento futuro de ciertos fenómenos con el fin de
planificar, prever o prevenir.

Debido a que las condiciones económicas y comerciales varían en el tiempo, los

líderes de los negocios deben encontrar formas de mantenerse al día respecto a los
efectos que esos cambios tendrán en sus operaciones. Una técnica que pueden usar los
líderes de negocios como ayuda en la planeación de las necesidades operativas en lo
futuro es el pronóstico. Aunque se han desarrollado numerosos métodos para
pronosticar, todos tienen un objetivo común, predecir los eventos futuros de manera que
las proyecciones se puedan incorporar en el proceso de toma de decisiones.

Suponga que necesitamos hacer pronósticos trimestrales para el volumen de

ventas de determinado producto durante el próximo año. Los programas de producción,
las compras de materias primas, las políticas de inventarios y las cuotas de venta serán
afectados, todos, por esos pronósticos. Entonces, los malos pronósticos darán como
resultado una mala planeación y, en consecuencia, aumentarán los costos de la empresa.
¿Cómo se hace para elaborar los pronósticos trimestrales del volumen de ventas?

Desde luego que se deben considerar los datos reales de ventas del producto en
periodos pasados. Con tales datos históricos podemos identificar el nivel general de
ventas y cualquier tendencia, como aumento o disminución en el volumen a través del
tiempo. Por ejemplo, un examen más detallado de los datos puede revelar un
comportamiento estacional, como el de los picos que se presentan en el tercer trimestre
de cada año y los mínimos durante el primer trimestre. Al repasar los datos históricos se
puede, con frecuencia, adquirir una mejor comprensión de la tendencia de las ventas en
el pasado para poder pronosticar las ventas del producto en el futuro de una mejor
manera.
Las ventas históricas forman una serie de tiempo que es un conjunto de
observaciones de una variable medida en puntos o periodos sucesivos en el tiempo.

En esencia, existen dos enfoques de pronósticos: cualitativo y cuantitativo.

Los métodos de pronóstico cualitativos son importantes en especial cuando no

se dispone de datos históricos, como sería el caso de un departamento de finanzas que
desea pronosticar los ingresos de una compañía nueva. Los métodos de pronóstico
cualitativos se consideran altamente subjetivos o basados en la opinión. Incluyen el
método de elaboración de escenarios, la opinión de expertos y la técnica Delphi.

Método Delphi. El método délfico, desarrollado en principio por un grupo de

investigación de la Rand Corporation. Trata de determinar pronósticos mediante
¨consenso de grupo¨. En forma normal, a los miembros de un equipo de expertos, todos
ellos separados físicamente y desconocidos entre sí, se les pide contestar una serie de
cuestionarios. Se tabulan las respuestas del primer cuestionario y éstas se usan para
preparar un segundo cuestionario que contiene la información y las opiniones de todo el
grupo. A continuación se pide a cada encuestado reconsiderar y, posiblemente, corregir
sus respuestas anteriores a la vista de la información obtenida con el grupo.
140 CAPÍTULO 5 Series de tiempo Series de tiempo 140
140
140

Este proceso continua hasta que el coordinador siente que ha alcanzado

cierto nivel de consenso. El objetivo del método délfico no es llegar al resultado de una
sola respuesta, sino producir un conjunto compacto de opiniones dentro del cual esté la
mayoría de los expertos.

Opinión de expertos. Con frecuencia, los pronósticos se basan en el juicio de un

solo experto, o representan el consenso de un grupo de expertos. Por ejemplo, cada año
se reúne un grupo de expertos en Merrill Lynch con el fin de pronosticar el nivel del
promedio industrial Dow Jones y la tasa prima para el siguiente año. Al hacerlo, los
expertos se basan, de manera individual en información que cree que influye en el
mercado accionario y las tasas de interés, a continuación combinan sus conclusiones en
forma de un pronóstico. No se usa modelo formal alguno, y es improbable que dos
expertos cualesquiera visualicen de la misma forma la misma observación.

La opinión de expertos es un método de pronóstico que se recomienda

normalmente cuando es probable que las condiciones en el pasado no rijan en el futuro.
Aunque no se usa modelo cuantitativo formal, el juicio experto ha producido buenos
pronósticos en muchos casos.

Elaboración de escenarios. Este método consiste en desarrollar un escenario

conceptual del futuro, basado en un conjunto bien definido de supuestos. Los distintos
conjuntos de supuestos producen diferentes escenarios. La tarea de quien toma
decisiones es decidir lo probable que es cada escenario y, a continuación, tomar las
decisiones pertinentes.

Por otro lado, los métodos de pronóstico cuantitativo utilizan los datos
históricos. La meta es estudiar lo que ocurrió en el pasado para entender mejor la
estructura fundamental de los datos y proporcionar los medios necesarios para predecir
los sucesos futuros.
Los métodos de pronóstico cuantitativos se dividen en dos tipos: series de
tiempo y causales.

Los métodos de pronóstico de series de tiempo implican la proyección de los

valores futuros de una variable basada por completo en las observaciones pasadas y
presentes de esa variable.

Series de tiempo. Una serie de tiempo es un conjunto de valores numéricos

obtenidos en periodos iguales en el tiempo

Los métodos de pronóstico causales comprenden la determinación de factores

relacionados con la variable que se predice, e incluyen análisis con variables retrasadas,
modelado econométrico, análisis de indicador líder, índice de difusión y otros
medidores económicos más allá del alcance de este libro. La figura 5.1 representa una
perspectiva de los métodos de pronóstico.
141 CAPÍTULO 5 Series de tiempo Series de tiempo 141
141
141

Figura 5.1 Clasificación de los métodos de pronósticos

Método de pronostico

Cuantitativo s Cualitativos

Causales Serie temporal

Suavizamiento

Proyección de tendencia

Proyección de tendencia ajustada por

influencia estacional

5.1. Modelo clásico de series de tiempo

La suposición fundamental del análisis de series de tiempo es que los factores que han
influido en los patrones de actividad en el pasado y el presente tendrán más o menos la
misma influencia en lo futuro. Entonces la meta principal del análisis de series de
tiempo es: identificar y aislar estos factores de influencia con el fin de realizar
predicciones (pronosticar), así como fines administrativos de planeación y control.

Para conseguir estas metas, se han desarrollado muchos modelos matemáticos

que exploran las fluctuaciones entre los factores que componen una serie de tiempo. Tal
vez el más esencial sea el modelo multiplicativo clásico para datos registrados cada
año, trimestre o mes. En principio, el modelo multiplicativo clásico se usará para
pronosticar. Otras aplicaciones incluyen un análisis detallado de los componentes
particulares mediante la descomposición de las series de tiempo. Por ejemplo, con
frecuencia los economistas estudian una serie de tiempo anual, trimestral o mensual
para filtrar el componente cíclico y evaluar su movimiento respecto a la actividad
económica general. No obstante, las aplicaciones de la descomposición de una serie de
tiempo están fuera de los objetivos de este libro.

Para exponer el modelo multiplicativo clásico de series de tiempo, en la figura

5.2 se presentan los ingresos brutos reales de Eastman Kodak Company de 1975 a 1998.
Si se intenta observar las características de esta serie de tiempo, es evidente que los
ingresos reales muestran una propensión a aumentar en este periodo de 24 años. Esta
inclinación global a largo plazo o impresión de un movimiento hacia arriba o hacia
abajo se conoce como tendencia
142 CAPÍTULO 5 Series de tiempo Series de tiempo 142
142
142

Figura 5.2 Gráfica de ingresos netos reales (en miles de millones de dólares) de Eastman Kodak Company
(1975-1998)

Sin embargo, la tendencia no es el único factor componente que influye en estos

datos en particular o en otra serie de tiempo anual. Otros dos factores, el componente
cíclico y el componente irregular, están presentes en los datos.

El componente cíclico describe la oscilación o movimiento hacia arriba o hacia

abajo en una serie de tiempo. Los movimientos cíclicos varían en longitud, en general,
duran de 2 a 10 años; difieren en intensidad o amplitud, y a menudo se relacionan con
los ciclos de los negocios. En algunos años los valores serán más altos que los
pronosticados por una sencilla recta de tendencia lineal (es decir, se encuentran en o
cerca de un pico) de un ciclo); en otros años los valores serán menores que el pronóstico
de una recta de tendencia (esto es, están en o cerca del fondo o depresión de un ciclo).
Cualquier dato observado que no siga la tendencia curva modificada por el componente
cíclico es un indicio del componente aleatorio o irregular. Cuando los datos se
registran por mes o trimestre, se considera un componente adicional llamado factor
estacional junto con los componentes de tendencia, cíclico e irregular.

Los tres o cuatro componentes que influyen en una serie de tiempo económica o
de negocios se resumen en la tabla 5.1. El modelo multiplicativo clásico de series de
tiempo establece que todo valor observado en una serie de tiempo es el producto de
estos factores de influencia; es decir, cuando los datos se obtienen cada año, una
observación registrada en el año se puede expresar por la ecuación (5.1)

Modelo multiplicativo clásico de series de tiempo para datos anuales

(5.1)
donde, en el año i

= valor del componente de tendencia

= valor del componente cíclico
= valor del componente irregular
143 CAPÍTULO 5 Series de tiempo Modelo clásico 143
143
143

Cuando los datos se obtienen por trimestre o por mes, una observación
registrada en el periodo puede estar dada por la ecuación (5.2)

Modelo multiplicativo clásico de series de tiempo para datos con

Componente estacional
(5.2)
donde

= valores respectivos del componente de tendencia, cíclico e

irregular en el periodo
= valor del componente estacional en el periodo

Tabla 5.1 Factores que influyen en datos de series de tiempo.

Componentes Clasificación Definición Razón de la Duración

del influencia
componente
Tendencias Sistemático Patrón de movimiento Cambios en tecnología, Varios años
global o persistente, a población, riqueza,
largo plazo hacia Valores.
arriba o hacia abajo.
Estacional Sistemático Fluctuación más o menos Condiciones de clima, Dentro de 12
regular que ocurre en costumbres sociales y meses (o datos
cada periodo de 12 meses religiosas. menstruales o
cada año. trimestrales).
Cíclico Sistemático Oscilación o movimiento Interacción de De 2 a 10 años
repetitivo arriba o abajo numerosas con diferente
en cuatro 4 etapas; combinaciones de intensidad en el
pico(prosperidad), factores que influyen en ciclo completo
contracción (recesión), la economía
fondo (depresión) y
expansión (recuperación)
Irregular No Fluctuación errática o Variaciones aleatorias Corta duración y
sistemático residual en una serie que en los datos o debidas a sin repetición.
está presente después de eventos no previstos
tomar en cuenta los como huelgas,
efectos sistemáticos (de huracanes,
tendencia, estacional y inundaciones,
cíclica) asesinatos políticos, tec.

5.2. Análisis de fluctuaciones

El primer paso en un análisis de series de tiempo, consiste en graficar los datos y

observar sus tendencias en el tiempo. Primero debe determinarse si parece haber un
movimiento hacia arriba o hacia abajo a largo plazo en la serie (una tendencia) o si la
serie parece oscilar alrededor de una recta horizontal en el tiempo. En este caso (es
decir, no hay tendencia positiva o negativa a largo plazo), puede emplearse el método de
promedios móviles o el de suavización exponencial para “emparejar” la serie y
144 CAPÍTULO 5 Series de tiempo Modelo clásico 144
144
144

proporcionar un panorama global a largo plazo. Por otro lado, si de hecho existe una
tendencia, se pueden aplicar varios métodos de pronóstico de series de tiempo al
manejar datos anuales, y otro método para los datos de series de tiempo mensual o
trimestral.

El patrón o comportamiento de los datos en una serie de tiempo tiene diversos

componentes. El supuesto usual es que se combinan cuatro componentes separados: la
tendencia, el cíclico, el estacional y el irregular para definir valores específicos de la
serie de tiempo. Examinaremos cada uno de estos componentes.

El gráfico de la serie permitirá:

a) Detectar Outlier: se refiere a puntos de la serie que se escapan de lo normal. Un

outliers es una observación de la serie que corresponde a un comportamiento anormal
del fenómeno (sin incidencias futuras) o a un error de medición. Se debe determinar
desde fuera si un punto dado es outlier o no. Si se concluye que lo es, se debe omitir o
reemplazar por otro valor antes de analizar la serie.

Por ejemplo, en un estudio de la producción diaria en una fábrica se presentó la

siguiente situación ver figura 5.3:

Figura 5.3 Producción diaria

Los dos puntos enmarcados en una flecha parecen corresponder a un

comportamiento anormal de la serie. Al investigar estos dos puntos se vio que
correspondían a dos días de paro, lo que naturalmente afectó la producción en esos días.
El problema fue solucionado eliminando las observaciones e interpolando.

b) Permite detectar tendencia: la tendencia representa el comportamiento

predominante de la serie. Esta puede ser definida vagamente como el cambio
de la media a lo largo de un periodo.

c) Variación estacional: la variación estacional representa un movimiento periódico de

la serie de tiempo. La duración de la unidad del periodo es generalmente menor que un
145 CAPÍTULO 5 Series de tiempo Análisis de fluctuaciones 145

año. Puede ser un trimestre, un mes o un día, etc.

Matemáticamente, podemos decir que la serie representa variación

estacional si existe un número s tal que x(t) = x(t + ks).
Las principales fuerzas que causan una variación estacional son las
condiciones del tiempo, como por ejemplo:
1) en invierno las ventas de helado
2) en verano la venta de lana
3) exportación de fruta en marzo.

Todos estos fenómenos presentan un comportamiento estacional (anual,

semanal, etc.)

d) Variaciones irregulares (componente aleatoria): los movimientos irregulares (al

azar) representan todos los tipos de movimientos de una serie de tiempo que no sea
tendencia, variaciones estacionales y fluctuaciones cíclicas.

Un modelo clásico para una serie de tiempo, supone que una serie x(1), ..., x(n)
puede ser expresada como suma o producto de tres componentes: tendencia,
estacionalidad y un término de error aleatorio.

Existen tres modelos de series de tiempos, que generalmente se

aceptan como buenas aproximaciones a las verdaderas relaciones, entre los
componentes de los datos observados. Estos son:

1. Aditivo: X(t) = T(t) + E(t) + A(t)

2. Multiplicativo: X(t) = T(t) · E(t) · A(t)

3. Mixto: X(t) = T(t) · E(t) + A(t)

donde:
X(t) serie observada en instante t

T(t) componente de tendencia

E(t) componente estacional
A(t) componente aleatoria (accidental)

Una suposición usual es que A(t) sea una componente aleatoria o ruido blanco
con media cero y varianza constante.

Un modelo aditivo (1), es adecuado, por ejemplo, cuando E(t) no depende de

otras componentes, como T(t), sí por el contrario la estacionalidad varía con la
tendencia, el modelo más adecuado es un modelo multiplicativo (2). Es claro que el
modelo 2 puede ser transformado en aditivo, tomando logaritmos. El problema que se
presenta, es modelar adecuadamente las componentes de la serie.
146 CAPÍTULO 5 Series de tiempo Análisis de fluctuaciones 145

5.3. Análisis de tendencia

En el análisis de serie de tiempo, las mediciones pueden efectuarse cada hora, día,
semana, mes o año o en cualquier otro intervalo regular periódico. Aunque los datos de
serie de tiempo presentan, por lo general, fluctuaciones aleatorias, esta serie puede
mostrar también desplazamientos o movimientos graduales hacia valores relativamente
mayores o menores a lo largo de un lapso importante de tiempo. El desplazamiento
gradual de la serie de tiempo se llama tendencia de esa serie; este desplazamiento o
tendencia es, por lo común, el resultado de factores a largo plazo, como cambios en la
población, características demográficas de la misma, la tecnología y/o las preferencias
del consumidor.
Por ejemplo, un fabricante de bicicletas podría detectar cierta variabilidad, de
año a año, en la cantidad de bicicletas vendidas. Sin embargo, al revisar las ventas
durante los últimos 10 años, puede encontrar que hay un aumento gradual en el volumen
anual de ventas. Suponga que sus ventas fueron:

Año 1 2 3 4 5 6 7 8 9 10
Ventas (miles) 21,6 22,9 25,5 21,9 23,9 27,5 31,5 29,7 28,6 31,4

Este crecimiento anual de las ventas a través del tiempo muestra una tendencia
creciente de la serie de tiempo. La figura 5.4 presenta una recta que puede ser una buena
aproximación a la tendencia de las ventas de bicicletas. Aunque esa tendencia parece ser
lineal y aumentar con el tiempo a veces, en una serie de tiempo, la tendencia se puede
describir mejor mediante otros patrones.

Figura 5.4 Tendencia lineal de las ventas de bicicletas

35
30
25
Venta (miles)

20
15
10
5
0
0 2 4 6 8 10 12
Año

Si al graficar nuestros datos observamos de manera clara la tendencia lineal a

largo plazo (no importando si es positiva o negativa), entonces estaremos en la posición
de pronosticar con un buen nivel de confianza, con alguno de los métodos que se
indicaran más adelante.

La figura 5.5 muestra otros patrones posibles de tendencia. La sección A

representa una tendencia no lineal; en este caso, la serie de tiempo crece poco al
principio; luego tiene un crecimiento rápido y, finalmente, se nivela.
147 CAPÍTULO 5 Series de tiempo Análisis de tendencia 147
147
147

Esa tendencia podría ser una buena aproximación de las ventas de un producto,
desde su introducción, pasando por un periodo de crecimiento y llegando a una etapa de
saturación del mercado. La tendencia lineal decreciente en la sección B se aplica a una
serie de tiempo que tenga una disminución continua a través del tiempo. La recta
horizontal de la sección C representa una serie de tiempo que no tiene aumento o
disminución consistentes a través del tiempo y que, en consecuencia, no tiene tendencia.

Figura 5.5 Ejemplos de algunos posibles patrones de tendencia en series de tiempo

A B C

5.4. Análisis de variaciones cíclicas

Aunque una serie de tiempo puede presentar una tendencia a través de periodos grandes,
sus valores no caerán con exactitud sobre la línea de tendencia. De hecho, con
frecuencia estas series temporales presentan secuencias alternas de puntos abajo y arriba
de la línea de tendencia. Toda secuencia recurrente de puntos arriba y debajo de la línea
de tendencia, que dura más de un año, se puede atribuir a un componente cíclico de la
serie. La figura 5.6 es la gráfica de una serie de tiempo con un componente cíclico
obvio. Las observaciones se hicieron con intervalos de un año.

Figura 5.6 Componente de tendencia y cíclico de una serie de tiempo con datos anuales

Los ciclos aparecen como series de

Observaciones sobre y debajo
V de la línea de tendencia
o
l
u
m
e
n
Línea de tendencia
Tiempo

Muchas series se tiempo presentan comportamiento cíclico con tramos regulares

de observaciones abajo y arriba de la línea de tendencia. En general, este
comportamiento de la serie se debe a movimientos cíclicos de la economía a través de
varios años. Por ejemplo, los periodos de inflación moderada seguidos de periodos de
148 CAPÍTULO 5 Series de tiempo Análisis de tendencia 148
148
148

inflación rápida pueden determinar series de tiempo que se alternan abajo y arriba de
una línea de tendencia ascendente en general (como la serie de tiempo de los costos de
vivienda). Diversas series de tiempo de principios de la década de los ochenta
presentaron este comportamiento

5.5. Medición de variaciones estacionales e irregulares

Mientras que la tendencia y los componentes cíclicos de una serie de tiempo se

identifican analizando los movimientos de datos históricos a través de varios años, hay
muchas series de tiempo que muestran un patrón regular dentro de un periodo de un
año. Por ejemplo, un fabricante de albercas inflables espera poca actividad de ventas
durante los meses de otoño e invierno, y ventas máximas en los de primavera y verano.
Los fabricantes de equipo para la nieve y de ropa de abrigo esperan un comportamiento
anual opuesto al del fabricante de albercas. No es de sorprender que el componente de la
serie de tiempo que representa la variabilidad en los datos, debida a influencias de las
estaciones, se llama componente estacional. Aunque uno suele imaginarse que un
movimiento estacional de una serie de tiempo sucede dentro de un año, también se
puede usar para representar cualquier patrón regularmente repetitivo cuya duración sea
menor de un año. Por ejemplo, los datos diarios de intensidad de tráfico muestran un
comportamiento “estacional” dentro del mismo día, así se tiene que el flujo máximo se
presenta durante las horas de aglomeración, el moderado durante el resto del día y al
caer la noche, y el mínimo a partir de la medianoche hasta temprano por la mañana.

El componente irregular de la serie de tiempo es el factor residual, “mil usos”,

que explica las desviaciones de la serie de tiempo real respecto a los factores
determinados por los efectos de la tendencia y los componentes cíclicos y estacionales.
Se debe a factores a corto plazo, imprevisibles y no recurrentes que afecta a la serie de
tiempo. Como este componente explica la variabilidad aleatoria de la serie, es
impredecible; de esta manera, no se puede esperar predecir su impacto sobre la serie de
tiempo

5.6. Aplicación de ajustes estacionales

Una aplicación frecuente de índices estacionales es la de ajustar datos de serie de tiempo

observados para eliminar la influencia del componente estacional en ellos; se llaman datos con
ajuste estacional. Los ajustes estacionales son particularmente pertinentes cuando se desea
comparar datos de diferentes meses para determinar si ha tenido lugar un incremento
(o decremento) en relación con las expectativas estacionales. Los valores de serie de tiempo
mensuales (o trimestrales) observados se ajustan respecto de la influencia estacional dividiendo
cada valor entre el índice mensual (o trimestral) de ese mes. El resultado se multiplica luego
por 100 para mantener la posición decimal de los datos originales. La serie que resultante se
llama ventas desestacionalizadas o ventas ajustadas estacionalmente.
149 CAPÍTULO 5 Series de tiempo Suavización 149
149
149

La razón para desestacionalizar las series de ventas es similar las fluctuaciones

estaciónales a fin de estudiar la tendencia y el ciclo. Para ilustrar el procedimiento, los
totales trimestrales de ventas de la empresa

Tabla 5.2 Ajuste para datos trimestrales

Año Trimestre Ventas Índice Ventas
estacional desestacionalizadas
1996 Invierno 6,7 0,765 8,76
Primavera 4,6 0,575 8,00
Verano 10,0 1,141 8,76
Otoño 12,7 1,519 8,36
1997 Invierno 6,5 0,765 8,50
Primavera 4,6 0,575 8,00
Verano 9,8 1,141 8,59
Otoño 13,6 1,519 8,95
1998 Invierno 6,9 0,765 9,02
Primavera 5,0 0,575 8,70
Verano 10,4 1,141 9,11
Otoño 14.1 1,519 9,28
1999 Invierno 7,0 0,765 9,15
Primavera 5,5 0,575 9,57
Verano 10,8 1,141 9,46
Otoño 15,0 1,519 9,88
2000 Invierno 7,1 0,765 9,28
Primavera 5,7 0,575 9,92
Verano 11,1 1,141 9,72
Otoño 14,5 1,519 9,55
2001 Invierno 8,0 0,765 10,46
Primavera 6,2 0,575 10,79
Verano 11,4 1,141 9,99
Otoño 14,9 1,519 9,81

A fin de eliminar el efecto de la variación estacional, la cantidad estacional, la

cantidad de ventas para cada trimestre (que contiene efectos de tendencia, cíclicos,
irregulares y estaciónales) se divide entre el índice estacional de ese trimestre; esto es,
TSCI/S.

Por ejemplo, las ventas reales para el primer trimestre de 1996 fueron 6.7
millones de dólares, el índice estacional par el trimestre de invierno es 76.5 el índice
76.5 indica que las ventas en el primer trimestre normalmente se encuentran 23.5%
abajo del promedio de un trimestre normal. Dividiendo las ventas reales $6.7 millones
entre 76.5 y multiplicando el resultado por 100 se encuentra el valor de las ventas
desestacionalizadas del primer trimestre de 1996. El valor es $8758170 que se obtuvo
de ($6700000/76.5)100.

Este proceso se repite con los demás trimestres en la columna 3 de la tabla 5.2 y
los resultados se dan en millones de dólares. Puesto que la componente estacionalizadas
contiene solo las componentes de tendencia (T), ciclo © e irregular (I). Al revisar las
ventas desestacionalizadas. Es claro que la eliminación del factor estacional permite
considerar la tendencia general a largo plazo de las ventas. También se podrá determinar
la ecuación de regresión de los datos de tendencia y usarla para pronosticar ventas
futuras.
150 CAPÍTULO 5 Series de tiempo Suavización 150
150
150

5.7. Pronósticos basados en factores de tendencia y estacionales.

Como lo indicamos anteriormente el primer pasó en un análisis de series de tiempo,

consiste en graficar los datos y observar sus tendencias en el tiempo. Primero debe
determinarse si parece haber un movimiento hacia arriba o hacia abajo a largo plazo en
la serie (una tendencia) o si la serie parece oscilar alrededor de una recta horizontal en el
tiempo. En este caso (es decir, no hay tendencia positiva o negativa a largo plazo), se
recomienda antes de aplicar alguno de los métodos de pronostico ¨suavizar¨ nuestros
datos a fin de que la tendencia se observe de manera clara.

Los métodos que pueden emplearse para suavizar nuestros datos usualmente son:

a) El método de promedios móviles

b) El método de suavización exponencial

El objetivo de ambos métodos es el de “emparejar” la serie y proporcionar un

panorama global a largo plazo. Por otro lado, si de hecho existe una tendencia, se
pueden aplicar varios métodos de pronóstico de series de tiempo al manejar datos
anuales, y otro método para los datos de series de tiempo mensual o trimestral, los
cuales se verán posteriormente.

Suavización de una serie de tiempo anual

La tabla 5.3 presenta las ventas mundiales de una fábrica (en millones de unidades) de
automóviles, camiones y autobuses hechos por General Motors Corporation (GM). Para
un periodo de 24 años, de 1975 a 1998, y la figura 5.7 es una gráfica de serie de tiempo
de estos datos. Al examinar este tipo de datos anuales, la impresión visual de las
tendencias globales a largo plazo o movimientos de tendencia en la serie quedan veladas
por la cantidad de variación de un año a otro. Entonces se vuelve difícil juzgar si en esta
serie en realidad existe un efecto de tendencia positivo o negativo a largo plazo .

Tabla 5.3 Ventas de fábrica (en millones de unidades) Para la General Motors Corporation (1975-1998)

Año Ventas de fábrica Año Ventas de fábrica Año Ventas de fábrica

1975 6.6 1983 7.8 1991 7.4

1976 8.6 1984 8.3 1992 7.7
1977 9.1 1985 9.3 1993 7.8
1978 9.5 1986 8.6 1994 8.4
1979 9.0 1987 7.8 1995 8.3
1980 7.1 1988 8.1 1996 8.4
1981 6.8 1989 7.9 1997 8.8
1982 6.2 1990 7.5 1998 8.1

En situaciones como éstas, se pueden usar el método de promedios móviles o la

suavización exponencial para suavizar o emparejar la serie de tiempo y proporcionar
un panorama global del patrón de movimiento de los datos en el tiempo.
151 CAPÍTULO 5 Series de tiempo Suavización 151
151
151

Figura 5.7 Gráfica de las ventas de fábrica (en millones de unidades)

Para la General Motors Corporation (1975-1998)

Ventas de fabrica para General Motors

10
Unidades (millones)

6
4

0
1970 1980 1990 2000
Año

Promedios móviles
El método de promedios móviles para suavizar una serie de tiempo es muy subjetivo y
dependiente de L, la longitud del periodo seleccionado para calcular los promedios. Para
eliminar las fluctuaciones cíclicas, el periodo elegido debe ser un valor entero que
corresponda a (o sea múltiplo de) la longitud promedio estimada de un ciclo en una
serie. Los promedios móviles para un promedio determinado de longitud L consiste en
una serie de promedios aritméticos en el tiempo tales que cada uno se calcula a partir de
una secuencia de L valores observados. Estos promedios móviles se representan por el
símbolo PM (L)

A manera de ejemplo, suponga que se desea calcular promedios móviles de 5 años de

una serie que contiene n = 11 años. Como L = 5, los promedios móviles de 5 años
consisten en una serie de medidas obtenidas en el tiempo al promediar secuencias
consecutivas de cinco valores observados. El primer promedio móvil de 5 años se
calcula con la suma de los valores para los primeros 5 años en la serie, dividida entre 5.

Y1 Y2 Y3  Y4 Y5

PM (5) =
5

El segundo promedio móvil de 5 años se calcula con la suma de los valores de los años
2 a 6 en la serie, dividida entre 5
Y Y Y Y Y
PM (5) = 2 3 4 5 6
5

Este proceso continúa hasta calcular el último promedio móvil de 5 años con la suma de
los valores de los últimos 5 años en la serie (años del 7 al 11), dividida entre 5.

Y7  Y8  Y9  Y10  Y11
PM (5) =
5

Cuando se trata de una serie de tiempo anual, L, la longitud del periodo elegido
para construir los promedios móviles, debe ser un número de años impar. Al seguir esta
regla se observa que no se pueden obtener promedios móviles para los primeros (L –
152 CAPÍTULO 5 Series de tiempo Suavización 152
152
152

1)/2 años o los últimos (L -1)/2 años en la serie. Entonces, para un promedio móvil de 5
años, no es posible hacer cálculos para los primeros 2 años o los últimos 2 años de la
serie.
Al graficar los promedios móviles, cada valor calculado se coloca en el año a la
mitad de la secuencia de años usada para calcularlos. Si n = 11 y L = 5, el primer
promedio móvil se centra en el tercer año, el segundo promedio móvil se centra en el
cuarto año y el último en el noveno año. Esto se ilustra en el siguiente ejemplo :

Suponga que los siguientes datos representan los ingresos totales (en millones de
dólares constantes de 1995) de una agencia donde se rentan automóviles, en un intervalo
de 11 años de 1987 a 1997:

4.0 5.0 7.0 6.0 8.0 9.0 5.0 2.0 3.5 5.5 6.5

Calcule los promedios móviles de 5 años para esta serie de tiempo anual.

Solución
El primer promedio móvil de 5 años es
4.0  5.0  7.0  6.0  8.0 30.0
PM (5) =   6.0
5 5

Es decir, para calcular un promedio móvil de 5 años, primero se obtiene la suma de los
cinco años y se divide entre 5. Después el promedio se centra en el valor medio, el
tercer año de esta serie de tiempo. Los siguientes valores quedan de la siguiente manera:
5.0  7.0  6.0  8.0  9.0 35.0
PM (5) =   7.0
5 5

7.0  6.0  8.0  9.0  5.0 35.0

PM (5) =   7.0
5 5

6.0  8.0  9.0  5.0 2.0 30.0

PM (5) =   6.0
5 5

8.0  9.0  5.0 2.0  3.5 27.5

PM (5) =   5.5
5 5

9.0  5.0 2.0  3.5  5.5 25.0

PM (5) =   5.0
5 5

5.0 2.0  3.5  5.5  6.5 22.5

PM (5) =   4.5
5 5

Estos promedios móviles se centran en sus respectivos valores medios, el quinto, sexto
y séptimo años de la serie de tiempo. Se observa que al obtener promedios móviles de 5
años, no se pueden calcular los valores para los primeros dos y los últimos dos valores
de la serie de tiempo.
153 CAPÍTULO 5 Series de tiempo Suavización 153
153
153

En la práctica, al obtener promedios móviles se debe usar un programa de computadora

como Microsoft Excel o Minitab para evitar los cálculos tediosos. La tabla 5.4 y 5.5
presenta las ventas anuales de la fábrica (General Motors) que ampara el periodo de 24
años de 1975 a 1998 junto con los cálculos para los promedios móviles de 3 y 7 años.
La gráfica de las dos series construidas se presenta en la figura 5.8 y 5.9 con los datos
originales.

Se observa en la tabla 5.4 que al obtener los promedios móviles de 3 años, no se pueden
calcular valores para el primero o el último valor en la serie de tiempo.

Tabla 5.4 promedios móviles de 3 y 7 años obtenida con Microsoft Excel

Año Ventas PM 3 años PM 7 años

1975 6,6 #N/A #N/A
1976 8,6 8,1 #N/A
1977 9,1 9,06666667 #N/A
1978 9,5 9,2 8,1
1979 9 8,53333333 8,04285714
1980 7,1 7,63333333 7,92857143
1981 6,8 6,7 7,81428571
1982 6,2 6,93333333 7,78571429
1983 7,8 7,43333333 7,72857143
1984 8,3 8,46666667 7,82857143
1985 9,3 8,73333333 8,01428571
1986 8,6 8,56666667 8,25714286
1987 7,8 8,16666667 8,21428571
1988 8,1 7,93333333 8,08571429
1989 7,9 7,83333333 7,85714286
1990 7,5 7,6 7,74285714
1991 7,4 7,53333333 7,82857143
1992 7,7 7,63333333 7,85714286
1993 7,8 7,96666667 7,92857143
1994 8,4 8,16666667 8,11428571
1995 8,3 8,36666667 8,21428571
1996 8,4 8,5 #N/A
1997 8,8 8,43333333 #N/A
1998 8,1 #N/A #N/A

10
8
6
4 VENTAS
2 PM 3 años
PM 7 años
0

Figura 5.8 Gráfica de promedios móviles de 3 y 7 año

154 CAPÍTULO 5 Series de tiempo Suavización 154
154
154

Tabla 5.5 promedios móviles de 3 y 7 años obtenida con Minitab

Tiempo Ventas MA 3 años MA 7 años

1975 6,6 * *
1976 8,6 8,10000 *
1977 9,1 9,06667 *
1978 9,5 9,20000 8,10000
1979 9,0 8,53333 8,04286
1980 7,1 7,63333 7,92857
1981 6,8 6,70000 7,81429
1982 6,2 6,93333 7,78571
1983 7,8 7,43333 7,72857
1984 8,3 8,46667 7,82857
1985 9,3 8,73333 8,01429
1986 8,6 8,56667 8,25714
1987 7,8 8,16667 8,21429
1988 8,1 7,93333 8,08571
1989 7,9 7,83333 7,85714
1990 7,5 7,60000 7,74286
1991 7,4 7,53333 7,82857
1992 7,7 7,63333 7,85714
1993 7,8 7,96667 7,92857
1994 8,4 8,16667 8,11429
1995 8,3 8,36667 8,21429
1996 8,4 8,50000 *
1997 8,8 8,43333 *
1998 8,1 * *

Figura 5.9 Gráfica de promedios móviles de 3 y 7 años en Minitab

Gráfica de dispersión de Ventas; PM 3 Años; PM 7 Años vs. Año

Variable
9,5
Ventas
PM 3 A ño s
9,0 PM 7 A ño s

8,5
Datos Y

8,0

7,5

7,0

6,5

6,0
1975 1980 1985 1990 1995 2000
A ño

Suavización exponencial
La suavización exponencial es otra técnica que se usa para alisar una serie de tiempo y
proporcionar una visualización global de los movimientos a largo plazo de los datos.
Además, se puede usar el método de suavización exponencial para obtener pronósticos a
corto plazo (un periodo futuro) para series de tiempo.
El método de suavización exponencial obtiene su nombre del hecho de que
proporciona un promedio móvil con ponderación exponencial a través de la serie de
tiempo. En toda la serie, cada cálculo de suavización o pronóstico depende de todos los
valores observados anteriores. Ésta es otra ventaja respecto al método de pronósticos
móviles, que no toma en cuenta todos los valores observados de esta manera. Con la
155 CAPÍTULO 5 Series de tiempo Suavización 155
155
155

suavización exponencial, los pesos asignados a los valores observados decrecen en el

tiempo, de manera que al hacer un cálculo, el valor observado más reciente recibe el
peso más alto, el valor observado anterior tiene el siguiente peso más alto, y así
sucesivamente, por lo que el valor observado inicial tiene la menor ponderación.
Aunque la magnitud de los cálculos involucrados puede parecer enorme, la suavización
exponencial al igual que los métodos de promedios móviles está disponible entre los
procedimientos de Microsoft Excel y Minitab.

Si se centra la atención en los aspectos de suavización de la técnica (más que en

el aspecto del pronóstico), las fórmulas desarrolladas para suavizar exponencialmente
una serie en un periodo dado i se basa en sólo tres términos: el valor observado actual
en la serie de tiempo , valor con suavización exponencial calculado anterior Ei 1 y un
peso subjetivo asignado o coeficiente de suavización W. Así, para alisar una serie en
cualquier periodo , se tiene la siguiente expresión.

Obtención de un valor que tiene suavización exponencial en el periodo

donde
EI = valor de la serie suavizada exponencialmente que se calcula en el periodo
EI – 1 = valor de la serie suavizada exponencialmente que se calcula en el periodo – 1
Yi = valor observado de la serie de tiempo en el periodo
W = peso subjetivo asignado o coeficiente de suavización (donde 0 < W < 1)
E1 = Y1

La elección del coeficiente de suavización o peso que se asigna a la serie de

tiempo es crítica porque afectará en forma directa los resultados. Es desafortunado que
esta selección sea subjetiva. Si se desea sólo suavizar una serie con la eliminación de la
variación cíclica y la irregular, debe elegirse un valor pequeño para W (cercano a 0).
Por otro lado, si la meta es pronosticar, debe elegirse un valor grande para W (más
cercano a 1). En el primer caso, se podrán observar las tendencias globales a largo plazo
de la serie; en el último caso, es posible predecir direcciones futuras a corto plazo de
manera más adecuada.

Los cálculos de la suavización exponencial se ilustra para un coeficiente de

suavización de W = 0.25. Como punto de partida, se utiliza el valor observado inicial
(tabla 5.3), Y1975 = 6.6 como el primer valor de suavización (E 1975 = 6.6) Después, con
el valor observado de la serie de tiempo para el año 1976 (Y 1976 = 8.6), se suaviza la
serie para el año de 1976 con el cálculo

E i  W Yi  (1W )Ei  1

E1976 = WY1976 + (1 – W)E1975 = (0.25)(8.6) + (0.75)(6.6) = 7.10 millones

E1977 = WY1977 + (1 – W)E1976 = (0.25)(9.1) + (0.75)(7.1) = 7.6

E1978 = WY1978 + (1 – W)E1977 = (0.25)(9.5) + (0.75)(7.6) = 8.08

156 CAPÍTULO 5 Series de tiempo Suavización 156
156
156

Este proceso continúa hasta obtener los valores de la suavización exponencial

para los 24 años en la serie de las ventas anuales de la fábrica (General Motors), como
se muestra en la tabla 5.6 y 5.7, y las figuras 5.10 y 5.11

Tabla 5.6 Serie suavizada exponencialmente de las ventas de GM

obtenida con Microsoft Excel

SE SE
Año Ventas (W=0.25) (W=0.50)
1975 6,6 6,6 6,6
1976 8,6 7,1 7,6
1977 9,1 7,6 8,35
1978 9,5 8,075 8,925
1979 9 8,30625 8,9625
1980 7,1 8,0046875 8,03125
1981 6,8 7,70351563 7,415625
1982 6,2 7,32763672 6,8078125
1983 7,8 7,44572754 7,30390625
1984 8,3 7,65929565 7,80195313
1985 9,3 8,06947174 8,55097656
1986 8,6 8,20210381 8,57548828
1987 7,8 8,10157785 8,18774414
1988 8,1 8,10118339 8,14387207
1989 7,9 8,05088754 8,02193604
1990 7,5 7,91316566 7,76096802
1991 7,4 7,78487424 7,58048401
1992 7,7 7,76365568 7,640242
1993 7,8 7,77274176 7,720121
1994 8,4 7,92955632 8,0600605
1995 8,3 8,02216724 8,18003025
1996 8,4 8,11662543 8,29001513
1997 8,8 8,28746907 8,54500756
1998 8,1

Figura 5.10 Gráfica de una serie suavizada exponencialmente

(W = 0.50 y W = 0.25) para las ventas de GM
157 CAPÍTULO 5 Series de tiempo Suavización 157
157
157

Tabla 5.7 Serie suavizada exponencialmente de las ventas de GM

obtenida con Minitab

Año Ventas Suavizar 0,25 Suavizar 0,50

1975 6,6 6,60000 6,60000
1976 8,6 7,10000 7,60000
1977 9,1 7,60000 8,35000
1978 9,5 8,07500 8,92500
1979 9,0 8,30625 8,96250
1980 7,1 8,00469 8,03125
1981 6,8 7,70352 7,41563
1982 6,2 7,32764 6,80781
1983 7,8 7,44573 7,30391
1984 8,3 7,65930 7,80195
1985 9,3 8,06947 8,55098
1986 8,6 8,20210 8,57549
1987 7,8 8,10158 8,18774
1988 8,1 8,10118 8,14387
1989 7,9 8,05089 8,02194
1990 7,5 7,91317 7,76097
1991 7,4 7,78487 7,58048
1992 7,7 7,76366 7,64024
1993 7,8 7,77274 7,72012
1994 8,4 7,92956 8,06006
1995 8,3 8,02217 8,18003
1996 8,4 8,11663 8,29002
1997 8,8 8,28747 8,54501
1998 8,1 8,24060 8,32250

Figura 5.11 Gráfica de una serie suavizada exponencialmente (W = 0.50 y W = 0.25) para las ventas de
GM en Minitab

Gr áfi ca de di spersi ón de Ventas; Suavi zar 0,25; Suavi zar 0,50 vs. Año
Variab le
9,5
Ventas
Suav izar 0,25
9,0 Suav izar 0,50

8,5
Datos Y

8,0

7,5

7,0

6,5

6,0
1975 1980 1985 1990 1995 2000
A ño

Proyección de tendencias
Para pronosticar una serie de tiempo que tiene una tendencia lineal a largo plazo. El tipo
de serie de tiempo para el cual se aplica el método de proyección de tendencias presenta
un aumento o disminución consistentes a través del tiempo; y no es estable como para
aplicar los métodos de suavizamiento analizados en la sección anterior.
158 CAPÍTULO 5 Series de tiempo Suavización 158
158
158

Veamos la serie de tiempo de ventas de bicicletas de determinado fabricante

durante los últimos 10 años, que se muestran en la tabla 5.8 y en la figura 5.12. Observe
que en el primer año se vendieron 21 600 bicicletas, en el segundo, 22 900, y así
sucesivamente. En el décimo año, el más reciente, se vendieron 31 400 bicicletas.
Aunque la figura 5.12 muestra algo de movimiento hacia arriba y hacia abajo durante
los 10 años, parece que la serie de tiempo tiene una tendencia general de aumento o
crecimiento

Tabla 5.8 Serie de tiempo de venta de bicicletas

Año Ventas
(t) (miles)
1 21,6
2 22,9
3 25,5
4 21,9
5 23,9
6 27,5
7 31,5
8 29,7
9 28,6
10 31,4

Figura 5.12 Serie de tiempo de venta de bicicletas

Gráfica de series de tiempo de ventas

32

30

28
ventas

26

24

22
1 2 3 4 5 6 7 8 9 10
A ño

En este caso no se trata de que el componente de tendencia de una serie de

tiempo siga cada aumento y disminución; más bien ese componente debe reflejar el
desplazamiento gradual, que para este caso es el crecimiento, de los valores de la serie
de tiempo.
159 CAPÍTULO 5 Series de tiempo Proyección de tendencias 159
159
159

Después de examinar los datos de la serie de tiempo en la tabla 5.8 y en la

gráfica de la figura 5.12 concordamos que con una tendencia líneas, como la que
muestra la figura 5.13, se obtiene una descripción razonable del movimiento en la serie
a largo plazo.

Vamos a emplear los datos de ventas de bicicletas para ilustrar los cálculos del
análisis de regresión, a fin de identificar una tendencia lineal. Recuerde que en la
descripción de la regresión lineal simple, describimos cómo se aplica el método de
mínimos cuadrados para determinar la mejor relación lineal entre dos variables; tal
metodología es la que usaremos para definir la línea de tendencia para la serie de tiempo
de ventas de bicicletas. En forma específica, aplicaremos el análisis de regresión para
estimar la relación entre el tiempo y el volumen de ventas.

Figura 5.13 Tendencias de las ventas de bicicletas, representada por una función lineal
Gráfica de análisis de tendencia de ventas
Modelo de tendencia lineal
Yt = 20,40 + 1,10* t
32 Variable
A ctual
A justes
30
Medidas de exactitud
MA PE 5,06814
28 MA D 1,32000
MSD 3,07000
ventas

26

24

22

20
1 2 3 4 5 6 7 8 9 10
A ño

La ecuación de regresión que describe una relación lineal entre una variable
independiente, , y una variable dependiente, , es

Para enfatizar que el tiempo es la variable independiente en los pronósticos,

usaremos en la ecuación en lugar de ; además, usaremos en lugar de . Así para
una tendencia lineal, el volumen estimado de ventas, expresado en función del tiempo,
se puede escribir como sigue:

donde
= valor de la tendencia de la serie de tiempo en el periodo
= ordenada al origen e la línea de tendencia
= pendiente de la línea de tendencia
= tiempo

En esta ecuación igualaremos = 1 para el tiempo en que se obtiene el primer

dato de la serie de tiempo, = 2 para el tiempo del segundo dato y así sucesivamente.
160 CAPÍTULO 5 Series de tiempo Proyección de tendencias 160
160
160

Observe que, para la serie de tiempo de ventas de bicicletas, = 1 correspondiente

al valor más antiguo de esa serie y = 10 al más reciente.

Las fórmulas para calcular los coeficientes estimados de regresión, y , en

la ecuación que se muestra a continuación.

donde
= valor de la serie de tiempo en el periodo
= número de periodos
= valor promedio de la serie de tiempo,
= valor promedio de

Con las ecuaciones anteriores y los datos de las ventas de bicicletas de la tabla
5.8 podemos calcular como sigue:
t
1 21,6 21,6 1
2 22,9 45,8 4
3 25,5 76,5 9
4 21,9 87,6 16
5 23,9 119,5 25
6 27,5 165,0 36
7 31,5 220,5 49
8 29,7 237,6 64
9 28,6 257,4 81
10 31,4 314,0 100
55 264,5 1545,5 385

Por consiguiente,
161 CAPÍTULO 5 Series de tiempo Proyección de tendencias 161
161
161

Resumen de Excel donde observamos los coeficientes

Estadísticas de la regresión
Coeficiente de correlación múltiple 0,874526167
Coeficiente de determinación R^2 0,764796016
R^2 ajustado 0,735395518
Error típico 1,958953802
Observaciones 10

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 1 99,825 99,825 26,0130293 0,000929509
Residuos 8 30,7 3,8375
Total 9 130,525

Coeficientes Error típico Estadístico t Probabilidad Inferior 95%

Intercepción 20,4 1,338220211 15,24412786 3,3999E-07 17,31405866
Año 1,1 0,215673715 5,100296983 0,00092951 0,602655521

Es la ecuación del componente de tendencia lineal para la serie de tiempo de

ventas de bicicletas.
La pendiente 1,1 indica que, durante los últimos 10 años, la empresa ha tenido
un crecimiento promedio de ventas igual a 1100 unidades anuales, aproximadamente. Si
suponemos que la tendencia en los 10 años pasados es un buen indicador del futuro,
aplicamos la ecuación para proyectar el componente de tendencia de la serie de tiempo.
Por ejemplo, al sustituir = 11 en esa ecuación, se obtiene la proyección de tenencia
para el año próximo,

Así sólo con el componente de tendencia pronosticaríamos ventas de 32 500

bicicletas para el próximo año.
Utilice Microsoft Excel o Minitab para resolver los siguientes problemas

Ejercicios
1.- En la compañía Pérez, los porcentajes mensuales de los embarques recibidos durante
los últimos 12 meses fueron
80, 82, 84, 83, 83, 84, 85, 84, 82, 83, 84 y 83
a) Compare el pronóstico con promedios móviles de tres meses con uno de
suavizamiento exponencial con ¿Con cuál se obtienen mejores
pronósticos?

2.- La siguiente serie de tiempo representa las ventas de un producto durante los últimos
12 meses.

Mes 1 2 3 4 5 6 7 8 9 10 11 12
Ventas 10535 120 105 90 120 145 140 100 80 100 110

a) Use con para calcular los valores de suavizamiento exponencial de la

serie de tiempo
b) Use una constante de suavizamiento igual a 0,5 para calcular los valores de
suavizamiento exponencial. ¿Cuál de las constantes 0,3 o 0,5, parece producir
los mejores pronósticos
162 CAPÍTULO 5 Series de tiempo Proyección de tendencias 162
162
162

3.- Los datos que siguen representan el número anual de empleados (en miles) de una
compañía petrolera para los años 1978 a 1997.

Número de empleados (en miles)

Año Número Año Número Año Número

1978 1.45 1985 2.04 1992 1.65
1979 1.55 1986 2.06 1993 1.73
1980 1.61 1987 1.80 1994 1.88
1981 1.60 1988 1.73 1995 2.00
1982 1.74 1989 1.77 1996 2.08
1983 1.92 1990 1.90 1997 1.88
1984 1.95 1991 1.82

a) Grafique los datos en un diagrama

b) Ajuste un promedio móvil de 3 años a los datos y grafique los resultados en el
diagrama
c) Utilice un coeficiente de suavización W = 0.50, aplique la suavización exponencial a
la serie y grafique los resultados en el diagrama

4.- Los siguientes datos representan las ventas anuales (en millones de dólares) de una
compañía que procesa alimentos para los años 1972 a 1997

Ventas anuales (millones de dólares)

Año Ventas Año Ventas Año Ventas

1972 41.6 1981 53.2 1990 36.4
1973 48.0 1982 53.3 1991 38.4
1974 51.7 1983 51.6 1992 42.6
1975 55.9 1984 49.0 1993 34.8
1976 51.8 1985 38.6 1994 28.4
1977 57.0 1986 37.3 1995 23.9
1978 64.4 1987 43.8 1996 27.8
1979 60.8 1988 41.7 1997 42.1
1980 56.3 1989 38.3

a) Grafique los datos en un diagrama

b) Ajuste un promedio móvil de 7 años a los datos y grafique los resultados en el
diagrama
c) Utilice un coeficiente de suavización W = 0.25, aplique la suavización exponencial a
la serie y grafique los resultados en el diagrama
163 CAPÍTULO 5 Series de tiempo Ejercicios 163
163
163

5.- Los datos de inscripciones, en miles, en una universidad estatal durante los últimos
seis años son los siguientes:

Año 1 2 3 4 5 6
Inscripción 20,5 20,2 19,5 19,0 19,1 18,8

Deduzca una ecuación del componente de tendencia lineal en esta serie de

tiempo. Haga comentarios acerca de lo que sucede con la inscripción en esta institución.

6.- Al final de la década de los noventa, muchas empresas trataron de reducir su tamaño
para disminuir sus costos. Uno de los resultados de esas medidas de recorte de costos
fue una disminución en el porcentaje de empleos gerenciales en la industria privada. Los
siguientes datos corresponden al porcentaje de mujeres gerentes, de 1990 1 1995

Año 1990 1991 1992 1993 1994 1995

Porcentaje 7,45 7,53 7,52 7,65 7,62 7,73

a) Deduzca una ecuación de tendencia lineal para esta serie de tiempo.

b) Use la ecuación de la tendencia para estimar el porcentaje de mujeres gerentes
para 1996 y 1997

7.- ACT Networks. Inc., desarrolla, fabrica y vende productos para acceso a redes de
banda ancha. Los siguientes datos son las ventas anuales de 1992 a 1997

Año 1992 1993 1994 1995 1996 1997

Ventas 5,4 6,2 12,7 20,6 28,4 44,9
(millones)

a) Deduzca una ecuación de tendencia lineal para esta serie de tiempo

b) ¿Cuál es el aumento promedio de ventas anuales en esta empresa
c) Use la ecuación de tendencia para pronosticar las ventas en 1998

Caso a resolver 1 Pronóstico de ventas de alimentos y bebidas

El restaurante Vintage está en la isla Captiva, lugar de descanso cerca de Fort Myers,
Florida. El restaurante, cuya dueña y operadora es Karen Payne, acaba de completar su
tercer año de funcionamiento. Karen, durante ese lapso, ha tratado de ganarse una
reputación como establecimiento de alta calidad que se especializa en mariscos. Sus
esfuerzos han tenido éxito y su restaurante ha llegado a ser uno de los mejores y de
mayor crecimiento en la isla.

Karen ve que, para planear el crecimiento futuro del restaurante, necesita

desarrollar un sistema que le permita pronosticar las ventas de alimentos y bebidas cada
mes, hasta con un año de anticipación. Cuenta con los siguientes datos sobre las ventas
totales de alimentos y bebidas (en miles de dólares) durante los tres años de
funcionamiento.
164 CAPÍTULO 5 Series de tiempo Ejercicios 164
164
164

Mes Primer año Segundo año Tercer año

Enero 242 263 282
Febrero 235 238 255
Marzo 232 247 265
Abril 178 193 205
Mayo 184 193 210
Junio 140 149 160
Julio 145 157 166
Agosto 152 161 174
Septiembre 110 122 126
Octubre 130 130 148
Noviembre 152 167 173
Diciembre 206 230 235

Analice los datos de ventas del restaurant. Prepare un informe a Karen que contenga
lo que encontró, sus pronósticos y recomendaciones. Dicho informe debe incluir:

a) Una gráfica de la serie de tiempo

b) Un análisis de influencias estacionales sobre los datos. Indique los índices
estacionales para cada mes y haga comentarios acerca de los meses con ventas
altas y bajas. ¿Tiene sentido intuitivo esos índices estacionales? Describa por
qué.
c) Un pronóstico de ventas desde enero hasta diciembre del cuarto año.
d) Recomendaciones sobre cuándo se debe actualizar el sistema que ha preparado,
para tomar en cuenta nuevos datos de ventas
e) Todos los cálculos detallados de su análisis aparecen en el apéndice de su
informe.

Suponga que las ventas en enero del cuarto año fueron de 295 000 dólares. ¿Cuál
fue su error de pronóstico? Si es grande, Karen se quedará confundida por la diferencia
entre su pronóstico y el valor real de las ventas. ¿Qué puede hacer para resolver la
incertidumbre en el procedimiento de pronóstico?

Caso a resolver 2 Pronóstico de ventas perdidas

La tienda de departamentos Carlson sufrió graves daños cuando pasó un huracán el 31

de agosto de 2000. Estuvo cerrada durante cuatro meses (de septiembre a diciembre de
2000), y ahora tiene una dificultad con su aseguradora acerca de la cantidad de ventas
perdidas, mientras estuvo cerrada. Se deben resolver dos asuntos clave: 1) la cantidad de
ventas de Carlson si no la hubiera dañado el huracán, y 2) si Carlson tiene derecho a una
compensación por ventas adicionales a causa de mayor actividad después de la
tormenta. A su condado llegaron más de 8000 millones de dólares en fondos federales
para desastres y seguros, lo cual ocasionó un aumento en las ventas de las tiendas de
departamento y de muchos otros negocios.

La siguiente tabla muestra los datos del departamento de comercio de Estados

Unidos sobre las ventas totales durante los 48 meses anteriores a la tormenta, en todas
las tiendas de departamentos en el condado, y también las ventas totales durante los
cuatro meses en que Carlson estuvo cerrada. Los administradores de Carlson le pidieron
165 CAPÍTULO 5 Series de tiempo Ejercicios 165
165
165

analizar estos datos y preparar estimados de las ventas perdidas en sus almacenes
durante los meses de septiembre a diciembre de 2000. También le pidieron determinar si
es posible alegar exceso de ventas relacionado con el huracán, durante el mismo
periodo. Si se puede presentar ese argumento. Carlson tiene derecho a compensaciones
por exceso sobre las ventas ordinarias.

Mes 1996 1997 1998 1999 2000

Enero 1,45 2,31 2,31 2,56
Febrero 1,80 1,89 1,99 2,28
Marzo 2,03 2,02 2,42 2,69
Abril 1,99 2,23 2,45 2,48
Mayo 2,32 2,39 2,57 2,73
Junio 2,20 2,14 2,42 2,37
Julio 1,13 2,27 2,40 2,31
Agosto 2,43 2,21 2,50 2,23
Septiembre 1,71 1,90 1,89 2,09
Octubre 1,90 2,13 2,29 2,54
Noviembre 2,74 2,56 2,83 2,97
Diciembre 4,20 4,16 4,04 4,35

Prepare un informe a los gerentes de Carlson que resuma lo que encontró, sus
pronósticos y recomendaciones. Éste debe incluir:
a) Un estimado de ventas si no hubiera habido huracán.
b) Un estimado de ventas en tiendas de departamentos de todo el condado, si no
hubiera habido huracán
c) Un estimado de ventas perdidas de Carlson, de septiembre a diciembre de 200
166 CAPÍTULO 5 Series de tiempo Ejercicios 166
166
166