Änalisis de Series de Tiempo y Elaboración de Pronósticos. Capitulo 18. PDF

CAPÍTULO 18
Análisis de series de tiempo

y elaboración de pronósticos
CONTENIDO Suavizamiento exponencial
ESTADÍSTICA EN LA PRÁCTICA: lineal de Holt
OCCUPATIONAL HEALTH CLINIC Regresión de tendencia no lineal
DE NEVADA 18.5 ESTACIONALIDAD
18.1 PATRONES DE UNA SERIE Y TENDENCIA
DE TIEMPO Estacionalidad sin tendencia
Patrón horizontal Estacionalidad y tendencia
Patrón de tendencia Modelos basados en datos
Patrón estacional mensuales
Patrones estacional 18.6 DESCOMPOSICIÓN
y de tendencia DE SERIES DE TIEMPO
Componente cíclico Cálculo de los índices
Selección de un método de estacionales
elaboración de pronósticos Desestacionalización de una serie
18.2 EXACTITUD DEL de tiempo
PRONÓSTICO Uso de una serie de tiempo
desestacionalizada para
18.3 PROMEDIOS MÓVILES identificar tendencias
Y SUAVIZAMIENTO Ajustes estacionales
EXPONENCIAL Modelos basados en datos
Promedios móviles mensuales
Promedios móviles ponderados Patrón cíclico
Suavizamiento exponencial
18.4 PROYECCIÓN
DE LA TENDENCIA
Regresión de tendencia lineal
Estadística en la práctica 785
ESTADÍSTICA en LA PRÁCTICA
OCCUPATIONAL HEALTH CLINIC*
SPARKS, NEVADA
La Occupational Health Clinic de Nevada es un centro
médico de propiedad privada que se encuentra en Sparks,
Nevada, y se especializa en medicina del trabajo. Ha ope-
rado en el mismo lugar por más de 20 años, y en el último
bienio había registrado una fase de rápido crecimiento. La
facturación mensual creció de $57 000 a más de $300 000
en 26 meses, cuando el edificio principal de la clínica se
incendió.
La póliza de seguro de la unidad médica cubría la pro-
piedad física y el equipo, así como la pérdida de ingresos
totales debido a la interrupción de su funcionamiento nor-
mal. La reclamación del seguro de propiedad fue un asun-
to relativamente sencillo, ya que consistió en determinar
el valor de la propiedad física y del equipo que se perdió
durante el incendio. Sin embargo, determinar el valor de la
pérdida de ingresos durante los siete meses que se tardó en
reconstruir el edificio era un tema complejo, que requirió
negociaciones entre los propietarios y la compañía de se-
guros. No hubo reglas prestablecidas que pudieran ayudar a
calcular “lo que hubiera sucedido” con la facturación de la
clínica si el incendio no se hubiera producido.
Para estimar la pérdida de ingresos, la clínica utilizó
un método de elaboración de pronósticos para proyectar el Una médico de la Occupational Health Clinic de Nevada
crecimiento que habrían registrado los ingresos durante checa la presión arterial de una paciente. © Bob Pardue–
el periodo de siete meses de pérdida de negocio. La historia Medical Lifestyle/Alamy.
real de la facturación antes del incendio sirvió como base
para un modelo de elaboración de pronósticos de tenden-
cia lineal y patrones estacionales como los que se discu-
ten en el presente capítulo. Este modelo de elaboración
* Agradecemos a los autores Bard Betz, director de Operaciones, y a
Curtis Brauer, asistente ejecutivo administrativo, de Occupational Health
de pronósticos permitió a la clínica establecer una estima-
Clinic de Nevada, por proporcionar este artículo para Estadística en la ción precisa de la pérdida, que fue aceptada finalmente por
práctica. la compañía de seguros.
Un pronóstico no es más El propósito de este capítulo es presentar el análisis de series de tiempo y de elaboración de
que una predicción de pronósticos. Suponga que se le ha solicitado preparar los pronósticos trimestrales de ventas
lo que sucederá en el
de cada uno de los productos de la empresa para el próximo año. Los programas de producción,
futuro. Los gerentes deben
aprender a aceptar que, compra de materias primas, las políticas de inventarios y el monto de las ventas se verán afec-
independientemente de la tados por el pronóstico trimestral que proporcione. En consecuencia, un pronóstico deficiente
técnica que se utilice, no puede dar lugar a una mala planeación y a incrementar los costos para la empresa. ¿Cómo se
podrán tener pronósticos debe proceder para obtener un pronóstico trimestral del volumen de ventas? Un buen criterio,
perfectos.
intuición y estar concientes de la situación de la economía pueden dar una idea aproximada o
“una sensación” de lo que es probable que suceda en el futuro, pero convertir esa sensación en
un número que sea utilizado como el prónostico de ventas para el próximo año es difícil.
Los métodos de elaboración de pronósticos se pueden clasificar como cualitativos o cuanti-
tativos. Los primeros implican la necesidad del criterio de expertos para obtener los pronós-
ticos. Dichos métodos son apropiados cuando los datos históricos de la variable a pronosticar
no apliquen o no estén disponibles. Los métodos cuantitativos se pueden utilizar cuando 1) la
información del pasado acerca de la variable que se desea pronosticar esté disponible; 2) la in-
formación pueda cuantificarse, y 3) sea razonable suponer que el patrón del pasado continúe en
786 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
el futuro. En estos casos, los pronósticos se pueden obtener mediante un método de series de
tiempo o un método causal. Este capítulo se centrará exclusivamente en los métodos de elabo-
ración de pronósticos cuantitativos.
Si los datos históricos se limitan a los valores pasados de la variable que se pronostica, al
procedimiento de elaboración de pronósticos se le llama método de series de tiempo, y los datos
históricos se refieren como una serie de tiempo. El objetivo del análisis de la serie de tiempo
es descubrir un patrón en los datos históricos o de series de tiempo para después extrapolar el
modelo al futuro. El pronóstico se basa únicamente en los valores pasados de la variable o en
los errores de pronóstico del pasado.
Los métodos de elaboración de pronósticos causales se basan en el supuesto de que la
variable a pronosticar tiene una relación de causa y efecto con una o más variables. En el estu-
dio del análisis de regresión de los capítulos 14, 15 y 16 se mostró cómo una o más variables
independientes podrían ser utilizadas para pronosticar el valor de una sola variable dependiente.
En cuanto a los análisis de regresión como una herramienta de elaboración de pronósticos, se
puede observar el valor de la serie de tiempo que se desea pronosticar como la variable depen-
diente. Por tanto, si se identifica un buen conjunto de variables independientes relacionadas o
explicativas, podemos desarrollar una ecuación de regresión y predecir la serie de tiempo. Por
ejemplo, las ventas de muchos productos están influidas por los gastos de publicidad, por lo
que el análisis de regresión sirve para desarrollar una ecuación que muestre cómo las ventas y
la publicidad están relacionadas. Una vez que se determina el presupuesto de publicidad para
el siguiente periodo, se podría sustituir este valor en la ecuación y obtener una predicción para el
volumen de ventas de ese periodo. Observe que si se utiliza un método de series de tiempo para
obtener el pronóstico, los gastos de publicidad no serían considerados, es decir, en este método
el pronóstico se basa únicamente en las ventas del pasado.
Al tratar el tiempo como variable independiente y la serie de tiempo como una variable
dependiente, el análisis de regresión también puede utilizarse como un método de series de
tiempo. Para diferenciar la aplicación del análisis de regresión en estos dos casos, se utilizan los
términos regresión de corte transversal y regresión de series de tiempo. Por tanto, la regresión
de series de tiempo se refiere al uso del análisis de regresión cuando la variable independiente
es el tiempo. Debido a que este capítulo se enfoca en los métodos de series de tiempo, se deja
la discusión acerca de la aplicación del análisis de regresión como un método de elaboración
de pronósticos causal a textos más avanzados sobre la materia.
18.1 Patrones de una serie de tiempo

Una serie de tiempo es una secuencia de observaciones en una variable que se mide en puntos
WEB archivo sucesivos en el tiempo o sobre un periodo sucesivo. Las medidas pueden ser tomadas cada hora,
Gasoline
día, semana, mes o año, o en cualquier otro intervalo regular.1 El patrón de datos es un factor
importante en la comprensión de cómo las series de tiempo se han comportado en el pasado. Si
TABLA 18.1 se espera que tal comportamiento continúe en el futuro, se puede utilizar el patrón anterior como
Serie de tiempo de guía en la selección de un método de elaboración de pronósticos adecuado.
las ventas de gasolina Para identificar los datos del patrón subyacente, un primer paso útil es construir una grá-
fica de series de tiempo. Ésta es una representación gráfica de la relación entre el tiempo y
Ventas (miles
Semana de galones) las variables de serie de tiempo: el tiempo está en el eje horizontal y los valores de la serie de
1 17
tiempo en el eje vertical. Se revisarán algunos tipos comunes de patrones de datos que se pue-
2 21 den identificar al examinar una gráfica de series de tiempo.
3 19
4 23
5 18 Patrón horizontal
6 16
7 20 Un patrón horizontal se presenta cuando los datos fluctúan alrededor de una media cons-
8 18 tante. Para ilustrar una serie de tiempo con un patrón horizontal, observe los datos de la ta-
9 22
10 20
11 15 1
El estudio se limitará a las series de tiempo en las que los valores de las series sean medidos en intervalos iguales. Los
12 22 casos en los que las observaciones se realizan en intervalos desiguales quedan fuera del alcance de este libro.
18.1 Patrones de una serie de tiempo 787
FIGURA 18.1 Gráfica de la serie de tiempo de las ventas de gasolina
25
20
Ventas (miles de galones)

15
10
0
0 1 2 3 4 5 6 7 8 9 10 11 12
Semana
WEB archivo bla 18.1. Estos datos muestran el número de galones de gasolina vendidos por un distribuidor
en Bennington, Vermont, en las últimas 12 semanas. El valor medio o promedio para esta se-
GasolineRevised
rie de tiempo es 19.25 o 19 250 galones por semana. La figura 18.1 muestra una gráfica de serie
de tiempo para estos datos. Observe cómo éstos fluctúan alrededor de una media muestral de
19 250 galones. Aunque la variabilidad aleatoria está presente, se diría que estos datos siguen
un patrón horizontal.
El concepto de series de tiempo estacionarias2 designa una serie de tiempo cuyas propie-
TABLA 18.2 dades estadísticas son independientes del tiempo. Esto significa, en particular, que
Serie de tiempo de
1. El proceso de generación de los datos tiene una media constante.
las ventas de gasolina
2. La variabilidad de la serie de tiempo es constante en el tiempo.
después de obtener el
contrato con la policía Una gráfica para una serie de tiempo estacionaria exhibe siempre un patrón horizontal. Pero la
de Vermont sola observación de un patrón horizontal no es evidencia suficiente para concluir que la serie de
Ventas (miles tiempo sea estacionaria. Los libros más avanzados sobre elaboración de pronósticos estudian
Semana de galones) los procedimientos para determinar si una serie de tiempo es estacionaria y proporcionan méto-
1 17 dos para transformarla de no estacionaria en estacionaria.
2 21
3 19 Los cambios en las condiciones de negocios a menudo pueden dar lugar a que una serie
4 23 de tiempo que tiene un patrón horizontal cambie a un nuevo nivel. Por ejemplo, suponga que
5 18 un distribuidor firma un contrato con el Departamento de Policía de Vermont para proveer de
6 16
7 20 gasolina a los automóviles de la policía local ubicados al sur del estado. Con este nuevo con-
8 18 trato el distribuidor espera tener un gran incremento en las ventas semanales a partir de la se-
9 22 mana 13. La tabla 18.2 muestra el número de galones de gasolina que se venden para la serie
10 20
11 15 de tiempo original y para las 10 semanas después de firmar el nuevo contrato. La figura 18.2
12 22 muestra la gráfica correspondiente de la serie de tiempo. Observe el aumento en el nivel de la
13 31 serie de tiempo a partir de la semana 13. Este cambio hace más difícil elegir un método de ela-
14 34
15 31 boración de pronósticos adecuado. La selección de un método que se adapte bien a los cambios
16 33 en el nivel de una serie de tiempo es una consideración importante en muchas aplicaciones
17 28 prácticas.
18 32
19 30
20 29 2
Para una definición formal de series de tiempo estacionarias, remítase a G. E. P, Box, G. M. Jenkins y G. C. Reinsell, Time
21 34 series analysis: forecasting and control (Análisis de series de tiempo: pronóstico y control ), 3a. ed., Englewood Cliffs, NJ,
22 33 Prentice Hall, 1994, p. 23.
FIGURA 18.2 Gráfica de series de tiempo de las ventas de gasolina después de obtener el contrato
con la policía de Vermont
40
35
Venta (miles de galones) 30
25
20
15
10
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Semana
Patrón de tendencia
Aunque los datos de las series de tiempo presentan fluctuaciones aleatorias, estas series tam-
WEB archivo bién pueden mostrar cambios o movimientos graduales hacia valores relativamente mayores o
Bicycle menores durante un periodo. Si una gráfica de series de tiempo muestra este tipo de comporta-
miento, se dice que existe un patrón de tendencia. La tendencia, por lo general, es el resultado
de factores a largo plazo, como el aumento o disminución de la población o la variación de sus
características demográficas, la tecnología y/o preferencias de los consumidores, etcétera.
Para ilustrar una serie de tiempo con un patrón de tendencia, considere las series de tiempo
de ventas de bicicletas de un fabricante en particular en los últimos 10 años, como se muestra
TABLA 18.3 en la tabla 18.3 y la figura 18.3. Observe que en el primer año se vendieron 21 600 bicicle-
Serie de tiempo de las tas, en el segundo 22 900, y así sucesivamente. En el año 10, el último año, se han vendido
ventas de bicicletas 31 400 bicicletas. La inspección visual de la gráfica de las serires de tiempo permite apreciar al-
gunos movimientos ascendentes y descendentes en los últimos 10 años, pero la serie de tiempo
Año Ventas (miles)
también parece tener una tendencia sistemática de aumento o disminución.
1 21.6
2 22.9 La tendencia en la serie de tiempo de las ventas de bicicletas parece ser lineal y creciente
3 25.5 con el tiempo, pero a veces una tendencia se puede describir mejor por otros tipos de patrones.
4 21.9 Por ejemplo, los datos en la tabla 18.4 y la gráfica correspondiente a la serie de tiempo de la
5 23.9
6 27.5 figura 18.4 muestran las ventas de un medicamento contra el colesterol, dado que la empresa
7 31.5 obtuvo la aprobación de la FDA hace 10 años. La serie de tiempo se incrementó de una manera
8 29.7 no lineal, es decir, la tasa de variación de los ingresos no aumentó en una cantidad constante de
9 28.6
10 31.4 un año a otro. De hecho, los ingresos parecen estar creciendo de manera exponencial. Las rela-
ciones exponenciales de este tipo son apropiadas cuando la variación porcentual de un periodo
a otro es relativamente constante.
Patrón estacional
La tendencia de una serie de tiempo se puede identificar con el análisis de las variaciones mul-
tianuales en los datos históricos. Los patrones estacionales son reconocidos al identificarse los
mismos patrones de repetición en periodos sucesivos. Por ejemplo, un fabricante de albercas
espera tener pocas ventas en los meses de otoño e invierno, y aumentarlas en los meses de
primavera y verano. Los fabricantes de equipos de remoción de nieve y de ropa de invierno,
FIGURA 18.3 Gráfica de la serie de tiempo de las ventas de bicicletas
34
32
30
Ventas (miles)
28
26
24
22
20
0 1 2 3 4 5 6 7 8 9 10 11 12
Año
sin embargo, prevén exactamente lo contrario. Como era de esperar, el patrón de una gráfica de
WEB archivo series de tiempo que tiene un comportamiento repetitivo en un periodo de un año debido a la
Cholesterol influencia estacional se llama patrón estacional. Aunque por lo general se considera que las va-
riaciones estacionales son aquellas que se representan en un lapso de un año, los datos de series
de tiempo también pueden presentar patrones estacionales de menos de un año. Por ejemplo, el
volumen de tráfico diario muestra en un día un comportamiento “estacional”, donde los valores
máximos se presentan en las horas pico, un flujo moderado el resto del día y al comienzo de la
TABLA 18.4 noche, y un flujo ligero desde la medianoche hasta la madrugada.
Serie de tiempo Como ejemplo de un patrón estacional, considere el número de sombrillas vendidas en una
de ingresos por tienda de ropa en los últimos cinco años. La tabla 18.5 muestra la serie de tiempo con los datos
medicamentos de año (Year), trimestre (Quarter) y ventas (Sales), y la figura 18.5 ilustra la gráfica correspon-
contra el colesterol diente. La gráfica de una serie de tiempo no indica ninguna tendencia a largo plazo en las ventas.
($ millones) De hecho, a menos que observe cuidadosamente los datos, es posible concluir que éstos siguen
un patrón horizontal. Pero una inspección más cercana revela un patrón regular en los datos.
Año Ingresos
Es decir, el primer y tercer trimestre presentan ventas moderadas, el segundo trimestre tiene
1 23.1
2 21.3 ventas más altas, y el cuarto trimestre tiende a tener el menor volumen de ventas. Por tanto, se
3 27.4 concluye que existe un patrón estacional trimestral.
4 34.6
5 33.8
6 43.2 Patrones de tendencia y estacional
7 59.5
8 64.4 Algunas series de tiempo son una combinación de un patrón de tendencia y estacional. Por
9 74.2 ejemplo, los datos de la tabla 18.6 y la gráfica correspondiente de las series de tiempo en la
10 99.3
figura 18.6 muestran las ventas (Sales) de televisores por trimestre (Quarter ) y año (Year) de un
fabricante en particular en los últimos cuatro años. Claramente se presenta una tendencia cre-
ciente. Sin embargo, la figura 18.6 indica también que las ventas son menores en el segundo
trimestre de cada año y que aumentan a partir de los trimestres 3 y 4. Por tanto, se llega a la
conclusión de que un patrón estacional también está presente en las ventas de televisores. En
estos casos se utiliza un método de elaboración de pronósticos que tiene la capacidad para tratar
la tendencia y la estacionalidad.
Patrón cíclico
El patrón cíclico existe si la gráfica de la serie de tiempo muestra una secuencia de puntos que
caen de manera alterna por arriba y debajo de la línea de tendencia por más de un año. Muchas
FIGURA 18.4 Gráfica de la serie de tiempo de las ventas de medicamentos contra el colesterol
($ millones)
120
100
80
Ingresos
60
40
20
0
0 1 2 3 4 5 6 7 8 9 10
Año
TABLA 18.5 Serie de tiempo de las ventas de sombrillas
Year Quarter Sales

1 1 125
2 153
3 106
4 88
2 1 118
2 161
3 133
WEB archivo 4 102
3 1 138
Umbrella 2 144
3 113
4 80
4 1 109
2 137
3 125
4 109
5 1 130
2 165
3 128
4 96
series de tiempo económicas suelen mostrar un comportamiento cíclico con observaciones re-
gulares que caen por debajo y por encima de la línea de tendencia. A menudo, el patrón cíclico
se debe a ciclos multianuales de la economía. Por ejemplo, periodos de inflación moderada se-
guidos por periodos de inflación rápida pueden dar lugar a que la serie de tiempo alterne hacia
arriba y hacia abajo de la línea general de tendencia creciente (por ejemplo, una serie de tiempo
sobre el costo de vivienda). Los ciclos económicos son extremadamente difíciles, si no es que
FIGURA 18.5 Gráfica de series de tiempo de las ventas de sombrillas
180
160
140
120
Ventas 100
80
60
40
20
0
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Año 1 Año 2 Año 3 Año 4 Año 5
Año/trimestre
TABLA 18.6 Serie de tiempo de las ventas de televisores
Year Quarter Sales (1 000s)

1 1 4.8
2 4.1
3 6.0
4 6.5
2 1 5.8
WEB archivo 2 5.2
3 6.8
TVSales 4 7.4
3 1 6.0
2 5.6
3 7.5
4 7.8
4 1 6.3
2 5.9
3 8.0
4 8.4
imposibles de predecir. Como resultado, los efectos cíclicos a menudo se combinan con efec-
tos de tendencia a largo plazo y se conocen como efecto de tendencia-cíclico. Este capítulo no
trata de los efectos cíclicos que puedan presentarse en las series de tiempo.
Selección de un método de elaboración de pronósticos

El patrón subyacente en la serie de tiempo es un factor importante en la selección de un método
de elaboración de pronósticos. Por tanto, la gráfica correspondiente debe ser una de las prime-
ras tareas a desarrollar cuando se trate de determinar qué método de elaboración de pronósticos
utilizar. Si se observa un patrón horizontal, entonces tenemos que seleccionar un método apro-
piado para este tipo de patrón. Del mismo modo, si se observa una tendencia en los datos, en-
FIGURA 18.6 Gráfica de la serie de tiempo del conjunto de ventas trimestrales de televisores
9.0
Ventas trimestrales de televisores (1000s)

8.0
7.0
6.0
5.0
4.0
3.0
2.0
1.0
0.0
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Año 1 Año 2 Año 3 Año 4
Año/trimestre
tonces se debe utilizar un método de elaboración de pronósticos con la capacidad para manejar
la tendencia con efectividad. Las siguientes dos secciones ilustran los métodos que se pueden
utilizar en situaciones donde el patrón subyacente es horizontal, es decir, no están presentes los
efectos de tendencia o estacionales. Después se considerarán los métodos apropiados cuando la
tendencia y/o la estacionalidad están presentes en los datos.
18.2 Exactitud del pronóstico

Esta sección se inicia con la elaboración de pronósticos de la serie de tiempo de las ventas de
gasolina mostradas en la tabla 18.1, utilizando el más simple de todos los métodos de elabora-
ción de pronósticos: uno que utiliza el volumen de la última semana de ventas como predictor de
la siguiente semana. Por ejemplo, un distribuidor vendió 17 mil galones de gasolina en la sema-
na 1; este valor se utiliza como el pronóstico para la semana 2. Después, se utiliza 21, el valor real
de las ventas en la semana 2, como el pronóstico para la semana 3, y así sucesivamente. Las pre-
dicciones obtenidas para los datos históricos con este método se muestran en la columna Pro-
nóstico en la tabla 18.7. Debido a su sencillez, a este enfoque se le denomina a menudo método
de elaboración de pronósticos ingenuo.
¿Qué tan exactos son los pronósticos al utilizar el método ingenuo? Para responder esta pre-
gunta se presentan varias medidas de exactitud para los pronósticos. Estas medidas se utilizan
para determinar qué tan bien un método particular es capaz de reproducir los datos de las series
de tiempo que están disponibles. Al seleccionar el enfoque que tiene la mejor exactitud de los
datos ya conocidos, se espera que aumente la probabilidad de obtener un mejor pronóstico para
periodos futuros.
El concepto clave relacionado con la medida de exactitud del pronóstico es el error de
pronóstico, definido como
Error de pronóstico ! valor real " pronóstico

18.2 Exactitud del pronóstico 793
TABLA 18.7 Cálculos y medidas de exactitud de pronósticos utilizando el valor más reciente como pronóstico
para el próximo periodo
Valor de Valor absoluto Error de Valor absoluto

la serie Error de del error pronóstico Error del error
Semana de tiempo Pronóstico pronóstico de pronóstico cuadrado porcentual porcentual
1 17
2 21 17 4 4 16 19.05 19.05
3 19 21 "2 2 4 "10.53 10.53
4 23 19 4 4 16 17.39 17.39
5 18 23 "5 5 25 "27.78 27.78
6 16 18 "2 2 4 "12.50 12.50
7 20 16 4 4 16 20.00 20.00
8 18 20 "2 2 4 "11.11 11.11
9 22 18 4 4 16 18.18 18.18
10 20 22 "2 2 4 "10.00 10.00
11 15 20 "5 5 25 "33.33 33.33
12 22 15 7 7 49 31.82 31.82
Totales 5 41 179 1.19 211.69
Por ejemplo, debido a que el distribuidor vendió en realidad 21 mil galones de gasolina en la
semana 2 y el pronóstico al utilizar el volumen de ventas en la semana 1 fue de 17 mil galones,
el error de pronóstico en la semana 2 es
Error de pronóstico en la semana 2 ! 21 " 17 ! 4
El hecho de que el error de pronóstico sea positivo, indica que en la semana 2 el método de
elaboración de pronósticos subestimó el valor real de las ventas. A continuación utilice 21, el
valor real de las ventas en la semana 2, como pronóstico para la semana 3. Ya que el valor real
de las ventas en la semana 3 es 19, el error de pronóstico para esta semana es 19 " 21 ! "2.
En este caso, el error negativo indica que en la semana 3 el pronóstico sobrestimó el valor real.
Así, el error de pronóstico puede ser positivo o negativo dependiendo de si es demasiado bajo
o demasiado alto. Un resumen completo de los errores de pronóstico para este método ingenuo
se muestra en la tabla 18.7, en la columna Error de pronóstico.
En el análisis de regresión, Una medida sencilla de exactitud de los pronósticos es la media o promedio de errores de
un residual se define como pronóstico. La tabla 18.7 muestra que la suma de estos errores para la serie de tiempo de las
la diferencia entre el
ventas de gasolina es 5, por lo que la media o promedio del error de pronóstico es 5/11 ! 0.45.
valor observado y el valor
estimado de la variable Observe que aunque la serie de tiempo de gasolina se compone de 12 valores, al calcular la
dependiente. Los errores de media del error se divide la suma de los errores entre 11, ya que existen solamente 11 errores
pronóstico son análogos a de pronóstico. Debido a que la media del error de pronóstico es positiva, el método arroja pro-
los residuales en el análisis nósticos bajos; es decir, los valores observados tienden a ser mayores que los pronosticados.
de regresión.
Debido a que los errores de pronóstico positivos y negativos tienden a compensarse entre sí,
es probable que la media del error sea pequeña, así que ésta no es una medida muy útil para la
exactitud del pronóstico.
El error absoluto medio, que se denota EAM, es una medida de exactitud del pronóstico
que evita el problema de los errores positivos y negativos que se compensan entre sí. Como es
de esperar, dado su nombre, EAM es el promedio de los valores absolutos de los errores de pro-
nóstico. La tabla 18.7 muestra que la suma de los valores absolutos de los errores de pronóstico
es 41; por tanto
41
EAM ! promedio del valor absoluto de los errores de pronóstico ! ! 3.73
11
En el análisis de regresión Otra medida que evita el problema de los errores de pronóstico positivos y negativos que
el cuadrado medio debido se compensan entre sí se obtiene al calcular el promedio de los errores de pronóstico cuadra-
al error (CME ) o error
dos. Esta medida de exactitud en los pronósticos se llama cuadrado medio debido al error,
cuadrático medio es la suma
de los residuales cuadrados denotado como CME, o error cuadrático medio. En la tabla 18.7, la suma de los cuadrados de-
dividida entre sus grados de bido al error es 179: por tanto,
libertad. En el pronóstico,
el CME es el promedio de 179
CME ! promedio de la suma de los errores de pronóstico cuadrados ! 16.27
la suma de los errores 11
de pronóstico cuadrados.
El tamaño del EAM y del CME depende de la escala de los datos. Como resultado, es difícil ha-
cer comparaciones de los distintos intervalos de tiempo, como la de un método de pronósticos
de ventas mensuales de gasolina con un método de elaboración de pronósticos de ventas sema-
nal, o hacer comparaciones de las distintas series de tiempo. Para hacer comparaciones como
éstas se debe trabajar con las medidas relativas o porcentuales de los errores. El error por-
centual absoluto medio, denotado como EPAM, es una medida de este estilo. Para calcular el
EPAM, en primer lugar se debe determinar el error porcentual de cada pronóstico. Por ejemplo,
el error porcentual que corresponde al pronóstico de 17 en la semana 2 se calcula dividiendo el
error de pronóstico en la semana 2 entre el valor real en la semana 2 y multiplicando el resultado
por 100. Para esta semana, el error porcentual se calcula de la siguiente manera.
4
Error porcentual para la semana 2 ! (100) ! 19.05%
21
Por tanto, el error de pronóstico para la semana 2 es 19.05% del valor observado en tal semana.
Un resumen completo de los errores porcentuales se muestra en la tabla 18.7, en la columna
Error porcentual. En la siguiente columna se muestran los valores absolutos de este porcentaje.
La tabla 18.7 indica que la suma de los valores absolutos de los errores porcentuales es
211.69, por lo que
211.69
EPAM ! promedio del valor absoluto de los errores porcentuales de pronóstico ! ! 19.24%
11
En resumen, al utilizar el método de elaboración de pronósticos ingenuo (la más reciente ob-
servación), se obtuvieron las siguientes medidas de exactitud del pronóstico.
EAM ! 3.73
CME ! 16.27
EPAM ! 19.24%
Estas medidas de exactitud miden simplemente qué tan bien el método de elaboración de pro-
nósticos es capaz de predecir los valores históricos de las series de tiempo. Ahora, suponga que
se desea predecir las ventas para un periodo futuro, como la semana 13. En este caso, el pronós-
tico es 22, el valor real de las series de tiempo en la semana 12. ¿Es ésta una estimación exacta
de ventas para la semana 13? Desafortunadamente no hay manera de abordar el tema de la
exactitud relacionada con el pronóstico para periodos futuros. Pero si se elige un método de ela-
boración de pronósticos que funcione bien para los datos históricos, y se piensa que el patrón
histórico continuará en el futuro, se deben obtener resultados que, en última instancia, proba-
ron ser buenos.
Antes de concluir esta sección, se considerará otro método de elaboración de pronósticos
para las series de tiempo en las ventas de gasolina de la tabla 18.1 Suponga que se utiliza el
promedio de todos los datos históricos disponibles como pronóstico para el próximo periodo.
Comience por elaborar un pronóstico para la semana 2. Ya que existe sólo un valor histórico
disponible antes de la semana 2, el pronóstico para ésta es sólo el valor de la serie de tiempo
para la semana 1, por lo que el pronóstico es de 17 mil galones de gasolina. Para calcular el
pronóstico de la semana 3 se toma el promedio de los valores de ventas en las semanas 1 y 2.
Por tanto, el resultado que se obtiene es el que se indica a continuación.
18.2 Exactitud del pronóstico 795
TABLA 18.8 Cálculo y medidas de exactitud del pronóstico al utilizar el promedio de todos los datos históricos
como pronóstico del próximo periodo

1 17
2 21 17.00 4.00 4.00 16.00 19.05 19.05
3 19 19.00 0.00 0.00 0.00 0.00 0.00
4 23 19.00 4.00 4.00 16.00 17.39 17.39
5 18 20.00 "2.00 2.00 4.00 "11.11 11.11
6 16 19.60 "3.60 3.60 12.96 "22.50 22.50
7 20 19.00 1.00 1.00 1.00 5.00 5.00
8 18 19.14 "1.14 1.14 1.31 "6.35 6.35
9 22 19.00 3.00 3.00 9.00 13.64 13.64
10 20 19.33 0.67 0.67 0.44 3.33 3.33
11 15 19.40 "4.40 4.40 19.36 "29.33 29.33
12 22 19.00 3.00 3.00 9.00 13.64 13.64
Totales 4.53 26.81 89.07 2.76 141.34
17 # 21
Pronóstico para la semana 3 ! ! 19
2
De la misma forma, el pronóstico para la semana 4 indica,
17 # 21 # 19
Pronóstico para la semana 4 ! ! 19
3
Los pronósticos obtenidos al utilizar este método para las series de tiempo de las ventas de ga-
solina se muestran en la tabla 18.8, en la columna Pronóstico. Con estos resultados se obtuvie-
ron los siguientes valores de EAM, CME y EPAM.
26.81
EAM ! ! 2.44
11
89.07
CME ! ! 8.10
11
141.34
EPAM ! ! 12.85%
11
Ahora se puede determinar la exactitud de los dos métodos de elaboración de pronósticos que
se han considerado en esta sección mediante la comparación de los valores de EAM, CME y
EPAM.
Método ingenuo Promedio de los valores pasados

EAM 3.73 2.44
CME 16.27 8.10
EPAM 19.24% 12.85%
Para cada medida, el promedio de los valores pasados proporciona pronósticos más preci-
sos que al utilizar la observación más reciente como pronóstico para el próximo periodo. En ge-
neral, si la serie de tiempo subyacente es estacionaria, el promedio de todos los datos históricos
siempre proporcionará mejores resultados.
Pero suponga que la serie de tiempo subyacente no es estacionaria. En la sección 18.1 se
menciona que las variaciones en las condiciones de negocios suelen dar lugar a una serie de
tiempo con un patrón horizontal que cambia a un nuevo nivel. Se estudió una situación en la
que el distribuidor de gasolina firmó un contrato con la policía del estado de Vermont para pro-
veer de combustible a las patrullas de policías del sur del estado. La tabla 18.2 muestra el núme-
ro de galones de gasolina que se vendieron para la serie de tiempo original y para las 10 semanas
después de firmado el nuevo contrato, y la figura 18.2 presenta la gráfica que corresponde a las
series de tiempo. Observe el cambio en el nivel de la semana 13 para la serie de tiempo resul-
tante. Cuando ocurre este cambio, le toma tiempo al método de elaboración de pronósticos que
utiliza el promedio de todos los datos históricos ajustarse a un nuevo nivel de series de tiempo.
Pero en este caso el método ingenuo simple se ajusta muy rápidamente a los cambios en el ni-
vel, debido a que utiliza la observación más reciente como pronóstico.
Las medidas de exactitud de los pronósticos son factores importantes en la comparación de
distintos métodos de elaboración de pronósticos, pero se debe tener cuidado de no depender
demasiado de ellas. El buen criterio y el conocimiento sobre las condiciones de negocios que
puedan afectar el pronóstico también deben tomarse en cuenta cuidadosamente en la elección de
un método. La exactitud de los pronósticos históricos no es la única consideración, sobre todo
si es probable que la serie de tiempo cambie en el futuro.
En la siguiente sección se presentarán métodos más sofisticados para el desarrollo de los
pronósticos de una serie de tiempo que muestren un patrón horizontal. Al utilizar las medidas
de exactitud de los pronósticos desarrolladas aquí, se logrará determinar si dichos métodos pro-
porcionan más exactitud a los pronósticos que la obtenida utilizando los enfoques sencillos que
se ilustran en esta sección. Los métodos que se presentarán también tienen la ventaja de adap-
tarse a situaciones donde las series de tiempo cambian a un nuevo nivel. La capacidad de un
método de pronósticos para adaptarse rápidamente a estos cambios es una consideración impor-
tante, especialmente en situaciones de elaboración de pronósticos a corto plazo.
Ejercicios
Métodos
1. Considere los datos de las siguientes series de tiempo.
AUTO evaluación
Semana 1 2 3 4 5 6
Valor 18 13 16 11 17 14
Utilizando el método ingenuo (el valor más reciente) como pronóstico para la semana próxi-
ma, calcule las siguientes medidas de exactitud de los pronósticos.
a) Error absoluto medio.
b) Cuadrado medio debido al error o error cuadrático medio.
c) Error porcentual absoluto medio.
d) ¿Cuál es el pronóstico para la semana 7?
2. Consulte los datos de las series de tiempo del ejercicio 1. Utilice el promedio de todos los da-
AUTO evaluación tos históricos como pronóstico para el próximo periodo y calcule las siguientes medidas de
exactitud de los pronósticos.
a) Error absoluto medio.
b) Cuadrado medio debido al error o error cuadrático medio.
c) Error porcentual absoluto medio.
d) ¿Cuál es el pronóstico para la semana 7?
18.3 Promedios móviles y suavizamiento exponencial 797
3. En los ejercicios 1 y 2 se utilizaron distintos métodos de elaboración de pronósticos. ¿Cuál

AUTO evaluación parece dar la mejor exactitud del pronóstico para los datos históricos? Explique.
4. Considere los datos siguientes de series de tiempo.
Mes 1 2 3 4 5 6 7
Valor 24 13 20 12 19 23 15
a) Calcule el valor del CME utilizando el valor más reciente como pronóstico para el periodo
próximo. ¿Cuál es el pronóstico para el mes 8?
b) Calcule el valor del CME al utilizar el promedio de todos los datos disponibles como pro-
nóstico para el siguiente periodo. ¿Cuál es el pronóstico para el mes 8?
c) ¿Qué método parece proveer el mejor pronóstico?
18.3 Promedios móviles y suavizamiento

exponencial
En esta sección se estudiarán tres métodos de elaboración de pronósticos que son apropiados
para una serie de tiempo de patrón horizontal: promedios móviles, promedios móviles ponde-
rados y suavizamiento exponencial. Estos métodos también se adaptan bien a los cambios de
nivel de un patrón horizontal como se observó en las series de tiempo de las ventas prolongadas
de gasolina (tabla 18.2 y figura 18.2). Sin embargo, no funcionan muy bien sin alguna modifi-
cación cuando existen efectos importantes de tendencia, cíclicos o estacionales. Debido a que
el objetivo de cada uno de estos métodos es “suavizar” las fluctuaciones aleatorias en las series
de tiempo, se les conoce como métodos de suavizamiento. Son fáciles de utilizar y en general
proporcionan un alto nivel de exactitud para pronósticos a corto plazo, como el del periodo
siguiente.
Promedios móviles
El método de promedios móviles utiliza el promedio de los valores de los k datos más recien-
tes de la serie de tiempo como pronóstico para el próximo periodo. En términos matemáticos,
un pronóstico de promedio móvil de orden k es el siguiente.
PRONÓSTICO DE PROMEDIO MÓVIL DE ORDEN k
Ft#1 ! a
(los k valores más recientes de los datos) Y # Yt"1 # . . . # Yt "k#1
! t (18.1)
k k
donde
Ft#1 ! pronóstico de la serie de tiempo para el periodo t # 1

Yt ! valor real de la serie de tiempo en el periodo t
El término móvil se utiliza porque cada vez que en la serie de tiempo hay una nueva ob-
servación, ésta sustituye a la observación más antigua de la ecuación y se calcula un nuevo
promedio. Como resultado, el promedio se modifica, o se mueve, conforme se disponga de una
nueva observación.
Para ilustrar el método de los promedios móviles, regrese a los datos de las ventas de gaso-
lina de la tabla 18.1 y de la figura 18.1. La gráfica de la figura 18.1 indica que la serie de tiempo
de las ventas de gasolina tiene un patrón horizontal. Por tanto, se pueden aplicar los métodos de
suavizamiento de esta sección.
Para utilizar los promedios móviles a efecto de pronosticar las series de tiempo, primero se
debe seleccionar el orden, o el número de los valores de las series de tiempo que se incluirán
en el promedio móvil. Si sólo los valores más recientes se consideran relevantes, es preferible
utilizar un valor pequeño de k. Si existen valores más antiguos que se consideren relevantes,
entonces es mejor un valor grande de k. Como se mencionó antes, una serie de tiempo con un
patrón horizontal puede cambiar con el tiempo a un nuevo nivel. Un promedio móvil se adap-
tará al nuevo nivel y seguirá brindando pronósticos adecuados después de k periodos. Así, un
valor menor de k hará un seguimiento más rápido en el cambio en una serie de tiempo, pero
los valores mayores serán más eficaces para el suavizamiento de las fluctuaciones aleatorias en
el tiempo. Así que el criterio de negocios basado en el entendimiento del comportamiento de
una serie de tiempo es de gran ayuda en la elección de un buen valor de k.
Para ilustrar cómo los promedios móviles pueden utilizarse para pronosticar las ventas de
gasolina, se utilizará un promedio móvil de tres semanas (k ! 3). Se comienza por calcular el
pronóstico de ventas en la semana 4 con la media de los valores de la serie de tiempo en las
semanas 1 a 3.
17 # 21 # 19
F4 ! promedio de las semanas 1 a 3 ! ! 19
3
Por tanto, el pronóstico del promedio móvil de ventas en la semana 4 es 19 o 19 mil galones de
gasolina. Debido a que el valor real observado en esta semana es 23, el error de pronóstico en
la semana 4 es 23 " 19 ! 4.
A continuación se calcula el pronóstico de ventas en la semana 5 al promediar los valores
de la serie de tiempo de las semanas 2 a 4.
21 # 19 # 23
3
Por tanto, el pronóstico de las ventas en la semana 5 es 21 y el error relacionado con este indi-
cador es 18 " 21 ! " 3. Un resumen completo del pronóstico del promedio móvil para las
series de tiempo en las tres semanas de ventas de gasolina se proporciona en la tabla 18.9. La
figura 18.7 muestra la gráfica de la serie de tiempo original y el pronóstico del promedio móvil
de tres semanas. Observe cómo la gráfica de los pronósticos por promedio móvil ha tendido a
suavizar las fluctuaciones aleatorias en la serie de tiempo.
TABLA 18.9 Resumen de los cálculos del promedio móvil para tres semanas

1 17
2 21
3 19
4 23 19 4 4 16 17.39 17.39
5 18 21 "3 3 9 "16.67 16.67
6 16 20 "4 4 16 "25.00 25.00
7 20 19 1 1 1 5.00 5.00
8 18 18 0 0 0 0.00 0.00
9 22 18 4 4 16 18.18 18.18
10 20 20 0 0 0 0.00 0.00
11 15 20 "5 5 25 "33.33 33.33
12 22 19 3 3 9 13.64 13.64
Totales 0 24 92 "20.79 129.21
FIGURA 18.7 Gráfica de series de tiempo de las ventas de gasolina y pronósticos del promedio
móvil a tres semanas
25
20

15
Pronóstico del promedio
móvil a tres semanas
10
0
0 1 2 3 4 5 6 7 8 9 10 11 12
Semana
Para pronosticar las ventas en la semana 13, el siguiente periodo en el futuro, se calcula
simplemente el promedio de los valores de la serie de tiempo en las semanas 10, 11 y 12.
20 # 15 # 22
3
Por tanto, el pronóstico para la semana 13 es 19 o 19 mil galones de gasolina.
Exactitud del pronóstico En la sección 18.2 se estudiaron tres medidas de exactitud del
pronóstico: EAM, CME y EPAM. Al utilizar los cálculos del promedio móvil de tres semanas de
la tabla 18.9, los valores para estas tres medidas de exactitud del pronóstico son
24
EAM ! ! 2.67
9
92
CME ! ! 10.22
9
129.21
EPAM ! ! 14.36%
9
En situaciones donde es En la sección 18.2 también se mostró que al utilizar las observaciones más recientes como
necesario comparar los pronóstico para la siguiente semana (un promedio móvil de orden k ! 1) dio como resultado
métodos de elaboración
los valores de EAM ! 3.73, CME ! 16.27 y EPAM ! 19.24%. Así, en cada caso el método de
de pronósticos para distintos
periodos, son preferibles promedio móvil para las tres semanas proporcionó pronósticos más exactos que el simple uso
las medidas relativas como de la observación más reciente como pronóstico.
EPAM para comparar Para determinar si con un orden distinto de k se pueden obtener pronósticos más precisos
un pronóstico de ventas con el promedio móvil, se recomienda el uso del método de prueba y error para determinar el
semanales con un pronóstico
valor de k que minimiza el CME. Para la serie de tiempo de ventas de gasolina se puede mostrar
de ventas mensuales.
que el valor mínimo del CME corresponde a un promedio móvil de orden k ! 6 con CME !
6.79. Si se está dispuesto a asumir que el orden del promedio móvil que es mejor para los datos
históricos también será mejor para los valores futuros de la serie de tiempo, el pronóstico para el
promedio móvil más preciso en las ventas de gasolina se puede obtener utilizando un promedio
móvil de orden k ! 6.
Promedios móviles ponderados

Un pronóstico de promedio En el método del promedio móvil, cada observación en los cálculos recibe el mismo peso.
móvil de orden k ! 3 es un Una variante, conocida como promedios móviles ponderados, consiste en seleccionar un pe-
caso especial del método
so diferente para cada uno de los valores y después calcular el promedio ponderado de los k
de promedios móviles
ponderados en el que cada valores más recientes como pronóstico. En la mayoría de los casos la observación más recien-
peso es igual a 1/3. te recibe el mayor peso, y los pesos se reducen para los datos más antiguos. Utilice la serie
de tiempo de las ventas de gasolina para ilustrar el cálculo de un promedio móvil ponderado de
tres semanas. Asigne un peso de 3/6 a la observación más reciente, un peso de 2/6 a la segunda
observación más reciente, y un peso de 1/6 a la tercera observación más reciente. Utilizando
este promedio ponderado, el pronóstico para la semana 4 se calcula como sigue.
Pronóstico para la semana 4 ! 1!6 (17) # 2!6 (21) # 3!6 (19) ! 19.33
Observe que en el método del promedio móvil ponderado la suma de los pesos es igual a 1.
Exactitud del pronóstico Para utilizar el método de promedios móviles ponderados, pri-
mero debe seleccionar la cantidad de valores que se incluirán en el promedio móvil ponderado
y después elegir los pesos para cada uno de los valores. En general, si se cree que el pasado re-
ciente es un mejor predictor del futuro que el pasado distante, habrá que asignar pesos mayores
a las observaciones más recientes. Sin embargo, si la serie de tiempo es muy variable, puede ser
mejor elegir pesos aproximadamente iguales para todos los datos. El único requisito en la se-
lección de los pesos es que su suma debe ser igual a 1. Para estimar si con una determinada
combinación de cantidad de datos y de pesos se obtiene un pronóstico más preciso que con
otra combinación, se recomienda utilizar el CME como medida de exactitud del pronóstico. Es
decir, si se supone que la combinación que es mejor para el pasado también será mejor para el
futuro, se utilizará la combinación del número de valores y pesos que minimice el CME de la
serie de tiempo histórica para pronosticar el siguiente valor en la serie de tiempo.
Existen varios El suavizamiento exponencial también utiliza un promedio ponderado de los valores pasa-
procedimientos de dos de la serie de tiempo como pronóstico; es un caso especial del método de promedio móvil
suavizamiento exponencial.
ponderado en el que se elige sólo un peso, aquel para la observación más reciente. Los pesos
El método que aquí se
presenta se refiere a de los valores para los demás datos se calculan automáticamente y son más pequeños conforme
menudo como suavizamiento las observaciones se vuelven más antiguas. La ecuación de suavizamiento exponencial es la
exponencial sencillo. En la siguiente.
siguiente sección se muestra
cómo un suvizamiento
exponencial que utiliza dos
constantes de suavizamiento PRONÓSTICO DE SUAVIZAMIENTO EXPONENCIAL
puede ser utilizado para
pronosticar una serie de Ft#1 ! αYt # (1 " α)Ft (18.2)
tiempo con tendencia lineal.
donde
Ft#1 ! pronóstico para el periodo t # 1 de la serie de tiempo

Yt ! valor real de la serie de tiempo en el periodo t
Ft ! pronóstico para el periodo t de la serie de tiempo
α ! constante de suavizamiento (0 $ α $ 1)
La ecuación (18.2) muestra que el pronóstico para el periodo t # 1 es un promedio pon-

derado del valor real en el periodo t y del valor pronosticado para el periodo t. El peso dado
al valor real en el periodo t es la constante de suavizamiento α, y el peso dado al pronóstico
para el periodo t es 1 " α. Resulta que el pronóstico exponencial para cualquier periodo es en
realidad un promedio ponderado de todos los valores reales anteriores de la serie de tiempo. Se
ilustra lo anterior con una serie de tiempo que sólo implica los datos de tres periodos: Y1, Y2 y Y3.
Para empezar los cálculos, sea F1 el valor real de la serie de tiempo en el periodo 1, es de-
cir, F1 ! Y1. Por tanto, el pronóstico para el periodo 2 es
F2 ! αY1 # (1 " α)F1

! αY1 # (1 " α)Y1
! Y1
Observe que el pronóstico de suavizamiento exponencial para el periodo 2 es igual al valor real
de la serie de tiempo en el periodo 1.
El pronóstico para el periodo 3 es
F3 ! αY2 # (1 " α)F2 ! αY2 # (1 " α)Y1
Por último, al sustituir esta expresión para F3 en la expresión para F4 obtenemos
F4 ! αY3 # (1 " α)F3

! αY3 # (1 " α)[αY2 # (1 " α)Y1]
! αY3 # α(1 " α)Y2 # (1 " α)2Y1
El término suavizamiento Observe ahora que F4 es un promedio ponderado de los tres primeros valores de la serie de
exponencial proviene tiempo. La suma de los coeficientes o pesos de Y1, Y2 y Y3 es igual a 1. Con un argumento similar
del carácter exponencial del
se puede demostrar que, en general, cualquier pronóstico Ft#1 es un promedio ponderado de
sistema de ponderación
de los valores históricos. todos los valores anteriores de la serie de tiempo.
A pesar de que con el suavizamiento exponencial se obtiene un pronóstico que es el prome-
dio ponderado de todas las observaciones anteriores, no deben conservarse todos los datos del
pasado para calcular el pronóstico del periodo siguiente. De hecho, la ecuación (18.2) muestra
que una vez que el valor de la constante de suavizamiento α es elegida, sólo se necesitan dos
informaciones para calcular el pronóstico: Yt , el valor real de la serie de tiempo para el perio-
do t, y Ft , el pronóstico para el periodo t.
Para ilustrar el método de suavizamiento exponencial, considere de nuevo la serie de tiem-
po de los precios de la gasolina presentada en la tabla 18.1 y en la figura 18.1. Como ya se
explicó, para iniciar los cálculos se establece un pronóstico de suavizamiento exponencial para
el periodo 2 igual al valor real de la serie de tiempo en el periodo 1. Por tanto, como Y1 ! 17,
para empezar con los cálculos del suavizamiento exponencial se pone F2 ! 17. Referente a los
datos de la serie de tiempo en la tabla 18.1, se encuentra que el valor real de la serie de tiempo
en el periodo 2 es Y2 ! 21. Por tanto, el error de pronóstico del periodo 2 es 21 " 17 ! 4.
Al continuar con los cálculos del suavizamiento mediante una constante de suavización
α ! 0.2, se obtiene el siguiente pronóstico para el periodo 3:
F3 ! 0.2Y2 # 0.8F2 ! 0.2(21) # 0.8(17) ! 17.8
Una vez que se conoce el valor real de la serie de tiempo en el periodo 3, Y3 ! 19, se puede
generar un pronóstico para el periodo 4 de la siguiente manera.
F4 ! 0.2Y3 # 0.8F3 ! 0.2(19) # 0.8(17.8) ! 18.04
Al continuar con los cálculos para el suavizamiento exponencial se determinan los valores de
los pronósticos semanales que se muestran en la tabla 18.10. Observe que no se ha mostrado
TABLA 18.10 Resumen de los pronósticos de suavizamiento exponencial y los errores

de pronóstico de la serie de tiempo para las ventas de gasolina con α ! 0.2
como constante de suavizamiento
Valores de la serie Error de Error de pronóstico

Semana de tiempo Pronóstico pronóstico cuadrado
1 17
2 21 17.00 4.00 16.00
3 19 17.80 1.20 1.44
4 23 18.04 4.96 24.60
5 18 19.03 "1.03 1.06
6 16 18.83 "2.83 8.01
7 20 18.26 1.74 3.03
8 18 18.61 "0.61 0.37
9 22 18.49 3.51 12.32
10 20 19.19 0.81 0.66
11 15 19.35 "4.35 18.92
12 22 18.48 3.52 12.39
Totales 10.92 98.80
un pronóstico de suavizamiento exponencial o un error de pronóstico para la semana 1, ya que

no se obtuvo ningún pronóstico. Para la semana 12, se tiene que Y12 ! 22 y F12 ! 18.48. Se
puede utilizar esta información para generar un pronóstico sobre la semana 13.
F13 ! 0.2Y12 # 0.8F12 ! 0.2(22) # 0.8(18.48) ! 19.18
Por tanto, el pronóstico de suavizamiento exponencial de la cantidad vendida en la semana 13

es 19.18, o 19 180 galones de gasolina. Con este pronóstico, la empresa, como consecuencia,
puede hacer planes y tomar decisiones.
La figura 18.8 muestra la gráfica de los valores reales y pronosticados de la serie de tiem-
po. Observe en especial cómo los pronósticos “suavizan” la irregularidad de las fluctuaciones
de la serie de tiempo.
Exactitud del pronóstico En los cálculos anteriores para el suavizamiento exponencial se

utilizó una constante de suavizamiento de α ! 0.2. Aunque cualquier valor para α entre 0 y 1
es aceptable, algunos darán mejores pronósticos que otros. Una idea de cómo elegir el mejor
valor para α se obtiene al revisar el modelo básico de suavizamiento exponencial de la siguien-
te manera.
Ft#1 ! αYt # (1 " α)Ft

Ft#1 ! αYt # Ft " αFt
Ft#1 ! Ft # α(Yt " Ft) (18.3)
Así, el nuevo pronóstico Ft#1 es igual al anterior Ft más un ajuste, el cual es la constante de
suavizamiento α multiplicada por el error de pronóstico más reciente Yt " Ft . Es decir, el pro-
nóstico para el periodo t # 1 se obtiene al ajustar el pronóstico para el periodo t mediante
una fracción del error de pronóstico. Si en la serie de tiempo existe una variabilidad aleatoria
considerable, se prefiere un valor pequeño para la constante de suavizamiento. La razón de esta
elección estriba en que gran parte del error de pronóstico se debe a la variabilidad aleatoria, y
no se quiere reaccionar de forma exagerada y ajustar los pronósticos muy rápidamente. Para una
serie de tiempo con una variabilidad aleatoria relativamente pequeña, los errores de pronóstico
tienden más a representar un cambio en el nivel de la serie. Por tanto, los valores mayores para
FIGURA 18.8 Series de tiempo real y pronosticada de las ventas de gasolina con constante
de suavizamiento α ! 0.2
25
Serie de
tiempo real
20
15
Pronóstico de la serie
de tiempo con α ! 0.2
10
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Semana
la constante de suavizamiento tienen la ventaja de ajustar rápidamente los pronósticos, lo que

permite adaptarlos más pronto a las condiciones cambiantes.
El criterio que se utilizará a efecto de determinar el valor adecuado para la constante de
suavizamiento α es el mismo que el propuesto para determinar el número de periodos a incluir
en el cálculo de los promedios móviles. Es decir, se elige el valor de α que minimice el cuadrado
medio debido al error (CME) o error cuadrático medio. Un resumen de los cálculos del CME para
el pronóstico de suavizamiento exponencial de las ventas de gasolina con α ! 0.2 se muestra
en la tabla 18.10. Observe que hay un error cuadrado menos que el número de periodos, porque
no se tenía el valor anterior con el que se pudiera obtener un pronóstico para el periodo 1. El
valor de la suma de los errores de pronóstico cuadrados es 98.80, por lo que CME ! 98.80/11 !
8.98. ¿Habrá un valor de α distinto que proporcione mejores resultados en términos de un valor
menor del CME? La forma más sencilla de responder esta pregunta es simplemente probar otros
valores para α. Después se comparan los cuadrados medios del error con el valor de 8.98 del
CME obtenido mediante una constante de suavizamiento α ! 0.2.
Los resultados del suavizamiento exponencial con α ! 0.3 se muestran en la tabla 18.11.
El valor de la suma de los errores de pronóstico cuadrados es 102.83, por lo que CME !
102.83/11 ! 9.35. Observe que con CME ! 9.35 para este conjunto de datos reales, una cons-
tante de suavizamiento de α ! 0.3 resulta en pronósticos menos exactos que si se emplea una
constante de suavizamiento de α ! 0.2. Por tanto, se preferirá esta constante original de α !
0.2. Al utilizar otros valores de α se puede hallar un “buen” valor para la constante de suaviza-
miento. Este valor puede ser utilizado en el modelo de suavizamiento exponencial a efecto de
obtener pronósticos para el futuro. En un momento posterior, después de obtener nuevas obser-
vaciones de la serie de tiempo, se analizan nuevamente los datos recabados para determinar si
la constante de suavizamiento debe ser modificada para obtener mejores resultados.
TABLA 18.11 Resumen de los pronósticos de suavizamiento exponencial y de los errores

de pronóstico para las ventas de gasolina con constante de suavizamiento
α " 0.3
Valores de la serie Error de Error de pronóstico

Semana de tiempo Pronóstico pronóstico cuadrado
1 17
2 21 17.00 4.00 16.00
3 19 18.20 0.80 0.64
4 23 18.44 4.56 20.79
5 18 19.81 !1.81 3.28
6 16 19.27 !3.27 10.69
7 20 18.29 1.71 2.92
8 18 18.80 !0.80 0.64
9 22 18.56 3.44 11.83
10 20 19.59 0.41 0.17
11 15 19.71 !4.71 22.18
12 22 18.30 3.70 13.69
Totales 8.03 102.83
NOTAS Y COMENTARIOS
1. Los paquetes de hoja de cálculo son una ayuda serie de tiempo estacionaria. Estos métodos tam-
eficaz en la elección de un valor adecuado para α bién pueden utilizarse para pronosticar una serie de
en el suavizamiento exponencial. Con los datos tiempo no estacionaria que cambia de nivel pero no
de las series de tiempo y las fórmulas de elabora- muestra una tendencia o estacionalidad. Los pro-
ción de pronósticos, en una hoja de cálculo se pue- medios móviles con valores pequeños de k se pue-
den probar diferentes valores de α y elegir el que den adaptar más rápidamente que los promedios
proporciona el error de pronóstico más pequeño móviles con valores mayores de k. Los modelos de
utilizando una o más medidas de exactitud de pro- suavizamiento exponencial con constantes de sua-
nóstico (EAM, CME o EPAM). vizamiento más cercanas a 1 se adaptan más rápi-
2. Presentamos el promedio móvil y los métodos de damente que los modelos con valores más pequeños
suavizamiento exponencial en el contexto de una de la constante de suavizamiento.
Ejercicios
Métodos
5. Considere los datos siguientes de serie de tiempo.
AUTO evaluación
Semana 1 2 3 4 5 6
Valor 18 13 16 11 17 14
a) Construya una gráfica de serie de tiempo. ¿Qué tipo de patrón existe en los datos?
b) Obtenga los pronósticos con un promedio móvil a tres semanas para esta serie de tiempo.
Calcule el CME y un pronóstico para la semana 7.
c) Utilice α " 0.2 para calcular los pronósticos de suavizamiento exponencial de la serie de
tiempo. Calcule el CME y dé un pronóstico para la semana 7.
d) Compare el método del promedio móvil a tres semanas con el método de suavizamiento
exponencial utilizando α " 0.2. ¿Cuál parece dar un pronóstico más preciso basado en el
CME? Explique.
e) Utilice una constante de suavizamiento de α " 0.4 para calcular el pronóstico de suavi-
zamiento exponencial. ¿Una constante de suavizamiento de 0.2 o de 0.4 parece propor-
cionar pronósticos más precisos basados en el CME? Explique.
Semana 1 2 3 4 5 6 7
Valor 24 13 20 12 19 23 15
Construya una gráfica de serie de tiempo. ¿Qué tipo de patrón existe en los datos?
a) Desarrolle el pronóstico de promedio móvil para tres semanas en esta serie de tiempo.
Calcule el CME y proporcione un pronóstico para la semana 8.
b) Utilice α " 0.2 para calcular los pronósticos de suavizamiento exponencial de la serie de
tiempo. Calcule el CME y proporcione un pronóstico para la semana 8.
c) Compare el método del promedio móvil a tres semanas con el método de suavizamiento
exponencial utilizando α " 0.2. ¿Cuál parece dar pronósticos más precisos basados en el
CME?
d) Utilice una constante de suavizamiento de α " 0.4 para calcular los pronósticos de sua-
vizamiento exponencial. ¿Una constante de suavizamiento de 0.2 o de 0.4 parece ofrecer
pronósticos más precisos basados en el CME? Explique.
7. Regrese a los datos de la serie de tiempo para las ventas de gasolina de la tabla 18.1.
WEB archivo a) Calcule los promedios móviles de la serie de tiempo a 4 y 5 semanas.
Gasoline
b) Calcule el CME de los pronósticos obtenidos con los promedios móviles de 4 y 5 semanas.
c) ¿Cuál parece ser de los datos pasados el mejor número de semanas a utilizar (3, 4 o 5)
para el cálculo del promedio móvil? Recuerde que el CME para el promedio móvil de tres
semanas es 10.22.
8. Consulte de nuevo los datos de la serie de tiempo de las ventas de gasolina de la tabla 18.1.
WEB archivo a) Utilice 1/2 como el peso de la observación más reciente, 1/3 para la segunda observación
Gasoline
más reciente y 1/6 para la tercera observación más reciente. Calcule un promedio móvil
ponderado de las tres semanas para la serie de tiempo.
b) Determine el CME del promedio móvil ponderado del inciso a). ¿Prefiere éste que el
promedio móvil no ponderado? Recuerde que el CME del promedio móvil ponderado es
10.22.
c) Suponga que se le permite elegir cualesquiera pesos, siempre y cuando su suma sea 1.
¿Siempre será posible elegir un conjunto de pesos que hagan que el CME sea menor para
el promedio móvil ponderado que para un promedio móvil no ponderado? ¿Por qué?
9. Con los datos de la serie de tiempo de las ventas de gasolina de la tabla 18.1, muestre el pro-
WEB archivo nóstico de suavizamiento exponencial utilizando α " 0.1.
Gasoline
a) Al aplicar la medida de exactitud del CME, ¿preferiría una constante de suavizamiento de
α " 0.1 o α " 0.2 para la serie de tiempo de las ventas de gasolina?
b) ¿Los resultados son los mismos si se aplica EAM como medida de exactitud?
c) ¿Cuáles son los resultados si se utiliza EPAM?
10. Con una constante de suavizamiento de α " 0.2, la ecuación (18.2) muestra que el pronóstico
para la semana 13 de las ventas de gasolina listadas en la tabla 18.1 está dado por F13 " 0.2Y12
# 0.8F12. Sin embargo, el pronóstico para la semana 12 está dado por F12 " 0.2Y11 # 0.8F11.
Por tanto, se podrían combinar estos dos resultados para mostrar que el pronóstico sobre la
semana 13 se puede escribir como
F13 " 0.2Y12 # 0.8(0.2Y11 # 0.8F11) " 0.2Y12 # 0.16Y11 # 0.64Y11 # 0.64F11
a) Aplique el hecho de que F11 " 0.2Y10 # 0.8F10 (y de manera similar para F10 y F9) y con-
tinúe expandiendo la expresión para F13 hasta que ésta se escriba en términos de los datos
de los valores pasados Y12, Y11, Y10, Y9 y Y8, y del pronóstico para el periodo 8.
b) Remítase a los coeficientes o pesos de los valores del pasado Y12, Y11, Y10, Y9 y Y8. ¿Qué
puede decir acerca de los pesos que el suavizamiento exponencial proporciona a los valo-
res pasados al obtener un nuevo pronóstico? Compare estos pesos con los del método del
promedio móvil.
Aplicaciones
11. Para Hawkins Company, los porcentajes de los embarques mensuales recibidos en los últimos
12 meses son 80, 82, 84, 83, 83, 84, 85, 84, 82, 83, 84 y 83.
a) Construya una gráfica para la serie de tiempo. ¿Qué tipo de patrón existe en los datos?
b) Compare el pronóstico obtenido mediante promedios móviles de tres meses con el pro-
nóstico obtenido por el método de suavizamiento exponencial con α " 0.2. ¿Con cuál se
obtienen pronósticos más precisos al utilizar el CME como medida de exactitud?
c) ¿Cuál es el pronóstico para el próximo mes?
12. A continuación se proporcionan las tasas de interés de bonos corporativos triple A de 12 meses
consecutivos.
9.5 9.3 9.4 9.6 9.8 9.7 9.8 10.5 9.9 9.7 9.6 9.6
b) Desarrolle promedios móviles de tres y cuatro meses para esta serie de tiempo. ¿Con cuál
de estos promedios móviles se obtiene un pronóstico más exacto basado en el CME? Ex-
plique.
c) ¿Cuál es el pronóstico para el promedio móvil del próximo mes?
13. Los valores de los contratos de construcción en Alabama (en millones de dólares) para un pe-
AUTO evaluación riodo de 12 meses son los siguientes.
240 350 230 260 280 320 220 310 240 310 240 230
b) Compare el método del promedio móvil a tres meses con el pronóstico de suavizamiento
exponencial utilizando α " 0.2. ¿Con cuál se obtienen pronósticos más precisos basados
en el CME?
c) ¿Cuál es el pronóstico para el próximo mes?
14. En la siguiente serie de tiempo se muestran las ventas de un producto en particular en los últi-
mos 12 meses.
Mes Ventas Mes Ventas

1 105 7 145
2 135 8 140
3 120 9 100
4 105 10 80
5 90 11 100
6 120 12 110
b) Utilice α " 0.3 para calcular los pronósticos de suavizamiento exponencial de la serie de
tiempo.
c) Utilice una constante de suavizamiento de α " 0.5 para calcular los pronósticos de sua-
vizamiento exponencial. ¿Cuál de las constantes de suavizamiento, 0.3 o 0.5, parece pro-
porcionar pronósticos más precisos basados en el CME?
15. Los datos siguientes son los valores del Commodity Futures Index de 10 semanas: 7.35, 7.40,
7.55, 7.56, 7.60, 7.52, 7.52, 7.70, 7.62 y 7.55.
b) Calcule los pronósticos de suavizamiento exponencial para α " 0.2.
c) Calcule los pronósticos de suavizamiento exponencial para α " 0.3.
d) ¿Cuál de las constantes de suavizamiento exponencial proporciona pronósticos más pre-
cisos basados en el CME? Elabore el pronóstico para la semana 11.
18.4 Proyección de la tendencia 807
16. Las calificaciones (rating) Nielsen (porcentajes de audiencia televisiva de hogares en Estados
Unidos) del Torneo Masters Golf de 1997 a 2008 son las siguientes (Golf Magazine, enero de
2009).
Year Rating
1997 11.2
1998 8.6
1999 7.9
2000 7.6
WEB archivo 2001 10.7
2002 8.1
Masters
2003 6.9
2004 6.7
2005 8.0
2006 6.9
2007 7.6
2008 7.3
El rating de 11.2 puntos en 1997 indica que 11.2% de los hogares estadounidenses se sintonizó
para ver a Tiger Woods triunfar en su primer torneo de golf más importante y convertirse en el
primer afroestadounidense en ganar el Masters. Tiger Woods lo ganó en 2001 y 2005.
a) Construya una gráfica de serie de tiempo. ¿Qué tipo de patrón existe en los datos? Opine
sobre algunos factores que pueden haber influido en el modelo mostrado en la gráfica de
series de tiempo para este periodo.
b) Dado el patrón de la gráfica de series de tiempo desarrollado en el inciso a), ¿cree que los
métodos de pronóstico estudiados en esta sección son adecuados para obtener los pronós-
ticos para esta serie de tiempo? Explique.
c) ¿Recomendaría utilizar sólo los ratings de Nielsen de 2002-2008 para pronosticar el rating
de 2009, o debería usarse toda la serie de tiempo desde 1997 hasta 2008? Explique.
18.4 Proyección de la tendencia

En esta sección se presentan tres métodos de elaboración de pronósticos que son apropiados
para las series de tiempo que exhiben un patrón de tendencia. En primer lugar, se muestra qué
tan sencillo es el uso de la regresión lineal para pronosticar la serie de tiempo con tendencia li-
WEB archivo neal. Después se ilustra cómo obtener los pronósticos mediante el suavizamiento exponencial
Bicycle lineal de Holt, una extensión del único suavizamiento exponencial que utiliza dos constantes
de suavizamiento: la primera se toma en cuenta para el nivel de la serie de tiempo y la segunda
para la tendencia lineal de los datos. Por último, se muestra cómo la capacidad de ajuste a una
curva en el análisis de regresión permite pronosticar series de tiempo con una tendencia curvi-
línea o no lineal.
TABLA 18.12
Serie de tiempo de las Regresión de tendencia lineal
ventas de bicicletas En la sección 18.1 se utilizaron las ventas de bicicletas manejadas en la tabla 18.3 y en la figura
Año Ventas (en miles) 18.3 para ilustrar una serie de tiempo con un patrón de tendencia. Esta serie de tiempos se uti-
1 21.6 lizará para ilustrar cómo la regresión lineal simple permite pronosticar una serie de tiempo con
2 22.9 tendencia lineal. Los datos de la serie de tiempo de las ventas de bicicletas se repiten en la tabla
3 25.5
4 21.9 18.12 y en la figura 18.9.
5 23.9 Aunque la gráfica de serie de tiempo de la figura 18.9 muestra algún movimiento ascenden-
6 27.5 te y descendente en los últimos 10 años, se podría estar de acuerdo en que la línea de tendencia
7 31.5
8 29.7 mostrada en la figura 18.10 proporciona una aproximación razonable del movimiento de la serie
9 28.6 a largo plazo. Se pueden utilizar los métodos de regresión lineal simple (vea el capítulo 14) a
10 31.4 efecto de obtener una tendencia lineal para la serie de tiempo de las ventas de bicicletas.
FIGURA 18.9 Gráfica de serie de tiempo para las ventas de bicicletas
34
33
32
31
Ventas (en miles) 30
29
28
27
26
25
24
23
22
21
20
0 1 2 3 4 5 6 7 8 9 10 11 12
Año
FIGURA 18.10 Tendencia representada por una función lineal de la serie de tiempo de ventas
de bicicletas
34
33
32
31
30
Ventas (en miles)
29
28
27
26
25
24
23
22
21
20
0 1 2 3 4 5 6 7 8 9 10 11 12
Año
En el capítulo 14, la ecuación de regresión estimada que describe una relación lineal entre
una variable independiente x y una variable dependiente y se expresó como:
ŷ " b0 # b1 x
donde ŷ es el valor estimado o predicho de y. Para enfatizar el hecho de que en un pronóstico

la variable independiente es el tiempo, se sustituirá x por t, así como ŷ por Tt para hacer patente
que se está estimando la tendencia de una serie de tiempo. Por tanto, para calcular la tendencia
lineal en una serie de tiempo se utilizará la siguiente ecuación de regresión estimada.
ECUACIÓN DE TENDENCIA LINEAL
Tt " b0 # b1t (18.4)
donde
Tt " pronóstico de tendencia lineal en el periodo t

b0 " intersección de la recta de tendencia lineal
b1 " pendiente de la recta de tendencia lineal
t " periodo
En la ecuación (18.4) la variable tiempo comienza en t " 1 correspondiente a la primera

observación de la serie de tiempo (año 1 para la serie de tiempo de las ventas de bicicletas) y
continúa hasta que t " n correspondiente a la observación más reciente (año 10 para la serie
de tiempo de las ventas de bicicletas). Así, t " 1 corresponde al valor de la serie más antigua y
t " 10 corresponde al año más reciente.
A continuación se presentan las fórmulas para calcular los coeficientes de regresión esti-
mados b0 y b1 de la ecuación (18.4).
CÁLCULO DE LA PENDIENTE Y DE LA INTERSECCIÓN PARA UNA TENDENCIA LINEAL*

n
a (t ! t )(Yt ! Y )
t"1
b1 " n
(18.5)
2
a (t ! t )
t"1
b0 " Y ! b1t (18.6)
donde
Yt " valor de la serie de tiempo en el periodo t
n " número de periodos (número de observaciones)
Y " valor promedio de la serie de tiempo
t " valor promedio de t
*
Una fórmula alternativa para b1 es
n n n
"tY ! "t "Y

t "1
t
t "1 t "1
t #n
b1 " n n 2
"t
t "1
2
! "t
t "1
#n
Esta forma de la ecuación (18.5) se recomienda a menudo cuando se utiliza una calculadora para obtener b1.
A efecto de calcular la ecuación de tendencia lineal para la serie de tiempo de las ventas de
bicicletas, se comienza por determinar t y Y utilizando la información de la tabla 18.12.
n
at 55
t"1
t " " " 5.5
n 10
n
a Yt 264.5
t"1
Y" " " 26.45
n 10
TABLA 18.13 Resumen de los cálculos de la tendencia lineal para la serie de tiempo de las ventas
de bicicletas
t Yt t!t Yt ! Y (t ! t)(Yt ! Y ) (t ! t)2

1 21.6 !4.5 !4.85 21.825 20.25
2 22.9 !3.5 !3.55 12.425 12.25
3 25.5 !2.5 !0.95 2.375 6.25
4 21.9 !1.5 !4.55 6.825 2.25
5 23.9 !0.5 !2.55 1.275 0.25
6 27.5 0.5 1.05 0.525 0.25
7 31.5 1.5 5.05 7.575 2.25
8 29.7 2.5 3.25 8.125 6.25
9 28.6 3.5 2.15 7.525 12.25
10 31.4 4.5 4.95 22.275 20.25
Totales 55 264.5 90.750 82.50
Con estos valores y la información de la tabla 18.13 se puede calcular la pendiente y la

intersección de la tendencia lineal para la serie de tiempo de las ventas de bicicletas.
n
a (t ! t )(Yt ! Y ) 90.75
t"1
b1 " n
" " 1.1
2 82.5
a (t ! t )
t"1
b0 " Y ! b1t " 26.45 ! 1.1(5.5) " 20.4
Por tanto, la ecuación de tendencia lineal es
Tt " 20.4 # 1.1t
La pendiente de 1.1 indica que en los últimos 10 años la empresa experimentó un promedio de
crecimiento en las ventas de cerca de 1 100 unidades por año. Si se supone que la tendencia en
las ventas de la última década es un buen indicador del futuro, esta ecuación de tendencia puede
utilizarse para obtener los pronósticos sobre periodos futuros. Por ejemplo, al sustituir en la
ecuación t " 11 se obtiene la proyección de tendencia o el pronóstico para el próximo año T11.
T11 " 20.4 # 1.1(11) " 32.5
Por tanto, al utilizar la proyección de tendencia se podrá pronosticar un valor para las ventas de
32 500 bicicletas para el próximo año.
Para calcular la exactitud del método de elaboración de pronósticos de la proyección de ten-
dencia se utilizará el CME. La tabla 18.14 muestra el cálculo de la suma de los errores cuadrados
para la serie de tiempo de las ventas de bicicletas. Así que para esta serie,
n
2
a (Yt ! Ft)
t"1 30.7
CME " " " 3.07
n 10
Debido a que el pronóstico de regresión de tendencia lineal utiliza el mismo procedimiento de

análisis de regresión que se presentó en el capítulo 14, se pueden utilizar los procedimientos
estándar para realizar los cálculos del análisis de regresión con Minitab o Excel. La figura 18.11
muestra el resultado obtenido al utilizar el módulo de Minitab del análisis de regresión de la
serie de tiempo de las ventas de bicicletas.
TABLA 18.14 Resumen de los pronósticos de tendencia lineal y de errores de pronóstico para
la serie de tiempo de ventas de bicicletas
Error de pronóstico
Año Ventas (en miles) Yt Pronóstico Tt Error de pronóstico cuadrado
1 21.6 21.5 0.1 0.01
2 22.9 22.6 0.3 0.09
3 25.5 23.7 1.8 3.24
4 21.9 24.8 !2.9 8.41
5 23.9 25.9 !2.0 4.00
6 27.5 27.0 0.5 0.25
7 31.5 28.1 3.4 11.56
8 29.7 29.2 0.5 0.25
9 28.6 30.3 !1.7 2.89
10 31.4 31.4 0.0 0.00
Total 30.70
En la figura 18.11 el valor del CME en la tabla de ANOVA es
suma de cuadrados debido al error 30.7

CME " " " 3.837
grados de libertad 8
Este valor del CME difiere del valor calculado antes porque la suma de los errores cuadrados se
divide entre 8 en vez de 10; por tanto, en el CME el resultado de regresión no es la media de los
errores de pronóstico cuadrados. Sin embargo, la mayoría de los paquetes de pronóstico calcu-
lan el valor del CME tomando la media de los errores cuadrados. Por tanto, al utilizar los pa-
En los resultados de Minitab quetes de series de tiempo para desarrollar una ecuación de tendencia, el resultado del valor del
del análisis de tendencia
CME puede diferir ligeramente del que se obtendría con un método de regresión general. Por
MSD es la desviación
cuadrada media, es decir, ejemplo, en la figura 18.12 se muestra la parte gráfica del resultado obtenido al utilizar el proce-
el promedio de los errores dimiento de análisis de tendencia de series de tiempo de Minitab. Observe que MSD " 3.07 es
de pronóstico cuadrados. el promedio de los errores de pronóstico cuadrados.
FIGURA 18.11 Resultado de regresión en Minitab para la serie de tiempo de las ventas
de bicicletas
The regression equation is

Y = 20.4 + 1.10 t
Predictor Coef SE Coef T p

Constant 20.400 1.338 15.24 0.000
t 1.1000 0.2157 5.10 0.001
S = 1.95895 R-sq = 76.5% R-sq(adj) = 73.5%
Analysis of Variance
SOURCE DF SS MS F p
Regression 1 99.825 99.825 26.01 0.001
Residual Error 8 30.700 3.837
Total 9 130.525
FIGURA 18.12 Resultado del análisis de tendencia lineal en Minitab de la serie de tiempo
de las ventas de bicicletas
Gráfica del análisis de tendencia para las ventas (en miles)

Modelo de tendencia lineal
Yt ! 20.40 " 1.10*t
32
Variable
Actual
30 Valor ajustado
Medidas de exactitud
MAPE* 5.06814
28
Ventas (en miles)
MAD** 1.32000
MSD*** 3.07000
26
24 * Error porcentual absoluto medio (EPAM)

** Desviación absoluta media
*** Desviación cuadrada media
22
20
1 2 3 4 5 6 7 8 9 10
Índice
Suavizamiento exponencial lineal de Holt

Charles Holt desarrolló una versión de suavizamiento exponencial para pronosticar una serie
de tiempo con tendencia lineal. Recuerde que el procedimiento de suavizamiento exponen-
cial estudiado en la sección 18.3 utiliza α como constante de suavizamiento para “suavizar” la
El suavizamiento aleatoriedad o las fluctuaciones irregulares en una serie de tiempo, y que los pronósticos para el
exponencial lineal periodo t # 1 se obtienen mediante la ecuación
de Holt suele llamarse
suavizamiento
exponencial doble. Ft # 1 " αYt # (1 ! α)Ft
Los pronósticos por el método de suavizamiento exponencial lineal de Holt se obtienen me-
diante dos constantes de suavizamiento α y β, y tres ecuaciones.
ECUACIONES DE SUAVIZAMIENTO EXPONENCIAL LINEAL DE HOLT
Lt " αYt # (1 ! α)(Lt!1 # bt!1) (18.7)
bt " β(Lt ! Lt!1) # (1 ! β) bt!1 (18.8)
Ft#k " Lt # bt k (18.9)
donde
Lt ! estimación del nivel de la serie de tiempo para el periodo t

bt ! estimación de la pendiente de la serie de tiempo para el periodo t
α ! constante de suavizamiento para el nivel de la serie de tiempo
β ! constante de suavizamiento para la pendiente de la serie de tiempo

Ft#k ! pronóstico para el periodo k en el futuro
k ! número de periodos próximos a pronosticar
Aplique el método de Holt a la serie de tiempo de las ventas de bicicletas listadas en la tabla
18.12 y utilice α ! 0.1 y β ! 0.2. Para empezar con el método se necesitan los valores de L1,
la estimación del nivel de la serie de tiempo en el año 1, y b1 la estimación de la pendiente de la
serie de tiempo en el año 1. El método utilizado comúnmente consiste en determinar L1 ! Y1 y
b1 ! Y2 " Y1. Al utilizar este procedimiento inicial obtenemos
L1 ! Y1 ! 21.6
b1 ! Y2 " Y1 ! 22.9 " 21.6 ! 1.3
Mediante la ecuación (18.9) con k ! 1, el pronóstico de las ventas en el año 2 es F2 ! L1 #

b1 ! 21.6 # 1.3(1) ! 22.9. Después se continúa utilizando las ecuaciones (18.7) a (18.9) para
calcular las estimaciones del nivel y la tendencia para el año 2, así como un pronóstico para el
año 3.
Primero utilizamos la ecuación (18.7) y la constante de suavizamiento α ! 0.1 para calcu-
lar la estimación del nivel de la serie de tiempo para el año 2.
L2 ! 0.1(22.9) # 0.9(21.6 # 1.3) ! 22.9
Observe que 21.6 # 1.3 es el pronóstico de ventas para el año 2. Por tanto, la estimación del
nivel de la serie de tiempo en este año obtenida mediante la ecuación (18.7) es simplemente un
promedio ponderado del valor observado en el año 2 (con un peso de α ! 0.1) y el pronóstico
para el año 2 (con un peso de 1 " α ! 1 " 0.1 ! 0.9). En general, los valores mayores de
α dan más peso al valor observado (Yt ), mientras que valores menores dan más peso al valor
pronosticado (Lt"1 # bt"1).
A continuación utilice la ecuación (18.8) y la constante de suavizamiento β ! 0.2 para
calcular la pendiente de la serie de tiempo en el año 2.
b2 ! 0.2(22.9 " 21.6) # (1 " 0.2)(1.3) ! 1.3
La estimación de tal pendiente es un promedio ponderado de la diferencia en el nivel estimado

de la serie de tiempo entre el año 2 y el año 1 (con un peso de β ! 0.2) y la estimación de la
pendiente del año 1 (con un peso de 1 " β ! 1 " 0.2 ! 0.8). En general, los valores mayo-
res de β dan más peso a la diferencia de los niveles estimados, mientras que los valores me-
nores se lo conceden a la pendiente estimada del último periodo.
Al utilizar las estimaciones de L2 y b2 recién obtenidas, el pronóstico de ventas para el año
3 se calcula mediante la ecuación (18.9):
F3 ! L2 # b2 ! 22.9 # 1.3(1) ! 24.2
Se realizan otros cálculos en forma similar, los cuales se muestran en la tabla 18.15. La suma de
los errores de pronóstico cuadrados es 39.678; por ende, CME ! 39.678/9 ! 4.41.
¿Con valores diferentes para la constante de suavizamiento α y β se obtienen pronósticos
más precisos? Para responder esta pregunta habría que probar diferentes combinaciones de
α y β para determinar si se puede encontrar una combinación con la que se obtenga un valor
menor del CME de 4.41, el valor obtenido utilizando las constantes de suavizamiento α ! 0.1 y
β ! 0.2. Se puede realizar la búsqueda de buenos valores α y β por ensayo y error o mediante
software de estadística más avanzado que tenga la opción de seleccionar un conjunto óptimo de
constantes de suavizamiento.
TABLA 18.15 Resumen de los cálculos de Holt para el suavizamiento exponencial lineal de la serie de tiempo
de las ventas de bicicletas utilizando α ! 0.1 y β ! 0.2
Nivel Tendencia Pronóstico Error de Error de pronóstico

Año Ventas (miles) Yt estimado Lt estimada bt Ft pronóstico cuadrado
1 21.6 21.600 1.300
2 22.9 22.900 1.300 22.900 0.000 0.000
3 25.5 24.330 1.326 24.200 1.300 1.690
4 21.9 25.280 1.251 25.656 "3.756 14.108
5 23.9 26.268 1.198 26.531 "2.631 6.924
6 27.5 27.470 1.199 27.466 0.034 0.001
7 31.5 28.952 1.256 28.669 2.831 8.016
8 29.7 30.157 1.245 30.207 "0.507 0.257
9 28.6 31.122 1.189 31.402 "2.802 7.851
10 31.4 32.220 1.171 32.311 "0.911 0.830
Total 39.678
Observe que las estimaciones, ambas en el año 10, del nivel de la serie de tiempo es L1 !
32.220 y de la pendiente es b1 ! 1.171. Si se asume que la tendencia de los últimos 10 años en
las ventas es un buen indicador del futuro, la ecuación (18.9) puede utilizarse para desarrollar
pronósticos para periodos futuros. Por ejemplo, al sustituir t ! 11 en la ecuación (18.9) se ob-
tiene la proyección de tendencia para el próximo año o el pronóstico, F11.
F11 ! L10 # b10(1) ! 32.220 # 1.171 ! 33.391
Por tanto, al utilizar el suavizamiento exponencial lineal de Holt se pronostica que el año pró-
ximo las ventas serán de 33 391 bicicletas.
Regresión de tendencia no lineal

WEB archivo Para modelar una tendencia suele utilizarse el modelo de función lineal. Sin embargo, como
Cholesterol ya se vio, algunas veces las series de tiempo tienen tendencias curvilíneas o no lineales. Co-
mo ejemplo, considere los ingresos anuales en millones de dólares para las ventas de un me-
TABLA 18.16 dicamento contra el colesterol en los primeros 10 años. La tabla 18.16 muestra la serie de
Serie de tiempo tiempo y la figura 18.13 la gráfica correspondiente. Por ejemplo, los ingresos del año 1 fueron
de las ventas de de $23.1 millones; los del año 2 de $21.3 millones, y así sucesivamente. La gráfica de serie de
medicamentos tiempo indica una tendencia general creciente o a la alza. Pero a diferencia de la serie de tiempo
contra el colesterol de las ventas de bicicletas, la tendencia lineal no parece ser apropiada. En cambio, parece reque-
(millones de $) rirse una función curvilínea para modelar la tendencia a largo plazo.
Año Ingresos
(t) (millones de $) Ecuación de tendencia cuadrática Una variedad de funciones no lineales puede utilizar-
1 23.1 se para obtener una estimación de la tendencia de la serie de tiempo del colesterol. Por ejemplo,
2 21.3 considere la siguiente ecuación de tendencia cuadrática:
3 27.4
4 34.6
5 33.8 Tt ! b0 # b1t # b2 t 2 (18.10)
6 43.2
7 59.5
8 64.4
9 74.2 Para la serie de tiempo del colesterol, t ! 1 corresponde al año 1, t ! 2 corresponde al año 2,
10 99.3 y así sucesivamente.
El modelo lineal general estudiado en la sección 16.1 puede utilizarse para calcular los va-
lores de b0, b1 y b2. Existen dos variables independientes, el año y el año al cuadrado, mientras
que la variable dependiente son las ventas en millones de dólares. Así que la primera observa-
FIGURA 18.13 Gráfica de la serie de tiempo de ventas del medicamento contra el colesterol
(millones de $)
120
100
80
Ingresos
60
40
20
0
0 1 2 3 4 5 6 7 8 9 10
Año
ción es 1, 1, 23.1; la segunda es 2, 4, 21.3; la tercera es 3, 9, 27.4, y así sucesivamente. La figura

18.14 muestra el resultado de Miniab sobre la regresión múltiple para el modelo de tendencia
cuadrática; la ecuación de regresión estimada es
Ingresos ($ millones) ! 24.2 " 2.11 Year # 0.922 YearSq.
donde
Year (año) ! 1, 2, 3, . . . , 10
YearSq (año cuadrado) ! 1, 4, 9, . . . , 100
FIGURA 18.14 Resultado de Minitab de la regresión de tendencia cuadrática de la serie

de tiempo de ventas de bicicletas

Revenue = 24.2 - 2.11 Year + 0.922 YearSq
Predictor Coef SE Coef T p

Constant 24.182 4.676 5.17 0.001
Year -2.106 1.953 -1.08 0.317
YearSq 0.9216 0.1730 5.33 0.001
S = 3.97578 R-Sq = 98.1% R-Sq(adj) = 97.6%
SOURCE DF SS MS F p
Regression 2 5770.1 2885.1 182.52 0.000
Total 9 5880.8
Al utilizar el procedimiento estándar de regresión múltiple se requiere calcular los valores para
el año al cuadrado como segunda variable independiente. Se puede utilizar el análisis de tenden-
cia para series de tiempo de Minitab alternativamente para obtener los mismos resultados. No
se requiere obtener valores para el año al cuadrado y es más fácil de usar. Se recomienda este
método en la solución de los ejercicios que involucren tendencias cuadráticas.
Ecuación de tendencia exponencial Otra alternativa que podemos utilizar para modelar
el patrón no lineal mostrado por la serie de tiempo del colesterol es ajustar un modelo exponen-
cial a los datos. Por ejemplo, considere la siguiente ecuación de tendencia exponencial.
Tt ! b0(b1) t (18.11)
Para entender mejor esta ecuación, suponga que b0 ! 20 y b1 ! 1.2. Después, para t ! 1, T1 !
20(1.2)1 ! 24; para t ! 2, T2 ! 20(1.2)2 ! 28.8; y para t ! 3, T3 ! 20(1.2)3 ! 34.56. Observe
que Tt no está aumentando por un monto constante como en el caso del modelo de tendencia
lineal, sino en un porcentaje constante; el incremento porcentual es de 20%.
En su módulo de serie de tiempo, Minitab tiene la capacidad para calcular una ecuación
de tendencia exponencial y puede utilizarse entonces para el pronóstico. Desafortunadamente,
Excel no tiene esta capacidad. No obstante, en la sección 16.1 se describe cómo, al tomar loga-
ritmos de los términos de la ecuación (18.11), la metodología del modelo general lineal puede
utilizarse para calcular la ecuación de tendencia exponencial.
El módulo de la serie de tiempo de Minitab es muy fácil de utilizar para desarrollar una
ecuación de tendencia exponencial. No hay necesidad de trabajar con los logaritmos y usar el
análisis de regresión para calcularla. En la figura 18.15 se muestra la gráfica obtenida de la com-
putadora con el procedimiento del análisis de tendencia de la serie de tiempo de Minitab que se
adapta a una ecuación de tendencia exponencial.
FIGURA 18.15 Resultado del análisis de tendencia de crecimiento exponencial de Minitab de la

serie de tiempo de las ventas de medicamentos contra el colesterol
Gráfica del análisis de tendencia para los ingresos

Modelo de la curva de crecimiento
Yt ! 16.7098 * (1.1850**t)
110
Variable
100 Actual
Valor ajustado
90 Pronósticos
Medidas de exactitud
80
MAPE 7.3919
70 MAD 3.1928
Ingresos
MSD 15.0496
60
50
40
30
20
1 2 3 4 5 6 7 8 9 10 11
Índice
NOTAS Y COMENTARIOS
La regresión de tendencia lineal se basa en determi- exactitud del pronóstico. Para la serie de tiempo de las
nar la ecuación de regresión estimada que minimiza ventas de bicicletas, la regresión de tendencia lineal
la suma de los errores de pronóstico cuadrados y, por resulta con un valor de EAM de 1.32 en comparación
consiguiente, del CME. Por tanto, se esperaría que la con un valor de 1.67 según el método lineal de Holt.
regresión de tendencia lineal sea mejor que el suavi- Sin embargo, al basarse en el EPAM, el suavizamiento
zamiento exponencial lineal de Holt en términos del exponencial lineal de Holt (EPAM ! 5.07%) es me-
CME. Por ejemplo, para la serie de tiempo de las ventas jor que la regresión de tendencia lineal (6.42%). Por
de bicicletas, el valor del CME al utilizar la regresión tanto, para la serie de tiempo de ventas de bicicletas,
lineal es 3.07, comparado con el valor de 3.97 que decidir cuáles son los métodos con los que se obtie-
utiliza el suavizamiento exponencial lineal de Holt. nen pronósticos más exactos depende de qué medida
La regresión de tendencia lineal también proporcio- de la exactitud del pronóstico se utilice.
na un pronóstico más exacto con la medida EAM de
Ejercicios
Métodos
AUTO evaluación
t 1 2 3 4 5
Yt 6 11 9 14 15
a) Construya una gráfica de series de tiempo. ¿Qué tipo de patrón existe en los datos?
b) Desarrolle la ecuación de tendencia lineal para esta serie de tiempo.
c) ¿Cuál es el pronóstico para t ! 6?
18. Consulte la serie de tiempo del ejercicio 17. Utilice el método de suavizamiento lineal expo-
nencial de Holt con α ! 0.3 y β ! 0.5 y obtenga un pronóstico para t ! 6.
19. Considere la siguiente serie de tiempo.
t 1 2 3 4 5 6 7
Yt 120 110 100 96 94 92 88
t 1 2 3 4 5 6 7
Yt 82 60 44 35 30 29 35
b) Utilice Minitab o Excel para desarrollar la ecuación de tendencia cuadrática para la serie
de tiempo.
Aplicaciones
21. Debido a los altos costos de inscripción en las universidades estatales y privadas, las matrículas
AUTO evaluación en los colegios de educación profesional técnica (community colleges) se han incrementado
drásticamente en los últimos años. Los siguientes datos muestran la inscripción (en miles) en el
Jefferson Community College de 2001 a 2009.
Año Periodo (t) Inscripción (en miles)

2001 1 6.5
2002 2 8.1
2003 3 8.4
2004 4 10.2
2005 5 12.5
2006 6 13.3
2007 7 13.7
2008 8 17.2
2009 9 18.1
c) ¿Cuál es el pronóstico para 2010?
22. El Seneca Children’s Fund (SCF) es una organización de caridad local que dirige un campamen-
to de verano para niños desprotegidos. El consejo de administración ha trabajado muy duro en
los últimos años para reducir la cantidad de gastos generales, un factor importante en la forma
en que las organizaciones de caridad son recomendadas por los organismos independientes.
Los siguientes datos muestran el porcentaje del total de dinero recaudado que SCF ha invertido
en gastos administrativos y en campañas de recaudación de fondos para 2003-2009.
Año Periodo (t) Gasto (%)

2003 1 13.9
2004 2 12.2
2005 3 10.5
2006 4 10.4
2007 5 11.5
2008 6 10.0
2009 7 8.5
c) Pronostique el porcentaje de gastos administrativos para 2010.
d) Si SCF puede mantener su actual tendencia en la reducción de gastos administrativos,
¿cuánto tiempo le llevará alcanzar un nivel de 5% o menos?
23. El presidente de una pequeña empresa de manufactura está preocupado por el continuo aumen-
to en los costos de fabricación de los últimos años. Las cifras siguientes presentan una serie de
tiempo del costo por unidad del producto principal de la empresa en los últimos ocho años.
Año Costo unitario ($) Año Costo unitario ($)

1 20.00 5 26.60
2 24.50 6 30.00
3 28.20 7 31.00
4 27.50 8 36.00
c) ¿En qué porcentaje han aumentado los costos de la empresa cada año?
d) Proporcione un cálculo estimado del costo unitario para el próximo año.
24. FRED® (Datos económicos de la Reserva Federal), una base de datos con más de 3 000 series de
tiempo económicas de Estados Unidos, contiene datos históricos sobre los tipos de cambio. Los
datos siguientes muestran el tipo de cambio (Rate) por año (Year) y mes (Month) para Estados
Unidos y China (página web del Banco de la Reserva Federal de St. Louis). Las unidades para
el tipo de cambio son el número de yuanes chinos por un dólar estadounidense.
Year Month Rate

2007 October 7.5019
2007 November 7.4210
2007 December 7.3682
WEB archivo 2008 January 7.2405
2008 February 7.1644
ExchangeRate
2008 March 7.0722
2008 April 6.9997
2008 May 6.9725
2008 June 6.8993
2008 July 6.8355
a) Construya una gráfica de series de tiempo. ¿Existe una tendencia lineal?

b) Desarrolle con Minitab o Excel una ecuación de tendencia lineal para esta serie de tiempo.
c) Utilice la ecuación de tendencia para pronosticar el tipo de cambio en agosto de 2008.
d) ¿Se sentiría usted cómodo utilizando la ecuación de tendencia para pronosticar el tipo de
cambio de diciembre de 2008?
25. En la siguiente serie de tiempo se presentan las ventas de automóviles de B.J. Scott Motors,
Inc. de 10 años.
Año Ventas Año Ventas

1 400 6 260
2 390 7 300
3 320 8 320
4 340 9 340
5 270 10 370
a) Construya una gráfica de series de tiempo. Comente acerca de la conveniencia de utilizar

una tendencia lineal.
b) Utilice Minitab o Excel para desarrollar una ecuación de tendencia cuadrática para pro-
nosticar las ventas.
c) Con la ecuación de tendencia del inciso b), pronostique las ventas para el año 11.
d) Sugiera una alternativa de una ecuación de tendencia cuadrática para pronosticar las ven-
tas. Explique.
26. Giovanni Food Products prepara y vende pizzas congeladas en las escuelas públicas del este
de Estados Unidos. Al utilizar una estrategia de marketing muy agresiva, ha sido capaz de in-
crementar sus ingresos anuales en $10 millones en los últimos 10 años. Pero el incremento de
la competencia ha disminuido su tasa de crecimiento. A continuación se muestran los ingresos
(Revenue) por año (Year) en millones de dólares de la última década.
Year Revenue
1 8.53
2 10.84
3 12.98
WEB archivo 4 14.11
5 16.31
Pasta
6 17.21
7 18.37
8 18.45
9 18.40
10 18.43
a) Construya una gráfica de series de tiempo. Comente acerca de la conveniencia de utilizar

una tendencia lineal.
b) Utilice Minitab o Excel para desarrollar una ecuación de tendencia cuadrática para pro-
nosticar los ingresos.
c) Utilizando la ecuación de tendencia desarrollada en el inciso b), pronostique los ingre-
sos en el año 11.
27. La revista Forbes clasifica los equipos de la NFL por su valor anual. Los datos siguientes son
los valores de Indianapolis Colts de 1998 a 2008 (sitio web de Forbes). Se proporcionan año
(Year), periodo (Period) y valor (Value) en millones de $.
Year Period Value ($millions)

1998 1 227
1999 2 305
2000 3 332
WEB archivo 2001 4 367
2002 5 419
NFLValue 2003 6 547
2004 7 609
2005 8 715
2006 9 837
2007 10 911
2008 11 1 076
b) Utilice Minitab o Excel y obtenga una ecuación de tendencia cuadrática para pronosti-
car el valor del equipo.
c) Al utilizar Minitab o Excel, obtenga la ecuación de tendencia exponencial para pronos-
ticar el valor del equipo.
d) Con Minitab o Excel obtenga la ecuación de tendencia lineal para pronosticar el valor del
equipo.
e) ¿Qué ecuación recomendaría utilizar para estimar el valor del equipo en 2009?
f) Utilice el modelo del inciso e) para pronosticar el valor de los Colts en 2009.
18.5 Estacionalidad y tendencia

En esta sección se muestra cómo desarrollar pronósticos para una serie de tiempo que tiene un
patrón estacional. En la medida en que la estacionalidad existe, se debe incorporar a los mo-
delos de elaboración de pronósticos para garantizar un pronóstico exacto. Se comenzará por
considerar una serie de tiempo estacional sin tendencia y después se estudiará cómo modelar la
estacionalidad con la tendencia.
Estacionalidad sin tendencia

Como ejemplo, considere el número de paraguas vendidos en una tienda de ropa en los últimos
cinco años. La tabla 18.17 muestra la serie de tiempo y la figura 18.16 la gráfica correspondien-
te. Esta última no indica una tendencia a largo plazo en las ventas. De hecho, a menos que se
observen cuidadosamente los datos, es posible concluir que éstos siguen un patrón horizontal
WEB archivo y que un suavizamiento exponencial sencillo podría utilizarse para pronosticar las ventas. Pero
Umbrella
una inspección más cercana a la gráfica de serie de tiempo revela un patrón en los datos. Es
decir, el primer y tercer trimestres registran ventas moderadas, el segundo tiene las ventas más
altas, y el cuarto tiende a ser el trimestre más bajo en volumen de ventas. Por tanto, se podría
concluir que un patrón estacional trimestral está presente.
En el capítulo 15 se mostró cómo utilizar las variables ficticias o binarias (dummy) para tra-
tar las variables cualitativas independientes en un modelo de regresión múltiple. Se puede utilizar
el mismo método para modelar una serie de tiempo con un patrón estacional al tratar la estación
18.5 Estacionalidad y tendencia 821
como variable categórica. Recuerde que cuando esta variable tiene k niveles, se necesitan k " 1
variables ficticias. Por tanto, si hay cuatro estaciones, se requieren tres variables ficticias. Por
ejemplo, la serie de tiempo de la temporada de ventas de sombrillas es una variable cualitativa
con cuatro niveles: trimestre 1, trimestre 2, trimestre 3 y trimestre 4. Por tanto, para modelar los
efectos estacionales en la serie de tiempo de las sombrillas se necesitan 4 " 1 ! 3 variables
ficticias. Éstas pueden ser codificadas de la siguiente manera.
1 si el trimestre es 1 1 si el trimestre es 2 1 si el trimestre es 3

TABLA 18.17 Qtr 1 ! Qtr 2 ! Qtr 3 !
0 ! en otro caso 0 ! en otro caso 0 ! en otro caso
Serie de tiempo de las
ventas de sombrillas
Usando Ŷ para denotar el valor estimado o pronosticado de las ventas, la forma general de la
Año Trimestre Ventas ecuación de regresión estimada relacionada con el número de sombrillas vendidas con base en
1 1 125 el trimestre (Qtr) en que las ventas ocurren es la siguiente:
2 153
3 106
4 88 Ŷ ! b0 # b1 Qtr1 # b2 Qtr2 # b3 Qtr3
2 1 118
2 161
3 133 La tabla 18.18 es la serie de tiempo de las ventas de sombrillas que muestra los valores codifica-
4 102
3 1 138
dos de las variables ficticias. Al utilizar estos datos y el procedimiento de regresión de Minitab,
2 144 se obtuvo el resultado de computadora mostrado en la figura 18.17. La ecuación de regresión
3 113 múltiple estimada obtenida es
4 80
4 1 109
2 137 Ventas ! 95.0 # 29.0 Qtr1 # 57.0 Qtr2 # 26.0 Qtr3
3 125
4 109
5 1 130 Esta ecuación se puede utilizar para pronosticar las ventas trimestrales para el próximo año.
2 165
3 128
4 96 Trimestre 1. Ventas ! 95.0 # 29.0(1) # 57.0(0) # 26.0(0) ! 124
Trimestre 2. Ventas ! 95.0 # 29.0(0) # 57.0(1) # 26.0(0) ! 152
FIGURA 18.16 Gráfica de la serie de tiempo de ventas de sombrillas
180
160
140
120
Ventas
100
80
60
40
20
0
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Año 1 Año 2 Año 3 Año 4 Año 5
Año/trimestre
TABLA 18.18 Serie de tiempo de ventas de sombrillas con variables ficticias
Año Trimestre Trim 1 Trim 2 Trim 3 Ventas

1 1 1 0 0 125
2 0 1 0 153
3 0 0 1 106
4 0 0 0 88
2 1 1 0 0 118
2 0 1 0 161
3 0 0 1 133
4 0 0 0 102
3 1 1 0 0 138
2 0 1 0 144
3 0 0 1 113
4 0 0 0 80
4 1 1 0 0 109
2 0 1 0 137
3 0 0 1 125
4 0 0 0 109
5 1 1 0 0 130
2 0 1 0 165
3 0 0 1 128
4 0 0 0 96
Es interesante señalar que se habrían podido obtener los pronósticos trimestrales para el
próximo año simplemente calculando el número promedio de sombrillas que se venden cada
trimestre, como se muestra en la siguiente tabla.
Año Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4

1 125 153 106 88
2 118 161 133 102
3 138 144 113 80
4 109 137 125 109
5 130 165 128 96
Promedio 124 152 121 95
Con todo, el resultado de regresión mostrado en la figura 18.17 proporciona información

adicional que puede utilizarse para evaluar la exactitud del pronóstico y determinar la signifi-
FIGURA 18.17 Resultado de la regresión de Minitab para la serie de tiempo de ventas

de sombrillas

Sales = 95.0 + 29.0 Qtr1 + 57.0 Qtr2 + 26.0 Qtr3
Predictor Coef SE Coef T P

Constant 95.000 5.065 18.76 0.000
Qtr1 29.000 7.162 4.05 0.001
Qtr2 57.000 7.162 7.96 0.000
Qtr3 26.000 7.162 3.63 0.002
cancia de los resultados. Y para los tipos más complejos de situaciones problemáticas, como
tratar con una serie de tiempo que tiene tanto los efectos de tendencia como estacionales, el
método de un promedio simple no funcionará.
Estacionalidad y tendencia
Ahora ampliaremos el método de regresión para incluir situaciones en las que la serie de tiempo
WEB archivo contiene tanto el efecto estacional como una tendencia lineal, y mostraremos cómo pronosticar
TVSales la serie de tiempo de las ventas trimestrales de televisores presentadas en la sección 18.1. Los
datos respectivos se muestran en la tabla 18.19. La gráfica de series de tiempo de la figura 18.18
TABLA 18.19 indica que las ventas son muy bajas en el segundo trimestre de cada año y que aumentan en los
Serie de tiempo de las trimestres 3 y 4. Por tanto, se concluye que existe un patrón estacional para las ventas de tele-
ventas de televisores visores. Pero la serie de tiempo tiene también una tendencia lineal ascendente que tendrá que
Ventas tomarse en cuenta para obtener pronósticos exactos de las ventas trimestrales. Es fácil manejar
Año Trimestre (miles $) y combinar el método de las variables ficticias por estacionalidad con el método de regresión
1 1 4.8 de la serie de tiempo que se estudió en la sección 18.3 para el manejo de la tendencia lineal.
2 4.1 La forma general de la ecuación de regresión múltiple estimada para modelar tanto los
3 6.0
4 6.5 efectos estacionales trimestrales como la tendencia lineal en la serie de tiempo de los televiso-
2 1 5.8 res es la siguiente.
2 5.2
3 6.8
4 7.4 Ŷt ! b0 # b1 Qtr1 # b2 Qtr2 # b3 Qtr3 # b4 t
3 1 6.0
2 5.6 donde
3 7.5
4 7.8
4 1 6.3 Ŷt ! estimación o pronóstico de ventas en el periodo t
2 5.9
3 8.0
Qtr1 ! 1 si el periodo t corresponde al primer trimestre del año; 0 en caso contrario
4 8.4 Qtr2 ! 1 si el periodo t corresponde al segundo trimestre del año; 0 en caso contrario
Qtr3 ! 1 si el periodo t corresponde al tercer trimestre del año; 0 en caso contrario
t ! periodo
FIGURA 18.18 Gráfica de serie de tiempo para el conjunto de ventas de televisores
9.0
Ventas trimestrales de televisores (en miles)
8.0
7.0
6.0
5.0
4.0
3.0
2.0
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Año/trimestre
TABLA 18.20 Serie de tiempo de las ventas de televisores con variables ficticias y periodo
Año Trimestre Trim 1 Trim 2 Trim 3 Periodo Ventas (miles)

1 1 1 0 0 1 4.8
2 0 1 0 2 4.1
3 0 0 1 3 6.0
4 0 0 0 4 6.5
2 1 1 0 0 5 5.8
2 0 1 0 6 5.2
3 0 0 1 7 6.8
4 0 0 0 8 7.4
3 1 1 0 0 9 6.0
2 0 1 0 10 5.6
3 0 0 1 11 7.5
4 0 0 0 12 7.8
4 1 1 0 0 13 6.3
2 0 1 0 14 5.9
3 0 0 1 15 8.0
4 0 0 0 16 8.4
La tabla 18.20 es la serie de tiempo revisada de las ventas de televisores que incluye los va-
lores codificados de las variables ficticias y el periodo t. Al utilizar los datos de la tabla 18.20 y
el procedimiento de regresión de Minitab se obtuvo el resultado de computadora que se muestra
en la figura 18.19. La ecuación de regresión múltiple estimada es
Ventas ! 6.07 " 1.36 Qtr1 " 2.03 Qtr2 " 0.304 Qtr3 # 0.146t (18.12)
Ahora se puede utilizar la ecuación (18.12) a efecto de pronosticar las ventas trimestrales para
el próximo año, el cual es el año 5 para la serie de tiempo de ventas de televisores; es decir, los
periodos 17, 18, 19 y 20.
Pronóstico para el periodo 17 (trimestre 1 en el año 5)
Ventas ! 6.07 " 1.36(1) " 2.03(0) " 0.304(0) # 0.146(17) ! 7.19
Ventas ! 6.07 " 1.36(0) " 2.03(1) " 0.304(0) # 0.146(18) ! 6.67
FIGURA 18.19 Resultado de regresión de Minitab de la serie de tiempo de ventas

de sombrillas

Sales (1000s) = 6.07 - 1.36 Qtr1 - 2.03 Qtr2 - 0.304
Qtr3 + 0.146 Period

Constant 6.0688 0.1625 37.35 0.000
Qtr1 -1.3631 0.1575 -8.66 0.000
Qtr2 -2.0337 0.1551 -13.11 0.000
Qtr3 -0.3044 0.1537 -1.98 0.073
Period 0.14562 0.01211 12.02 0.000
Ventas ! 6.07 " 1.36(0) " 2.03(0) " 0.304(1) # 0.146(19) ! 8.54
Ventas ! 6.07 " 1.36(0) " 2.03(0) " 0.304(0) # 0.146(20) ! 8.99
Por tanto, tomando en cuenta los efectos tanto estacionales como de tendencia lineal en las
ventas de televisores, las estimaciones de las ventas trimestrales en el año 5 son 7 190, 6 670,
8 540 y 8 990.
Las variables ficticias en la ecuación de regresión múltiple estimada realmente ofrecen cua-
tro ecuaciones de regresión múltiple estimadas, una para cada trimestre. Por ejemplo, si el perio-
do t corresponde al trimestre 1, la ecuación estimada para las ventas es
Trimestre 1. Ventas ! 6.07 " 1.36(1) " 2.03(0) " 0.304(0) # 0.146t ! 4.71 # 0.146t
Del mismo modo, si el periodo t corresponde a los trimestres 2, 3 y 4, las estimaciones para las
ventas trimestrales son:
La pendiente de la tendencia lineal para cada ecuación de pronóstico trimestral es 0.146, lo que
indica un crecimiento en las ventas de alrededor de 146 televisores por trimestre. La única dife-
rencia en las cuatro ecuaciones estriba en que tienen diferentes intersecciones. Por ejemplo, la
intersección en la ecuación del trimestre 1 es 4.71 y para el trimestre 4 es 6.07. Por tanto, las ven-
tas en el trimestre 1 son 4.71 " 6.07 ! "1.36 o 1 360 televisores menos que en el trimestre 4.
En otras palabras, el coeficiente estimada en la regresión para Qtr1 en la ecuación (18.12) pro-
porciona una estimación de la diferencia en las ventas entre los trimestres 1 y 4. Interpretaciones
similares pueden darse para "2.03, el coeficiente estimado para la variable ficticia Qtr2, y para
"0.304, el coeficiente estimado para la variable ficticia Qtr3.
Modelos basados en datos mensuales

Cuando una variable En el ejemplo anterior de las ventas de televisores se mostró cómo utilizar las variables ficti-
categórica como la cias para tomar en cuenta los efectos estacionales trimestrales de la serie de tiempo. Debido
estación tiene k niveles,
a que hubo cuatro niveles para la variable cualitativa estacional, se requerieron tres variables
son necesarias k " 1
variables ficticias. ficticias. Sin embargo, numerosas empresas utilizan los pronósticos mensuales más que los tri-
mestrales. Para los datos mensuales, la estación es una variable cualitativa con 12 niveles y, por
tanto, son obligatorias 12 " 1 ! 11 variables ficticias. Por ejemplo, las 11 variables ficticias
pueden codificarse de la siguiente manera:
1 si es enero
Mes 1 !
0 en otro caso
1 si es febrero
Mes 2 !
0 en otro caso
.
.
.
1 si es noviembre
Mes 11 !
0 en otro caso
Fuera de este cambio, el método de regresión múltiple para el manejo de la estacionalidad es

el mismo.
Ejercicios
Métodos
AUTO evaluación
Trimestre Año 1 Año 2 Año 3

1 71 68 62
2 49 41 51
3 58 60 53
4 78 81 72
b) Utilice las siguientes variables ficticias para desarrollar una ecuación de regresión esti-
mada que tome en cuenta los efectos estacionales en los datos: Qtr1 ! 1 si es el trimestre
1, 0 en caso contrario; Qtr2 ! 1 si es el trimestre 2, 0 en caso contrario; Qtr 3 ! 1 si es el
trimestre 3, 0 en caso contrario.
c) Calcule los pronósticos trimestrales para el año siguiente.
29. Considere los datos siguientes de series de tiempo.

1 4 6 7
2 2 3 6
3 3 5 6
4 5 7 8
mada que tome en cuenta cualquier efecto estacional y de tendencia lineal en los datos:
Qtr1 ! 1 si el trimestre es 1, 0 en caso contrario; Qtr 2 ! 1 si el trimestre es 2, 0 en caso
contrario; Qtr3 ! 1 si el trimestre es 3, 0 en caso contrario.
c) Calcule los pronósticos trimestrales para el próximo año.
Aplicaciones
30. Los datos de las ventas trimestrales (número de ejemplares vendidos) para un libro de texto
universitario en los últimos tres años son los siguientes.

1 1 690 1 800 1 850
2 940 900 1 100
3 2 625 2 900 2 930
4 2 500 2 360 2 615
mada que tome en cuenta los efectos estacionales de los datos: Qrt ! 1 si el trimestre es
1, 0 en caso contrario; Qtr2 ! 1 si el trimestre es 2, 0 en caso contrario; Qtr3 ! 1 si el
trimestre es 3, 0 en caso contrario.
c) Calcule los pronósticos trimestrales para el próximo año.

d) Suponga que t ! 1 se refiere a la observación del trimestre 1 del año 1; t ! 2 a la obser-
vación del trimestre 2 del año 1; . . . y t ! 12 a la observación del trimestre 4 del año 3.
Utilice las variables ficticias definidas en el inciso b) así como t, para desarrollar una
ecuación de regresión estimada que tome en cuenta los efectos estacionales y cualquier
tendencia lineal en la serie de tiempo. A partir de los efectos estacionales en los datos y
la tendencia lineal, calcule los pronósticos trimestrales para el próximo año.
31. Especialistas en el control de la contaminación del aire en el sur de California monitorean cada
hora la cantidad de ozono, dióxido de carbono y dióxido de nitrógeno contenida en el aire. Los
datos de serie de tiempo de cada hora presentan estacionalidad, con niveles de contaminantes
que muestran patrones que varían cada hora (Hour) durante el día. El 15, 16 y 17 de julio se
observaron los siguientes niveles para las 12 horas a partir de las 6:00 a.m. hasta las 6:00 p.m.
15 de julio 25 28 35 50 60 60 40 35 30 25 25 20
WEB archivo 16 de julio 28 30 35 48 60 65 50 40 35 25 20 20
Pollution
17 de julio 35 42 45 70 72 75 60 45 40 25 25 25
b) Utilice las siguientes variables ficticias para obtener una ecuación de regresión estimada
que tome en cuenta los efectos estacionales de los datos.
Hour1 ! 1 si la lectura se realizó entre las 6:00 a.m. y las 7:00 a.m.; 0 de otra forma
Hour2 ! 1 si la lectura se realizó entre las 7:00 a.m. y las 8:00 a.m.; 0 de otra forma
.
.
.
Hour11 = 1 si la lectura se realizó entre las 4:00 p.m. y las 5:00 p.m.; 0 de otra forma
Note que cuando los valores de las 11 variables ficticias son iguales a 0, la observación corres-
ponde a la hora entre las 5:00 p.m. y las 6:00 p.m.
c) Utilizando la ecuación de regresión estimada obtenida en el inciso a), calcule estimacio-
nes de los niveles de dióxido de nitrógeno para el 18 de julio.
d) Suponga que t ! 1 se refiere a la observación en la hora 1 del 15 de julio; t ! 2 a la obser-
vación en la hora 2 del 15 de julio, . . . y t ! 36 a la observación en la hora 12 del 17 de ju-
lio. Utilice las variables ficticias definidas en el inciso b) y t, para desarrollar una ecuación
de regresión estimada que tome en cuenta los efectos estacionales y de tendencia lineal de
la serie de tiempo. Con base en los efectos estacionales de los datos y la tendencia lineal,
calcule las estimaciones de los niveles de dióxido de nitrógeno para el 18 de julio.
32. South Shore Construction edifica muelles y diques permanentes a lo largo de la costa sur de
Long Island, en Nueva York. Aunque la empresa ha estado en el negocio sólo cinco años, sus
ingresos han aumentado de $308 000 en el primer año de operación hasta $1 084 000 en el año
más reciente. Los siguientes datos muestran los ingresos por trimestre (Quarter) en miles de
dólares para cada año (Year).
Quarter Year 1 Year 2 Year 3 Year 4 Year 5

WEB archivo 1 20 37 75 92 176
2 100 136 155 202 282
SouthShore 3 175 245 326 384 445
4 13 26 48 82 181
mada que tome en cuenta los efectos estacionales de los datos. Qtr1 ! 1 si es el trimes-
tre 1, 0 en caso contrario; Qtr2 ! 1 si es el trimestre 2, 0 en caso contrario; Qtr3 ! 1 si es
el trimestre 3, 0 en caso contrario. Con base sólo en los efectos estacionales de los datos,
calcule las estimaciones de las ventas trimestrales para el año 6.
c) Suponga que el periodo ! 1 se refiere a la observación en el trimestre 1 del año 1; pe-
riodo ! 2 a la observación del trimestre 2 del año 1; . . . y periodo ! 20 a la observación
en el trimestre 4 del año 5. Utilice las variables ficticias que se definen en el inciso b) y el
periodo para desarrollar una ecuación de regresión estimada que tome en cuenta los efec-
tos estacionales y de cualquier tendencia lineal de la serie de tiempo. Con base en ambos
efectos, calcule las estimaciones de las ventas trimestrales para el año 6.
33. El consumo de energía eléctrica se mide en kilowatts-hora (kWh). La compañía de servicios
local ofrece un programa de interrupción por el cual los clientes comerciales participantes
reciben tarifas favorables, pero deberán reducir el consumo si la empresa se los pide. Timko
Products ha acordado reducir el consumo los jueves desde las 8:00 p.m. Para determinar los
ahorros respectivos, la empresa debe calcular el uso de energía normal de Timko durante este
periodo. Los datos de su gasto de energía eléctrica para las 72 horas anteriores se muestran a
continuación. Se incluyen los consumos de los días lunes (Monday), martes (Tuesday), miér-
coles (Wednesday) y jueves (Thursday) con su respectivo periodo (Time Period).
Time Period Monday Tuesday Wednesday Thursday
WEB archivo 12–4 a.m.

4–8 a.m.
—
—
19 281
33 195
31 209
37 014
27 330
32 715
Power 8–12 noon — 99 516 119 968 152 465
12–4 p.m. 124 299 123 666 156 033
4–8 p.m. 113 545 111 717 128 889
8–12 midnight 41 300 48 112 73 923
mada que tome en cuenta los efectos estacionales.
Time1 ! 1 para el periodo de 12 a 4 a.m.; 0 en caso contrario

Time2 ! 1 para el periodo de 4 a 8 a.m.; 0 en caso contrario
Time3 ! 1 para el periodo de 8 a 12 del mediodía; 0 en caso contrario
Time4 ! 1 para el periodo de 12 a 4 p.m.; 0 en caso contrario
Time5 ! 1 para el periodo de 4 a 8 p.m.; 0 en caso contrario
c) Utilice la ecuación de regresión estimada obtenida en el inciso b) para calcular el uso nor-
mal de Timko a lo largo del periodo en que el servicio será interrumpido.
d) Suponga que el periodo ! 1 se refiere a la observación del lunes en el periodo de 12 a
4 p.m.; el periodo ! 2 a la observación del lunes del periodo de 4 a 8 p.m.; . . . y el periodo
! 18 a la observación del jueves en el periodo 8 a 12 del mediodía. Utilice las variables
ficticias definidas en el inciso b), así como el periodo para desarrollar una ecuación de re-
gresión estimada que tome en cuenta los efectos estacionales y de cualquier tendencia
lineal de la serie de tiempo.
e) Utilice la ecuación obtenida en el inciso d) para estimar el uso normal de Timko a lo lar-
go del periodo en que el servicio estará interrumpido.
34. Los gastos del mantenimiento del césped ($) por mes (Month) para un edificio de apartamentos
de seis unidades en el sur de la Florida durante tres años (Year) son los siguientes.
Month Year 1 Year 2 Year 3

WEB archivo January 170 180 195
February 180 205 210
AptExp March 205 215 230
April 230 245 280
May 240 265 290
18.6 Descomposición de series de tiempo 829

June 315 330 390
July 360 400 420
August 290 335 330
September 240 260 290
October 240 270 295
November 230 255 280
December 195 220 250
b) Desarrolle una ecuación de regresión estimada que tome en cuenta cualquier efecto de
estacionalidad o de tendencia lineal en los datos. Utilice las siguientes variables ficticias
que tomen en cuenta los efectos estacionales: Jan ! 1 si es enero, 0 en caso contrario;
Feb ! 1 si es febrero, 0 en caso contrario; Mar ! 1 si es marzo, 0 en caso contrario; . . .
Nov ! 1 si es noviembre, 0 en caso contrario. Observe que al utilizar este método de co-
dificación, cuando las 11 variables ficticias son 0, la observación corresponde a un gasto
en diciembre.
c) Calcule los pronósticos mensuales para el siguiente año con base en los efectos tanto de
tendencia como estacionales.
18.6 Descomposición de series de tiempo

En esta sección se enfoca la atención en lo que se conoce como descomposición de series de
tiempo, la cual se puede utilizar para separar o descomponer una serie de tiempo en su parte
de tendencia y estacional y en su componente irregular, aunque este método puede utilizarse
para el pronóstico, y su aplicación principal es conseguir una mejor comprensión de la serie
de tiempo. Muchas series de tiempo para las empresas y la economía de Estados Unidos son
sostenidas y publicadas por agencias gubernamentales como la Oficina del Censo y la Oficina
de Estadísticas Laborales. Estas agencias utilizan la descomposición de series de tiempo para
crear series desestacionalizadas.
Entender qué sucede en realidad con una serie de tiempo a menudo depende del uso de los
datos desestacionalizados. Por ejemplo, podríamos estar interesados en saber si el consumo de
energía eléctrica está aumentando en nuestra área. Suponga que se entera de que éste se redujo
3% en septiembre con respecto al mes anterior. Se debe ser cuidadoso al ejercitar el uso de esa
información, porque cada vez que una influencia estacional está presente, esas comparaciones
pueden ser engañosas si los datos no han sido desestacionalizados. El hecho de que el consumo
de energía eléctrica se haya reducido 3% entre agosto y septiembre podría ser por el efecto
estacional que se relaciona con una disminución en el uso del aire acondicionado y no por una
disminución del uso de la energía eléctrica a largo plazo. En efecto, después de ajustar el efecto
estacional, se podría incluso determinar que el consumo de energía eléctrica aumentó. Muchas
series de tiempo, como las estadísticas de desempleo y las ventas de casas y al detalle (o al me-
nudeo), están sujetas a fuertes influencias estacionales. Es importante desestacionalizar dichos
datos, antes de emitir un juicio acerca de cualquier tendencia a largo plazo.
Los métodos de descomposición de series tiempo asumen que Yt, el valor real de la serie
de tiempo en el periodo t, es una función de tres componentes: un componente de tendencia, un
componente estacional y un componente irregular o de error. El cómo estos tres componentes
se combinan para generar los valores observados de la serie de tiempo depende de si se asume
que la relación entre ellos se describe mejor por un modelo aditivo o un modelo multiplicativo.
Un modelo de descomposición aditiva tiene la siguiente forma:
Yt ! Tendenciat # Estacionalt # Irregulart (18.13)

donde
Tendenciat ! valor de la tendencia en el periodo t
Estacionalt ! valor estacional en el periodo t
Irregulart ! valor irregular en el periodo t
El componente irregular En el modelo aditivo, los valores de los tres componentes simplemente se suman para obtener
corresponde al término de el valor real de las series de tiempo Yt. El componente irregular o de error toma en cuenta la
error ε en el modelo de
variabilidad de la serie de tiempo que no puede ser explicada por los componentes de tendencia
regresión lineal simple
estudiado en el capítulo 14. y estacional.
Un modelo aditivo es apropiado en situaciones en las que las fluctuaciones estacionales no
dependen del nivel de la serie de tiempo. El modelo de regresión que incorpora efectos esta-
cionales y de tendencia en la sección 18.5 es un modelo aditivo. Éste es apropiado si las fluc-
tuaciones estacionales en el periodo anterior son casi del mismo tamaño que las fluctuaciones
estacionales en periodos posteriores. Sin embargo, si las fluctuaciones estacionales cambian en
el tiempo y son cada vez mayores a medida que aumenta el volumen de ventas debido a una
tendencia lineal a largo plazo, entonces se debe utilizar el modelo multiplicativo. Muchas series
de tiempo para las empresas y para la economía siguen este patrón.
Un modelo de descomposición multiplicativa toma la siguiente forma:
Yt ! Tendenciat $ Estacionalt $ Irregulart (18.14)
donde
Tendenciat ! valor de la tendencia en el periodo t
Estacionalt ! índice estacional en el periodo t
Irregulart ! índice irregular en el periodo t
La Oficina del Censo utiliza En este modelo los componentes de tendencia, estacional e irregular se multiplican para dar el
un modelo multiplicativo valor de la serie de tiempo. La tendencia se mide en las unidades de producto de la serie que se
en conjunción con
pronostica. Sin embargo, los componentes estacional e irregular se miden en términos relativos,
su metodología para
desestacionalizar las con valores superiores a 1.00 indicando los efectos por arriba de la tendencia y con valores
series de tiempo. menores a 1.00 indicando los efectos por debajo de la tendencia.
Debido a que este es el método más utilizado en la práctica, nuestro análisis de descom-
posición de las series de tiempo se limitará a mostrar cómo se desarrollan las estimaciones de
los componentes de tendencia y estacional de un modelo multiplicativo. A modo de ejemplo,
se trabajará con la serie de tiempo de las ventas trimestrales de televisores presentada en la sec-
ción 18.5; los datos de las ventas trimestrales se muestran en la tabla 18.19 y la gráfica corres-
pondiente de la serie de tiempo se presenta en la figura 18.18. Después de demostrar cómo se
descompone una serie de tiempo con el modelo multiplicativo, se estudiará cómo los índices es-
tacionales y el componente de tendencia pueden ser recombinados para elaborar un pronóstico.
Cálculo de los índices estacionales

La figura 18.18 indica que las ventas son más bajas en el segundo trimestre de cada año y au-
mentan en los trimestres 3 y 4. Por tanto, se concluye que existe un comportamiento estacional
para la serie de tiempo de las ventas de televisores. El procedimiento utilizado para determi-
nar la influencia estacional de cada trimestre empieza por calcular un promedio móvil para
separar los componentes estacional e irregular de los datos, lo que deja una serie de tiempo que
contiene sólo la tendencia y cualquier variación aleatoria restante que no fue eliminada por los
cálculos del promedio móvil.
Como se trabaja con series trimestrales, se utilizarán cuatro valores en cada promedio mó-
vil. El cálculo del promedio móvil de los primeros cuatro trimestres de ventas de televisores es
4.8 # 4.1 # 6.0 # 6.5 21.4

Primer promedio móvil ! ! ! 5.35
4 4
Observe que el cálculo del promedio móvil de los primeros cuatro trimestres da el promedio
trimestral de las ventas durante el año 1 de la serie de tiempo. Para continuar con este cálculo se
agrega el valor 5.8 correspondiente al primer trimestre del año 2 y se elimina el 4.8 del primer
trimestre del año 1. Por tanto, el segundo promedio móvil es
4.1 # 6.0 # 6.5 # 5.8 22.4

Segundo promedio móvil ! ! ! 5.60
4 4
De manera similar, el cálculo del tercer promedio móvil es (6.0 # 6.5 # 5.8 # 5.2)/4 ! 5.875.
Antes de continuar con el cálculo de los promedios móviles de toda la serie de tiempo,
regrese al primero que resultó en un valor de 5.35. Éste es el promedio trimestral del volumen
de ventas para el año 1. Al retroceder en su cálculo, parece razonable asociar el valor 5.35 con
el “central” del grupo del promedio móvil. Sin embargo, observe que como en cada prome-
dio móvil intervienen cuatro trimestres, no hay trimestre central. El valor 5.35 corresponde en
realidad al periodo 2.5, la segunda mitad del trimestre 2 y la primera mitad del trimestre 3. De
manera similar, al pasar al valor del siguiente promedio móvil, que es 5.60, el trimestre central
corresponderá al periodo 3.5, la última mitad del trimestre 3 y la primera mitad del 4.
Los dos valores del promedio móvil que se calculan no corresponden directamente a los
trimestres originales de la serie de tiempo. Esta dificultad se resuelve calculando el promedio
de los dos promedios móviles. Ya que el centro del primero es el periodo 2.5 (la mitad de un
periodo o trimestre más temprano) y el centro del segundo es el periodo 3.5 (la mitad del perio-
do o trimestre más tarde), el promedio de los dos promedios móviles se centra en el trimestre 3,
exactamente donde debe estar. Este promedio se conoce como promedio móvil centrado, y para
el periodo 3 es (5.35 # 5.60)/2 ! 5.475, mientras que para el periodo 4 es (5.60 # 5.875)/2 !
5.738. La tabla 18.21 muestra un resumen completo de los cálculos del promedio móvil y del
promedio móvil centrado para los datos de las ventas de televisores.
¿Qué información se obtiene de los promedios móviles centrados de la tabla 18.21 de esta
serie de tiempo? La figura 18.20 muestra una gráfica de los valores reales de la serie de tiempo
y de los valores de los promedios móviles centrados. Observe sobre todo cómo estos últimos tien-
den a “suavizar” tanto las fluctuaciones estacionales como las irregulares de la serie de tiempo.
Los promedios móviles centrados representan la tendencia en los datos y cualquier variación
aleatoria que no se ha eliminado con el uso de los promedios móviles para suavizar los datos.
Antes se demostró que el modelo de descomposición multiplicativa es
Yt ! Tendenciat $ Estacionalt $ Irreglart
Al dividir cada lado de esta ecuación entre el componente de tendencia T1, se puede identificar
el efecto estacional irregular en la serie de tiempo.
Los valores del componente

irregular estacional son Yt Tendenciat $ Estacionalt $ Irregulart
! ! Estacionalt $ Irregulart
llamados a menudo valores Tendenciat Tendenciat
de la serie de tiempo sin
tendencia.
Por ejemplo, el tercer trimestre del año 1 muestra un valor de tendencia de 5.475 (el promedio
móvil centrado). Así 6.0/5.475 ! 1.096 es el valor combinado estacional-irregular del compo-
nente irregular. En la tabla 18.22 se resumen los valores del componente estacional-irregular de
toda la serie de tiempo.
Considere los valores del componente estacional-irregular para el tercer trimestre: 1.096,
1.075 y 1.109. Los valores de la parte estacional-irregular mayores de 1.00 indican efectos por
encima de la tendencia estimada, y los valores menores de 1.00 indican efectos por debajo de la
tendencia estimada. Así, los tres valores del componente estacional-irregular para el trimestre
3 muestran un efecto por encima del promedio en el tercer trimestre. Ya que año con año las
TABLA 18.21 Cálculos de los promedios móviles centrados de la serie de tiempo de las ventas
de televisores
Promedio móvil de Promedio móvil

Año Trimestre Ventas (en miles) cuatro trimestres centrado
1 1 4.8
1 2 4.1
5.350
1 3 6.0 5.475
5.600
1 4 6.5 5.738
5.875
2 1 5.8 5.975
6.075
2 2 5.2 6.188
6.300
2 3 6.8 6.325
6.350
2 4 7.4 6.400
6.450
3 1 6.0 6.538
6.625
3 2 5.6 6.675
6.725
3 3 7.5 6.763
6.800
3 4 7.8 6.838
6.875
4 1 6.3 6.938
7.000
4 2 5.9 7.075
7.150
4 3 8.0
4 4 8.4
fluctuaciones en los valores estacional-irregulares se deben principalmente al error aleatorio,

se pueden promediar los valores calculados para eliminar la influencia irregular y obtener una
estimación de la influencia estacional del tercer trimestre.
1.096 # 1.075 # 1.109

Efecto estacional del trimestre 3 ! ! 1.09
3
Al número 1.09 se le conoce como índice estacional para el tercer trimestre. La tabla 18.23
resume los cálculos necesarios para obtener los índices estacionales de la serie de tiempo de
las ventas de televisores. Los índices estacionales de los cuatro trimestres son 0.93, 0.84, 1.09
y 1.14.
La interpretación de los índices estacionales en la tabla ofrece una idea sobre el componen-
te estacional de las ventas de televisores. El mejor trimestre de ventas es el cuarto, con ventas
promedio de 14% por encima de la tendencia estimada. El peor, o más bajo, es el segundo tri-
mestre; su índice estacional de 0.84 indica que el promedio de ventas está 16% por debajo de
la tendencia estimada. El componente estacional se corresponde claramente con la expectativa
intuitiva de que el interés por ver televisión y, por tanto, los patrones de compra de televisores
FIGURA 18.20 Serie de tiempo de las ventas trimestrales de televisores y su promedio móvil
centrado
9.0
Ventas trimestrales de televisores (en miles)

8.0
7.0
6.0
5.0
Promedio móvil
4.0 centrado de la
serie de tiempo
3.0
2.0
1.0
0.0
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Año/trimestre
tienden a alcanzar el punto máximo en el cuarto trimestre debido a la próxima temporada de

invierno y a la reducción de las actividades al aire libre. Las bajas ventas del segundo trimestre
reflejan un menor interés por ver televisión debido a las actividades en primavera y antes del
verano de los clientes potenciales.
TABLA 18.22 Valores del componente estacional-irregular de la serie de tiempo de las ventas de
televisores
Promedio móvil Valor

Año Trimestre Ventas (en miles) centrado estacional-irregular
1 1 4.8
1 2 4.1
1 3 6.0 5.475 1.096
1 4 6.5 5.738 1.133
2 1 5.8 5.975 0.971
2 2 5.2 6.188 0.840
2 3 6.8 6.325 1.075
2 4 7.4 6.400 1.156
3 1 6.0 6.538 0.918
3 2 5.6 6.675 0.839
3 3 7.5 6.763 1.109
3 4 7.8 6.838 1.141
4 1 6.3 6.938 0.908
4 2 5.9 7.075 0.834
4 3 8.0
4 4 8.4
TABLA 18.23 Cálculo de los índices estacionales de la serie de tiempo de ventas

de televisores
Trimestre Valores estacional-irregular Índice estacional

1 0.971 0.918 0.908 0.93
2 0.840 0.839 0.834 0.84
3 1.096 1.075 1.109 1.09
4 1.133 1.156 1.141 1.14
Algunas veces es necesario un último ajuste para obtener los índices estacionales. Debido
a que el modelo multiplicativo requiere que el índice estacional promedio sea igual a 1.00, la
suma de los cuatro índices de la tabla 18.23 debe ser igual a 4.00. En otras palabras, los efectos
estacionales incluso deben nivelarse a lo largo del año. En el ejemplo visto aquí, el promedio
de los índices estacionales es igual a 1.00, y por tanto no es necesario ningún tipo de ajuste.
En otros casos puede requerirse un ligero ajuste. Para realizarlo, se multiplica cada índice es-
tacional por el número de estaciones, dividido entre la suma de los índices estacionales sin
ajustar. Por ejemplo, cuando se tienen datos trimestrales se multiplica cada índice estacional por
4/(suma de los índices estacionales no ajustados). En algunos ejercicios se requerirá hacer este
ajuste para obtener el índice estacional adecuado.
Desestacionalización de una serie de tiempo

Una serie de tiempo a la que se le han eliminado los efectos estacionales se conoce como serie
de tiempo desestacionalizada, y al proceso de uso de los índices estacionales para eliminar
los efectos estacionales de una serie de tiempo se le conoce como desestacionalizar la serie
Las series de tiempo de tiempo. Al utilizar un modelo de descomposición multiplicativa se desestacionaliza una se-
económicas ajustadas por
rie de tiempo dividiendo cada observación entre el índice estacional correspondiente. El mo-
variaciones estacionales son
generalmente reportadas delo de descomposición multiplicativa es
en publicaciones como el
Survey of Current Business, Yt ! Tendenciat $ Estacionalt $ Irregulart
The Wall Street Journal
y BusinessWeek.
Así, cuando se divide cada una de las observaciones de la serie de tiempo (Yt ) entre su índice
estacional correspondiente, los datos resultantes muestran únicamente la tendencia y la variabi-
lidad aleatoria (el componente irregular). La serie de tiempo desestacionalizada para las ventas
de televisores se resume en la tabla 18.24. Una gráfica de la serie de tiempo desestacionalizada
se muestra en la figura 18.21.
Uso de una serie de tiempo desestacionalizada

para identificar tendencias
La gráfica de la serie de tiempo desestacionalizada para las ventas de televisores que se muestra
en la figura 18.21 parece tener una tendencia lineal ascendente. Para identificar esta tendencia,
se ajustará una ecuación de tendencia lineal para la serie de tiempo desestacionalizada utilizan-
do el mismo método que se muestra en la sección 18.4. La única diferencia estriba en que se
ajustará la línea de tendencia a los datos desestacionalizados en lugar de a los datos originales.
Recuerde que para una tendencia lineal la ecuación de regresión estimada puede expresarse
como
Tt ! b0 # b1t
donde
Tt ! pronóstico de tendencia lineal en el periodo t
b0 ! intersección de la recta de tendencia lineal
b1 ! pendiente de la línea de tendencia
t ! periodo
TABLA 18.24 Valores desestacionalizados de la serie de tiempo de ventas de televisores
Ventas Índice Ventas

Año Trimestre Periodo (en miles) estacional desestacionalizadas
1 1 1 4.8 0.93 5.16
2 2 4.1 0.84 4.88
3 3 6.0 1.09 5.50
4 4 6.5 1.14 5.70
2 1 5 5.8 0.93 6.24
2 6 5.2 0.84 6.19
3 7 6.8 1.09 6.24
4 8 7.4 1.14 6.49
3 1 9 6.0 0.93 6.45
2 10 5.6 0.84 6.67
3 11 7.5 1.09 6.88
4 12 7.8 1.14 6.84
4 1 13 6.3 0.93 6.77
2 14 5.9 0.84 7.02
3 15 8.0 1.09 7.34
4 16 8.4 1.14 7.37
FIGURA 18.21 Valores desestacionalizados de la serie de tiempo de ventas de televisores
8.0
7.0
Ventas desestacionalizadas (en miles)
6.0
5.0
4.0
3.0
2.0
1.0
0.0
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
En la sección 18.4 se obtuvo la fórmula para calcular los valores de b0 y b1. Para ajustar una rec-
ta de tendencia lineal a los datos desestacionalizados de la tabla 18.24, el único cambio estriba
en que al calcular b0 y b1 se utilizan los valores de la serie de tiempo desestacionalizada en lugar
de los valores observados Yt .
La figura 18.22 muestra los resultados de computadora obtenidos con el procedimiento de
análisis de regresión de Minitab para estimar la línea de tendencia de la serie de tiempo deses-
tacionalizada de los televisores. La ecuación de tendencia lineal estimada es
Ventas desestacionalizadas ! 5.10 # 0.148 t

FIGURA 18.22 Resultados de regresión de Minitab para la serie desestacionalizada

de ventas de televisores

Deseasonalized Sales = 5.10 + 0.148 Period

Constant 5.1050 0.1133 45.07 0.000
Period 0.14760 0.01171 12.60 0.000
S = 0.215985 R-Sq = 91.9% R-Sq(adj) = 91.3%
Source DF SS MS F P
Regression 1 7.4068 7.4068 158.78 0.000
Total 15 8.0599
La pendiente de 0.148 indica que en los últimos 16 trimestres la empresa promedió un cre-
cimiento desestacionaliza de las ventas de 148 televisores por trimestre. Si se supone que los
datos de ventas de los últimos 16 trimestres es un indicador bastante bueno del futuro, esta ecua-
ción se puede utilizar para proyectar el patrón de tendencia de los próximos trimestres. Por
ejemplo, si en esta ecuación se sustituye t ! 17, obtenemos la proyección de la tendencia des-
estacionalizada para el siguiente trimestre, T17.
T17 ! 5.10 # 0.148 (17) ! 7.616
Por tanto, al utilizar los datos desestacionalizados, el pronóstico de tendencia lineal es 7 616 te-
levisores para el próximo trimestre (periodo 17). Del mismo modo, los pronósticos de tendencia
desestacionalizada para los próximos tres trimestres (periodos 18, 19 y 20) son 7 764, 7 912 y
8 060 televisores, respectivamente.
Ajustes estacionales
El último paso para obtener un pronóstico cuando existe tanto un patrón de tendencia como un
patrón estacional, es usar el índice estacional a efecto de ajustar la proyección de tendencia de-
sestacionalizada. Volviendo al ejemplo de las ventas de televisores, tenemos una proyección de
la tendencia desestacionalizada para los próximos cuatro trimestres. Ahora es necesario ajustar
el pronóstico para el efecto estacional. El índice estacional para el primer trimestre del año 5
(t ! 17) es 0.93, por lo que se obtiene el pronóstico trimestral al multiplicar el pronóstico de-
sestacionalizado basado en la tendencia (T17 ! 7 616) por el índice estacional (0.93). Por tanto,
el pronóstico para el siguiente trimestre es 7 616(0.93) ! 7 083. En la tabla 18.25 se presentan
los pronósticos para los trimestres 17 a 20. El cuarto trimestre, de alto volumen de ventas, tiene
un pronóstico de 9 188 unidades, y el segundo trimestre, de volumen bajo de ventas, tiene como
pronóstico 6 522 unidades.
TABLA 18.25 Pronósticos trimestrales para la serie de tiempo de ventas de televisores
Pronóstico para la tendencia Índice

Año Trimestre desestacionalizada estacional Pronóstico trimestral
5 1 7 616 0.93 (7 616)(0.93) ! 7 083
2 7 764 0.84 (7 764)(0.84) ! 6 522
3 7 912 1.09 (7 912)(1.09) ! 8 624
4 8 060 1.14 (8 060)(1.14) ! 9 188
Modelos basados en datos mensuales

En el ejemplo anterior de ventas de televisores se utilizaron datos trimestrales para ilustrar el
cálculo de los índices estacionales. Sin embargo, muchas empresas prefieren los pronósticos
mensuales. En tales casos, el procedimiento presentado en esta sección se aplica con modifi-
caciones menores. Primero, en lugar de un promedio móvil de cuatro trimestres se usa uno de
12 meses; segundo, se calculan los índices estacionales de 12 meses en lugar de índices estacio-
nales de cuatro trimestres. Aparte de estos cambios, los procedimientos de cálculo y pronóstico
son idénticos.
Patrón cíclico
En términos matemáticos, el modelo multiplicativo de la ecuación (18.14) se puede ampliar
para incluir el componente cíclico.
Yt ! Tendenciat $ Cíclicot $ Estacionalt $ Irregulart (18.15)
El componente cíclico, al igual que el estacional, se expresa como un porcentaje de la tenden-

cia. Como se mencionó en la sección 18.1, este componente se debe a los ciclos multianuales
en la serie de tiempo. Es semejante al componente estacional, pero a lo largo de periodos más
prolongados. Sin embargo, debido a la extensión de tiempo involucrado, con frecuencia es
difícil obtener suficientes datos relevantes para estimar el componente cíclico. Otra dificultad
radica en que estos ciclos suelen tener longitudes variables. Como es tan difícil identificar y/o
separar los efectos cíclicos de los efectos de tendencia a largo plazo, en la práctica estos efec-
tos a menudo se combinan y se les llama componente combinado de tendencia-ciclo. Se deja la
discusión adicional del tema para libros más especializados sobre métodos de elaboración de
pronósticos.
NOTAS Y COMENTARIOS
1. Existen varios métodos para calcular los índices plemente porque hay menos días en febrero. Para
estacionales. En esta sección se calculó cada ín- tener en cuenta este factor, primero se divide el
dice estacional promediando los valores estacio- valor de las ventas de cada mes entre el número
nal-irregular correspondientes. Otro método, y el de días del mes para obtener un promedio diario.
único utilizado por Minitab, es la mediana de los Dado que el número promedio de días en un mes
valores estacional-irregulares, como el índice esta- es de aproximadamente 365/12 ! 30.4167, en-
cional. tonces se multiplican los promedios diarios por
2. A menudo se realizan ajustes en el calendario an- 30.4167 para obtener valores ajustados mensual-
tes de desestacionalizar una serie de tiempo. Por mente. Para los ejemplos y ejercicios de este ca-
ejemplo, si una serie se compone de valores de las pítulo se puede suponer que ya se ha realizado
ventas mensuales, el valor de las ventas de febrero cualquier ajuste necesario al calendario.
podrá ser menor que el de cualquier otro mes, sim-
Ejercicios
Métodos
35. Considere los datos de la siguiente serie de tiempo.
AUTO evaluación

1 4 6 7
2 2 3 6
3 3 5 6
4 5 7 8
b) Proporcione los valores del promedio móvil de cuatro trimestres y los valores del promedio
móvil centrado para esta serie de tiempo.
c) Calcule los índices estacionales y los índices estacionales ajustados para los cuatro tri-
mestres.
36. Remítase al ejercicio 35.
a) Desestacionalice la serie de tiempo utilizando los índices estacionales ajustados calcu-
lados en el inciso c) del ejercicio 35.
b) Calcule la ecuación de regresión de tendencia lineal para los datos desestacionalizados
utilizando Minitab o Excel.
c) Calcule el pronóstico de tendencia desestacionalizada para los trimestres del año 4.
d) Utilice los índices estacionales para ajustar los pronósticos de tendencia desestacionali-
zada calculados en el inciso c).
Aplicaciones
37. A continuación se presentan los datos de las ventas por trimestre (Quarter) del número de ejem-
plares vendidos para un libro de texto universitario en los últimos tres años (Year 1, 2 y 3).
Quarter Year 1 Year 2 Year 3

WEB archivo 1 1 690 1 800 1 850
TextSales 2 940 900 1 100
3 2 625 2 900 2 930
4 2 500 2 360 2 615
b) Para esta serie de tiempo, proporcione los valores del promedio móvil de cuatro trimestres
y del promedio móvil centrado.
c) Calcule los índices estacionales y los índices estacionales ajustados de los cuatro tri-
mestres.
d) ¿Cuándo obtiene la editorial el mayor índice estacional? ¿Parece razonable este resultado?
Explique.
e) Desestacionalice la serie de tiempo.
f) Calcule la ecuación de tendencia lineal para los datos desestacionalizados y pronostique
las ventas utilizando la ecuación de tendencia lineal.
g) Modifique los pronósticos de tendencia lineal utilizando los índices estacionales ajustados
calculados en el inciso c).
38. A continuación se presentan los gastos ($) por mes (Month) del mantenimiento de césped a lo
largo de tres años (Year 1, 2 y 3) para un edificio de seis departamentos en el sur de Florida.

January 170 180 195
March 205 215 230
April 230 245 280
WEB archivo May 240 265 290
June 315 330 390
AptExp
July 360 400 420
August 290 335 330
October 240 270 295
Resumen 839
b) Identifique los índices estacionales mensuales para los tres años de gastos de manteni-
miento del césped del edificio de apartamentos al sur de Florida. Utilice el cálculo del pro-
medio móvil de 12 meses.
c) Desestacionalice la serie de tiempo.
d) Calcule la ecuación de tendencia lineal para los datos desestacionalizados.
e) Calcule los pronósticos de tendencia desestacionalizada y después ajuste los pronósti-
cos de tendencia usando los índices estacionales para obtener un pronóstico de los gastos
mensuales en el año 4.
39. En el sur de California, los especialistas en el control de la contaminación atmosférica monito-
rean cada hora la cantidad de ozono, dióxido de carbono y dióxido de nitrógeno en el aire. Los
datos para esta serie de tiempo por hora presentan estacionalidad, por lo que los niveles de con-
taminación muestran ciertos patrones según la hora del día. Los siguientes niveles de dióxido
de nitrógeno se observaron en el centro de la ciudad para 12 horas, de las 6:00 de la mañana a
las 6:00 de la tarde, los días 15, 16 y 17 de julio.
25 28 35 50 60 60 40 35 30 25 25 20
WEB archivo Julio 15
Julio 16 28 30 35 48 60 65 50 40 35 25 20 20
Pollution Julio 17 35 42 45 70 72 75 60 45 40 25 25 25
b) Identifique los índices estacionales por hora para las 12 lecturas de cada día.
c) Desestacionalice la serie de tiempo.
d) Utilice Minitab o Excel para calcular la ecuación de tendencia lineal de los datos desesta-
cionalizados.
e) Calcule los pronósticos de tendencia desestacionalizada de las 12 horas del 18 de julio y
después ajuste el pronóstico de tendencia con los índices estacionales obtenidos en b).
40. El consumo de energía eléctrica se mide en kilowatts-hora (kWh). La empresa local de ser-
vicios públicos ofrece un programa de ahorro en el que los clientes comerciales participantes
pagan tarifas muy favorables con la condición de que reduzcan su consumo de energía cuando
la entidad pública se los solicite. La empresa Timko Products redujo su consumo a partir del
mediodía del jueves. Para evaluar el ahorro de energía, la empresa proveedora de energía tiene
que estimar el consumo normal de energía de Timko. El periodo de reducción abarcó desde el
mediodía hasta las 8:00 de la noche. Los datos sobre el consumo de energía eléctrica de esta
empresa en las 72 horas anteriores son los siguientes, e incluyen los periodos (Time Period) del
lunes (Monday), martes (Tuesday), miércoles (Wednesday) y jueves (Thursday).
Time Period Monday Tuesday Wednesday Thursday

12–4 a.m. — 19 281 31 209 27 330
WEB archivo 4–8 a.m. — 33 195 37 014 32 715
8–12 noon — 99 516 119 968 152 465
Power 12–4 p.m. 124 299 123 666 156 033
4–8 p.m. 113 545 111 717 128 889
8–12 midnight 41 300 48 112 73 923
a) ¿Se observa un efecto estacional dentro del periodo de 24 horas?

b) Calcule los índices estacionales para los seis periodos de 4 horas.
c) Utilice la tendencia ajustada por los índices estacionales para estimar el consumo normal
de Timko en el periodo en que realizó el ahorro.
Resumen
En este capítulo se presentó una introducción a los métodos básicos del análisis de series de
tiempo y pronóstico. Primero se indicó que el patrón subyacente en la serie de tiempo a menu-
do puede ser identificado construyendo una gráfica de serie de tiempo. Se distinguen varios
tipos de patrón de datos, entre ellos un patrón horizontal, un patrón de tendencia y un patrón
estacional. Los métodos de elaboración de pronósticos estudiados se basan en que estos patro-
nes están presentes en la serie de tiempo.
Se mostró cómo se utilizan los promedios móviles y el suavizamiento exponencial para
desarrollar un pronóstico de una serie de tiempo con un patrón horizontal. El método de prome-
dios móviles consiste en calcular el promedio de los valores de datos pasados, y después usar
ese promedio como pronóstico para el siguiente periodo. En el método de suavizamiento expo-
nencial se usa un promedio ponderado de los valores pasados de la serie de tiempo para calcular
un pronóstico. Estos métodos también se adaptan bien cuando un patrón horizontal cambia a un
nivel diferente y se reanuda un patrón horizontal.
Un factor importante para determinar qué método de elaboración de pronósticos utilizar
involucra la exactitud del método. Se estudiaron tres medidas de exactitud de los pronósticos:
el error absoluto medio (EAM), el cuadrado medio debido al error (CME), y el error porcentual
absoluto medio (EPAM). Cada una de estas medidas está diseñada para determinar qué tan bien
un método de elaboración de pronósticos particular es capaz de reproducir los datos disponibles
de la serie de tiempo. Al seleccionar un método que tiene la mejor exactitud de los datos ya
conocidos, se espera que aumente la probabilidad de obtener mejores pronósticos para periodos
futuros.
Para una serie de tiempo que sólo tiene tendencia lineal a largo plazo, se demostró que pue-
de utilizarse la regresión simple de la serie de tiempo para hacer proyecciones de su tendencia.
También se estudió cómo una extensión del suavizamiento exponencial simple, conocido como
suavizamiento exponencial lineal de Holt, se utiliza para pronosticar una serie de tiempo con
tendencia lineal a largo plazo. Para una serie de tiempo con una tendencia curvilínea o no lineal,
se demostró cómo la regresión múltiple permite ajustar los datos a una ecuación de tendencia
cuadrática o a una ecuación de tendencia exponencial.
Para una serie de tiempo con un componente estacional, se demostró cómo utilizar las va-
riables ficticias en un modelo de regresión múltiple a efecto de desarrollar una ecuación de re-
gresión estimada con efectos estacionales. Luego se amplió el método de regresión para incluir
situaciones en las que la serie de tiempo contiene tanto el efecto estacional como el efecto de ten-
dencia lineal, y se mostró cómo combinar el método de la variable ficticia para el manejo de la
estacionalidad con el método de regresión de la serie de tiempo para el manejo de la tenden-
cia lineal.
En la última sección del capítulo se vio cómo la descomposición de la serie de tiempo se
utiliza para separar o descomponer ésta en sus componentes estacional y de tendencia, para
después desestacionalizarla. Se mostró cómo calcular los índices estacionales para un modelo
multiplicativo, cómo utilizar los índices estacionales para desestacionalizar una serie de tiempo
y cómo utilizar el análisis de regresión con los datos desestacionalizados para estimar el com-
ponente de tendencia. El último paso en el desarrollo de un pronóstico cuando existe tanto el
componente de tendencia como el estacional es utilizar los índices estacionales para ajustar las
proyecciones de tendencia.
Glosario
Constante de suavizamiento Parámetro del modelo de suavizamiento exponencial que pro-
porciona el peso atribuido al valor más reciente de la serie de tiempo en el cálculo del valor
pronosticado.
Cuadrado medio debido al error (CME) o error cuadrático medio Promedio de la suma de
los errores de pronóstico cuadrados.
Descomposición de una serie de tiempo Método de series de tiempo que se utiliza para sepa-
rar o descomponer una serie de tiempo en componentes estacional y de tendencia.
Error absoluto medio (EAM) Promedio de los valores absolutos de los errores de pronóstico.
Error de pronóstico Diferencia entre el valor real de la serie de tiempo y su pronóstico.
Error porcentual absoluto medio (EPAM) Promedio de los valores absolutos de los errores
de pronóstico porcentuales.
Gráfica de serie de tiempo Presentación gráfica de las relaciones entre el tiempo y la variable
de la serie de tiempo. El tiempo se muestra en el eje horizontal y los valores de una serie de
tiempo en el eje vertical.
Fórmulas clave 841
Modelo aditivo En este modelo, el valor real de una serie de tiempo en el periodo t se obtiene
al sumar los valores de los componentes de tendencia, estacional e irregular.
Modelo multiplicativo En este modelo, el valor real de una serie de tiempo en el periodo t se
obtiene al multiplicar los valores de los componentes de tendencia, estacional y el componente
irregular.
Patrón cíclico Este patrón se presenta si la gráfica de una serie de tiempo muestra alternati-
vamente una secuencia de puntos por debajo y por arriba de una línea de tendencia que tiene
una duración de más de un año.
Patrón de tendencia Existe si la gráfica de la serie de tiempo presenta cambios o movimien-
tos graduales hacia valores relativamente más altos o más bajos durante un largo periodo.
Patrón estacional Es aquel patrón que existe si la gráfica de la serie de tiempo presenta un
patrón de repetición en periodos sucesivos. Éstos se presentan a menudo en intervalos de un
año, que es de donde proviene el nombre de patrón estacional.
Patrón horizontal Se obtiene cuando los datos fluctúan alrededor de una media constante.
Promedios móviles Método de elaboración de pronósticos que utiliza el promedio de los
valores de los k datos más recientes para pronosticar una serie de tiempo del periodo siguiente.
Promedios móviles ponderados Método de elaboración de pronósticos que consiste en se-
leccionar un peso diferente para los valores de los k datos más recientes de la serie de tiempo y
luego calcular el promedio ponderado de los valores. La suma de los pesos debe ser 1.
Serie de tiempo Secuencia de observaciones sobre una variable medida en puntos sucesivos
en el tiempo o en periodos sucesivos.
Serie de tiempo desestacionalizada Serie de tiempo de la cual ha sido eliminado el efecto
estacional al dividir cada observación de la serie de tiempo original entre el índice estacional
correspondiente.
Serie de tiempo estacionaria Serie de tiempo cuyas propiedades estadísticas son indepen-
dientes del tiempo. Para una serie de tiempo estacionaria, el proceso de generación de datos
tiene una media constante y la variabilidad de la serie de tiempo es constante en el tiempo.
Suavizamiento exponencial Método de elaboración de pronósticos que utiliza un promedio
ponderado de los valores pasados de la serie de tiempo como un pronóstico; es un caso especial
del método de promedios móviles ponderados en el que se selecciona un solo peso, el de la
observación más reciente.
Suavizamiento exponencial lineal Extensión del suavizamiento exponencial simple que uti-
liza dos constantes de suavizamiento para que los pronósticos puedan obtener una serie de
tiempo con una tendencia lineal.
Fórmulas clave
Pronóstico de promedio móvil de orden k
Ft#1 ! a
(los k valores más recientes de los datos) Y # Yt"1 # . . . # Yt "k #1
! t (18.1)
k k
Pronóstico de suavizamiento exponencial
Ft#1 ! αYt # (1 " α)Ft (18.2)
Ecuación de tendencia lineal
Tt ! b0 # b1t (18.4)
donde
n
a (t " t )(Yt " Y )

t!1
b1 ! n
(18.5)
2
a (t " t )
t!1
b0 ! Y " b1t (18.6)

Lt ! αYt # (1 " α)(Lt"1 # bt"1) (18.7)
bt ! β(Lt " Lt"1) # (1 " β) bt"1 (18.8)
Ft#k ! Lt # bt k (18.9)
Ecuación de tendencia cuadrática
Tt ! b0 # b1t # b2 t 2 (18.10)
Ecuación de tendencia exponencial
Tt ! b0(b1) t (18.11)
Modelo de descomposición aditiva
Yt ! Tendenciat # Estacionalt # Irregulart (18.13)
Modelo de descomposición multiplicativa
Yt ! Tendenciat $ Estacionalt $ Irregulart (18.14)
Ejercicios complementarios
41. La demanda semanal (en algunos casos) de una determinada marca de detergente para lava-
vajillas automática en una cadena de tiendas de abarrotes ubicada en Columbus, Ohio, es la
siguiente.
Semana Demanda Semana Demanda

1 22 6 24
2 18 7 20
3 23 8 19
4 21 9 18
5 17 10 21
b) Utilice un promedio móvil de tres semanas y obtenga un pronóstico para la semana 11.
c) Utilice el suavizamiento exponencial con una constante de suavizamiento de α ! 0.2 para
desarrollar un pronóstico sobre la semana 11.
d) ¿Cuál de los dos métodos prefiere usted? ¿Por qué?
42. En la tabla siguiente se presentan los porcentajes invertidos en acciones de un portafolio a lo
largo de nueve trimestres de 2007 a 2009.
Trimestre Acciones %
1o.–2007 29.8
2o.–2007 31.0
3o.–2007 29.9
4o.–2007 30.1
1o.–2008 32.2
2o.–2008 31.5
3o.–2008 32.0
4o.–2008 31.9
1o.–2009 30.0
Ejercicios complementarios 843
b) Utilice el suavizamiento exponencial para pronosticar esta serie de tiempo. Considere las
constantes de suavizamiento de α ! 0.2, 0.3 y 0.4. ¿Con cuál valor de la constante de
suavizamiento se obtienen los pronósticos más exactos?
c) ¿Cuál es el pronóstico del porcentaje de acciones en un portafolio típico para el segundo
trimestre de 2009?
43. United Dairies, Inc. es el proveedor de leche de varias compañías de abarrotes en el condado de
Dade, Florida. Los directivos de la empresa desean contar con un pronóstico que proporcione
la cantidad de litros de leche que se venden por semana. Los datos de ventas de las 12 semanas
anteriores son los siguientes.
Semana Ventas Semana Ventas

1 2 750 7 3 300
2 3 100 8 3 100
3 3 250 9 2 950
4 2 800 10 3 000
5 2 900 11 3 200
6 3 050 12 3 150
b) Utilice el método de suavizamiento exponencial con α ! 0.4 para obtener un pronóstico
de la demanda en la semana 13.
44. Para evitar un cargo mensual por servicio en una cuenta corriente que devenga intereses, el
cliente debe mantener un saldo promedio diario mínimo. Se llevó a cabo un estudio en 2008 de
249 bancos y casas de ahorro de las 25 principales áreas metropolitanas de Estados Unidos, en
el que se mostró que es necesario mantener un saldo medio de $3 462 para evitar un cargo men-
sual por servicio. Con un cargo promedio mensual de $11.97 y una tasa de interés promedio
de sólo 0.24%, los clientes con cuenta de cheques que devengan intereses no están recibiendo
mucho valor por ofrecer al banco una línea de crédito igual al saldo promedio mensual necesa-
rio para evitar el cargo mensual por servicio (página web de Bankrate, 27 de octubre de 2008).
La siguiente tabla muestra el saldo promedio mínimo de 2001 a 2008 requerido para evitar un
cargo mensual por servicio.
Año Saldo ($)

2001 2 435
2002 2 593
2003 2 258
2004 2 087
2005 2 294
2006 2 660
2007 3 317
2008 3 462
b) Utilice Minitab o Excel para obtener una ecuación de tendencia lineal de esta serie de
tiempo. Calcule una estimación del saldo promedio requerido para evitar cargos mensuales
por servicio para 2009.
c) Utilizando Minitab o Excel, obtenga una ecuación de tendencia cuadrática de esta serie de
tiempo. Calcule un estimado del saldo promedio requerido para evitar cargos mensuales
por servicio para 2009.
d) ¿Qué método ofrece pronósticos más precisos para los datos históricos con base en el CME?
e) ¿Recomendaría que con estos datos el pronóstico para 2009 se obtuviera a partir de una
ecuación de tendencia lineal o de una ecuación de tendencia cuadrática? Explique.
45. El Garden Avenue Seven vende los discos compactos (CD) de sus interpretaciones musicales.
La tabla siguiente presenta las ventas (Sales) en unidades por mes (Month) de los últimos 18
meses. El gerente del grupo desea un método preciso para pronosticar las ventas futuras.
Month Sales Month Sales Month Sales

1 293 7 381 13 549
WEB archivo 2 283 8 431 14 544
3 322 9 424 15 601
CDSales 4 355 10 433 16 587
5 346 11 470 17 644
6 379 12 481 18 660
b) Utilice el suavizamiento exponencial con α ! 0.3, 0.4 y 0.5. ¿Qué valor de α proporciona
pronósticos más exactos?
c) Utilice la proyección de tendencia para ofrecer un pronóstico. ¿Cuál es el valor del CME?
d) ¿Qué método de elaboración de pronósticos le recomendaría al gerente? ¿Por qué?
46. Mayfair Department Store se encuentra en Davenport, Iowa, y desea determinar la pérdida de
ventas que registró durante los meses de julio y agosto, en los que tuvo que cerrar debido a los
daños causados por la inundación del río Mississippi. Los datos de ventas de enero a junio son
los siguientes.
Mes Ventas ($ miles) Mes Ventas ($ miles)

Enero 185.72 Abril 210.36
Febrero 167.84 Mayo 255.57
Marzo 205.11 Junio 261.19
a) Utilice el suavizamiento exponencial, con α ! 0.4, a efecto de obtener un pronóstico para

julio y agosto (Sugerencia. Use el pronóstico de julio como ventas reales de julio al pro-
nosticar agosto.) Exponga un comentario sobre el uso del suavizamiento exponencial para
pronosticar más de un periodo en el futuro.
b) Utilice la proyección de tendencia para pronosticar las ventas de julio y agosto.
c) La compañía de seguros de Mayfair propuso una liquidación de $240 000 por la pérdida
en julio y agosto. ¿Es esto suficiente? Si no lo es, ¿qué cantidad recomendaría como con-
traoferta?
47. Canton Supplies, Inc. es una empresa de servicios que emplea a unas 100 personas. Los geren-
tes de Canton Supplies se preocupan por cumplir con las obligaciones mensuales en efectivo y
desean obtener un pronóstico de los requerimientos mensuales de efectivo. Debido a un cambio
reciente en la política de operación, únicamente se consideraron relevantes los últimos siete
meses.
Mes 1 2 3 4 5 6 7
Efectivo requerido ($ miles) 205 212 218 224 230 240 246
b) Utilice el método de suavizamiento exponencial lineal de Holt con α ! 0.6 y β ! 0.4
para pronosticar el efectivo requerido en cada uno de los próximos dos meses.
c) Utilice Minitab o Excel para obtener una ecuación de tendencia lineal que pronostique el
efectivo requerido para cada uno de los próximos dos meses.
d) ¿Recomendaría el método de suavizamiento exponencial lineal de Holt con α ! 0.6 y
β ! 0.4, o la ecuación de tendencia lineal a efecto de pronosticar el efectivo requerido para
cada uno de los próximos dos meses? Explique.
48. Costello Music Company ha estado en el negocio por cinco años. Durante ese tiempo las ventas
aumentaron de 12 pianos en el primer año a 76 en el último año. Fred Costello, propietario de la
empresa, desea obtener un pronóstico de ventas de pianos para el próximo año. Los siguientes
son los datos históricos.
Año 1 2 3 4 5
Ventas 12 28 34 50 76
Ejercicios complementarios 845
b) Desarrolle una ecuación de tendencia lineal para la serie de tiempo. ¿Cuál es el crecimiento
promedio anual en ventas que la empresa ha registrado por año?
c) Pronostique las ventas para los años 6 y 7.
49. Considere el problema de Costello Music Company del ejercicio 48. Los siguientes son los
datos de las ventas por trimestre (Quarter 1, 2, 3 y 4) para 5 años (Year), incluyendo el total de
ventas anuales (Total Yearly Sales).
Total Yearly
Year Quarter 1 Quarter 2 Quarter 3 Quarter 4 Sales
WEB archivo 1 4 2 1 5 12
PianoSales
2 6 4 4 14 28
3 10 3 5 16 34
4 12 9 7 22 50
5 18 10 13 35 76
a) Utilice las siguientes variables ficticias para obtener una ecuación de regresión estimada
que considere los efectos estacionales y de tendencia lineal en los datos: Qtr1 ! 1 si el
trimestre es 1, 0 en caso contrario; Qtr2 ! 1 si el trimestre es 2, 0 en caso contrario, y
Qtr3 ! 1 si el trimestre es 3, 0 en caso contrario.
b) Calcule los pronósticos trimestrales para el próximo año.
50. Consulte el problema de Costello Music Company del ejercicio 49.
a) Utilizando la descomposición de series de tiempo, calcule los índices estacionales para los
cuatro trimestres.
b) ¿Cuándo experimenta Costello Music el mayor efecto estacional? ¿Parece razonable este
resultado? Explique.
51. Remítase a la serie de tiempo de la empresa Costello Music del ejercicio 49.
a) Desestacionalice los datos y utilice la serie de tiempo desestacionalizada para identificar
la tendencia.
b) Utilice los resultados del inciso a) a efecto de obtener un pronóstico trimestral para el
próximo año con base en la tendencia.
c) Utilice los índices estacionales obtenidos en el ejercicio 50 para ajustar los pronósticos del
inciso b) con objeto de tomar en cuenta el efecto estacional.
52. Durante los últimos siete años, Hudson Marine ha sido un distribuidor autorizado de radios
náuticos C&D. La tabla siguiente presenta el número de radios que se venden por año.
Año 1 2 3 4 5 6 7
Cantidad vendida 35 50 75 90 105 110 130
a) Trace una gráfica de serie de tiempo. ¿Existe una tendencia lineal?

b) Utilice Minitab o Excel para obtener la ecuación de tendencia lineal de esta serie de tiempo.
c) Use la ecuación del inciso b) para obtener un pronóstico de ventas anuales en el año 8.
53. Consulte el problema de Hudson Marine del ejercicio 52. Suponga que los valores de ventas
trimestrales para los siete años de datos históricos son los siguientes.
Total Yearly
Year Quarter 1 Quarter 2 Quarter 3 Quarter 4 Sales
1 6 15 10 4 35
WEB archivo 2 10 18 15 7 50
HudsonMarine
3 14 26 23 12 75
4 19 28 25 18 90
5 22 34 28 21 105
6 24 36 30 20 110
7 28 40 35 27 130
a) Utilice las siguientes variables ficticias para obtener una ecuación de regresión estimada
en la que se tome en cuenta cualquier estación del año y los efectos de tendencia lineal en
los datos: Qtr1 ! 1 si es el trimestre 1, 0 en caso contrario; Qtr2 ! 1 si es el trimestre 2,
0 en caso contrario; Qtr3 ! 1 si es el trimestre 3, 0 en caso contrario.
b) Calcule los pronósticos trimestrales para el próximo año.
54. Consulte el problema de Hudson Marine del ejercicio 53.
a) Calcule los valores del promedio móvil centrado de esta serie de tiempo.
b) Trace una gráfica de la serie de tiempo que presente tanto el promedio móvil centrado
como la serie de tiempo original. Exponga su opinión acerca de las diferencias entre la
gráfica de la serie de tiempo original y la serie de tiempo con promedio móvil centrado.
c) Calcule los índices estacionales para los cuatro trimestres.
d) ¿Cuándo experimenta Hudson Marine el mayor efecto estacional? ¿Parece razonable este
resultado? Explique.
55. Continúe con los datos de Hudson Marine del ejercicio 53.
a) Desestacionalice los datos y utilice la serie de tiempo desestacionalizada para identificar
la tendencia.
b) Utilice los resultados del inciso a) y obtenga un pronóstico trimestral para el año siguiente
con base en la tendencia.
c) Utilice los índices estacionales obtenidos en el ejercicio 54 para ajustar los pronósticos
obtenidos en el inciso b) tomando en cuenta el efecto estacional.
Caso a resolver 1 Pronóstico de ventas de alimentos y bebidas

El Vintage Restaurant, en la isla Captiva, cerca de Fort Myers, Florida, es operado por su pro-
pietaria Karen Payne, y acaba de cumplir tres años de funcionamiento. Desde que inauguró su
negocio, Karen ha tratado de establecer una reputación para Vintage como un restaurante de alta
calidad que se especializa en mariscos frescos. Gracias a sus esfuerzos y los de su personal, el
restaurante se ha convertido en uno de los mejores y con mayor crecimiento en la isla.
Para mejorar la planificación del crecimiento del restaurante en el futuro, Karen tiene que
desarrollar un sistema que le permita pronosticar las ventas mensuales de alimentos y bebidas
con hasta un año de anticipación. La tabla 18.26 muestra el valor de las ventas de alimentos y
bebidas (en miles de $) para cada mes (Month) de los tres primeros años de funcionamiento:
primer año (First Year), segundo año (Second Year) y tercer año (Third Year).
Informe gerencial
Elabore un análisis de los datos de las ventas de Vintage Restaurant. Prepare un informe para
Karen que resuma sus hallazgos, pronósticos y recomendaciones. Incluya lo siguiente.
1. Una gráfica de serie de tiempo. Comente acerca del patrón principal en la serie de tiempo.
2. Un análisis de la estacionalidad de los datos. Indique el índice estacional para cada
mes y comente sobre las ventas mensuales en las estaciones bajas y altas. ¿Los índices
estacionales tienen sentido intuitivo? Comente.
3. Desestacionalice la serie de tiempo. ¿Existe alguna tendencia en la serie de tiempo des-
estacionalizada?
4. Utilizando el método de descomposición de una serie de tiempo, pronostique las ventas
de enero a diciembre del cuarto año.
5. Utilizando el método de regresión con las variables ficticias, pronostique las ventas de
enero a diciembre del cuarto año.
6. En el apéndice de su informe proporcione tablas con el resumen de sus cálculos y sus
gráficas.
Suponga que en enero del cuarto año las ventas resultan ser de $295 000. ¿Cuál fue su error de
pronóstico? Si el error es grande, a Karen puede confundirle esta diferencia entre el pronóstico
y el valor de las ventas reales. ¿Qué puede hacer usted para resolver la incertidumbre del proce-
dimiento de elaboración de pronósticos?
Caso a resolver 2 Pronóstico de pérdidas de ventas 847
TABLA 18.26 Ventas de alimentos y bebidas del restaurante Vintage ($ miles)
Month First Year Second Year Third Year

January 242 263 282
March 232 247 265
April 178 193 205
WEB archivo May 184 193 210
Vintage June 140 149 160
July 145 157 166
August 152 161 174
October 130 130 148
Caso a resolver 2 Elaboración del pronóstico de pérdidas

de ventas
Carlson Department Store sufrió graves daños cuando un huracán azotó el 21 de agosto la zona
donde se encuentra establecida. La tienda fue cerrada durante cuatro meses (de septiembre a di-
ciembre), y Carlson está involucrada en una disputa con su compañía de seguros sobre el monto
de las ventas perdidas durante el tiempo en que la tienda permaneció cerrada. Los dos temas
clave que deben ser resueltos son: 1) el importe de las ventas que Carlson habría hecho si no
hubiese ocurrido el huracán, y 2) si Carlson tiene derecho a alguna compensación por el exceso
de ventas debido al aumento de actividad comercial generado en la zona después del huracán. El
condado recibió más de $8 000 millones de ayuda federal por desastres y en pagos por seguros.
El resultado fue el aumento de las ventas en las grandes tiendas departamentales y en muchos
otros negocios.
En la tabla 18.27 se presentan los datos de las ventas de Carlson en los 48 meses anteriores
al huracán y en la tabla 18.28 las ventas totales en el mismo periodo de todas las tiendas depar-
tamentales del condado, así como las ventas totales en el condado durante los cuatro meses en
que Carlson Department Store permaneció cerrada. Los directivos de la tienda le pedirán que
analice estos datos y que obtenga una estimación de la pérdida de ventas que sufrió de septiem-
bre a diciembre. También se le pedirá que determine si se puede solicitar un pago por las ventas
TABLA 18.27 Ventas de Carlson Department Store ($ millones)
Month Year 1 Year 2 Year 3 Year 4 Year 5

January 1.45 2.31 2.31 2.56
February 1.80 1.89 1.99 2.28
March 2.03 2.02 2.42 2.69
WEB archivo April 1.99 2.23 2.45 2.48
May 2.32 2.39 2.57 2.73
CarlsonSales June 2.20 2.14 2.42 2.37
July 2.13 2.27 2.40 2.31
August 2.43 2.21 2.50 2.23
September 1.71 1.90 1.89 2.09
October 1.90 2.13 2.29 2.54
November 2.74 2.56 2.83 2.97
December 4.20 4.16 4.04 4.35
TABLA 18.28 Ventas de las tiendas departamentales en el condado ($ millones)
Month Year 1 Year 2 Year 3 Year 4 Year 5

January 46.80 46.80 43.80 48.00
February 48.00 48.60 45.60 51.60
March 60.00 59.40 57.60 57.60
WEB archivo April 57.60 58.20 53.40 58.20
May 61.80 60.60 56.40 60.00
CountySales June 58.20 55.20 52.80 57.00
July 56.40 51.00 54.00 57.60
August 63.00 58.80 60.60 61.80
September 55.80 57.60 49.80 47.40 69.00
October 56.40 53.40 54.60 54.60 75.00
November 71.40 71.40 65.40 67.80 85.20
December 117.60 114.00 102.00 100.20 121.80
extra relacionadas con el huracán. Si este caso se puede resolver, Carlson tiene derecho a una
indemnización por el exceso de ventas que hubiera ganado por encima de las ventas normales.
Informe gerencial
Redacte un informe para los directivos de Carlson Department Store que resuma sus hallazgos,
pronósticos y recomendaciones. Incluya lo siguiente:
1. Una estimación de las ventas que la tienda habría registrado de no haberse producido el
huracán.
2. Una estimación de las ventas que habría tenido el condado de no haberse producido
el huracán.
3. Una estimación de la pérdida de ventas de Carlson Department Store de septiembre a
diciembre.
Además, utilice las ventas reales en las tiendas departamentales del condado desde septiembre
hasta diciembre y la estimación del inciso 2) para argumentar a favor o en contra del exceso de
ventas relacionadas con el huracán.
Apéndice 18.1 Elaboración de pronósticos con Minitab

En este apéndice se muestra cómo utilizar Minitab para obtener pronósticos mediante los si-
guientes métodos: promedios móviles, suavizamiento exponencial, proyección de tendencias,
suavizamiento exponencial lineal de Holt y descomposición de una serie de tiempo.
Promedios móviles
Para mostrar cómo utilizar Minitab en la elaboración de pronósticos con el método de prome-
WEB archivo dios móviles, se calculará un pronóstico para la serie de tiempo de la venta de gasolina de la ta-
Gasoline bla 18.1 y de la figura 18.1. Los datos de las ventas en las 12 semanas se ingresan en la columna
2 de la hoja de cálculo. Los siguientes pasos se utilizan para obtener un pronóstico de promedio
móvil de tres semanas para la semana 13.
Paso 1. Seleccione el menú Stat.

Paso 2. Elija Time Series.
Paso 3. Elija Moving Average.
Paso 4. Cuando el cuadro de diálogo de Moving Average aparezca:
Introduzca C2 en el cuadro Variable.
Introduzca 3 en el cuadro MA length.
Apéndice 18.1 Elaboración de pronósticos con Minitab 849
Seleccione Generate forecasts.

Introduzca 1 en el cuadro Number of forecasts.
Introduzca 12 en el cuadro Starting from origin.
Haga clic en OK.
Las medidas de exactitud de pronóstico para la semana 13 se muestran en la ventana de la sec-

ción. En los resultados de Minitab, el error absoluto medio se etiqueta MAD y el cuadrado medio
debido al error o error cuadrático medio, MSD.
Para mostrar cómo utilizar Minitab con objeto de obtener un pronóstico de suavizamiento ex-
WEB archivo ponencial, se recurrirá nuevamente a los datos presentados en la tabla 18.1 y en la figura 18.1
Gasoline a efecto de obtener un pronóstico de las ventas para la semana 13 de la serie de tiempo de las
ventas de gasolina. Los datos de las ventas para las 12 semanas se introducen en la columna 2
de la hoja de cálculo. Los siguientes pasos se utilizan para obtener un pronóstico sobre la sema-
na 13 mediante una constante de suavizamiento de α ! 0.2.

Paso 3. Elija Single Exp Smoothing.
Paso 4. Cuando el cuadro de diálogo de Single Exponential Smoothing aparezca:
Seleccione la opción Use para Weight to Use in Smoothing.
Introduzca 0.2 en el cuadro Use.
Seleccione Options.
Paso 5. Cuando el cuadro de diálogo de Single Exponential Smoothing-Options aparezca:
Introduzca 1 en el cuadro Use average of first K observations.
Haga clic en Ok.
Paso 6. Cuando el cuadro de diálogo de Single Exponential Smoothing aparezca:
Haga clic en OK.
Las medidas de la exactitud del pronóstico y el pronóstico de suavizamiento exponencial de la

semana 13 se muestran en la ventana de la sección. En los resultados de Minitab,* el error abso-
luto medio se etiqueta MAD y el cuadrado medio debido al error o error cuadrático medio, MSD.
Proyección de tendencia
Para mostrar cómo Minitab permite obtener pronósticos mediante la proyección de tendencias,
WEB archivo se emplea un pronóstico para la serie de tiempo de las ventas de bicicletas de la tabla 18.3 y de
Bicycle la figura 18.3. El número de años se introduce en la columna 1 y los datos de las ventas en la
columna 2 de la hoja de cálculo. Con los pasos siguientes se obtiene un pronóstico para el año
11 con la proyección de tendencia.

Paso 2. Elija Time series.
Paso 3. Elija Trend Analysis.
* El valor de MSD que proporciona Minitab no es el mismo que el valor del CME que aparece en la sección 18.3. Minitab
utiliza 17 como pronóstico para la semana 1, así que para calcular el MSD utiliza los datos de las 12 semanas. En la
sección 18.3 se calcula el CME utilizando sólo los datos para la semana 2 a 12 porque no se contaba con los valores del
pasado que permitiera obtener un pronóstico para la semana 1.
Paso 4. Cuando el cuadro de diálogo Trend Analysis aparezca:

Elija Linear como tipo de modelo.
Haga clic en Ok.
La ecuación para la tendencia lineal, medidas de exactitud del pronóstico y los pronósticos para
el año siguiente se muestran en la ventana de la sesión. En los resultados de Minitab, el error
absoluto medio se etiqueta MAD y el error cuadrático medio MSD. Para obtener pronósticos de
una tendencia cuadrática o una tendencia exponencial, seleccione Quadratic de Exponential
growth en vez de Linear en el paso 4.

Para mostrar cómo utilizar Minitab para elaborar pronósticos con el método de suavizamiento
WEB archivo exponencial lineal de Holt, se desarrolla nuevamente un pronóstico para la serie de tiempo de
Bicycle
las ventas de bicicletas de la tabla 18.3 y la figura 18.3. En Minitab, el método de suavizamiento
exponencial lineal de Holt se refiere como suavizamiento exponencial doble (Double Expo-
nential Smoothing). El número de años se introduce en la columna 1 y los datos de ventas en
la columna 2 de la hoja de cálculo. Los pasos siguientes pueden utilizarse para pronosticar las
ventas del año 11 mediante el suavizamiento exponencial lineal de Holt con α ! 0.1 y β ! 0.2.
Paso 3. Elija Double Exp Smoothing.
Paso 4. Cuando el cuadro de diálogo Double Exponential Smoothing aparezca:
Seleccione la opción Use para Weights to Use in Smoothing.
Introduzca 0.1 en el cuadro level.
Introduzca 0.2 en el cuadro trend.
Haga clic en Ok.
Las medidas de exactitud de los pronósticos y los pronósticos de suavizamiento exponencial li-
neal de Holt para el año 11 se muestran en la ventana de la sesión. En los resultados de Minitab,
el error absoluto medio se etiqueta MAD y el cuadrado medio debido al error o error cuadrático
medio, MSD.
Descomposición de una serie de tiempo

El uso de Minitab para pronosticar una serie de tiempo con tendencia y estacionalidad me-
WEB archivo diante la descomposición de series de tiempo se muestra desarrollando un pronóstico para la
TVSales serie de tiempo de las ventas de televisores de la tabla 18.6 y de la figura 18.6. En Minitab, el
usuario tiene la opción de elegir un modelo de descomposición multiplicativa o aditiva. En la
sección 18.6 se ilustra cómo utilizar el método multiplicativo. El número de años se introduce
en la columna 1, los valores trimestrales en la columna 2 y los datos de las ventas en la colum-
na 3 de la hoja de cálculo. Con los siguientes pasos se obtiene un pronóstico para el siguiente
trimestre.
Paso 3. Elija Decomposition.
Paso 4. Cuando el cuadro de diálogo Decomposition aparezca:
Introduzca 4 en el cuadro Season Length.
Apéndice 18.2 Elaboración de pronósticos con Excel 851
Seleccione Multiplicative para Method Type.

Elija Trend plus Seasonal para Model Components.
Haga clic en OK.
†
Los índices estacionales, las medidas de exactitud de los pronósticos y los pronósticos para el
próximo trimestre se muestran en la ventana de la sesión. En los resultados de Minitab, el error
absoluto medio se etiqueta MAD y el cuadrado medio debido al error o error cuadrático medio,
MSD.
Apéndice 18.2 Elaboración de pronósticos con Excel

En este apéndice se muestra cómo puede utilizarse Excel para elaborar pronósticos con los
tres métodos de elaboración de pronósticos: promedios móviles, suavizamiento exponencial y
proyección de tendencia.
Promedios móviles
En la aplicación de Excel para obtener pronósticos mediante el método de promedios móviles
WEB archivo se utiliza un pronóstico para la serie de tiempo de las ventas de gasolina de la tabla 18.1 y de la
Gasoline figura 18.1. Los datos de las ventas para las 12 semanas se ingresan en las filas de la 2 a la 13
de la columna B de la hoja de cálculo. Los siguientes pasos pueden utilizarse para elaborar un
promedio móvil de tres semanas.
Paso 1. Haga clic en Data de la barra de herramientas.
Paso 2. En el grupo Analysis, hag clic en Data Analysis.
Paso 3. Elija Moving Average de la lista de Analysis Tools.
Haga clic en Ok.
Paso 4. Cuando el cuadro de diálogo Moving Average aparezca:
Introduzca B2:B13 en el cuadro Input Range.
Ingrese 3 en el cuadro Interval.
Introduzca C2 en el cuadro Output Range.
Haga clic en OK.
Los promedios móviles de tres semanas aparecerán en la columna C de la hoja de cálculo. El
pronóstico para la semana 4 aparece al lado del valor de las ventas para la semana 3, y así suce-
sivamente. Los pronósticos para el periodo de otra longitud se calculan fácilmente introducien-
do un valor diferente en el cuadro Interval.
Para el uso de Excel en el suavizamiento exponencial, nuevamente se desarrolla un pronóstico
WEB archivo para la serie de tiempo de las ventas de gasolina de la tabla 18.1 y de la figura 18.1. Los datos
Gasoline de las ventas de las 12 semanas se introducen en las filas 2 a la 13 de la hoja de cálculo de la
columna B. Los siguientes pasos se utilizan para elaborar pronósticos con una constante de
suavizamiento de α ! 0.2.
Paso 1. Haga clic en Data de la barra de herramientas.
Paso 2. En el grupo Analysis, haga clic en Data Analysis.
Paso 3. Elija Exponential Smoothing de la lista de Analysis Tools.
Haga clic en OK.
Paso 4. Cuando el cuadro de diálogo Exponential Smoothing aparezca:
Introduzca B2:B13 en el cuadro Input Range.
Introduzca 0.8 en el cuadro Damping factor.
† Los resultados difieren ligeramente de los que se muestran en la tabla 18.12 debido a que Minitab calcula los índices
estacionales con la mediana de los valores estacional-irregulares.
Introduzca C2 en el cuadro de Output Range.

Haga clic en OK.
Los pronósticos de suavizamiento exponencial aparecerán en la columna C de la hoja de cálcu-
lo. Observe que el valor ingresado en el cuadro de factor de suavización es 1 " α; los pronósti-
cos en otras constantes de suavizamiento se pueden calcular fácilmente introduciendo un valor
distinto a 1 " α en el cuadro de factor de suavización.
Proyección de tendencia
Para mostrar cómo se utiliza Excel para la proyección de tendencias, se utilizarán los pronós-
WEB archivo ticos de la serie de tiempo de las ventas de bicicletas de la tabla 18.3 y de la figura 18.3. Los da-
Bicycle tos, con sus correspondientes etiquetas en la fila 1, se ingresan en las filas 1 a la 11 de la columna
A y B de la hoja de cálculo. Los siguientes pasos pueden utilizarse para obtener un pronóstico
para el año 11 con la proyección de tendencias.
Paso 1. Seleccione una celda vacía en la hoja de cálculo.
Paso 2. Seleccione la barra de herramientas Formulas.
Paso 3. En el grupo Function Library, haga clic en Insert Function.
Paso 4. Cuando el cuadro de diálogo Insert Function aparezca:
Elija Statistical en el cuadro Or select a category box.
Elija Forecast en el cuadro Select a function.
Haga clic en OK.
Paso 5. Cuando el cuadro de diálogo de Forecast Arguments aparezca:
Introduzca 11 en el cuadro x.
Introduzca B2:B11 en el cuadro Known y’s.
Introduzca A2:A11 en el cuadro Known x’s.
Haga clic en OK.
En este caso el pronóstico para el año 11 es 32.5 y aparecerá en la celda elegida en el paso 1.
Apéndice 18.3 Elaboración de pronósticos con StatTools

En este apéndice se muestra cómo StatTools se puede utilizar para obtener un pronóstico em-
pleando tres métodos de elaboración de pronósticos: los promedios móviles, el suavizamiento
exponencial y el suavizamiento exponencial lineal de Holt.
Promedios móviles
Para mostrar cómo StatTools se puede utilizar para obtener pronósticos mediante el método de
WEB archivo promedios móviles se empleará un pronóstico para la serie de tiempo de las ventas de gasolina
Gasoline de la tabla 18.1 y de la figura 18.1. Inicie usando el Data Set Manager para crear una base de da-
tos de StatTools para estos datos utilizando el procedimiento descrito en el apéndice del capítu-
lo 1. Con los pasos siguientes se obtendrá el pronóstico del promedio móvil de tres semanas
para la semana 13.
Paso 1. Haga clic en la barra de herramientas StatTools.
Paso 2. En Analysis Group, haga clic en Time Series and Forecasting.
Paso 3. Elija la opción Forecast.
Paso 4. Cuando el cuadro de diálogo StatTools-Forecast aparezca:
En la sección de Variables seleccione Sales.
Elija Forecast Settings.
En la sección Method, seleccione Moving Average.
En la sección Parameters, introduzca 3 en el cuadro Span.
Seleccione Time Scale.
Apéndice 18.3 Elaboración de pronósticos con StatTools 853
Seleccione None en la sección Seasonal Period.

Seleccione Integer en la sección Label Style.
Haga clic en OK.
El siguiente resultado se mostrará en una nueva hoja de cálculo: tres medidas de exactitud de
los pronósticos, la gráfica de la serie de tiempo que muestra los datos originales, los pronósticos
y el error de pronóstico, así como una tabla con los pronósticos y los errores de pronóstico.
Observe que StatTools utiliza el término “Means Abs Error” para identificar el valor del EAM,
“Root Mean Sq Err” para identificar la raíz cuadrada del valor del CME y “Mean Abs Per% Err”
para el valor del EPAM.
Para mostrar cómo se utiliza StatTools en la elaboración de un pronóstico de suavizamiento
WEB archivo exponencial, se empleará nuevamente un pronóstico para las ventas de la semana 13 de la serie
Gasoline de tiempo de las ventas de gasolina mostrado en la tabla 18.1 y en la figura 18.1. Use el Data
Set Manager para crear una base de datos de StatTools mediante el procedimiento descrito en
el apéndice del capítulo 1. Para obtener un pronóstico con una constante de suavizamiento de
α ! 0.2 se efectúan los siguientes pasos.
Paso 1. Haga clic en la barra de herramientas StatTools.
Paso 2. En Analysis Group, haga clic en Time Series and Forecasting.
Paso 4. Cuando el cuadro de diálogo de StatTools-Forecast aparezca:
Seleccione Sales en la sección Variables.
Seleccione Exponential Smoothing (Simple) en la sección Method.
Elimine la marca de verificación del cuadro Optimize Parameters.
Introduzca 0.2 en el cuadro Level (a) en la sección Parameters.
Seleccione la barra de Time Scale.
Elija None en la sección Seasonal Period.
Seleccione Integer en la sección Label Style.
Haga clic en OK.
El siguiente resultado aparecerá en una nueva hoja de cálculo: las tres medidas de exactitud de
los pronósticos, las gráficas de series de tiempo de las ventas de bicicletas mostrando los datos
originales, los pronósticos y el error de pronóstico, así como una tabla que muestre los pronós-
ticos y los errores de pronóstico. Observe que StatTools utiliza el término “Mean Abs Err” para
identificar el valor del EAM, “Root Mean Sq Err” para identificar la raíz cuadrada del valor de
CME y “Mean Abs Per% Err” para el valor del EPAM.

Para mostrar cómo utilizar StatTools en una tendencia de proyección, se obtendrá un pronóstico
WEB archivo de la serie de tiempo de las ventas de bicicletas de la tabla 18.3 y de la figura 18.3 mediante el
Bicycle uso del suavizamiento exponencial lineal de Holt. Comience por utilizar el Data Set Manager
para crear una base de datos de StatTools mediante el procedimiento descrito en el apéndice
del capítulo 1. Con los siguientes pasos se obtendrá un pronóstico que emplee las constantes de
suavizamiento α ! 0.1 y β ! 0.2.
Paso 1. Haga clic en la barra de herramientas de StatTools.
Paso 2. En el Analysis Group, haga clic en Time Series and Forecasting.
Paso 4. Cuando el cuadro de diálogo de StatTools-Forecast aparezca:
Seleccione Sales en la sección Variables.
En la sección Method, seleccione Exponential Smoothing (Holt’s).
Elimine la marca de verificación del cuadro Optimize Parameters.
En la sección Parameters, introduzca 0.1 en el cuadro Level (a).

En la sección Parameters, introduzca 0.2 en el cuadro Trend (b).
Seleccione la etiqueta Time Scale.
En la sección Seasonal Period, elija None.
En la sección Label Style, seleccione Integer.
Haga clic en OK.
El siguiente resultado se mostrará en una nueva hoja de cálculo: las tres medidas de exactitud
de los pronósticos; las gráficas de series de tiempo que muestran los datos originales, los pro-
nósticos y los errores de pronóstico, y una tabla con los pronósticos y los errores de pronóstico.
Observe que StatTools utiliza el término “Mean Abs Err” para denotar el valor del EAM, “Root
Mean Sq Err” para identificar la raíz cuadrada del CME y “Mean Abs Per% Err” para identificar
el valor del EPAM. El resultado de StatTools difiere ligeramente de los resultados mostrados en
la sección 18.4 debido a que este programa utiliza un método diferente para calcular la estima-
ción de la pendiente en el periodo 1. Con bases de datos más grandes, la elección de los valores
iniciales no es crítica.

Änalisis de Series de Tiempo y Elaboración de Pronósticos. Capitulo 18. PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Änalisis de Series de Tiempo y Elaboración de Pronósticos. Capitulo 18. PDF

Загружено:

Авторское право:

Доступные форматы

CAPÍTULO 18

Análisis de series de tiempo

18.1 Patrones de una serie de tiempo

FIGURA 18.1 Gráfica de la serie de tiempo de las ventas de gasolina

Ventas (miles de galones)

Venta (miles de galones) 30

FIGURA 18.3 Gráfica de la serie de tiempo de las ventas de bicicletas

TABLA 18.5 Serie de tiempo de las ventas de sombrillas

Year Quarter Sales

FIGURA 18.5 Gráfica de series de tiempo de las ventas de sombrillas

TABLA 18.6 Serie de tiempo de las ventas de televisores

Year Quarter Sales (1 000s)

Selección de un método de elaboración de pronósticos

Ventas trimestrales de televisores (1000s)

18.2 Exactitud del pronóstico

Error de pronóstico ! valor real " pronóstico

Valor de Valor absoluto Error de Valor absoluto

Error de pronóstico en la semana 2 ! 21 " 17 ! 4

Valor de Valor absoluto Error de Valor absoluto

De la misma forma, el pronóstico para la semana 4 indica,

Método ingenuo Promedio de los valores pasados

3. En los ejercicios 1 y 2 se utilizaron distintos métodos de elaboración de pronósticos. ¿Cuál

18.3 Promedios móviles y suavizamiento

PRONÓSTICO DE PROMEDIO MÓVIL DE ORDEN k

Ft#1 ! pronóstico de la serie de tiempo para el periodo t # 1

Valor de Valor absoluto Error de Valor absoluto

Ventas (miles de galones)

Por tanto, el pronóstico para la semana 13 es 19 o 19 mil galones de gasolina.

Promedios móviles ponderados

Ft#1 ! pronóstico para el periodo t # 1 de la serie de tiempo

La ecuación (18.2) muestra que el pronóstico para el periodo t # 1 es un promedio pon-

F2 ! αY1 # (1 " α)F1

F3 ! αY2 # (1 " α)F2 ! αY2 # (1 " α)Y1

Por último, al sustituir esta expresión para F3 en la expresión para F4 obtenemos

F4 ! αY3 # (1 " α)F3

F3 ! 0.2Y2 # 0.8F2 ! 0.2(21) # 0.8(17) ! 17.8

F4 ! 0.2Y3 # 0.8F3 ! 0.2(19) # 0.8(17.8) ! 18.04

TABLA 18.10 Resumen de los pronósticos de suavizamiento exponencial y los errores

Valores de la serie Error de Error de pronóstico

un pronóstico de suavizamiento exponencial o un error de pronóstico para la semana 1, ya que

F13 ! 0.2Y12 # 0.8F12 ! 0.2(22) # 0.8(18.48) ! 19.18

Por tanto, el pronóstico de suavizamiento exponencial de la cantidad vendida en la semana 13

Exactitud del pronóstico En los cálculos anteriores para el suavizamiento exponencial se

Ft#1 ! αYt # (1 " α)Ft

la constante de suavizamiento tienen la ventaja de ajustar rápidamente los pronósticos, lo que

TABLA 18.11 Resumen de los pronósticos de suavizamiento exponencial y de los errores

Valores de la serie Error de Error de pronóstico

Mes Ventas Mes Ventas

18.4 Proyección de la tendencia

FIGURA 18.9 Gráfica de serie de tiempo para las ventas de bicicletas

donde ŷ es el valor estimado o predicho de y. Para enfatizar el hecho de que en un pronóstico

ECUACIÓN DE TENDENCIA LINEAL

Tt " b0 # b1t (18.4)

Tt " pronóstico de tendencia lineal en el periodo t

En la ecuación (18.4) la variable tiempo comienza en t " 1 correspondiente a la primera

CÁLCULO DE LA PENDIENTE Y DE LA INTERSECCIÓN PARA UNA TENDENCIA LINEAL*

b0 " Y ! b1t (18.6)

"tY ! "t "Y

t Yt t!t Yt ! Y (t ! t)(Yt ! Y ) (t ! t)2

Con estos valores y la información de la tabla 18.13 se puede calcular la pendiente y la

b0 " Y ! b1t " 26.45 ! 1.1(5.5) " 20.4

Por tanto, la ecuación de tendencia lineal es

Tt " 20.4 # 1.1t