Académique Documents
Professionnel Documents
Culture Documents
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.
25
20
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.
788 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
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
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,
18.1 Patrones de una serie de tiempo 789
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
790 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
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
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
18.1 Patrones de una serie de tiempo 791
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
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.
FIGURA 18.6 Gráfica de la serie de tiempo del conjunto de ventas trimestrales de televisores
9.0
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.
TABLA 18.7 Cálculos y medidas de exactitud de pronósticos utilizando el valor más reciente como pronóstico
para el próximo periodo
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
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
794 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
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
17 # 21
Pronóstico para la semana 3 ! ! 19
2
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.
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
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?
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.
Ft#1 ! a
(los k valores más recientes de los datos) Y # Yt"1 # . . . # Yt "k#1
! t (18.1)
k k
donde
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.
798 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
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
F5 ! promedio de las semanas 2 a 4 ! ! 21
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
FIGURA 18.7 Gráfica de series de tiempo de las ventas de gasolina y pronósticos del promedio
móvil a tres semanas
25
20
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
F13 ! promedio de las semanas 10 a 12 ! ! 19
3
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
800 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
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.
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.
Suavizamiento exponencial
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
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
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:
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.
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
802 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
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
18.3 Promedios móviles y suavizamiento exponencial 803
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
Ventas (miles de galones)
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
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.
18.3 Promedios móviles y suavizamiento exponencial 805
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.
6. Considere los datos siguientes de serie de tiempo.
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.
806 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
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
a) Construya una gráfica de serie de tiempo. ¿Qué tipo de patrón existe en los datos?
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
a) Construya una gráfica de serie de tiempo. ¿Qué tipo de patrón existe en los datos?
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.
a) Construya una gráfica de serie de tiempo. ¿Qué tipo de patrón existe en los datos?
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.
a) Construya una gráfica de serie de tiempo. ¿Qué tipo de patrón existe en los datos?
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.
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
a (t ! t )(Yt ! Y )
t"1
b1 " n
(18.5)
2
a (t ! t )
t"1
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
"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
810 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
TABLA 18.13 Resumen de los cálculos de la tendencia lineal para la serie de tiempo de las ventas
de bicicletas
a (t ! t )(Yt ! Y ) 90.75
t"1
b1 " n
" " 1.1
2 82.5
a (t ! t )
t"1
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.
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
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
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
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
812 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
FIGURA 18.12 Resultado del análisis de tendencia lineal en Minitab de la serie de tiempo
de las ventas de bicicletas
MAD** 1.32000
MSD*** 3.07000
26
20
1 2 3 4 5 6 7 8 9 10
Índice
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.
donde
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
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.
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.
814 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
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
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.
Por tanto, al utilizar el suavizamiento exponencial lineal de Holt se pronostica que el año pró-
ximo las ventas serán de 33 391 bicicletas.
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
donde
Year (año) ! 1, 2, 3, . . . , 10
YearSq (año cuadrado) ! 1, 4, 9, . . . , 100
Analysis of Variance
SOURCE DF SS MS F p
Regression 2 5770.1 2885.1 182.52 0.000
Residual Error 7 110.6 15.8
Total 9 5880.8
816 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
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.
MSD 15.0496
60
50
40
30
20
1 2 3 4 5 6 7 8 9 10 11
Índice
18.4 Proyección de la tendencia 817
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
17. Considere los datos siguientes de serie de tiempo.
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
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 ! 8?
20. Considere la siguiente serie de tiempo.
t 1 2 3 4 5 6 7
Yt 82 60 44 35 30 29 35
a) Construya una gráfica de series de tiempo. ¿Qué tipo de patrón existe en los datos?
b) Utilice Minitab o Excel para desarrollar la ecuación de tendencia cuadrática para la serie
de tiempo.
c) ¿Cuál es el pronóstico para t ! 8?
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.
818 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
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 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.
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) 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.
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) ¿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
18.4 Proyección de la tendencia 819
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 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
820 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
a) Construya una gráfica de series de tiempo. ¿Qué tipo de patrón existe en los datos?
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.
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.
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
822 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
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.
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
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 1 Año 2 Año 3 Año 4
Año/trimestre
824 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
TABLA 18.20 Serie de tiempo de las ventas de televisores con variables ficticias y periodo
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.
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
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:
Trimestre 2. Ventas ! 6.07 " 1.36(0) " 2.03(1) " 0.304(0) # 0.146t ! 4.04 # 0.146t
Trimestre 3. Ventas ! 6.07 " 1.36(0) " 2.03(0) " 0.304(1) # 0.146t ! 5.77 # 0.146t
Trimestre 4. Ventas ! 6.07 " 1.36(0) " 2.03(0) " 0.304(0) # 0.146t ! 6.07 # 0.146t
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.
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
826 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
Ejercicios
Métodos
28. Considere la siguiente serie de tiempo.
AUTO evaluación
a) Construya una gráfica de series de tiempo. ¿Qué tipo de patrón existe en los datos?
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.
a) Construya una gráfica de serie de tiempo. ¿Qué tipo de patrón existe en los datos?
b) Utilice las siguientes variables ficticias para desarrollar una ecuación de regresión esti-
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.
a) Construya una gráfica de series de tiempo. ¿Qué tipo de patrón existe en los datos?
b) Utilice las siguientes variables ficticias para desarrollar una ecuación de regresión esti-
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.
18.5 Estacionalidad y tendencia 827
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
a) Construya una gráfica de series de tiempo. ¿Qué tipo de patrón existe en los datos?
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).
a) Construya una gráfica de series de tiempo. ¿Qué tipo de patrón existe en los datos?
b) Utilice las siguientes variables ficticias para desarrollar una ecuación de regresión esti-
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
828 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
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).
a) Construya una gráfica de series de tiempo. ¿Qué tipo de patrón existe en los datos?
b) Utilice las siguientes variables ficticias para desarrollar una ecuación de regresión esti-
mada que tome en cuenta los efectos estacionales.
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.
a) Construya una gráfica de series de tiempo. ¿Qué tipo de patrón existe en los datos?
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.
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:
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.
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
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
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.
TABLA 18.21 Cálculos de los promedios móviles centrados de la serie de tiempo de las ventas
de televisores
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
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
18.6 Descomposición de series de tiempo 833
FIGURA 18.20 Serie de tiempo de las ventas trimestrales de televisores y su promedio móvil
centrado
9.0
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 1 Año 2 Año 3 Año 4
Año/trimestre
TABLA 18.22 Valores del componente estacional-irregular de la serie de tiempo de las ventas de
televisores
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.
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
Año 1 Año 2 Año 3 Año 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
Analysis of Variance
Source DF SS MS F P
Regression 1 7.4068 7.4068 158.78 0.000
Residual Error 14 0.6531 0.0466
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.
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.
Patrón cíclico
En términos matemáticos, el modelo multiplicativo de la ecuación (18.14) se puede ampliar
para incluir el componente cíclico.
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
a) Construya una gráfica de series de tiempo. ¿Qué tipo de patrón existe en los datos?
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).
a) Construya una gráfica de serie de tiempo. ¿Qué tipo de patrón existe en los datos?
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.
a) Construya una gráfica de serie de tiempo. ¿Qué tipo de patrón existe en los datos?
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
a) Construya una gráfica de serie de tiempo. ¿Qué tipo de patrón existe en los datos?
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).
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
840 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
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
Tt ! b0 # b1t (18.4)
donde
n
Ft#k ! Lt # bt k (18.9)
Tt ! b0 # b1t # b2 t 2 (18.10)
Tt ! b0(b1) t (18.11)
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.
a) Construya una gráfica de series de tiempo. ¿Qué tipo de patrón existe en los datos?
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
a) Construya una gráfica de serie de tiempo. ¿Qué tipo de patrón existe en los datos?
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.
a) Construya una gráfica de serie de tiempo. ¿Qué tipo de patrón existe en los datos?
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.
a) Construya una gráfica de serie de tiempo. ¿Qué tipo de patrón existe en los datos?
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.
844 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
a) Construya una gráfica de serie de tiempo. ¿Qué tipo de patrón existe en los datos?
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.
a) Construya una gráfica de serie de tiempo. ¿Qué tipo de patrón existe en los datos?
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
a) Construya una gráfica de series de tiempo. ¿Qué tipo de patrón existe en los datos?
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
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
846 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
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.
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
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.
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.
Suavizamiento exponencial
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.
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.
* 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.
850 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
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.
Suavizamiento exponencial
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.
852 Capítulo 18 Análisis de series de tiempo y elaboración de pronósticos
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.
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
Suavizamiento exponencial
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 3. Elija la opción Forecast.
Paso 4. Cuando el cuadro de diálogo de StatTools-Forecast aparezca:
Seleccione Sales en la sección Variables.
Elija Forecast Settings.
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.
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.