- Investigación de

Operaciones II -
Dr. Juan Pérez
Material de lectura

Unidad 2: Teoría de Pronósticos

Facultad Politécnica UNA

Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

Contenido
1.1. MÉTODO DELPHI ................................................................................................................................... 3
1.2. PANEL DE EXPERTOS: ............................................................................................................................ 6
1.3. MÉTODO DE INVESTIGACIÓN DE MERCADO: ......................................................................................... 7
2.1. PROMEDIO MÓVIL SIMPLE: ................................................................................................................... 7
2.1.1. EJEMPLO........................................................................................................................................... 9
2.2. PROMEDIO MÓVIL PONDERADO: ........................................................................................................ 10
2.3. PONDERACIÓN O SUAVIZADO EXPONENCIAL ...................................................................................... 12
2.3.1. EJEMPLO......................................................................................................................................... 14
2.4. REGRESIÓN LINEAL SIMPLE.................................................................................................................. 15
2.4.1. MÉTODO DE MÍNIMOS CUADRADOS .............................................................................................. 16
2.4.2. CORRELACIÓN................................................................................................................................. 17
2.4.2.1. TIPOS DE CORRELACIÓN ................................................................................................................. 17
2.4.3. COVARIANZA (DEFINICIÓN) ............................................................................................................ 18
2.4.3.1. COEFICIENTE DE CORRELACIÓN LINEAL ........................................................................................... 18
2.4.3.1.1. PROPIEDADES DEL COEFICIENTE DE CORRELACIÓN .................................................................... 19
2.4.4. COEFICIENTE DE DETERMINACIÓN .................................................................................................. 19
2.4.5. ERROR ESTÁNDAR DE LA ESTIMACIÓN ............................................................................................ 20
2.4.6. PARÁBOLA DE MÍNIMOS CUADRADOS............................................................................................ 20
2.4.7. REGRESIÓN EXPONENCIAL .............................................................................................................. 21
2.4.8. REGRESIÓN POTENCIAL................................................................................................................... 21
2.4.9. CAMBIO DE VARIABLES PARA CASOS LINEALIZABLES ...................................................................... 21
2.4.10. EJEMPLO......................................................................................................................................... 22
2.4.11. EJEMPLO......................................................................................................................................... 26
2.5. MODELOS DE PRONÓSTICOS DE SERIES DE TIEMPO............................................................................. 27
2.5.1. COMPONENTES DE UNA SERIE DE TIEMPO...................................................................................... 27
2.5.2. SUAVIZAMIENTO EXPONENCIAL CON AJUSTE DE TENDENCIA ......................................................... 29
2.5.2.1. EJEMPLO......................................................................................................................................... 30
2.5.2.2. PRECISIÓN DEL PRONÓSTICO. ......................................................................................................... 32
2.5.3. PROYECCIÓN DE LA TENDENCIA ...................................................................................................... 32
2.5.3.1. EJEMPLO......................................................................................................................................... 33
2.5.4. COMPONENTES DE TENDENCIA Y ESTACIONAL ............................................................................... 36
2.5.4.1. MODELO MULTIPLICATIVO ............................................................................................................. 37
2.5.4.2. EJEMPLO......................................................................................................................................... 38
2.5.5. DESESTACIONALIZACIÓN DE LAS SERIES DE TIEMPO ....................................................................... 44
2.5.5.1.1. USO DE SERIES DE TIEMPO DESESTACIONALIZADAS PARA IDENTIFICAR TENDENCIAS ................ 45
2.5.6. AJUSTES ESTACIONALES .................................................................................................................. 48

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

2
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

1. Métodos cualitativos
1.1. MÉTODO DELPHI

Una de las técnicas de elaboración de pronósticos de uso más común es el

método Delphi. Esta técnica intenta elaborar pronósticos por medio de Un
“consenso de grupo”. En su aplicación usual, se pide a los miembros de un
panel de expertos, quienes están separados físicamente y no se conocen
entre sí, que respondan una serie de cuestionarios. Las respuestas del primer
cuestionario se tabulan y utilizan para preparar un segundo cuestionario que
contiene la información y las opiniones de todo el grupo. Luego se pide a cada
uno de los que responden que reconsideren y revisen su respuesta previa en
vista de la información proporcionada por el grupo. Este proceso continúa
hasta que el coordinador considera que se ha llegado a cierto grado de
consenso. La meta del método Delphi no es producir una sola respuesta
como salida, sino obtener una variedad relativamente estrecha de opiniones
con las cuales coincida la mayoría de los expertos.
1.1.1. Ejemplo – Ampliación del centro de ITV

SITUACIÓN: Debido a que hay una gran congestión en los meses diciembre,
enero y febrero que se viene observando en los últimos 4 años, el consejo de
administración de la empresa va a realizar una ampliación de la estación de
ITV. La estación cuenta actualmente con 10 puestos de revisión y 15
trabajadores. En los meses de verano la utilización de los puestos es del
99.99% con picos puntuales en viernes y en fines de semana. Sin embargo, el
resto del año la ocupación media de la estación es de un 60%.

PREGUNTAS:
1. ¿Sería conveniente la ampliación de las instalaciones para el próximo año?
2. ¿En qué período del año sería más conveniente el inicio de las obras?
3. ¿Cuántos puestos de revisión convendría añadir?
4. ¿Sería necesaria la ampliación de la plantilla? ¿En cuántos trabajadores?

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

3
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

ALGUNAS DE LAS RESPUESTAS DE NUESTROS EXPERTOS:

Experto 1:

1. Si, sería conveniente si se quieren mantener los clientes, pues si las colas
aumentan mucho y el tiempo medio de espera para la revisión se ve
incrementado, los conductores podría migrar hacia otras estaciones.
2. En los meses de invierno, pues se debe intentar que las obras afecten lo
menos posible al funcionamiento normal de la estación.
3. Dos sería un buen número, ya que no interesa realizar una ampliación muy
alta si sólo vamos a necesitar todos los puntos de revisión durante 3 meses al
año. Por otro lado, con dos puntos de revisión adicionales el tiempo de espera
medio para la revisión se puede ver reducido de forma considerable.
4. En principio, se podría mantener la plantilla actual y en los meses me más
trabajo contratar a más trabajadores. Pues el número actual de trabajadores
de la central ya es bastante elevado.

Experto 2:

1. ¡Si, claro! Así podríamos ofrecer una calidad mucho mejor al cliente, sin
retrasos, esperas, ni exageradas aglomeraciones.
2. En marzo/abril, ya que son los meses posteriores a la avalancha y son lo
suficientemente tranquilos para que el funcionamiento normal del centro no se
vea perjudicado.
3. Con 3 o 4 puestos más se podría dar un servicio mucho mejor.
4. La verdad es que en los meses de verano si que se debería contratar a
más trabajadores ya que apenas se da abasto en esos días, pero para el
resto del año no haría falta.

Experto 3:

1. Para mi es conveniente, ya que agilizaría el proceso de revisión de los

vehículos reduciendo la espera y esto para los clientes es siempre importante.

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

4
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

Por lo tanto esta ampliación atraerá nuevos clientes por la rapidez del
servicio.
2. El inicio de las obras deberían de ser justo al finalizar los meses de verano,
para que estén operando los nuevos puestos para el próximo verano.
3. Una ampliación de 3 nuevos puestos de revisión serian suficiente.
4. Sería conveniente la ampliación de la plantilla. Contratar unos 5
trabajadores más.

RESULTADOS DEL MÉTODO

Con respecto a las cuestiones enunciadas las respuestas se pueden resumir

en lo siguiente:
1. Según los expertos sería necesaria la ampliación de la central, ya que
supondría una inversión de cara a aumentar la satisfacción de los clientes y
por lo tanto aumentar su fidelidad y las perspectivas de negocio, atrayendo
también a nuevos clientes.
2. Según nuestros expertos, se ha llegado a la conclusión de que las obras
deberían comenzar inmediatamente después de los meses de verano, cuando
se produce la avalancha, de este modo el impacto de las obras sería mínimo
y la ampliación estaría concluida antes de la campaña siguiente.
3. Según las respuestas, se ha llegado a la conclusión de que se haría una
ampliación de 3 puestos, lo que supondría un aumento de la eficiencia y
rapidez en la atención al cliente.
4. El aumento de la plantilla será necesario, sobre todo en los meses de
verano. Falta ver si las contrataciones serían de carácter temporal o fijo.

Con los resultados obtenidos al aplicar el método Delphi la empresa ha

decidido tomar las siguientes medidas:
• Se decide ampliar la central con tres puestos de revisión más.
• El inicio de las obras se realizará a finales de abril, con lo que se espera que
estén concluidas a principios de octubre.
• Se ha decidido contratar a 2 operadores más con contratación fija y 2 más
con contrato temporal en los meses de verano.

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

5
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

CONCLUSIONES:
Hemos realizado el método de la experiencia Delphi y hemos observado
algunas ventajas significativas como el mantener el anonimato de los expertos
haciendo que la influencia entre los componentes del grupo sea mínima y la
facilidad de la comunicación entre expertos, ya que al utilizar las herramientas
de Internet, no es necesario que el grupo se reúna físicamente, facilitando que
los expertos den su opinión más rápidamente desde cualquier lugar y en el
momento que quieran. Por otro lado, con este método se consiguen mejores
soluciones al problema, ya que el sistema de realimentación hace que los
expertos conozcan las ideas del resto de expertos y puedan usarlas para
reflexionar y elaborar sus propias conclusiones.

1.2. PANEL DE EXPERTOS:

El panel de expertos puede definirse como un grupo de especialistas
independientes y reputados en al menos uno de los campos concernidos por
el programa que se va a evaluar, al que se reúne para que emita un juicio
colectivo y consensuado sobre dicho programa. Según se les solicite, el juicio
emitido puede hacer referencia a la puesta en práctica o a los efectos del
conjunto o de una parte del programa.
El objetivo de esta herramienta es utilizar el conocimiento que los expertos
poseen de una materia para evaluar políticas, programas o proyectos llevados
a cabo en este contexto en concreto.

Algunas de sus características son:

 Es una técnica similar al Método Delphi se diferencia de esta en que no
existen secretos sobre la identidad del emisor de las opiniones y no
existe retroalimentación dirigida desde el exterior.
 Se estimula la comunicación.
 Se basa en la suposición de que varios expertos serán capaces de
producir un pronóstico mejor que una sola persona.
 Algunas veces los factores sociales influyen en los pronósticos y por
este motivo no reflejan un consenso verdadero.

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

6
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

 Existe la posibilidad de que emerja un grupo dominante que anule la

interacción adecuada y se logre un consenso por la capacidad de la
argumentación y no por la validez de la misma.

1.3. MÉTODO DE INVESTIGACIÓN DE MERCADO:

1. Consulta a vendedores: En este enfoque, cada persona de ventas
estima las ventas en su región; estos pronósticos se revisan para
asegurar que sean realistas y después se combinan a niveles de región
y nacional, para llegar a un pronóstico general.

2. Encuesta al mercado de consumidores: Este método solicita

información a los consumidores o clientes potenciales respecto a sus
planes de compra futuros. Puede ayudar no solo a elaborar un
pronóstico, sino también a mejorar el diseño del producto y la
planeación de nuevos productos.

2. MÉTODOS CUANTITATIVOS
2.1. PROMEDIO MÓVIL SIMPLE:
Definamos:

yt 1  valores observados en el periodo t 1

yt  pronóstico de valores en el periodo t

n  número de periodos por promediar

El modelo más simple en la categoría de promedios móviles es el promedio
móvil simple de n periodos. En este modelo se utiliza el promedio de un
número fijo (digamos, n) de las observaciones más recientes para estimar el
valor siguiente de y. Por ejemplo, si n es igual a 4, entonces, después de
haber observado el valor de y en el periodo 15, nuestra estimación para el
periodo 16 sería:

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

7
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

En general:

Un promedio móvil simple resultará siempre menor que los datos en aumento
y mayor que los datos en disminución. Por lo tanto, si aparecen amplias
elevaciones o caídas, los promedios móviles simples no se desempeñarán
bien. Se ajustan mejor a datos con pequeños ascensos y descensos erráticos,
dando alguna estabilidad frente a perturbaciones aleatorias.
El promedio móvil simple tiene dos inconvenientes, uno filosófico y otro
operacional. El inconveniente filosófico se centra en el hecho de que al
calcular un pronóstico (digamos, ŷ8 ), a la observación más reciente ( y 7 ) no se

le da una mayor importancia o coeficiente que a una observación más

antigua, como y 5 . Esto se debe a que a cada una de las últimas
1.
𝑛 observaciones se le asigna el coeficiente Este procedimiento de asignar
𝑛

coeficientes iguales es opuesto a la intuición personal de que en muchos

casos los datos más recientes deben contener más información sobre el
futuro que los datos más antiguos.
El segundo inconveniente, que es operacional, es que en el promedio móvil, si
se van a incluir 𝑛 observaciones, deben extraerse entonces (𝑛 – 1) elementos
de datos para combinarse con la observación actual (la número 𝑛). Todos
estos datos deben ser almacenados de alguna manera a fin de calcular el
pronóstico. Éste no es un problema serio si sólo se trata de una pequeña
cantidad de pronósticos. La situación cambia bastante para aquella empresa
que necesite pronosticar la demanda de miles de productos individuales en
una base de artículo por artículo.
Para saber qué tan bien funciona un modelo o para comparar un modelo con
otros, los valores pronosticados se comparan con los valores reales u
observados. El error del pronóstico (o desviación) se define como:

Error de pronóstico = valor real - valor pronosticado

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

8
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

Una medida de exactitud es la desviación media absoluta (DMA), que se

calcula tomando la suma de los valores absolutos de los errores de
pronósticos individuales y, luego, dividiendo entre el número de errores (𝑛):

Además de la DMA, en muchas ocasiones se emplean otras medidas de la

exactitud de los errores históricos al pronosticar. Una de las más comunes es
el error cuadrado medio (ECM), que es el promedio de los cuadrados de los
errores:

Además de la DMA y el ECM, algunas veces se utiliza el error medio

absoluto porcentual (EMAP), que es el promedio de los valores absolutos
de los errores expresados como porcentajes de los valores reales. Esto se
calcula como:

2.1.1. Ejemplo
El señor Víctor Kowalski decide utilizar los datos de ventas mensuales del año
anterior de puntales de acero inoxidable y ver qué tan bien hubieran
funcionado si el año anterior la empresa hubiera utilizado modelos de
pronósticos simples.
Está interesado en elaborar un pronóstico de las ventas con un mes de
anticipación; esto es, tomará los valores históricos conocidos y1,..., yt - 1

(demanda en los meses 1 a 𝑡 – 1) y utilizará esta información para producir ŷ t

, el pronóstico de la demanda en el mes 𝑡. En otras palabras, tomará las

ventas pasadas reales, hasta mayo por ejemplo, y las utilizará para
pronosticar las ventas de junio; después utilizará las ventas hasta junio para
pronosticar las ventas en julio, y así sucesivamente. El proceso producirá una
secuencia de valores ŷ t . Al comparar estos valores con los valores yt reales

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

9
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

observados, se obtiene un indicativo de cómo hubiera funcionado el modelo

de pronóstico si realmente hubiera estado en uso el año anterior.
La aplicación de promedios móviles de tres y cuatro periodos a los datos de
ventas de puntales de acero aparecen en la tabla siguiente:

Tabla 1: Promedios móviles simples de tres y cuatro periodos de las ventas de puntales de acero

Dado que el promedio móvil de tres meses da una DMA de 12.67, en tanto
que el promedio móvil de cuatro meses da una DMA de 15.59, parece (al
menos históricamente) que la inclusión de un mayor número de datos
históricos perjudica en vez de beneficiar la precisión del pronóstico.

2.2. PROMEDIO MÓVIL PONDERADO:

La idea de que los datos recientes son más importantes que los datos más
antiguos puede ponerse en práctica con un promedio móvil ponderado de 𝒏
periodos. Éste generaliza el concepto de un promedio móvil simple de 𝑛
1
periodos donde, como hemos visto, cada coeficiente de ponderación es 𝑛 . En

esta forma más general, tomando 𝑛 = 3 como ejemplo específico, podríamos

hacer que:

donde las  (que se conocen como coeficientes de ponderación) son

números no negativos, escogidos de forma que los coeficientes más
pequeños sean asignados a los datos más antiguos y que todos los
coeficientes sumen 1. Existen, por supuesto, innumerables maneras de

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

10
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

seleccionar un conjunto de  que satisfaga estos criterios. Por ejemplo, si el

promedio ponderado debe incluir las últimas tres observaciones (un promedio
móvil ponderado de tres periodos), uno podría determinar que:

De manera alternativa, se podría definir:

En ambas expresiones tenemos coeficientes de ponderación decrecientes

cuya suma es 1.
Para tener una idea de cómo funciona, Víctor aplica el promedio móvil
3 2 1
ponderado de tres meses con coeficientes iniciales de 6, 6, a los datos
6

históricos del puntal de acero inoxidable.

Comparando la nueva DMA obtenida por Víctor de 11.04, con la DMA del
promedio móvil simple de tres meses (12.67) y el promedio móvil simple de
cuatro meses (15.59), se confirma la sospecha de que los resultados de
ventas recientes son un mejor indicador de las ventas futuras que los datos
más antiguos.

Tabla 2: Promedios móviles ponderados de tres periodos de las ventas de puntales de acero

OBSERVACIÓN: A pesar de que los promedios móviles ponderados le dan

mayor peso a los datos más recientes, esto no resuelve los problemas
operacionales de almacenamiento de datos, ya que (n – 1) elementos
históricos de datos aún deben almacenarse.

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

11
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

2.3. PONDERACIÓN O SUAVIZADO EXPONENCIAL

Vimos que, utilizando un promedio móvil ponderado, hay muchas maneras
diferentes de asignar coeficientes decrecientes de ponderación que sumen 1.
Una de ellas se llama ponderación o suavizado exponencial, que es un
nombre abreviado para promedio móvil ponderado exponencialmente.
Éste es un esquema que pondera los datos recientes con mayor peso que los
datos pasados, con coeficientes que sumen 1, pero evita el problema
operacional. En este modelo, para cualquier t  1 , el pronóstico para el
periodo 𝑡 + 1, identificado como yˆ t 1 , es una suma ponderada (con

coeficientes que suman 1) de las ventas observadas en el periodo 𝑡 (es decir,

yt) y del pronóstico para el periodo 𝑡 (que era ŷ t ). En otras palabras:

donde  es una constante especificada por el usuario tal que 0    1 . El

valor asignado a  determina cuánto peso relativo se le da al coeficiente de
ponderación de la observación más reciente al calcular el pronóstico del
periodo siguiente. Observemos en la ecuación anterior que si a  se le
asigna un valor cercano a 1, casi todo el peso se coloca en la demanda real
del periodo 𝑡. La ponderación exponencial tiene importantes ventajas de
cálculo. Para calcular yˆ t 1 , sólo debe almacenarse ŷ t , (junto con el valor de 

). Lo que es agradable en la ponderación exponencial es que al guardar  y

el último pronóstico, de manera implícita se están almacenando todos los
pronósticos anteriores.
A fin de comprender mejor el modelo de ponderación exponencial,
observemos que cuando 𝑡 = 1 la expresión utilizada para definir ŷ 2 es:

En esta expresión ŷ1 es una “estimación inicial” del valor para y en el periodo
1, e y1 es el valor observado del periodo 1. Para comenzar el pronóstico de
ponderación exponencial, necesitamos establecer esta “estimación inicial”,
por ejemplo podemos considerar ŷ1 = y1.

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

12
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

Debido a la importancia del modelo de ponderación exponencial básico,

merece la pena explorar con más detalle cómo funciona y cuándo puede
aplicarse con éxito en modelos reales.

Examinaremos ahora algunas de sus propiedades. Para comenzar,

observemos que si t  2 , es posible sustituir 𝑡 − 1 en lugar de 𝑡, para obtener:

Al sustituir esta relación para ŷ t , de nuevo en la expresión original de yˆ t 1 se

obtiene para t  2 :

Llevando a cabo exitosamente sustituciones similares, llegamos a la siguiente

expresión general para yˆ t 1 :

Por ejemplo:

Dado que usualmente 0<  <1, es obvio que 0< 1   <1. Por lo tanto:

En otras palabras, en el ejemplo anterior y3, la observación más reciente,

recibe un peso mayor que y2, que a su vez recibe un peso mayor que y1. Esto
ilustra la propiedad general de un modelo de ponderación exponencial: que
los coeficientes de las “y” van decreciendo conforme los datos son más
antiguos. También se puede demostrar que la suma de todos los coeficientes
(incluyendo el coeficiente de ŷ1 ) es 1; esto es en el caso de ŷ 4 , por ejemplo:

Así, hemos visto que el valor general de yˆ t 1 es una suma ponderada de todas

las observaciones anteriores (incluyendo el último valor observado, yt). Aún

más, los coeficientes suman 1 y son decrecientes entre más antiguas sean las
observaciones históricas. El último término de la suma ŷ1 , no es una

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

13
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

observación histórica. Recuerde que ésta fue una “estimación” de y1. Ahora
podemos observar que conforme t aumenta, decrece la influencia de ŷ1 sobre
yˆ t 1 y con el tiempo se vuelve despreciable. Para ver esto, observemos que el

coeficiente de ŷ t es ( 1   )t. Por lo tanto, el peso asignado a ŷ1 decrece

exponencialmente con t. Incluso si  es pequeño (lo que haría [ 1   ] cercano

a 1), el valor de ( 1   )t decrece rápidamente.

Por ejemplo, si  = 0.1 y t = 20, entonces ( 1   )t = 0.12. Si  = 0.1 y t = 40,

entonces ( 1   )t = 0.015. Por lo tanto, tan pronto como se hayan obtenido
suficientes datos, el valor de yˆ t 1 resultará bastante insensible a la elección de

ŷ1 . Obviamente, el valor de  , que es un parámetro escogido por el

administrador, afecta el desempeño del modelo. Como podemos ver
explícitamente, es el peso de ponderación dado al valor de dato (yt)
observado más recientemente. Esto implica que entre mayor sea el valor de
 , más fuertemente reaccionará el modelo a la última observación (llamamos
a esto un pronóstico sensible). Esto, como veremos, puede ser o no deseable.

2.3.1. Ejemplo
Continuando con el problema de Víctor Kowalski, podremos ver en la
siguiente tabla la aplicación de la ponderación exponencial a los datos de los
puntales de acero inoxidable. En dicha tabla se muestran las ventas reales y
las ventas estimadas para 12 meses con un valor inicial de  = 0,5.

Tabla 3: Suavizado exponencial de las ventas de puntales de acero con 𝛼 = 0.5

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

14
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

También se ha calculado la DMA de febrero a diciembre. De hecho, el modelo

de ponderación exponencial con  = 0.5 da una DMA inferior (9.92) al de los
modelos de promedios móviles simples (12.67) o a nuestra estimación inicial
del modelo de promedios móviles ponderados (11.04).

La DMA es menor que el que había obtenido con varios de los modelos
anteriores, y los cálculos son simples. Desde el punto de vista de los cálculos
es razonable considerar la ponderación exponencial como una manera viable
de pronosticar las ventas de muchos de los productos que la empresa tiene
en inventario.

2.4. REGRESIÓN LINEAL SIMPLE

La ecuación de una línea recta es y  a  bx , a partir de ella definimos el
modelo de regresión lineal simple como:
Y   0  1 X

Donde  0 y  1 son parámetros poblacionales.

  0 : representa la ordenada al origen, es decir el punto donde la línea

recta corta al eje Y.
  1 : representa la pendiente de la recta, el cambio promedio esperado
en Y por cada incremento unitario de X.
Pero para cualquier investigación, en realidad, se toman muestras y sobre el
resultado de la muestra se infiere a toda la población; eso hace que el modelo
contenga un término aleatorio o término de error y por lo tanto nuestro modelo
queda de la siguiente forma:
Yi   0  1 X   i

Donde  0 y  1 son parámetros poblacionales y  i es el error estocástico, por

trabajar con muestras.

Debemos saber que la Regresión Lineal Simple exige ciertos requisitos para
ser implementada. Algunos de ellos son:
 Tanto la variable dependiente como independiente deben ser
cuantitativas continuas

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

15
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

 El término de error debe tener distribución normal, el promedio de estos

errores debe ser cero y la varianza de ellos debe ser constante.
 Debe existir relación lineal entre las dos variables analizadas.

A partir de una muestra estimamos una ecuación de regresión lineal, la misma

queda expresada como:
  
y   0  1 x


  0 : es la estimación puntual de  0 . Para efectos prácticos, el valor

indicado en  0 es el valor que asume la variable Y cuando la X vale

cero.
 
 1 : es el estimador puntual de  1 . El valor numérico de 1 nos dice en
cuanto varía Y por cada incremento unitario de X.

2.4.1. Método de mínimos cuadrados

Para encontrar los estimadores de los parámetros, utilizaremos el método de
mínimos cuadrados. El método de mínimos cuadrados consiste en minimizar
la función de mínimos cuadrados. Es por eso que primero debemos definir la
función mencionada:
La función de mínimos cuadrados está dada por:
n
L    i2
i 1

Si de Yi   0  1 X   i despejamos  i y sustituimos dicha expresión en la

ecuación anterior, tendremos:

n n
L    i2   Yi   0  1 X i 
2

i 1 i 1

Luego, buscaremos los valores de  0 y  1 que minimicen la función de

mínimos cuadrados. Esto requiere que derivemos la función con respecto a

los estimadores ̂ 0 y ˆ1 y que hagamos todos los procedimientos para la

minimización. Así obtenemos las siguientes ecuaciones que nos permitirán

estimar los parámetros a partir de los datos muestrales.

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

16
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

n n

n  X i  Yi
 X Y i i  i 1

n
i 1

1  i 1
2
 
n
 Xi 
X i2   i 1 
n


i 1 n
 
 0  Y  1 X
n n

Yi X i
Además recordamos que Y  1
,y X  1

n n

2.4.2. Correlación
La correlación trata de establecer la relación o dependencia que existe
entre las dos variables que intervienen en una distribución
bidimensional.
Es decir, determinar si los cambios en una de las variables influyen en los
cambios de la otra. En caso de que suceda, diremos que las variables
están correlacionadas o que hay correlación entre ellas.

2.4.2.1. Tipos de correlación

 Correlación directa: La correlación directa se da cuando al aumentar
una de las variables la otra aumenta. La recta correspondiente a la
nube de puntos de la distribución es una recta creciente.

Figura 1: Correlación Directa

Fuente:http://www.vitutor.com/estadistica/bi/coeficiente_correlacion.html

 Correlación inversa: La correlación inversa se da cuando al aumentar

una de las variables la otra disminuye. La recta correspondiente a la
nube de puntos de la distribución es una recta decreciente.

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

17
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

Figura 2: Correlación Inversa

Fuente:http://www.vitutor.com/estadistica/bi/coeficiente_correlacion.html

 Correlación nula: La correlación nula se da cuando no hay

dependencia de ningún tipo entre las variables. En este caso se dice
que las variables son incorreladas y la nube de puntos tiene una forma
redondeada.

Figura 3: Correlación Nula

Fuente:http://www.vitutor.com/estadistica/bi/coeficiente_correlacion.html

2.4.3. COVARIANZA (Definición)

Una medida del grado en que dos variables aleatorias se mueven en la misma
dirección o en direcciones opuestas la una respecto a la otra. En otras
palabras, si dos variables aleatorias generalmente se mueven en la misma
dirección se dirá que tienen una covarianza positiva. Si tienden a moverse en
direcciones opuestas, se dirá que tienen una covarianza negativa.

2.4.3.1. Coeficiente de correlación lineal

El coeficiente de correlación lineal es el cociente entre la covarianza y el
producto de las desviaciones típicas de ambas variables.
 xy
r
 x . y

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

18
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

El coeficiente de correlación lineal se expresa mediante la letra r.

n. xy   x 
.  y
r
n. x 2

  x  . n. y 2   y 
2 2

2.4.3.1.1. Propiedades del coeficiente de correlación
 Si la covarianza es positiva, la correlación es directa.
 Si la covarianza es negativa, la correlación es inversa.
 Si la covarianza es nula, no existe correlación.
 El coeficiente de correlación lineal es un número real comprendido
entre −1 y 1; o sea −1 ≤ r ≤ 1
 Si el coeficiente de correlación lineal toma valores cercanos a −1 la
correlación es fuerte e inversa, y será tanto más fuerte cuanto más
se aproxime r a −1.
 Si el coeficiente de correlación lineal toma valores cercanos a 1 la
correlación es fuerte y directa, y será tanto más fuerte cuanto más
se aproxime r a 1.
 Si el coeficiente de correlación lineal toma valores cercanos a 0, la
correlación es débil.
 Si r = 1 ó −1, los puntos de la nube están sobre la recta creciente o
decreciente.

2.4.4. Coeficiente de determinación

Luego de que ajustamos una recta de regresión a la nube de observaciones
del gráfico de dispersión de los datos, es importante disponer de una medida
que mida la bondad del ajuste realizado, un criterio que nos permita decidir si
la función que utilizamos es suficiente o si debemos buscar modelos
alternativos.
Como medida de bondad de ajuste, utilizamos el coeficiente de determinación
r 2 definido como sigue:
 2 xy
r2 
 2 x . 2 y

Como trabajamos con muestras, el coeficiente de determinación se calcula

elevando al cuadrado el coeficiente de correlación lineal.

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

19
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

n. xy   x .  y  2


n. x   x .n. y   y  
2
r 2 2
2 2

El valor de r 2 indica el porcentaje de la variación de la variable

dependiente Y que se explica por la recta de regresión estimada.

El valor de r 2 varía entre 0 y 1, cuando más cercano a 1 sea, mejor es el

ajuste lineal.

 Si r 2  0,81, por ejemplo, significa que el 81% de la variabilidad de

Y es explicada por la recta de regresión estimada. El 19% faltante, lo
atribuimos a factores ajenos al modelo establecido.
 Si r 2  0,35 , significa que, apenas, el 35% de la variabilidad de Y es
explicada por la recta de regresión estimada. El 65% faltante, lo
atribuimos a factores ajenos al modelo establecido, por lo que sería
recomendable recurrir a otros modelos.

2.4.5. Error estándar de la estimación

Si ŷ es la estimación de y para un valor determinado de x , entonces la
medida de la dispersión alrededor de la recta de regresión está dada por
s y . x , que es el Error estándar de la estimación.

  
 
 y  y
s y. x 
n2
  
Recordemos que y   0  1 x y que s y . x tiene el menor valor posible,

porque la estimación por mínimos cuadrados fundamenta que los

coeficientes son calculados con el menor error posible.

2.4.6. Parábola de mínimos cuadrados

Debemos entender que no siempre una recta es la mejor opción para el ajuste
de una función a una serie de datos, además de la recta podemos utilizar una
parábola o incluso otra relación polinómica.
Un ajuste por medio de una parábola tendría por lo tanto la siguiente forma:
   
y  0   1 x  2 x2

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

20
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

Donde ̂ 0 , ˆ1 y ̂ 2 son los estimaciones de los parámetros  0 ,  1 y  2 y se

calculan por el método de métodos de mínimos cuadrados.

2.4.7. Regresión exponencial

Es aquella en la que la función de ajuste es una función exponencial del tipo:
yˆ  ˆ .ˆ x

La regresión exponencial, aunque no es lineal es linealizable tomando

logaritmos y haciendo el cambio pertinente de variables.

2.4.8. Regresión potencial

Es aquella en la que la función de ajuste es una función exponencial del tipo:
ˆ
yˆ  ˆ .x 

La regresión potencial, aunque no es lineal es linealizable tomando logaritmos

y haciendo el cambio pertinente de variables.

2.4.9. Cambio de variables para casos linealizables

Función Cambio de variable Función linealizada

Tabla 4: Cambio de variables en algunas funciones linealizables

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

21
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

2.4.10. Ejemplo
La tabla siguiente indica la cantidad de horas anuales que los un grupo de
alumnos dedicó al desarrollo de ejercicios prácticos de la asignatura. Además,
indica la calificación final obtenida en una escala de 1 a 5.
Estudiante Horas Calificación
1 40 4
2 42 4
3 30 3
4 35 3
5 25 1
6 28 2
7 32 3
8 35 3
9 40 4
10 42 4
Tabla 5: Datos de Horas de práctica y Calificación

a) Identifica e indica la variable dependiente y la independiente.

b) Realiza un gráfico de dispersión de los datos e indica la recta de ajuste.
c) Estima la recta de regresión lineal simple por mínimos cuadrados
d) Realiza la predicción de calificación final de un estudiante que dedica
24 horas de estudio de la materia.
e) Calcula el coeficiente de correlación lineal e interpreta su resultado.
f) Calcula el coeficiente de determinación e interpreta su resultado.
g) Calcula el valor del error estándar de la estimación
Solución
a) La calificación final de la materia matemática depende de la cantidad
de horas anuales que dedicamos al estudio de la misma. Así que
definimos las variables de la siguiente manera:
X  variable independiente = cantidad de horas anuales
Y  variable dependiente = calificación final
b) Una vez definidas las variables, cada observación es un punto  X , Y 
que graficamos en el plano cartesiano.

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

22
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

X Y
40 4
42 4
30 3
35 3
25 1
28 2
32 3
35 3
40 4
42 4
Tabla 6: Puntos (x,y) de horas y calificación

4,5
4
3,5
Calificación Final

3
2,5
2
1,5
1
0,5
0
0 10 20 30 40 50
Cantidad de Horas

Figura 4: Relación entre Cantidad de horas y Calificación Final

  
c) Para hallar la recta de regresión y   0  1 x debemos calcular los

valores de ̂ 0 y ˆ1 con las ecuaciones que establecimos según el

método de mínimos cuadrados.

n n

n  X i  Yi
 X Y i i  i 1

n
i 1

Comenzamos con  1  i 1
2
. Para obtener todos los
 n 
 Xi 
X i2   i 1 
n


i 1 n
datos que requiere la fórmula, completamos la siguiente tabla

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

23
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

X Y XY X2 Y2
40 4 40 4 =160 402 =1600 16
42 4 42 4 =168 422 =1764 16
30 3 90 900 9
35 3 105 1225 9
25 1 25 625 1
28 2 56 784 4
32 3 96 1024 9
35 3 105 1225 9
40 4 160 1600 16
42 4 168 1764 16
10 10 10 10 10

 X  349  Y  31  X .Y  1133  X
1 1 1 1
2
 12511 Y
1
2
 105
Tabla 7: Cálculos auxiliares de horas y calificación

Luego podemos calcular

n n

n  X i  Yi 349  31
 X Y i i  i 1

n
i 1
1133 
10 
1  i 1
  1  0,1544
 n 
2
3492
 Xi  12511 
10
X i2   i 1 
n


i 1 n
10

 Y i
31
Como  0  Y  1 X , primero calculamos Y 1
  3,1 , y
n 10
10

X i
349
X  1
  34,9 .
n 10
 
Entonces  0  3,1  0,1544  34,9  0  2,2895

La recta de regresión de mínimos cuadrados es y  2,2895  0,1544 x

d) La recta y  2,2895  0,1544 x sirve para estimar la calificación final del
estudiante que dedica x  24 horas anuales a la asignatura.
 
y  2,2895  0,1544  24 y  1,4161
La calificación final es 1 , si redondeamos la cifra a entero.

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

24
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

e) Para calcular el coeficiente de correlación lineal, usaremos los datos

calculados en la tabla de cálculos auxiliares en la ecuación que
establecimos el mismo.
n. xy   x 
.  y 10.(1133)  349
. 31
r , r
n. x 2 2

  x  . n. y 2   y 
2
 10.12511  349 .10.105  31 
2 2

r  0,9416

Como r  0,9416 es positivo, las variables cantidad de horas y

calificación final tienen una relación directa, decimos también que la
relación lineal es fuerte porque el valor calculado es muy cercano a 1.
f) Obtenemos el coeficiente de determinación, elevando al cuadrado el
coeficiente de correlación calculado:
r 2  0,9416 
2

r 2  0,8866
El 88,66% de la variabilidad de la calificación final es explicado por la
recta de regresión estimada tomando cantidad de horas como variable
explicativa.

g) Para el cálculo del error estándar necesitamos calcular cada valor


estimado con nuestra ecuación y  2,2895  0,1544 x .
X= x Y= y   2
y  2,2895  0,1544 x yy  

 y  y
 
40 4 
y  2,2895  0,1544  40 4  3,8865
= 3,8865 = 0,1135 0,01288225

42 4 
y  2,2895  0,1544  42 4  4,1953
= 4,1953 = -0,1953 0,03814209

30 3 2,3425 0,6575 0,43230625

35 3 3,1145 -0,1145 0,01311025

25 1 1,5705 -0,5705 0,32547025

28 2 2,0337 -0,0337 0,00113569

32 3 2,6513 0,3487 0,12159169

35 3 3,1145 -0,1145 0,01311025

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

25
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

40 4 3,8865 0,1135 0,01288225

42 4 4,1953 -0,1953 0,03814209

2

  y  y  


1,00877306
Tabla 8: Estimaciones y Error

2
 


 y  y 
 , entonces s  1,00877306 , el valor del error
Como s y. x 
n2 10  2
y. x

estándar de la estimación es s y . x  0,3551

2.4.11. Ejemplo
Dada la siguiente tabla de dispersión,
x 0 1 2
y 1 2 6
Tabla 9: Puntos (x,y)

Determinar la función 𝑦 = 𝑐1 . 𝑒 𝑐2 𝑥 que mejor se ajusta a los puntos dados.

Solución
Veamos que la función solicitada no es lineal pero es linealizable, por lo que
tendremos que realizar cambios de variables para obtener los parámetros
necesarios 𝑐1 , 𝑐2 .
Sea 𝑦 = 𝑐1 . 𝑒 𝑐2 𝑥 , entonces 𝑙𝑛𝑦 = 𝑙𝑛 𝑐1 . 𝑒 𝑐2 𝑥 = 𝑙𝑛𝑐1 + 𝑙𝑛 𝑒 𝑐2 𝑥 = 𝑙𝑛𝑐1 + 𝑐2 𝑥.
Sean 𝑧 = 𝑙𝑛𝑦 y 𝑘 = 𝑙𝑛𝑐1 , entonces la función linealizada es: 𝑧 = 𝑘 + 𝑐2 𝑥.
Construyamos la tabla de mínimos cuadrados, de manera a obtener los
valores de 𝑘 y de 𝑐2 .
𝒙𝒊 𝒚𝒊 𝒛𝒊 = 𝒍𝒏𝒚𝒊 𝒙𝒊 . 𝒛𝒊 𝟐
𝒙𝒊
0 1 0 0 0
1 2 0.693 0.693 1
2 6 1.792 3.584 4
2
𝒙𝒊 = 𝟑 𝑦𝑖 = 9 𝑧𝑖 = 2.485 𝑥𝑖 . 𝑧𝑖 = 4.277 𝑥𝑖 =5
Tabla 10: Cálculos auxiliares para la obtención de la función linealizada

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

26
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

n n

 xi  z i
4.277  32.45
n

x z i i  i 1 i 1
n 3
Comenzamos calculando c2  i 1
2
 2
 0.9135
 n 3
n


 x i 

5
3
  xi  
2 i 1

i 1 n

Ahora calculemos k  z  c2 x
n n

 zi 2.485 x i
3
Necesitamos calcular previamente z  i 1
  0.828 y x  i 1
 1
n 3 n 3
Luego tenemos que k  0.828  0.9135.1  0.0855

Ahora solo falta calcular 𝑐1 para poder obtener la función solicitada.

Dijimos que 𝑘 = 𝑙𝑛𝑐1 entonces 𝑐1 = 𝑒 𝑘 = 𝑒 −0.0855 = 0.918

Finalmente tenemos que 𝑦 = 𝑐1 . 𝑒 𝑐2 𝑥 = 0.918 . 𝑒 0.9135 𝑥

2.5. MODELOS DE PRONÓSTICOS DE SERIES DE TIEMPO

Una serie de tiempo se basa en una secuencia de datos igualmente
espaciados (semanales, mensuales, trimestrales, etcétera). Pronosticar con
datos de series de tiempo implica que se predicen valores futuros tan solo a
partir de datos históricos de esa variable y que se ignoran otras variables, sin
importar su valor potencial.

2.5.1. Componentes de una serie de tiempo

Analizar una serie de tiempo significa desglosar los datos históricos en sus
componentes y, luego, proyectarlos hacia el futuro. En general, una serie de
tiempo tiene cuatro componentes:
1. Tendencia (T) es el movimiento gradual hacia arriba o hacia abajo de los
datos en el tiempo.

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

27
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

2. Estacionalidad (S, por seasonality) es el patrón de la fluctuación de la

demanda arriba o abajo de la recta de tendencia que se repite a intervalos
regulares.
3. Ciclos (C) son patrones en los datos anuales que ocurren cada cierto
número de años. Suelen estar vinculados al ciclo de negocios.
4. Variaciones aleatorias (R por Random variations) son “saltos” en los datos
ocasionados por el azar y por situaciones inusuales; no siguen un patrón
discernible.
Existen dos formas generales de los modelos de series de tiempo. La primera
es un modelo multiplicativo que supone que la demanda es el producto de las
cuatro componentes y se establece como:
𝐷𝑒𝑚𝑎𝑛𝑑𝑎 = 𝑇 𝑥 𝑆 𝑥 𝐶 𝑥 𝑅

Un modelo aditivo suma las componentes para dar una estimación. Con
frecuencia se usa un modelo de regresión múltiple para desarrollar los
modelos aditivos. Esta relación aditiva se establece como:
𝐷𝑒𝑚𝑎𝑛𝑑𝑎 = 𝑇 + 𝑆 + 𝐶 + 𝑅

Hay otros modelos que pueden ser una combinación de estos. Por ejemplo,
una de las componentes (como la tendencia) puede ser aditiva, en tanto que
otra (como la estacionalidad) puede ser multiplicativa.
Entender las componentes de una serie de tiempo ayudará a seleccionar una
técnica de pronósticos adecuada. Si todas las variaciones en una serie de
tiempo se deben a variaciones aleatorias, sin componentes de tendencia,
estacional o cíclica, se recomienda algún tipo de modelo de promedios o de
suavizamiento. Las técnicas de promedios en esta sección son promedios
móviles, promedio móvil ponderado y suavizamiento exponencial. Estos
métodos suavizarán los pronósticos y no tendrán demasiada influencia de las
variaciones aleatorias. Sin embargo, si hay en los datos un patrón de
tendencia o estacional, entonces, se debería usar una técnica que incorpore
esa componente en particular en el pronóstico. Dos de tales técnicas son el
suavizamiento exponencial con tendencia y las proyecciones de tendencia. Si
existe un patrón estacional presente en los datos, podría desarrollarse un
índice estacional y usarse con cualquier método de promedios. Si están

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

28
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

presentes las componentes de tendencia y estacional, entonces, deberá

emplearse un método como el de descomposición.

Figura 5: Demanda de productos graficada para 4 años, con tendencia y estacionalidad

2.5.2. Suavizamiento exponencial con ajuste de tendencia

Las técnicas para promediar o suavizar el pronóstico son útiles cuando una
serie de tiempo tiene tan solo una componente aleatoria; sin embargo, tales
técnicas no responden a las tendencias. Si hay una tendencia presente en los
datos, debería usarse un modelo de pronóstico que la incorpore de manera
explícita en el pronóstico. Una de esas técnicas es el modelo de
suavizamiento exponencial con ajuste de tendencia. La idea es desarrollar un
pronóstico de suavizamiento exponencial y, luego, ajustarlo por la tendencia.
Se emplean dos constantes de suavizamiento, 𝛼 y 𝛽 , en este modelo y
ambos valores deben estar entre 0 y 1. El nivel del pronóstico se ajusta
multiplicando primero la constante de suavizamiento, 𝛼, por el error del
pronóstico más reciente y sumarlo al pronóstico anterior. La tendencia se
ajusta multiplicando la segunda constante de suavizamiento, 𝛽, por el error
más reciente o la cantidad en exceso de la tendencia. Un valor más alto da
más peso a las observaciones recientes y, con ello, responde con mayor
rapidez a los cambios en los patrones. Al igual que con el suavizamiento

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

29
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

exponencial simple, la primera vez que se desarrolla un pronóstico, debe

darse o estimarse un pronóstico anterior (𝐹𝑡 ). Si no se dispone de uno, con
frecuencia se supone que el pronóstico inicial es perfecto. Asimismo, debe
darse o estimarse una tendencia previa (𝑇𝑡 ), que muchas veces se estima
usando otros datos históricos, si están disponibles, o bien, utilizando medios
subjetivos o calculando el incremento (o decremento) observado durante los
primeros periodos de los datos disponibles. Sin esa estimación disponible, en
ocasiones se supone que la tendencia es 0 inicialmente, aunque podría llevar
a pronósticos deficientes, si la tendencia es grande y es pequeño. Una vez
establecidas las condiciones iniciales, se desarrolla el pronóstico de
suavizamiento exponencial incluyendo la tendencia (𝐹𝐼𝑇𝑇 ) mediante los
siguientes tres pasos:
Paso 1. Calcular el pronóstico suavizamiento (𝐹𝑡+1 ) para el periodo 𝑡 + 1
usando la ecuación
𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑠𝑢𝑎𝑣𝑖𝑧𝑎𝑚𝑖𝑒𝑛𝑡𝑜 = 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑝𝑟𝑒𝑣𝑖𝑜 𝑖𝑛𝑐𝑙𝑢𝑦𝑒𝑛𝑑𝑜 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 + 𝛼(ú𝑙𝑡𝑖𝑚𝑜 𝑒𝑟𝑟𝑜𝑟)
𝐹𝑡+1 = 𝐹𝐼𝑇𝑡 + 𝛼(𝑌𝑡 − 𝐹𝐼𝑇𝑡 )
Paso 2. Actualizar la tendencia (𝑇𝑡+1 ) con la ecuación
𝑇𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝑠𝑢𝑎𝑣𝑖𝑧𝑎𝑑𝑎 = 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝑝𝑟𝑒𝑣𝑖𝑎 + 𝛽(𝑒𝑟𝑟𝑜𝑟 𝑜 𝑒𝑥𝑐𝑒𝑠𝑜 𝑑𝑒 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎)
𝑇𝑡+1 = 𝑇𝑡 + 𝛽 𝐹𝑡+1 − 𝐹𝐼𝑇𝑡
Paso 3. Calcular el pronóstico de suavizamiento exponencial ajustado por la
tendencia (𝐹𝐼𝑇𝑡+1 ) usando la ecuación
𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑐𝑜𝑛 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝐹𝐼𝑇𝑡𝑡+1 = 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑠𝑢𝑎𝑣𝑖𝑧𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝐹𝑡+1 + 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝑠𝑢𝑎𝑣𝑖𝑧𝑎𝑑𝑎 (𝑇𝑡+1 )

𝐹𝐼𝑇𝑡+1 = 𝐹𝑡+1 + 𝑇𝑡+1

Donde
𝑇𝑡 = tendencia suavizada para el periodo 𝑡
𝐹𝑡 = pronóstico suavizamiento para el periodo 𝑡
𝐹𝐼𝑇𝑡 = Pronóstico incluyendo tendencia para el periodo 𝑡
𝛼 = constante de suavizamiento para el pronóstico
𝛽 = constante de suavizamiento para la tendencia

2.5.2.1. Ejemplo
Consideremos el caso de la compañía Midwestern Manufacturing que, en el
periodo de 2004 a 2010, ha tenido la demanda de generadores eléctricos que
se presenta en la tabla de abajo. Para usar el método de suavizamiento

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

30
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

exponencial con ajuste de tendencia, primero se establecen las condiciones

iniciales (valores previos para 𝐹 y 𝑇), y se eligen 𝛼 y 𝛽 . Suponiendo que 𝐹1 es
perfecto y 𝑇1 es 0, y eligiendo 0.3 y 0.4 como las constantes de
suavizamiento, respectivamente, seguir los pasos pertinentes para obtener los
pronósticos con ajuste de tendencia de los años dados en la tabla.

Tabla 11: Demanda de Midwestern Manufacturing

Solución
Sean 𝐹1 = 74, 𝑇1 = 0 , 𝛼 = 0.3 , 𝛽 = 0.4, lo cual da como resultado:
𝐹𝐼𝑇1 = 𝐹1 + 𝑇1 = 74 + 0 = 74
Siguiendo los tres pasos para obtener el pronóstico para 2005 (periodo 2),
tenemos
Paso 1. Calcular 𝐹𝑡+1 con la ecuación
𝐹𝑡+1 = 𝐹𝐼𝑇𝑡 + 𝛼(𝑌𝑡 − 𝐹𝐼𝑇𝑡 )
𝐹2 = 𝐹𝐼𝑇1 + 0.3 𝑌1 − 𝐹𝐼𝑇1 = 74 + 0.3 74 − 74 = 74

Paso 2. Actualizar la tendencia (𝑇𝑡+1 ) usando la ecuación

𝑇𝑡+1 = 𝑇𝑡 + 𝛽 𝐹𝑡+1 − 𝐹𝐼𝑇𝑡
𝑇2 = 𝑇1 + 0.4 𝐹2 − 𝐹𝐼𝑇1 = 0 + 0.4 74 − 74 = 0

Paso 3. Calcular el pronóstico de suavizamiento exponencial de ajuste de

tendencia (𝐹𝐼𝑇𝑡+1 ) usando la ecuación
𝐹𝐼𝑇𝑡+1 = 𝐹𝑡+1 + 𝑇𝑡+1
𝐹𝐼𝑇2 = 𝐹2 + 𝑇2 = 74 + 0 = 74

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

31
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

Para 2006 (periodo 3), tenemos

Paso 1.
𝐹3 = 𝐹𝐼𝑇2 + 0.3 𝑌2 − 𝐹𝐼𝑇2 = 74 + 0.3 79 − 74 = 75.5
Paso 2.
𝑇3 = 𝑇2 + 0.4 𝐹3 − 𝐹𝐼𝑇2 = 0 + 0.4 75.5 − 74 = 0.6
Paso 3.
𝐹𝐼𝑇3 = 𝐹3 + 𝑇3 = 75.5 + 0.6 = 76.1
Los otros resultados se muestran en la tabla siguiente. El pronóstico para
2011 sería de aproximadamente 131.35.

Tabla 12: Pronósticos con suavizamiento exponencial con tendencia para Midwestern Manufacturing

2.5.2.2. Precisión del pronóstico.

Una consideración importante en la selección de un método de elaboración de
pronósticos es la precisión del pronóstico. Desde luego, queremos pronosticar
que los errores sean menores. El Error Cuadrado Medio (ECM) es una
medida de uso frecuente de la precisión de un método de elaboración de
pronósticos. Se obtiene calculando el promedio de los cuadrados de los
errores.
Otra manera de medir la precisión es calculando la DMA de los errores, lo
cual ya se había desarrollado con anterioridad.

2.5.3. Proyección de la tendencia

En esta sección mostramos cómo pronosticar los valores de una serie de
tiempo que exhibe una tendencia lineal a largo plazo. El tipo de series de
tiempo para las cuales el método de proyección de tendencias es aplicable,
muestra un incremento o disminución constante en el tiempo. Debido a que

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

32
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

este tipo de serie de tiempo no es estable, los métodos de suavización

descritos en la sección anterior no son aplicables.

2.5.3.1. Ejemplo
Consideremos la serie de tiempo para la venta de bicicletas de un fabricante
en particular durante los 10 años anteriores, como muestran la tabla y la
figura de abajo.

Tabla 13: Serie de tiempo de las ventas de bicicletas

Figura 6: Gráfica de las series de tiempo de las ventas de bicicletas

Veamos que se vendieron 21,600 bicicletas en el año 1; 22,900 en el año 2,

etc. En el año 10, el año más reciente, se vendieron 31,400 bicicletas. Aunque
la figura muestra cierto movimiento ascendente y descendente durante los 10
años anteriores, la serie de tiempo para el número de bicicletas vendidas

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

33
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

parece tener un incremento general o una tendencia ascendente. No

queremos que el componente de tendencia de una serie de tiempo siga cada
uno y todos los movimientos “ascendentes” y “descendentes”. En vez de ello,
el componente de tendencia debe reflejar el cambio gradual, en este caso el
crecimiento, de los valores de la serie de tiempo. Después de ver los datos de
la serie de tiempo de la tabla y la gráfica de la figura, podríamos estar de
acuerdo en que una tendencia lineal como muestra la figura siguiente,
proporciona una descripción razonable del movimiento a largo plazo de la
serie.

Figura 7: Tendencia representada por una función lineal para las ventas de bicicletas

Utilizamos los datos de las ventas de bicicletas para ilustrar los cálculos
involucrados en la aplicación del análisis de regresión con el fin de identificar
una tendencia lineal. Para una tendencia lineal, el volumen de ventas
estimado expresado como una función del tiempo es:

𝑇𝑡 = 𝛽0 + 𝛽1 𝑡
Donde:
𝑇𝑡 = valor de tendencia para las ventas de bicicletas en el periodo 𝑡
𝛽0 = intercepto de la línea de tendencia
𝛽1 = pendiente de la línea de tendencia

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

34
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

Observemos que, para la serie de tiempo de las ventas de bicicletas, 𝑡 = 1

corresponde al valor más antiguo de la serie de tiempo, y 𝑡 = 10 corresponde

al valor más reciente de la serie de tiempo. Las ecuaciones para calcular 𝛽0 y

𝛽1 ya se han estudiado en la sección de regresión lineal simple.

Para este caso particular haremos el proceso para obtener la ecuación de la
recta de tendencia por ajuste lineal de mínimos cuadrados. Explicaremos lo
que significa el valor de la pendiente de la recta y pronosticaremos el valor de
las ventas para los años 11, 12 y 13.

Solución

Primeramente construyamos la tabla necesaria para calcular los valores de 𝛽0

y 𝛽1 de la recta de tendencia.

Tabla 14: Cálculos auxiliares para la recta de tendencia

Entonces los coeficientes de la recta de tendencia son:

n n

n  t Y i i

 t Y  i i
i 1
n
i 1
(1545.5) 
(55)(264.5)
10
1  i 1
2
  1.1
 n  552
  ti  385 
10
t i   i 1 
n


i 1
2

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

35
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

10

 Y i
264.5
Como  0  Y  1 t , primero calculamos Y 1
  26.45 , y
n 10
10

t i
55 
t 1
  5.5 . Luego,  0  Y  1 t  26.45  (1.1)(5.5)  20.4
n 10
Finalmente la recta de tendencia es:

𝑇𝑡 = 𝛽0 + 𝛽1 𝑡 = 20.4 + 1.1𝑡

La pendiente de 1.1 en la ecuación de tendencia indica que durante los 10

años pasados la empresa ha experimentado un crecimiento medio en las
ventas de alrededor de 1100 unidades por año. Si suponemos que la
tendencia de los 10 años pasados en ventas es un buen indicador para el
futuro, podemos utilizar la ecuación de la recta obtenida, para proyectar el
componente de tendencia de la serie de tiempo. Por ejemplo, al sustituir
𝑡 = 11 en la ecuación obtenemos la proyección de tendencia del año
siguiente, 𝑇11 :
𝑇11 = 20.4 + 1.1 11 = 32.5
Por tanto, el componente de tendencia produce un pronóstico de ventas de
32,500 bicicletas para el año siguiente.
También podemos utilizar la línea de tendencia para pronosticar las ventas en
un futuro más lejano. Por ejemplo, con la ecuación elaboramos pronósticos
para dos y tres años adicionales en el futuro como sigue:
𝑇12 = 20.4 + 1.1 12 = 33.6
𝑇13 = 20.4 + 1.1 13 = 34.7

2.5.4. Componentes de tendencia y estacional

Mostramos cómo pronosticar los valores de una serie de tiempo que tienen un
componente de tendencia. En esta sección ampliamos la explicación al indicar
cómo pronosticar los valores de una serie de tiempo que tiene tanto un
componente de tendencia como uno estacional.
Numerosas situaciones en los negocios y la economía involucran
comparaciones de un periodo a otro. Por ejemplo, podríamos estar
interesados en saber que la tasa de desempleo aumentó 2% en comparación

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

36
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

con el último mes, la producción de acero aumentó 5% con respecto al mes

pasado, o la producción de energía eléctrica disminuyó 3% a diferencia del
mes anterior. Sin embargo, se debe tener sumo cuidado al utilizar esta
información, debido a que siempre que existe una influencia estacional, estas
comparaciones por lo general no son especialmente significativas. Por
ejemplo, el hecho de que el consumo de energía eléctrica disminuyó 3%, de
agosto a septiembre, podría ser el único efecto estacional asociado con un
incremento en el uso del aire acondicionado y no deberse a una disminución a
largo plazo en el uso de la electricidad. En efecto, después de ajustarnos al
efecto estacional, podríamos encontrar incluso que el uso de la energía
eléctrica ha aumentado. La eliminación del efecto estacional de una serie de
tiempo se conoce como desestacionalización de la serie de tiempo. Después
de hacerlo, las comparaciones periodo a periodo son más significativas y
pueden ayudar a identificar si existe una tendencia. El enfoque que seguimos
en esta sección es apropiado en situaciones cuando sólo están presentes los
efectos estacionales o en situaciones en que se dan tanto el componente
estacional como el de tendencia. El primer paso es calcular los índices
estacionales y utilizarlos para desestacionalizar los datos. Luego, si es
evidente una tendencia en los datos desestacionalizados, utilizamos el
análisis de regresión sobre los datos desestacionalizados para estimar la
tendencia.

2.5.4.1. Modelo multiplicativo

Además de un componente de tendencia T y un componente estacional S,
asumimos que la serie de tiempo también tiene un componente irregular I. El
componente irregular representa los efectos aleatorios de la serie de tiempo
que no pueden explicarse por medio de los componentes de tendencia y
estacional. Con 𝑇𝑡 , 𝑆𝑡 e 𝐼𝑡 para identificar los componentes de tendencia,
estacional e irregular en el tiempo 𝑡, suponemos que el valor de la serie de
tiempo real, denotado por 𝑌𝑡 , puede describirse por el modelo multiplicativo
de series de tiempo.
𝑌𝑡 = 𝑇𝑡 𝑥 𝑆𝑡 𝑥 𝐼𝑡
En este modelo, 𝑇𝑡 es la tendencia medida en unidades del elemento que se
pronostica. Sin embargo, los componentes 𝑆𝑡 e 𝐼𝑡 se miden en términos

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

37
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

relativos, con valores por encima de 1, lo que indica efectos por encima de la
tendencia, y valores por debajo de 1 que denotan efectos por debajo de la
tendencia.

2.5.4.2. Ejemplo
Los datos de la tabla de abajo muestran las ventas de televisores (en miles de
unidades) para un fabricante en particular durante los cuatro años pasados.

Tabla 15: Datos trimestrales para las ventas de televisores

La gráfica en serie de tiempo de los datos dados es:

Figura 8: Gráfica de las series de tiempo de ventas trimestrales de los televisores

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

38
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

Solución
 Cálculo de los índices estacionales
La figura anterior indica que las ventas son menores en el segundo trimestre
de cada año, seguidas por los niveles de ventas más altos en los trimestres 3
y 4. Por tanto, concluimos que existe un patrón estacional para las ventas de
televisores. Comenzamos el procedimiento de cálculo utilizado para identificar
la influencia estacional de cada trimestre al calcular un promedio móvil para
aislar los componentes estacional e irregular, 𝑆𝑡 e 𝐼𝑡 . Para hacerlo, utilizamos
datos de un año en cada cálculo. Como estamos trabajando con una serie
trimestral, utilizamos cuatro valores de datos en cada promedio móvil. El
cálculo del promedio móvil para los primeros cuatro trimestres de los datos de
ventas de televisores es:
4.8 + 4.1 + 6 + 6.5 21.4
𝑃𝑟𝑖𝑚𝑒𝑟 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑚ó𝑣𝑖𝑙 = = = 5.35
4 4
Observemos que el cálculo del promedio móvil para los primeros cuatro
trimestres produjo el promedio de ventas trimestrales durante un año de la
serie de tiempo. Si continuamos con el cálculo del promedio móvil, luego se
suma el valor de 5.8 para el primer trimestre del año 2 y se omite el 4.8 para
el primer trimestre del año 1. Por tanto, el segundo promedio móvil es:
4.1 + 6 + 6.5 + 5.8 22.4
𝑆𝑒𝑔𝑢𝑛𝑑𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑚ó𝑣𝑖𝑙 = = = 5.6
4 4
Antes de proseguir con los cálculos del promedio móvil para la serie de
tiempo entera, regresamos al cálculo del primer promedio móvil, el cual dio
como resultado un valor de 5.35, que representa un volumen medio de ventas
trimestrales (en todas las temporadas) para el año 1. Cuando regresamos al
cálculo del valor 5.35, tiene sentido asociar 5.35 con el trimestre “medio” del
grupo de promedios móviles. Notemos, no obstante, que encontramos
algunas dificultades para identificar el trimestre medio; cuatro trimestres en el
promedio móvil no permiten un trimestre medio. El valor 5.35 corresponde a la
última mitad del trimestre 2 y a la primera mitad del trimestre 3. De modo
parecido, si pasamos al siguiente valor del promedio móvil de 5.60, la parte
media corresponde a la última mitad del trimestre 3 y a la primera mitad del
trimestre 4.

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

39
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

Recordemos que la razón para calcular promedios móviles es aislar los

componentes estacional e irregular combinados. Sin embargo, los valores de
los promedios móviles que calculamos no corresponden directamente a los
trimestres originales de la serie de tiempo. Podemos resolver esta dificultad al
utilizar los puntos medios entre los valores de promedios móviles sucesivos.
Por ejemplo, como 5.35 corresponde a la primera mitad del trimestre 3 y 5.60
(5.35 + 5.60)
corresponde a la última mitad del trimestre 3, podemos utilizar =
2

5.475 como el valor del promedio móvil para el trimestre 3.

(5.60 + 5.875 )
Asimismo, asociamos un valor de promedio móvil de = 5.738 con
2

el trimestre 4. El resultado es un promedio móvil centrado.

La tabla siguiente muestra un resumen completo de los cálculos del promedio
móvil y del promedio móvil centrado para los datos de las ventas de
televisores.

Tabla 16: Cálculos del promedio móvil centrado para las series de tiempo de ventas de televisores

Si el número de puntos de datos en un cálculo de promedio móvil es un número

impar, el punto medio corresponderá a uno de los periodos en la serie de tiempo. En
estos casos no tendríamos que centrar los valores del promedio móvil para hacerlos
corresponder con un periodo en particular.

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

40
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

La figura siguiente muestra gráficas de los valores de la serie de tiempo real y

el promedio móvil centrado correspondiente. Observemos en particular cómo
los valores del promedio móvil centrado tienden a “suavizar” las fluctuaciones
tanto estacional como irregular en la serie de tiempo. Los valores del
promedio móvil calculados para cuatro trimestres de datos no incluyen las
fluctuaciones debidas a influencias estacionales porque el efecto estacional
se ha promediado. Cada punto en el promedio móvil centrado representa cuál
sería el valor de la serie de tiempo sin influencias estacionales o irregulares.

Figura 9: Gráfica de series de tiempo de las ventas trimestrales de televisores y del promedio móvil
centrado

Al dividir cada observación de la serie de tiempo entre el valor del promedio

móvil centrado correspondiente, podemos identificar el efecto estacional-
irregular en la serie de tiempo. Por ejemplo, el tercer trimestre del año 1
6.0
muestra = 1.096 como el componente estacional-irregular combinado. La
5.475

tabla siguiente resume los valores estacionales – irregulares resultantes para

toda la serie de tiempo.

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

41
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

Tabla 17: Valores estacionales-irregulares para las series de tiempo de las ventas de televisores

Consideremos el tercer trimestre. Los resultados de los años 1, 2 y 3

muestran valores del tercer trimestre de 1.096, 1.075 y 1.109,
respectivamente. Por tanto, en todos los casos el componente estacional-
irregular parece tener una influencia por encima del promedio en el tercer
trimestre. Las fluctuaciones durante los tres años pueden atribuirse al
componente irregular, por lo que podemos promediar los valores calculados
para eliminar la influencia irregular y obtener una estimación de la influencia
estacional del tercer trimestre:
1.096 + 1.075 + 1.109
𝐸𝑓𝑒𝑐𝑡𝑜 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙 𝑑𝑒𝑙 𝑡𝑒𝑟𝑐𝑒𝑟 𝑡𝑟𝑖𝑚𝑒𝑠𝑡𝑟𝑒 =
3
= 1.09
Nos referimos a 1.09 como el índice estacional para el tercer trimestre. En la
tabla siguiente se resumen los valores involucrados en el cálculo de los
índices estacionales para las series de tiempo de ventas de televisores. Por
tanto, los índices estacionales para los cuatro trimestres son: trimestre 1=
0.93; trimestre 2 = 0.84; trimestre 3 = 1.09 y trimestre 4 = 1.14.

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

42
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

Tabla 18: Cálculos del índice estacional para las series de tiempo de las ventas de televisores

La interpretación de los valores de la tabla 18 proporciona algunas

observaciones sobre el componente “estacional” en las ventas de televisores.
El trimestre de mejores ventas es el cuarto, con ventas que promedian 14%
por encima del valor medio trimestral. El trimestre con peores ventas, o más
lento, es el segundo, con un índice estacional de 0.84, que muestra que las
ventas promediaron 16% por debajo de las ventas medias trimestrales. El
componente estacional corresponde a la expectativa intuitiva de que el interés
por ver televisión y, por tanto, los patrones de compra de televisores tienden a
alcanzar valores máximos en el cuarto trimestre, ya que la temporada de
invierno está próxima y hay menos actividades al aire libre (hemisferio norte).
Las ventas bajas del segundo trimestre reflejan el interés reducido en la
televisión como resultado de las actividades de primavera y previas al verano
de los clientes potenciales (hemisferio norte).
Tal vez sea necesario un ajuste final para obtener los índices estacionales. El
modelo multiplicativo requiere que el índice estacional medio sea igual 1.00,
así que la suma de los cuatro índices estacionales de la tabla 18 debe ser
igual a 4.00. En otras palabras, los efectos estacionales deben igualarse a lo
largo del año. El promedio de los índices estacionales en nuestro ejemplo es
igual a 1.00, y por ende este tipo de ajuste no es necesario.
En otros casos puede requerirse un ajuste ligero, para lo cual, multiplicaremos
cada índice estacional por el número de estaciones dividido entre la suma de
los índices estacionales sin ajustar. Por ejemplo, para los datos trimestrales,
4
multiplique cada índice estacional por (𝑠𝑢𝑚𝑎 .
𝑑𝑒 𝑙𝑜𝑠 í𝑛𝑑𝑖𝑐𝑒𝑠 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙𝑒𝑠 𝑠𝑖𝑛 𝑎𝑗𝑢𝑠𝑡𝑎𝑟 )

Esto es lo mismo que dividir cada índice estacional por el promedio de

índices estacionales.

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

43
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

2.5.5. Desestacionalización de las series de tiempo

El propósito de determinar índices estacionales es precisamente eliminar los

efectos estacionales de una serie de tiempo. Este proceso se conoce como
desestacionalizacion de las series de tiempo.
Con la notación del modelo multiplicativo se obtiene
𝑌𝑡 = 𝑇𝑡 𝑥 𝑆𝑡 𝑥 𝐼𝑡
Al dividir cada observación de serie de tiempo entre el índice estacional
correspondiente se elimina el efecto estacional de la serie de tiempo. En la
tabla siguiente se resume la serie de tiempo desestacionalizada para las
ventas de televisores, y en la figura siguiente se muestra una gráfica de la
serie de tiempo desestacionalizada de las ventas de televisores.

Tabla 19: Valores desestacionalizados para las series de tiempo de las ventas de televisores

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

44
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

Figura 10: Series de tiempo desestacionalizadas de las ventas de televisores

2.5.5.1.1. Uso de series de tiempo desestacionalizadas

para identificar tendencias

Aunque la gráfica de la fi gura 10 muestra cierto movimiento ascendente y

descendente durante los 16 trimestres pasados, la serie de tiempo parece
tener una tendencia lineal ascendente. Para identificar esta tendencia,
utilizamos el mismo procedimiento que habíamos utilizado en la sección de
Proyección de la Tendencia; en este caso, los datos utilizados son los
valores de las ventas trimestrales desestacionalizadas. Por tanto, para una
tendencia lineal, el volumen de ventas estimadas expresado como una
función del tiempo es:

𝑇𝑡 = 𝛽0 + 𝛽1 𝑡

donde
𝑇𝑡 = valor de tendencia para las ventas de televisores en el periodo 𝑡
𝛽0 = intercepto de la línea de tendencia
𝛽1 = pendiente de la tendencia en el tiempo

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

45
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

Como antes, 𝑡 = 1 corresponde al tiempo de la primera observación para la

serie de tiempo, 𝑡 = 2 corresponde al tiempo de la segunda observación, etc.
Por tanto, para las series de tiempo de las ventas desestacionalizadas de
televisores, 𝑡 = 1 corresponde al primer valor de las ventas trimestrales
desestacionalizadas y 𝑡 = 16 corresponde al valor de ventas trimestrales
desestacionalizadas más reciente. Las ecuaciones para calcular los valores
de 𝛽0 y 𝛽1 son:
n n

n  ti  Yi
 t Y  i i
i 1 i 1
n
1  i 1
2
 n 
  ti 
t i   i 1 
n


i 1
2

 
 0  Y  1 t

Donde
n n

Yi t i
Y 1
,y t 1

n n

Observemos, sin embargo, que 𝑌𝑡 ahora se refiere al valor de la serie de

tiempo desestacionalizada en el periodo 𝑡 y no al valor real de la serie de
tiempo. Con las relaciones dadas para 𝛽0 y 𝛽1 y los datos de ventas
desestacionalizadas de la tabla 19, hacemos los cálculos siguientes:

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

46
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

Tabla 20: Cálculos auxiliares para la proyección de la tendencia con valores desestacionalizados para las series de
tiempo de las ventas de televisores

De la tabla 20 obtenemos que:

136
𝑡= = 8.5
16
101.74
𝑌= = 6.359
16
136 (101 .74)
914.98 − 16
𝛽1 = 136 2
= 0.148
1496 − 16

𝛽0 = 6.359 − 0.148 8.5 = 5.101

Por lo tanto:

𝑇𝑡 = 5.101 + 0.148𝑡,
es la ecuación para el componente de tendencia lineal de la serie de tiempo.

La pendiente de 0.148 indica que durante los 16 trimestres anteriores la

empresa ha experimentado un crecimiento desestacionalizado medio en las
ventas de aproximadamente 148 televisores por trimestre. Si suponemos que
la tendencia de los 16 trimestres pasados en datos de ventas es un indicador

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

47
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

razonablemente bueno del futuro, podemos utilizar esta ecuación para

proyectar el componente de tendencia de la serie de tiempo para trimestres
futuros. Por ejemplo, al sustituir 𝑡 = 17 en la ecuación obtenemos la
proyección de la tendencia del trimestre siguiente, 𝑇17 :
𝑇17 = 5.101 + 0.148 17 = 7.617
De ahí que el componente de tendencia produzca un pronóstico de ventas de
7617 televisores para el trimestre siguiente. Del mismo modo, el componente
de tendencia produce pronósticos de ventas de 7765, 7913 y 8061 televisores
en los trimestres 18, 19 y 20, respectivamente.

2.5.6. Ajustes estacionales

El paso final en el desarrollo del pronóstico, cuando tanto el componente de

tendencia como el estacional están presentes, es utilizar el índice estacional
para ajustar la proyección de tendencia. Al retomar el ejemplo de las ventas
de televisores, tenemos una proyección de tendencia para los cuatro
trimestres siguientes. Ahora debemos ajustar el pronóstico para el efecto
estacional. El índice estacional para el primer trimestre del año 5 (𝑡 = 17) es
0.93, así que obtenemos el pronóstico trimestral al multiplicar el pronóstico
con base en la tendencia (𝑇17 = 7617) por el índice estacional (0.93). Por
tanto, el pronóstico para el trimestre siguiente es 7617 0.93 = 7084. La tabla
siguiente muestra el pronóstico trimestral para los trimestres 17-20. Los
pronósticos muestran un cuarto trimestre con un alto volumen y un pronóstico
de 9190 unidades, y un segundo trimestre con un bajo volumen y un
pronóstico de 6523 unidades.

Tabla 21: Pronósticos trimestrales para la serie de tiempo de ventas de televisores

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

48
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción

Bibliografía

 Render, B., Stair, R., Hanna, M. & Osuna, M. (2012). Métodos

cuantitativos para los negocios. México, D.F: Pearson Educación.

 Anderson, D., Sweeney, D. & Williams, T. (2011). Métodos

cuantitativos para los negocios (11a. ed. México, D.F: CENGAGE
Learning.

 Eppen, G., Ruiz, A. & García, G. (2000). Investigación de operaciones

en la ciencia administrativa : construcción de modelos para la toma de
decisiones con hojas de cálculo electrónicas . Naucalpan de Juárez ,
México: Prentice Hall.

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

49