Series de tiempo

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

Debido a que las condiciones económicas y comerciales varían en el tiempo, los líderes de los
negocios deben encontrar formas de mantenerse al día respecto a los efectos que esos cambios
tendrán en sus operaciones. Una técnica que pueden usar los líderes de negocios como ayuda
en la planeación de las necesidades operativas en lo futuro es el pronóstico. Aunque se han
desarrollado numerosos métodos para pronosticar, todos tienen un objetivo común, predecir
los eventos futuros de manera que las proyecciones se puedan incorporar en el proceso de
toma de decisiones.
Suponga que necesitamos hacer pronósticos trimestrales para el volumen de ventas de
determinado producto durante el próximo año. Los programas de producción, las compras de
materias primas, las políticas de inventarios y las cuotas de venta serán afectados, todos, por esos
pronósticos. Entonces, los malos pronósticos darán como resultado una mala planeación y, en
consecuencia, aumentarán los costos de la empresa. ¿Cómo se hace para elaborar los pronósticos
trimestrales del volumen de ventas?

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

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

Los métodos de pronóstico cualitativos son importantes en especial cuando no se dispone de

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

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

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

Este proceso continuo hasta que el coordinador siente que ha alcanzado cierto nivel de
consenso. El objetivo del método délfico no es llegar al resultado de una sola respuesta, sino
producir un conjunto compacto de opiniones dentro del cual esté la mayoría de los expertos.
Opinión de expertos. Con frecuencia, los pronósticos se basan en el juicio de un solo experto, o
representan el consenso de un grupo de expertos. Por ejemplo, cada año se reúne un grupo de
expertos en Merrill Lynch con el fin de pronosticar el nivel del promedio industrial Dow Jones y
la tasa prima para el siguiente año. Al hacerlo, los expertos se basan, de manera individual en
información que cree que influye en el mercado accionario y las tasas de interés, a continuación,
combinan sus conclusiones en forma de un pronóstico. No se usa modelo formal alguno, y es
improbable que dos expertos cualesquiera visualicen de la misma forma la misma observación.

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

es probable que las condiciones en el pasado no rijan en el futuro. Aunque no se usa modelo
cuantitativo formal, el juicio experto ha producido buenos pronósticos en muchos casos.
Elaboración de escenarios. Este método consiste en desarrollar un escenario conceptual del
futuro, basado en un conjunto bien definido de supuestos. Los distintos conjuntos de supuestos
producen diferentes escenarios. La tarea de quien toma decisiones es decidir lo probable que es
cada escenario y, a continuación, tomar las decisiones pertinentes.

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

Los métodos de pronóstico de series de tiempo implican la proyección de los valores futuros
de una variable basada por completo en las observaciones pasadas y presentes de esa variable.

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

periodos iguales en el tiempo

Los métodos de pronóstico causales comprenden la determinación de factores relacionados

con la variable que se predice, e incluyen análisis con variables retrasadas, modelado
econométrico, análisis de indicador líder, índice de difusión y otros medidores económicos más
allá del alcance de este libro. La figura 5.1 representa una perspectiva de los métodos de
pronóstico.
5.1. Modelo clásico de series de tiempo
La suposición fundamental del análisis de series de tiempo es que los factores que han influido
en los patrones de actividad en el pasado y el presente tendrán más o menos la misma influencia
en lo futuro. Entonces la meta principal del análisis de series de tiempo es: identificar y aislar
estos factores de influencia con el fin de realizar predicciones (pronosticar), así como fines
administrativos de planeación y control.

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

Para exponer el modelo multiplicativo clásico de series de tiempo, en la figura 5.2 se presentan
los ingresos brutos reales de Eastman Kodak Company de 1975 a 1998. Si se intenta observar
las características de esta serie de tiempo, es evidente que los ingresos reales muestran una
propensión a aumentar en este periodo de 24 años. Esta inclinación global a largo plazo o
impresión de un movimiento hacia arriba o hacia abajo se conoce como tendencia
Sin embargo, la tendencia no es el único factor componente que influye en estos datos en
particular o en otra serie de tiempo anual. Otros dos factores, el componente cíclico y el
componente irregular, están presentes en los datos.

El componente cíclico describe la oscilación o movimiento hacia arriba o hacia abajo en una
serie de tiempo. Los movimientos cíclicos varían en longitud, en general, duran de 2 a 10 años;
difieren en intensidad o amplitud, y a menudo se relacionan con los ciclos de los negocios. En
algunos años los valores serán más altos que los pronosticados por una sencilla recta de
tendencia lineal (es decir, se encuentran en o cerca de un pico) de un ciclo); en otros años los
valores serán menores que el pronóstico de una recta de tendencia (esto es, están en o cerca
del fondo o depresión de un ciclo). Cualquier dato observado que no siga la tendencia curva
modificada por el componente cíclico es un indicio del componente aleatorio o irregular.
Cuando los datos se registran por mes o trimestre, se considera un componente adicional
llamado factor estacional junto con los componentes de tendencia, cíclico e irregular.
Cuando los datos se obtienen por trimestre o por mes, una observación registrada en el
periodo puede estar dada por la ecuación (5.2)

5.2. Análisis de fluctuaciones

El primer paso en un análisis de series de tiempo, consiste en graficar los datos y observar sus
tendencias en el tiempo. Primero debe determinarse si parece haber un movimiento hacia
arriba o hacia abajo a largo plazo en la serie (una tendencia) o si la serie parece oscilar alrededor
de una recta horizontal en el tiempo. En este caso (es decir, no hay tendencia positiva o negativa
a largo plazo), puede emplearse el método de promedios móviles o el de suavización
exponencial para “emparejar” la serie y proporcionar un panorama global a largo plazo. Por
otro lado, si de hecho existe una tendencia, se pueden aplicar varios métodos de pronóstico de
series de tiempo al manejar datos anuales, y otro método para los datos de series de tiempo
mensual o trimestral.

El patrón o comportamiento de los datos en una serie de tiempo tiene diversos componentes.
El supuesto usual es que se combinan cuatro componentes separados: la tendencia, el cíclico,
el estacional y el irregular para definir valores específicos de la serie de tiempo. Examinaremos
cada uno de estos componentes.
El gráfico de la serie permitirá:

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

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

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

siguiente situación ver figura 5.3:

Los dos puntos enmarcados en una flecha parecen corresponder a un comportamiento anormal
de la serie. Al investigar estos dos puntos se vio que correspondían a dos días de paro, lo que
naturalmente afectó la producción en esos días. El problema fue solucionado eliminando las
observaciones e interpolando.
b) Permite detectar tendencia: la tendencia representa el comportamiento
predominante de la serie. Esta puede ser definida vagamente como el cambio de la
media a lo largo de un periodo.
c) Variación estacional: la variación estacional representa un movimiento periódico de la serie
de tiempo. La duración de la unidad del periodo es generalmente menor que un año. Puede ser
un trimestre, un mes o un día, etc.

Matemáticamente, podemos decir que la serie representa variación estacional si

existe un número s tal que x(t) = x(t + k*s).

Las principales fuerzas que causan una variación estacional son las condiciones del
tiempo, como, por ejemplo:
1) en invierno las ventas de helado
2) en verano la venta de lana
3) exportación de fruta en marzo.
Todos estos fenómenos presentan un comportamiento estacional (anual, semanal, etc.)
d) Variaciones irregulares (componente aleatoria): los movimientos irregulares (al azar)
representan todos los tipos de movimientos de una serie de tiempo que no sea tendencia,
variaciones estacionales y fluctuaciones cíclicas.

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

Existen tres modelos de series de tiempos, que generalmente se aceptan como buenas
aproximaciones a las verdaderas relaciones, entre los componentes de los datos
observados. Estos son:
1. Aditivo: X(t) = T(t) + E(t) + A(t)
2. Multiplicativo: X(t) = T(t) · E(t) · A(t)
3. Mixto: X(t) = T(t) · E(t) + A(t)
donde:
X(t) serie observada en instante t
T(t) componente de tendencia
E(t) componente estacional
A(t) componente aleatoria (accidental)

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

Un modelo aditivo (1), es adecuado, por ejemplo, cuando E(t) no depende de otras
componentes, como T(t), sí por el contrario la estacionalidad varía con la tendencia, el modelo
más adecuado es un modelo multiplicativo (2). Es claro que el modelo 2 puede ser transformado
en aditivo, tomando logaritmos. El problema que se presenta, es modelar adecuadamente las
componentes de la serie.
5.3. Análisis de tendencia
En el análisis de serie de tiempo, las mediciones pueden efectuarse cada hora, día, semana, mes
o año o en cualquier otro intervalo regular periódico. Aunque los datos de serie de tiempo
presentan, por lo general, fluctuaciones aleatorias, esta serie puede mostrar también
desplazamientos o movimientos graduales hacia valores relativamente mayores o menores a lo
largo de un lapso importante de tiempo. El desplazamiento gradual de la serie de tiempo se
llama tendencia de esa serie; este desplazamiento o tendencia es, por lo común, el resultado
de factores a largo plazo, como cambios en la población, características demográficas de la
misma, la tecnología y/o las preferencias del consumidor.

Por ejemplo, un fabricante de bicicletas podría detectar cierta variabilidad, de año a año, en la
cantidad de bicicletas vendidas. Sin embargo, al revisar las ventas durante los últimos 10 años,
puede encontrar que hay un aumento gradual en el volumen anual de ventas. Suponga que sus
ventas fueron:

Este crecimiento anual de las ventas a través del tiempo muestra una tendencia creciente de la
serie de tiempo. La figura 5.4 presenta una recta que puede ser una buena aproximación a la
tendencia de las ventas de bicicletas. Aunque esa tendencia parece ser lineal y aumentar con el
tiempo a veces, en una serie de tiempo, la tendencia se puede describir mejor mediante otros
patrones.
Si al graficar nuestros datos observamos de manera clara la tendencia lineal a largo plazo (no
importando si es positiva o negativa), entonces estaremos en la posición de pronosticar con un
buen nivel de confianza, con alguno de los métodos que se indicaran más adelante.

La figura 5.5 muestra otros patrones posibles de tendencia. La sección A representa una
tendencia no lineal; en este caso, la serie de tiempo crece poco al principio; luego tiene un
crecimiento rápido y, finalmente, se nivela.

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

5.4. Análisis de variaciones cíclicas

Aunque una serie de tiempo puede presentar una tendencia a través de periodos grandes, sus
valores no caerán con exactitud sobre la línea de tendencia. De hecho, con frecuencia estas
series temporales presentan secuencias alternas de puntos abajo y arriba de la línea de
tendencia. Toda secuencia recurrente de puntos arriba y debajo de la línea de tendencia, que
dura más de un año, se puede atribuir a un componente cíclico de la serie. La figura 5.6 es la
gráfica de una serie de tiempo con un componente cíclico obvio. Las observaciones se hicieron
con intervalos de un año.
Muchas series se tiempo presentan comportamiento cíclico con tramos regulares de
observaciones abajo y arriba de la línea de tendencia. En general, este comportamiento de la
serie se debe a movimientos cíclicos de la economía a través de varios años. Por ejemplo, los
periodos de inflación moderada seguidos de periodos de inflación rápida pueden determinar
series de tiempo que se alternan abajo y arriba de una línea de tendencia ascendente en general
(como la serie de tiempo de los costos de vivienda). Diversas series de tiempo de principios de
la década de los ochenta presentaron este comportamiento

5.5. Medición de variaciones estacionales e irregulares

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

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

5.6. Aplicación de ajustes estacionales

Una aplicación frecuente de índices estacionales es la de ajustar datos de serie de tiempo
observados para eliminar la influencia del componente estacional en ellos; se llaman datos con
ajuste estacional. Los ajustes estacionales son particularmente pertinentes cuando se desea
comparar datos de diferentes meses para determinar si ha tenido lugar un incremento (o
decremento) en relación con las expectativas estacionales. Los valores de serie de tiempo
mensuales (o trimestrales) observados se ajustan respecto de la influencia estacional dividiendo
cada valor entre el índice mensual (o trimestral) de ese mes. El resultado se multiplica luego por
100 para mantener la posición decimal de los datos originales. La serie que resultante se llama
ventas desestacionalizadas o ventas ajustadas estacionalmente.
La razón para desestacionalizar las series de ventas es similar las fluctuaciones estaciónales a
fin de estudiar la tendencia y el ciclo. Para ilustrar el procedimiento, los totales trimestrales de
ventas de la empresa

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

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

Por ejemplo, las ventas reales para el primer trimestre de 1996 fueron 6.7 millones de dólares,
el índice estacional par el trimestre de invierno es 76.5 el índice 76.5 indica que las ventas en el
primer trimestre normalmente se encuentran 23.5% abajo del promedio de un trimestre
normal. Dividiendo las ventas reales $6.7 millones entre 76.5 y multiplicando el resultado por
100 se encuentra el valor de las ventas desestacionalizadas del primer trimestre de 1996. El
valor es $8758170 que se obtuvo de ($6700000/76.5)100.
Este proceso se repite con los demás trimestres en la columna 3 de la tabla 5.2 y los resultados
se dan en millones de dólares. Puesto que la componente estacionalizadas contiene solo las
componentes de tendencia (T), ciclo © e irregular (I). Al revisar las ventas desestacionalizadas.
Es claro que la eliminación del factor estacional permite considerar la tendencia general a largo
plazo de las ventas. También se podrá determinar la ecuación de regresión de los datos de
tendencia y usarla para pronosticar ventas futuras.

5.7. Pronósticos basados en factores de tendencia y estacionales.

Como lo indicamos anteriormente el primer pasó en un análisis de series de tiempo, consiste
en graficar los datos y observar sus tendencias en el tiempo. Primero debe determinarse si
parece haber un movimiento hacia arriba o hacia abajo a largo plazo en la serie (una tendencia)
o si la serie parece oscilar alrededor de una recta horizontal en el tiempo. En este caso (es decir,
no hay tendencia positiva o negativa a largo plazo), se recomienda antes de aplicar alguno de
los métodos de pronostico ¨suavizar¨ nuestros datos a fin de que la tendencia se observe de
manera clara.
Los métodos que pueden emplearse para suavizar nuestros datos usualmente son:
a) El método de promedios móviles
b) El método de suavización exponencial

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

a largo plazo. Por otro lado, si de hecho existe una tendencia, se pueden aplicar varios métodos
de pronóstico de series de tiempo al manejar datos anuales, y otro método para los datos de
series de tiempo mensual o trimestral, los cuales se verán posteriormente.
Suavización de una serie de tiempo anual
La tabla 5.3 presenta las ventas mundiales de una fábrica (en millones de unidades) de
automóviles, camiones y autobuses hechos por General Motors Corporation (GM). Para un
periodo de 24 años, de 1975 a 1998, y la figura 5.7 es una gráfica de serie de tiempo de estos
datos. Al examinar este tipo de datos anuales, la impresión visual de las tendencias globales a
largo plazo o movimientos de tendencia en la serie quedan veladas por la cantidad de variación
de un año a otro. Entonces se vuelve difícil juzgar si en esta serie en realidad existe un efecto de
tendencia positivo o negativo a largo plazo.
En situaciones como éstas, se pueden usar el método de promedios móviles o la suavización
exponencial para suavizar o emparejar la serie de tiempo y proporcionar un panorama global
del patrón de movimiento de los datos en el tiempo.

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

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

El segundo promedio móvil de 5 años se calcula con la suma de los valores de los años 2 a 6 en
la serie, dividida entre 5
Este proceso continúa hasta calcular el último promedio móvil de 5 años con la suma de los
valores de los últimos 5 años en la serie (años del 7 al 11), dividida entre 5.

Cuando se trata de una serie de tiempo anual, L, la longitud del periodo elegido para construir
los promedios móviles, debe ser un número de años impar. Al seguir esta regla se observa que
no se pueden obtener promedios móviles para los primeros (L –1) /2 años o los últimos (L -1) /2
años en la serie. Entonces, para un promedio móvil de 5 años, no es posible hacer cálculos para
los primeros 2 años o los últimos 2 años de la serie.

Al graficar los promedios móviles, cada valor calculado se coloca en el año a la mitad de la
secuencia de años usada para calcularlos. Si n = 11 y L = 5, el primer promedio móvil se centra
en el tercer año, el segundo promedio móvil se centra en el cuarto año y el último en el noveno
año. Esto se ilustra en el siguiente ejemplo:

Suponga que los siguientes datos representan los ingresos totales (en millones de dólares
constantes de 1995) de una agencia donde se rentan automóviles, en un intervalo de 11 años
de 1987 a 1997:
4.0 5.0 7.0 6.0 8.0 9.0 5.0 2.0 3.5 5.5 6.5

Calcule los promedios móviles de 5 años para esta serie de tiempo anual.
Solución
El primer promedio móvil de 5 años es

Es decir, para calcular un promedio móvil de 5 años, primero se obtiene la suma de los cinco
años y se divide entre 5. Después el promedio se centra en el valor medio, el tercer año de esta
serie de tiempo. Los siguientes valores quedan de la siguiente manera:
Estos promedios móviles se centran en sus respectivos valores medios, el quinto, sexto y
séptimo años de la serie de tiempo. Se observa que, al obtener promedios móviles de 5 años,
no se pueden calcular los valores para los primeros dos y los últimos dos valores de la serie de
tiempo.

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

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

Se observa en la tabla 5.4 que, al obtener los promedios móviles de 3 años, no se pueden
calcular valores para el primero o el último valor en la serie de tiempo.
Suavización exponencial
La suavización exponencial es otra técnica que se usa para alisar una serie de tiempo y
proporcionar una visualización global de los movimientos a largo plazo de los datos. Además, se
puede usar el método de suavización exponencial para obtener pronósticos a corto plazo (un
periodo futuro) para series de tiempo.

El método de suavización exponencial obtiene su nombre del hecho de que proporciona un

promedio móvil con ponderación exponencial a través de la serie de tiempo. En toda la serie,
cada cálculo de suavización o pronóstico depende de todos los valores observados anteriores.
Ésta es otra ventaja respecto al método de pronósticos móviles, que no toma en cuenta todos
los valores observados de esta manera. Con la suavización exponencial, los pesos asignados a
los valores observados decrecen en el tiempo, de manera que, al hacer un cálculo, el valor
observado más reciente recibe el peso más alto, el valor observado anterior tiene el siguiente
peso más alto, y así sucesivamente, por lo que el valor observado inicial tiene la menor
ponderación. Aunque la magnitud de los cálculos involucrados puede parecer enorme, la
suavización exponencial al igual que los métodos de promedios móviles está disponible entre
los procedimientos de Microsoft Excel y Minitab.
La elección del coeficiente de suavización o peso que se asigna a la serie de tiempo es crítica
porque afectará en forma directa los resultados. Es desafortunado que esta selección sea subjetiva.
Si se desea sólo suavizar una serie con la eliminación de la variación cíclica y la irregular, debe
elegirse un valor pequeño para W (cercano a 0). Por otro lado, si la meta es pronosticar, debe
elegirse un valor grande para W (más cercano a 1). En el primer caso, se podrán observar las
tendencias globales a largo plazo de la serie; en el último caso, es posible predecir direcciones
futuras a corto plazo de manera más adecuada.

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

0.25. Como punto de partida, se utiliza el valor observado inicial (tabla 5.3), Y1975 = 6.6 como el
primer valor de suavización (E1975 = 6.6) Después, con el valor observado de la serie de tiempo
para el año 1976 (Y1976 = 8.6), se suaviza la serie para el año de 1976 con el cálculo

Este proceso continúa hasta obtener los valores de la suavización exponencial para los 24 años
en la serie de las ventas anuales de la fábrica (General Motors), como se muestra en la tabla
5.6 y 5.7, y las figuras 5.10 y 5.11
Proyección de tendencias
Para pronosticar una serie de tiempo que tiene una tendencia lineal a largo plazo. El tipo de
serie de tiempo para el cual se aplica el método de proyección de tendencias presenta un
aumento o disminución consistentes a través del tiempo; y no es estable como para aplicar los
métodos de suavizamiento analizados en la sección anterior.

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

últimos 10 años, que se muestran en la tabla 5.8 y en la figura 5.12. Observe que en el primer
año se vendieron 21 600 bicicletas, en el segundo, 22 900, y así sucesivamente. En el décimo
año, el más reciente, se vendieron 31 400 bicicletas. Aunque la figura 5.12 muestra algo de
movimiento hacia arriba y hacia abajo durante los 10 años, parece que la serie de tiempo tiene
una tendencia general de aumento o crecimiento
En este caso no se trata de que el componente de tendencia de una serie de tiempo siga cada
aumento y disminución; más bien ese componente debe reflejar el desplazamiento gradual,
que para este caso es el crecimiento, de los valores de la serie de tiempo.

Después de examinar los datos de la serie de tiempo en la tabla 5.8 y en la gráfica de la figura
5.12 concordamos que con una tendencia líneas, como la que muestra la figura 5.13, se obtiene
una descripción razonable del movimiento en la serie a largo plazo.

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

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