Portafolio de Evidencias Unidad 3

T E C N O L Ó G I C O N A C I O N A L
D E M É X I C O
C A M P U S C H I L P A N C I N G O
E S T A D Í S T I C A
A D M I N I S T R A T I V A I I
UNIDAD III
- A R I A D N A Z U S E T B A S I L I O
C U E V A S
- A L M A D E L I A F I G U E R O A
B O L A Ñ O S
- D A N I E L A J A Q U E L I N E
F L O R E S L O R E N Z O
- M I T Z Y Y A M I L E T
H E R N A N D E Z S A N D O V A L
- E M M A N U E L G Ó M E Z
A N A C L E T O
- L U C I A G O N Z A L E Z N A J E R A
- J O S E M A N U E L G U Z M A N
D E A Q U I N O
S E M E S T R E 3
G R U P O - C -
2 0 2 3
INTRODUCCIÓN
El análisis de series de tiempo es una rama de la estadística que se ocupa de

los datos recopilados o registrados durante un período de tiempo a intervalos
regulares. Estos datos pueden presentarse en forma de mediciones,
observaciones o lecturas y, por lo general, se utilizan para estudiar y comprender
patrones, tendencias y dependencias en los datos a medida que evolucionan con
el tiempo.
El análisis de series de tiempo se utiliza ampliamente en diversos campos,

incluidos la economía, las finanzas, las ciencias climáticas, la ingeniería y
muchas otras disciplinas, para hacer predicciones, realizar pronósticos y tomar
decisiones informadas basadas en datos históricos.
El análisis de series de tiempo es una herramienta valiosa para comprender y

utilizar datos históricos para tomar decisiones informadas, ya sea para
predicciones del mercado de valores, pronósticos meteorológicos, pronósticos
de demanda o cualquier otra aplicación donde el tiempo desempeñe un papel
fundamental. Permite la extracción de conocimientos valiosos y el desarrollo de
modelos predictivos para ayudar a planificar el futuro.
TECNOLÓGICO NACIONAL
DE MÉXICO
INSTITUTO TECNOLÓGICO DE
CHILPANCINGO
DEPARTAMENTO DE CIENCIAS BÁSICAS
CONTADOR PÚBLICO
TEMA 3. Análisis de Series de Tiempo
NOTAS PARA EL CURSO DE:

“ESTADÍSTICA ADMINISTRATIVA II”
M.C. JOSÉ LUIS RODRÍGUEZ GARCÍA
CHILPANCINGO, GRO A 23 DE AGOSTO DE 2023.

ÍNDICE
INTRODUCCIÓN ...................................................................................................................................... 1
FACTORES QUE COMPONEN EL MODELO MULTIPLICATIVO CLÁSICO DE SERIES DE
TIEMPO ..................................................................................................................................................... 3
TENDENCIA LINEAL ............................................................................................................................... 5
MÉTODO DE MÍNIMOS CUADRADOS................................................................................................................ 5
PROMEDIOS MÓVILES. ........................................................................................................................ 12
SUAVIZACIÓN EXPONENCIAL COMO PRONÓSTICO. ................................................................... 14
TENDENCIAS NO LINEALES ............................................................................................................... 19
MODELO DE TENDENCIA CUADRÁTICA ........................................................................................................ 19
MODELO DE TENDENCIA EXPONENCIAL ....................................................................................................... 29
VARIACIÓN ESTACIONAL. .................................................................................................................. 39
DETERMINACIÓN DE UN ÍNDICE ESTACIONAL. ............................................................................................. 39
DESESTACIONALIZACIÓN DE DATOS............................................................................................................ 43
UTILIZACIÓN DE DATOS DESESTACIONALIZADOS PARA PRONÓSTICOS ....................................................... 44

UNIDAD III
“Series de tiempo”
Introducción
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 como ayuda en la planeación de las necesidades operativas en lo futuro es el
pronóstico, para el proceso de toma de decisiones.
En esencia existen 2 enfoques de pronósticos que son el cualitativo y el cuantitativo.
Los métodos de pronósticos cualitativos son importantes en especial cuando no

se dispone de datos históricos, por ejemplo en un departamento de finanzas que
desea pronosticar los ingresos de una compañía nueva. Los medios de pronóstico
cualitativos se consideran altamente subjetivos o basados en la opinión, entre estos
métodos tenemos:
• El método de enumeración de factores.

• La opinión de expertos
• La técnica Delphi.
Los métodos de pronósticos cuantitativos 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.
• Causales.
Los métodos de pronósticos 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.
1
Serie de tiempo:
Es un conjunto de valores numéricos obtenidos en periodos iguales en el tiempo.

Ejemplos: el precio diario del dólar, los precios diarios al cierre de una acción dada
en la Bolsa de Valores, el producto interno bruto, los índices de precio al
consumidor, el registro anual de los ingresos de venta totales de una empresa .
Método de pronóstico causales:
Comprende la determinación de factores relacionados con la variable que se predice

y alguno de estos métodos son:
❖ Análisis con variables retrasadas.

❖ Modelado econométrico.
❖ Análisis de indicador líder
❖ Índices de difusión.
❖ Medidores económicos.
2
Factores que Componen el Modelo Multiplicativo 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 el 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.
El modelo multiplicativo clásico de series de tiempo establece que todo valor

observado en una serie de tiempo es el producto de todos los factores de influencia,
es decir, cuando los datos se obtienen cada año, una observación yi registrada en
el año i se puede expresar por la siguiente ecuación:
y i = Ti x C i x I i
donde:
Ti = es el valor del componente de tendencia en el año i.
Ci = es el valor del componente cíclico en el año i.
Ii = es el valor del componente irregular en el año i.
yi = es la observación registrada en el año i.
Cuando los datos se obtienen por trimestre o por mes, una observación yi registrada
en el periodo i puede estar dada por la siguiente ecuación:
y i = Ti x S i x C i x I i
donde :
Ti ,Ci e, Ii , = Valores respectivos del componente de tendencia, cíclico e irregular en
el período i.
Si = valor del componente estacional en el período i.
El componente de tendencia es la inclinación global a largo plazo o impresión de un

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

en una serie de tiempo.
El componente irregular o aleatorio se presenta cuando cualquier dato observado

no sigue la tendencia curva modificada por el componente cíclico.
3
El componente estacional se presenta cuando los datos se registran por mes o por
trimestre.
A continuación se presenta la tabla 1, que contiene los factores que influyen en

datos de series de tiempo.
Tabla 1. Componente, Clasificación, Definición, Razón de la influencia y duración.

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

al hacer proyecciones de pronósticos a mediano y largo plazo.
Segundo, la tendencia se estudia para aislar y después eliminar sus efectos del
modelo de la serie de tiempo, como guía en el pronóstico a corto plazo.
Método de mínimos cuadrados
La gráfica de tendencia a largo plazo de muchas series de negocios como ventas,

exportaciones y producción con frecuencia se aproxima a una línea recta, y la
ecuación que describe su crecimiento es:
̂ = 𝒃𝟎 + 𝒃𝟏 𝒕
𝒚
Donde:
̂ = es el valor proyectado de la variable y para un valor seleccionado de “t”.

𝒚
b0 = es la intersección con el eje “y”, es decir, el valor estimado de y cuando t = 0
b1 = es la pendiente de la recta, es decir, el cambio promedio en y por cada cambio
unitario en “t”
t = es cualquier valor de tiempo seleccionado.
Las fórmulas para calcular los valores de a y b son las siguientes:
5
Ejemplo 1: La empresa “AVTEC” desea pronosticar los niveles de inversión de
capital (en miles de pesos), que ha realizado durante los últimos años, pronosticar
la inversión para los años 2025 y 2027, además obtener el modelo de tendencia
lineal, con los datos que se presentan a continuación:
Año Codificado Inversión

Año
t (miles de pesos)
1 2015 1 76.9
2 2016 2 72.8
3 2017 3 79.3
4 2018 4 88.0
5 2019 5 85.5
6 2020 6 88.9
7 2021 7 93.2
8 2022 8 95.3
9 2023 9 92.9
Solución:
6
Año Inversión ti ti2 tiyi
(miles de pesos)
2015 76.9 1 1 76.9
2016 72.8 2 4 145.6
2017 79.3 3 9 237.9
2018 88.0 4 16 352
2019 85.5 5 25 427.5
2020 88.9 6 36 533.4
2021 93.2 7 49 652.4
2022 95.3 8 64 762.4
2023 92.9 9 81 836.1
∑= 772.8 45 285 4024.2
(𝟕𝟕𝟐. 𝟖)(𝟐𝟖𝟓) − (𝟒𝟎𝟐𝟒. 𝟐)(𝟒𝟓) 𝟑𝟗𝟏𝟓𝟗 𝟑𝟗𝟏𝟓𝟗

𝒃𝟎 = 𝟐
= = = 𝟕𝟐. 𝟓𝟏𝟔𝟔𝟔𝟕
(𝟗)(𝟐𝟖𝟓) − (𝟒𝟓) 𝟐𝟓𝟔𝟓 − 𝟐𝟎𝟐𝟓 𝟓𝟒𝟎
(𝟗)(𝟒𝟎𝟐𝟒. 𝟐) − (𝟒𝟓)(𝟕𝟕𝟐. 𝟖) 𝟏𝟒𝟒𝟏. 𝟖 𝟏𝟒𝟒𝟏. 𝟖

𝒃𝟏 = 𝟐
= = = 𝟐. 𝟔𝟕
(𝟗)(𝟐𝟖𝟓) − (𝟒𝟓) 𝟐𝟓𝟔𝟓 − 𝟐𝟎𝟐𝟓 𝟓𝟒𝟎
𝑦̂ = 𝑏0 + 𝑏1 𝑡
𝑦̂ = 72.516667 + 2.67𝑡
Para 2025, le corresponde un t = 11:
𝑦̂ = 72.516667 + 2.67𝑡 = 72.516667 + 2.67(11) = 101.886667 𝑚𝑖𝑙𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠
𝑦̂ = 72.516667 + 2.67𝑡 = 72.516667 + 2.67(13) = 107.226667 𝑚𝑖𝑙𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠
7
Ejemplo 2: Las ventas de una pequeña cadena de tiendas de comestibles desde
2015 son:
Año Ventas (millones ti

de pesos)
2018 7 1
2019 8 2
2020 9 3
2021 11 4
2022 13 5
2023 15 6
¿Cuál es el pronóstico estimado de ventas para el año 2024 usando un modelo de

tendencia lineal?
Solución:
8
Año Ventas ti ti2 tiyi
(millones de
pesos)
2018 7 1 1 7
2019 8 2 4 20
2020 9 3 9 27
2021 11 4 16 44
2022 13 5 25 65
2023 15 6 36 90
∑= 63 21 91 249
(𝟔𝟑)(𝟗𝟏) − (𝟐𝟒𝟗)(𝟐𝟏) 𝟓𝟎𝟒 𝟓𝟎𝟒

𝒃𝟎 = = = = 𝟒. 𝟖
(𝟔)(𝟗𝟏) − (𝟐𝟏)𝟐 𝟓𝟒𝟔 − 𝟒𝟒𝟏 𝟏𝟎𝟓
(𝟔)(𝟐𝟒𝟗) − (𝟐𝟏)(𝟔𝟑) 𝟏𝟕𝟏 𝟏𝟕𝟏

𝒃𝟏 = = = = 𝟏. 𝟔𝟐𝟖𝟓𝟕𝟏
(𝟔)(𝟗𝟏) − (𝟐𝟏)𝟐 𝟓𝟒𝟔 − 𝟒𝟒𝟏 𝟏𝟎𝟓
𝑦̂ = 𝑏0 + 𝑏1 𝑡
𝑦̂ = 𝟒. 𝟖 + 𝟏. 𝟔𝟐𝟖𝟓𝟕𝟏𝑡
𝑦̂ = 𝟒. 𝟖 + 𝟏. 𝟔𝟐𝟖𝟓𝟕𝟏𝑡 = 𝟒. 𝟖 + 𝟏. 𝟔𝟐𝟖𝟓𝟕𝟏(7) = 16.199997 𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠
Para el año 2024, se pronostican 16.2 millones de pesos en ventas.
9
Ejemplo 3: Pronosticar las devoluciones para los años 2025 y 2027, además
obtener el modelo de tendencia lineal de los datos de devoluciones de pedidos de
una determinada empresa. Los datos de devoluciones anuales son los siguientes:
Año Devoluciones ti
2013 94 1
2014 92 2
2015 86 3
2016 82 4
2017 78 5
2018 81 6
2019 75 7
2020 72 8
2021 70 9
2022 68 10
2023 70 11
Solución:
10
Año Devoluciones ti ti2 tiyi
2013 94 1 1 94
2014 92 2 4 184
2015 86 3 9 258
2016 82 4 16 328
2017 78 5 25 390
2018 81 6 36 486
2019 75 7 49 525
2020 72 8 64 576
2021 70 9 81 630
2022 68 10 100 680
2023 70 11 121 770
∑= 868 66 506 4921
(𝟖𝟔𝟖)(𝟓𝟎𝟔) − (𝟒𝟗𝟐𝟏)(𝟔𝟔) 𝟒𝟑𝟗𝟐𝟎𝟖 − 𝟑𝟐𝟒𝟕𝟖𝟔 𝟏𝟏𝟒𝟒𝟐𝟐

𝒃𝟎 = = = = 𝟗𝟒. 𝟓𝟔𝟑𝟔𝟑𝟔
(𝟏𝟏)(𝟓𝟎𝟔) − (𝟔𝟔)𝟐 𝟓𝟓𝟔𝟔 − 𝟒𝟑𝟓𝟔 𝟏𝟐𝟏𝟎
(𝟏𝟏)(𝟒𝟗𝟐𝟏) − (𝟔𝟔)(𝟖𝟔𝟖) 𝟓𝟒𝟏𝟑𝟏 − 𝟓𝟕𝟐𝟖𝟖 −𝟑𝟏𝟓𝟕

𝒃𝟏 = = = = −𝟐. 𝟔𝟎𝟗𝟎𝟗𝟏
(𝟏𝟏)(𝟓𝟎𝟔) − (𝟔𝟔)𝟐 𝟓𝟓𝟔𝟔 − 𝟒𝟑𝟓𝟔 𝟏𝟐𝟏𝟎
𝑦̂ = 𝑏0 + 𝑏1 𝑡
𝑦̂ = 𝟗𝟒. 𝟓𝟔𝟑𝟔𝟑𝟔 − 𝟐. 𝟔𝟎𝟗𝟎𝟗𝟏𝑡

𝑦̂ = 94.563636 − 2.609091𝑡 = 94.563636 − 2.609091(13)
𝑦̂ = 60.645453 𝑑𝑒𝑣𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠

𝑦̂ = 94.563636 − 2.609091𝑡 = 94.563636 − 2.609091(14)
𝑦̂ = 58.036362 𝑑𝑒𝑣𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠
11
Promedios Móviles.
El método de Promedio Móviles para suavizar una serie de tiempo es muy subjetivo
y dependiente de L, que es la longitud del período seleccionado para calcular los
promedios. Para eliminar las fluctuaciones cíclicas, el periodo elegido debe ser un
valor entero que corresponda o sea múltiplo de la longitud promedio estimada de un
ciclo en una serie.
Los promedios móviles para un periodo 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 como PM(L)
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 de la serie.
Ejemplo 4: Calcular el promedio móvil de 3, 5 y 7 años de los siguientes datos que

representan los ingresos totales en millones de pesos (mdp) de una empresa donde
se venden artículos escolares, en un intervalo de 8 años.
Año Ventas PM(3) PM(5) PM(7)

(mdp)
2016 7
2017 9 8.6667
2018 10 11.0000 9.6
2019 14 10.6667 10.0 9.8571
2020 8 10.3333 10.6 11.1429
2021 9 9.6667 11.8
2022 12 12.3333
2023 16
12
representan costos de insumos de una empresa. Los datos de costos históricos
anuales (en miles de pesos) son los siguientes:
Año Costo de PM(3) PM(5) PM(7)

insumos
(miles de pesos)
2013 152
2014 155 155.6667
2015 160 161.6667 160.4000
2016 170 165.0000 162.6000 162.5714
2017 165 166.0000 166.2000 168.0000
2018 163 167.0000 172.2000 174.7143
2019 173 175.3333 178.6000 180.4286
2020 190 188.3333 185.6000 185.4286
2021 202 197.3333 194.0000
2022 200 202.3333
2023 205

representan la producción en miles de unidades de una empresa. Los datos
producción en miles de unidades son los siguientes:
Año Producción PM(5) PM(7) PM(9)

(miles)
2012 6
2013 7
2014 12 7.4000
2015 8 6.8000 6.1429
2016 4 6.0000 6.0000 6.8889
2017 3 4.6000 7.0000 6.8889
2018 3 5.8000 6.1429 6.8889
2019 5 6.2000 6.0000 6.2222
2020 14 7.0000 6.2857
2021 6 7.6000
2022 7
2023 6
13
Suavización exponencial como pronóstico.
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 una ventaja respecto al método de
promedios móviles, que no toma en cuenta todos los valores observados de esta
manera.
La obtención de un valor que tiene suavización exponencial en el periodo “i” (E i)

se calcula de la siguiente manera:
Ei = WYi + (1-W) Ei – 1
donde:
Ei = valor de la serie suavizada exponencialmente que se calcula en el periodo (i).

Ei – 1 = valor de la serie suavizada exponencialmente que se calcula en el periodo (i-
1).
Yi = valor observado de la serie de tiempo en el periodo (i).
W = peso subjetivo asignado o coeficiente de suavización. (0<W<1).
E1 = Y1.
La elección del coeficiente de suavización o peso que se asigna a la serie de tiempo

es crítica porque afectará en forma directa los resultados. 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 (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
Ejemplo 7: De los datos del ejemplo 4, de la empresa donde se venden artículos

escolares, encontrar la suavización exponencial de cada año con valores de W =
0.25, W = 0.50 y W = 0.75.
Año Ventas SE (W = 0.25) SE (W = 0.50) SE (W = 0.75)

2016 7 7.0000 7.0000 7.0000
2017 9 7.5000 8.0000 8.5000
2018 10 8.1250 9.0000 9.6250
2019 14 9.5938 11.5000 12.9063
2020 8 9.1953 9.7500 9.2266
2021 9 9.1465 9.3750 9.0566
2022 12 9.8599 10.6875 11.2642
2023 16 11.3949 13.3438 14.8160
14
Ei = WYi + (1-W) Ei – 1
Para W = 0.25
E1 =7
E2 = (0.25) (9) + (1 – 0.25) (7) = 7.5
E3 = (0.25) (10) + (1 – 0.25) (7.5) = 8.125
E4 = (0.25) (14) + (1 – 0.25) (8.125) = 9.5938
E5 = (0.25) (8) + (1 – 0.25) (9.5938) = 9.1953
E6 = (0.25) (9) + (1 – 0.25) (9.1953) = 9.1465
E7 = (0.25) (12) + (1 – 0.25) (9.1465) = 9.8599
E8 = (0.25) (16) + (1 – 0.25) (9.8599) = 11.3949
Para W = 0.50
E1 =7
E2 = (0.50) (9) + (1 – 0.50) (7) =8
E3 = (0.50) (10) + (1 – 0.50) (8) =9
E4 = (0.50) (14) + (1 – 0.50) (9) = 11.5
E5 = (0.50) (8) + (1 – 0.50) (11.5) = 9.75
E6 = (0.50) (9) + (1 – 0.50) (9.75) = 9.375
E7 = (0.50) (12) + (1 – 0.50) (9.375) = 10.6875
E8 = (0.50) (16) + (1 – 0.50) (10.6875) = 13.3438
Para W = 0.75
E1 =7
E2 = (0.75) (9) + (1 – 0.75) (7) = 8.5
E3 = (0. 75) (10) + (1 – 0.75) (8.5) = 9.625
E4 = (0.75) (14) + (1 – 0.75) (9.625) = 12.9063
E5 = (0.75) (8) + (1 – 0.75) (12.9063) = 9.2266
E6 = (0.75) (9) + (1 – 0.75) (9.2266) = 9.0566
E7 = (0.75) (12) + (1 – 0.75) (9.0566) = 11.2642
E8 = (0.75) (16) + (1 – 0.75) (11.2642) = 14.8160
15
Ejemplo 8: De los datos del ejemplo 5, encontrar la suavización exponencial de
cada año con valores de W = 0.25, W = 0.50 y W = 0.75.
Año Costo de SE (W = 0.25) SE (W = 0.50) SE (W = 0.75)

insumos
(miles de pesos)
2013 152 152.0000 152.0000 152.0000
2014 155 152.7500 153.5000 154.2500
2015 160 154.5625 156.7500 158.5625
2016 170 158.4219 163.3750 167.1406
2017 165 160.0664 164.1875 165.5352
2018 163 160.7998 163.5938 163.6338
2019 173 163.8499 168.2969 170.6584
2020 190 170.3874 179.1484 185.1646
2021 202 178.2905 190.5742 197.7912
2022 200 183.7179 195.2871 199.4478
2023 205 189.0384 200.1436 203.6119
Ei = WYi + (1-W) Ei – 1
Para W = 0.25
E1 = 152.0000
E2 = (0.25) (155) + (1 – 0.25) (152) = 152.7500
E3 = (0.25) (160) + (1 – 0.25) (152.75) = 154.5625
E4 = (0.25) (170) + (1 – 0.25) (154.5625) = 158.4219
E5 = (0.25) (165) + (1 – 0.25) (158.4219) = 160.0664
E6 = (0.25) (163) + (1 – 0.25) (160.0664) = 160.7998
E7 = (0.25) (173) + (1 – 0.25) (160.7998) = 163.8499
E8 = (0.25) (190) + (1 – 0.25) (163.8499) = 170.3874
E9 = (0.25) (202) + (1 – 0.25) (170.3874) = 178.2905
E10 = (0.25) (200) + (1 – 0.25) (178.2905) = 183.7179
E11 = (0.25) (205) + (1 – 0.25) (183.7179) = 189.0384
Para W = 0.50
E1 =152.0000
E2 = (0.50) (155) + (1 – 0.50) (152) =153.5000
E3 = (0.50) (160) + (1 – 0.50) (153.5) =156.7500
E4 = (0.50) (170) + (1 – 0.50) (156.75) =163.3750
E5 = (0.50) (165) + (1 – 0.50) (163.375) =164.1875
E6 = (0.50) (163) + (1 – 0.50) (164.1875) =163.5938
E7 = (0.50) (173) + (1 – 0.50) (163.5938) =168.2969
E8 = (0.50) (190) + (1 – 0.50) (168.2969) =179.1484
E9 = (0.50) (202) + (1 – 0.50) (179.1484) =190.5742
16
E10 = (0.50) (200) + (1 – 0.50) (190.5742) =195.2871
E11 = (0.50) (205) + (1 – 0.50) (195.2871) =200.1436
Para W = 0.75
E1 =152.0000
E2 = (0.75) (155) + (1 – 0.75) (152) =154.2500
E3 = (0.75) (160) + (1 – 0.75) (154.25) =158.5625
E4 = (0.75) (170) + (1 – 0.75) (158.5625) =167.1406
E5 = (0.75) (165) + (1 – 0.75) (167.1406) =165.5352
E6 = (0.75) (163) + (1 – 0.75) (165.5352) =163.6338
E7 = (0.75) (173) + (1 – 0.75) (163.6338) =170.6584
E8 = (0.75) (190) + (1 – 0.75) (170.6584) =185.1646
E9 = (0.75) (202) + (1 – 0.75) (185.1646) =197.7912
E10 = (0.75) (200) + (1 – 0.75) (197.7912) =199.4478
E11 = (0.75) (205) + (1 – 0.75) (199.4478) =203.6119
Ejemplo 9: De los datos del ejemplo 6, encontrar la suavización exponencial de

cada año con valores de W = 0.10, W = 0.50 y W = 0.90.
Año Producción SE (W = 0.10) SE (W = 0.50) SE (W = 0.90)

(miles)
2012 6 6.0000 6.0000 6.0000
2013 7 6.1000 6.5000 6.9000
2014 12 6.6900 9.2500 11.4900
2015 8 6.8210 8.6250 8.3490
2016 4 6.5389 6.3125 4.4349
2017 3 6.1850 4.6563 3.1435
2018 3 5.8665 3.8281 3.0143
2019 5 5.7799 4.4141 4.8014
2020 14 6.6019 9.2070 13.0801
2021 6 6.5417 7.6035 6.7080
2022 7 6.5875 7.3018 6.9708
2023 6 6.5288 6.6509 6.0971
Ei = WYi + (1-W) Ei – 1
Para W = 0.10
E1 =6.0000
E2 = (0.10) (7) + (1 – 0.10) (6) =6.1000
E3 = (0.10) (12) + (1 – 0. 10) (6.1) =6.6900
E4 = (0.10) (8) + (1 – 0. 10) (6.69) =6.8210
17
E5 = (0.10) (4) + (1 – 0. 10) (6.821) =6.5389
E6 = (0.10) (3) + (1 – 0. 10) (6.5389) =6.1850
E7 = (0.10) (3) + (1 – 0. 10) (6.185) =5.8665
E8 = (0.10) (5) + (1 – 0. 10) (5.8665) =5.7799
E9 = (0.10) (14) + (1 – 0. 10) (5.7799) =6.6019
E10 = (0.10) (6) + (1 – 0. 10) (6.6019) =6.5417
E11 = (0.10) (7) + (1 – 0. 10) (6.5417) =6.5875
E12 = (0.10) (6) + (1 – 0. 10) (6.5875) =6.5288
Para W = 0.50
E1 =6.0000
E2 = (0.50) (7) + (1 – 0.50) (6) =6.5000
E3 = (0.50) (12) + (1 – 0. 50) (6.5) =9.2500
E4 = (0.50) (8) + (1 – 0. 50) (9.25) =8.6250
E5 = (0.50) (4) + (1 – 0. 50) (8.625) =6.3125
E6 = (0.50) (3) + (1 – 0. 50) (6.3125) =4.6563
E7 = (0.50) (3) + (1 – 0. 50) (4.6563) =3.8281
E8 = (0.50) (5) + (1 – 0. 50) (3.8281) =4.4141
E9 = (0.50) (14) + (1 – 0. 50) (4.4141) =9.2070
E10 = (0.50) (6) + (1 – 0. 50) (9.2070) =7.6035
E11 = (0.50) (7) + (1 – 0. 50) (7.6035) =7.3018
E12 = (0.50) (6) + (1 – 0. 50) (7.3018) =6.6509
Para W = 0.90
E1 6.0000
E2 = (0.90) (7) + (1 – 0.90) (6) 6.9000
E3 = (0.90) (12) + (1 – 0. 90) (6.9) 11.4900
E4 = (0.90) (8) + (1 – 0. 90) (11.49) 8.3490
E5 = (0.90) (4) + (1 – 0. 90) (11.49) 4.4349
E6 = (0.90) (3) + (1 – 0. 90) (4.4349) 3.1435
E7 = (0.90) (3) + (1 – 0. 90) (3.1435) 3.0143
E8 = (0.90) (5) + (1 – 0. 90) (3.0143) 4.8014
E9 = (0.90) (14) + (1 – 0. 90) (4.8014) 13.0801
E10 = (0.90) (6) + (1 – 0. 90) (13.0801) 6.7080
E11 = (0.90) (7) + (1 – 0. 90) (6.7080) 6.9708
E12 = (0.90) (6) + (1 – 0. 90) (6.9708) 6.0971
18
Tendencias no lineales
Modelo de Tendencia Cuadrática
Un modelo de tendencia cuadrática es la forma más sencilla de modelo curvilíneo

de la forma:
𝑦̂𝑖 = 𝑏0 + 𝑏1 𝑡𝑖 + 𝑏2 𝑡𝑖2
Donde:
𝑦̂𝑖 : Es el valor pronosticado de y para la observación i.
b0 = estimación de la ordenada en y.
b1 = estimación del efecto lineal en y.
b2 = estimación del efecto curvilíneo en y.
ti = Es el año codificado.
𝛽̂ = (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑌
𝑛 𝑛 𝑛 𝑛
𝑛 ∑ 𝑡𝑖 ∑ 𝑡𝑖2 𝑛 ∑ 𝑡𝑖 ∑ 𝑡𝑖2
𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛 𝑛 𝑛
𝑋 ′ 𝑋 = ∑ 𝑡𝑖 ∑ 𝑡𝑖2 ∑ 𝑡𝑖 𝑡𝑖2 = ∑ 𝑡𝑖 ∑ 𝑡𝑖2 ∑ 𝑡𝑖3

𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛 𝑛 𝑛
2
∑ 𝑡𝑖2 ∑ 𝑡𝑖 𝑡𝑖2 ∑ 𝑡𝑖2 ∑ 𝑡𝑖2 ∑ 𝑡𝑖3 ∑ 𝑡𝑖4
[ 𝑖=1 𝑖=1 𝑖=1 ]3𝑋3 [ 𝑖=1 𝑖=1 𝑖=1 ]3𝑋3
∑ 𝑦𝑖
𝑖=1
𝑛
𝑋′𝑌 = ∑ 𝑡𝑖 𝑦𝑖
𝑖=1
𝑛
∑ 𝑡𝑖2 𝑦𝑖
[ 𝑖=1 ]3𝑋1
𝑏0
̂
𝛽 = [𝑏1 ]
𝑏2 3𝑋1
Se calcula la inversa de X’X y se multiplica por X’Y para obtener 𝛽̂ .

Utilizando Excel, con regresión múltiple y las variable t, t2 y y, se puede encontrar el
modelo.
19
Ejemplo 10. La empresa “AVTEC” desea pronosticar los niveles de inversión de
la inversión para el año 2025 y 2027, además obtener el modelo de Tendencia
Cuadrática, con los datos que se presentan a continuación:

Año
t (miles de pesos)
1 2015 1 76.9
2 2016 2 72.8
3 2017 3 79.3
4 2018 4 88.0
5 2019 5 85.5
6 2020 6 88.9
7 2021 7 93.2
8 2022 8 95.3
9 2023 9 92.9
Solución:
En Excel, escoger ti, ti2 y yi en el menú de – Datos; – Análisis de datos; –

Regresión; escoger en rango y de entrada la columna de yi y escoger en rango x
de entrada las dos columnas de ti, ti2, resultando lo siguiente:
Coeficientes
Intercepción 69.219048
Año Codificado (ti) 4.468701
t i2 -0.17987
Con lo que se forma el modelo:
𝑦̂ = 69.219048 + 4.468701𝑡𝑖 − 0.179871𝑡𝑖 2
20
Solución manual:
Se obtienen las sumatorias:
Año Inversión
Año Codificado (miles de ti2 ti3 ti4 ti • y i ti2 • yi
(ti) pesos) (yi)
2015 1 76.9 1 1 1 76.9 76.9
2016 2 72.8 4 8 16 145.6 291.2
2017 3 79.3 9 27 81 237.9 713.7
2018 4 88.0 16 64 256 352 1408
2019 5 85.5 25 125 625 427.5 2137.5
2020 6 88.9 36 216 1296 533.4 3200.4
2021 7 93.2 49 343 2401 652.4 4566.8
2022 8 95.3 64 512 4096 762.4 6099.2
2023 9 92.9 81 729 6561 836.1 7524.9
∑= 45 772.8 285 2025 15333 4024.2 26018.6
Se construyen las matrices X’X, X’Y, se obtiene la inversa de (X’X)-1, posteriormente

se multiplica la inversa (X’X)-1 por X’Y y finalmente, se obtiene 𝛽̂ .
9 45 285
𝑋′𝑋 = [ 45 285 2025 ]
285 2025 15333 3𝑋3
1.6190476 −0.6785714 0.05952381

(𝑋′𝑋)−1 = [−0.6785714 0.341342 −0.032467532]
0.05952381 −0.032467532 0.003246753 3𝑋3
772.8
𝑋′𝑌 = [ 4024.2 ]
26018.6 3𝑋1
1.6190476 −0.6785714 0.05952381 772.8
(𝑋 ′ 𝑋)−1 (𝑋 ′ 𝑌) = [−0.6785714 0.341342 −0.032467532] [ 4024.2 ]
0.05952381 −0.032467532 0.003246753 26018.6
69.219048
(𝑋 ′ 𝑋)−1 (𝑋 ′ 𝑌) = [ 4.468701 ]
−0.17987
69.219048
𝛽̂ = [ 4.468701 ]
−0.17987 3𝑋1
21
𝑦̂ = 69.219048 + 4.468701𝑡𝑖 − 0.179871𝑡𝑖 2
𝑦̂ = 69.219048 + 4.468701𝑡𝑖 − 0.179871𝑡𝑖 2
𝑦̂ = 69.219048 + 4.468701(11) − 0.179871(11)2 = 96.610368 𝑚𝑖𝑙𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠
𝑦̂ = 69.219048 + 4.468701𝑡𝑖 − 0.179871𝑡𝑖 2
𝑦̂ = 69.219048 + 4.468701(13) − 0.179871(13)2 = 96.913962 𝑚𝑖𝑙𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠
22
Ejemplo 11: Las ventas de una pequeña cadena de tiendas de comestibles, desde
2018 son:

de pesos)
2018 7 1
2019 8 2
2020 9 3
2021 11 4
2022 13 5
2023 15 6

tendencia cuadrática?
Solución:

Coeficientes
Intercepción 6.3
t i2 0.160714
𝑦̂ = 6.3 + 0.503571𝑡𝑖 + 0.160714𝑡𝑖 2
23
Solución manual:
Año Ventas
Año Codificado ti2 ti3 ti4 (millones de ti • y i ti2 • yi
(ti) pesos) (yi)
2018 1 1 1 1 7 7 7
2019 2 4 8 16 8 16 32
2020 3 9 27 81 9 27 81
2021 4 16 64 256 11 44 176
2022 5 25 125 625 13 65 325
2023 6 36 216 1296 15 90 540
∑= 21 91 441 2275 63 249 1161

6 21 91
𝑋′𝑋 = [21 91 441 ]
91 441 22753 3𝑋3
3.2 −1.95 0.25

(𝑋′𝑋)−1 = [−1.95 1.3696429 −0.1875 ]
0.25 −0.1875 0.0267857 3𝑋3
63
𝑋′𝑌 = [ 249 ]
1161 3𝑋1
3.2 −1.95 0.25 63
(𝑋 ′ 𝑋)−1 (𝑋 ′ 𝑌) = [−1.95 1.3696429 −0.1875 ] [ 249 ]
0.25 −0.1875 0.0267857 1161
6.3
(𝑋 ′ 𝑋)−1 (𝑋 ′ 𝑌) = [0.503571]
0.160714
6.3
𝛽̂ = [0.503571]
0.160714 3𝑋1
𝑦̂ = 6.3 + 0.503571𝑡𝑖 + 0.160714𝑡𝑖 2
24
𝑦̂ = 6.3 + 0.503571𝑡𝑖 + 0.160714𝑡𝑖 2
𝑦̂ = 6.3 + 0.503571(7) + 0.160714(7)2 = 17.699983 𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠
25
obtener el modelo de tendencia cuadrática de los datos de devoluciones de pedidos
de una determinada empresa. Los datos de devoluciones anuales son los
siguientes:
2013 94 1
2014 92 2
2015 86 3
2016 82 4
2017 78 5
2018 81 6
2019 75 7
2020 72 8
2021 70 9
2022 68 10
2023 70 11
Solución:

Coeficientes
Intercepción 99.2
Año Codificado (ti) -4.748951
t i2 0.178322
𝑦̂ = 99.2 − 4.748951𝑡𝑖 + 0.178322𝑡𝑖 2
26
Solución manual:
Año Codificado Devoluciones

Año ti2 ti3 ti4 ti • y i ti2 • yi
(ti) (yi)
2013 1 1 1 1 94 94 94
2014 2 4 8 16 92 184 368
2015 3 9 27 81 86 258 774
2016 4 16 64 256 82 328 1312
2017 5 25 125 625 78 390 1950
2018 6 36 216 1296 81 486 2916
2019 7 49 343 2401 75 525 3675
2020 8 64 512 4096 72 576 4608
2021 9 81 729 6561 70 630 5670
2022 10 100 1000 10000 68 680 6800
2023 11 121 1331 14641 70 770 8470
∑= 66 506 4356 39974 868 4921 36637

11 66 506
𝑋′𝑋 = [ 66 506 4356 ]
506 4356 39974 3𝑋3
1.206060606 −0.418181818 0.03030303

(𝑋′𝑋)−1 = [−0.418181818 0.176923077 −0.013986014]
0.03030303 −0.013986014 0.001165501 3𝑋3
868
𝑋′𝑌 = [ 4921 ]
36637 3𝑋1
1.206060606 −0.418181818 0.03030303 868
(𝑋 ′ 𝑋)−1 (𝑋 ′ 𝑌) = [−0.418181818 0.176923077 −0.013986014] [ 4921 ]
0.03030303 −0.013986014 0.001165501 36637
99.2
(𝑋 ′ 𝑋)−1 (𝑋 ′ 𝑌) = [−4.748951]
0.178322
27
99.2
𝛽̂ = [−4.748951]
0.178322 3𝑋1
𝑦̂ = 99.2 − 4.748951𝑡𝑖 + 0.178322𝑡𝑖 2
𝑦̂ = 99.2 − 4.748951𝑡𝑖 + 0.178322𝑡𝑖 2
𝑦̂ = 99.2 − 4.748951(13) + 0.178322(13)2 = 67.600055 𝑑𝑒𝑣𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠
𝑦̂ = 99.2 − 4.748951𝑡𝑖 + 0.178322𝑡𝑖 2
𝑦̂ = 99.2 − 4.748951(14) + 0.178322(14)2 = 67.665798 𝑑𝑒𝑣𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠
28
Modelo de tendencia exponencial
Cuando una serie parece aumentar a una tasa de crecimiento tal, que el porcentaje
de una observación a otra es constante, se puede ajustar el modelo de tendencia
exponencial, de la forma:
𝑡
𝑦̂𝑖 = 𝑏0 𝑏1𝑖
Donde:
(b1 – 1) x 100% = estimación de la tasa de crecimiento anual compuesta (%)
Para poder aplicar el método de mínimos cuadrados se obtiene el logaritmo base

10 en ambos lados:
log 𝑦̂𝑖 = log 𝑏0 𝑏1 𝑡𝑖
log 𝑦̂𝑖 = log 𝑏0 + log 𝑏1 𝑡𝑖
log 𝑦̂𝑖 = log 𝑏0 + t 𝑖 log 𝑏1

Donde:
(b1 – 1) x 100% = estimación de la tasa de crecimiento anual compuesta (%)
Las ecuaciones que se utilizan para encontrar los coeficientes son las siguientes:
 n  n 2   n  n 
  log yi    ti  −   ti log yi    ti 
log b0 =  i =1   i =1   i =1
2
  i =1 
 n
  n

n   ti 2  −   ti 
 i =1   i =1 
 n   n  n 
n   ti log yi  −   ti    log yi 
log b1 =  i =1   i =1   i =1
2

 n
  n

n   ti 2  −   ti 
 i =1   i =1 
Después utilizando antilog (log b0) o 10log 𝑏0 para encontrar b0 y antilog (log b1) o
10log 𝑏1 para encontrar b1.
Utilizando Excel, con regresión lineal y las variable t, y log y, se puede encontrar el
modelo.
29
Ejemplo 13. La empresa “AVTEC” desea pronosticar los niveles de inversión de
la inversión para los años 2025 y 2027, además obtener el modelo de Tendencia
Exponencial, con los datos que se presentan a continuación:

Año
t (miles de pesos)
1 2015 1 76.9
2 2016 2 72.8
3 2017 3 79.3
4 2018 4 88.0
5 2019 5 85.5
6 2020 6 88.9
7 2021 7 93.2
8 2022 8 95.3
9 2023 9 92.9
Solución:
En Excel, escoger xi, log yi en el menú de – Datos; – Análisis de datos; –

Regresión; escoger en rango y de entrada la columna de log yi y escoger en rango
x de entrada la columna de ti, resultando lo siguiente:
Coeficientes
Para encontrar b0 y b1 se aplica 10log 𝑏0 y 10log 𝑏1 , respectivamente.

Coeficientes
1.86347178
b0 10 73.025036
b1 100.01373244 1.032125
Con los resultados anteriores, se forma el modelo:
𝑦̂𝑖 = (73.025036)(1.032125)𝑡𝑖
30
Solución manual:
Inversión
Año (miles de
Año ti2 log yi ti log yi
Codificado (ti) pesos)
(yi)
2015 1 1 76.9 1.88592634 1.88592634
2016 2 4 72.8 1.862131379 3.724262759
2017 3 9 79.3 1.899273187 5.697819562
2018 4 16 88.0 1.944482672 7.777930689
2019 5 25 85.5 1.931966115 9.659830574
2020 6 36 88.9 1.948901761 11.69341057
2021 7 49 93.2 1.969415912 13.78591139
2022 8 64 95.3 1.979092901 15.83274321
2023 9 81 92.9 1.968015714 17.71214143
∑= 45 285 772.8 17.38920598 87.76997651
Se sustituyen las sumatorias obtenidas, en las siguientes ecuaciones:
(17.38920598)(285) − (87.76997651)(45) 4955.923704 − 3949.648943

log 𝑏0 = =
(9)(285) − (45)2 2565 − 2025
1006.274761
log 𝑏0 = = 1.86347178
540
31
(9)(87.76997651) − (45)(17.38920598) 789.9297886 − 782.5142691
log 𝑏1 = =
(9)(285) − (45)2 2565 − 2025
7.4155195
log 𝑏1 = = 0.01373244
540
Coeficientes
1.86347178
b0 10 73.025036
b1 100.01373244 1.032125
𝑦̂𝑖 = (73.025036)(1.032125)𝑡𝑖
𝑦̂𝑖 = (73.025036)(1.032125)11 = 103.401551 𝑚𝑖𝑙𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠

𝑦̂𝑖 = (73.025036)(1.032125)13 = 110.151813 𝑚𝑖𝑙𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠
32
Ejemplo 14: Las ventas de una pequeña cadena de tiendas de comestibles desde
2018 son:

de pesos)
2018 7 1
2019 8 2
2020 9 3
2021 11 4
2022 13 5
2023 15 6

tendencia exponencial?
Solución:

Coeficientes

Coeficientes
b0 100.76817534 5.863749
b1 100.0678479 1.16909
𝑦̂𝑖 = (5.863749)(1.16909)𝑡𝑖
33
Solución manual:
Ventas
(millones
Año
Año ti2 de log yi ti log yi
Codificado (ti)
pesos)
(yi)
2018 1 1 7 0.84509804 0.84509804
2019 2 4 8 0.903089987 1.806179974
2020 3 9 9 0.954242509 2.862727528
2021 4 16 11 1.041392685 4.165570741
2022 5 25 13 1.113943352 5.569716762
2023 6 36 15 1.176091259 7.056547554
∑= 21 91 63 6.033857833 22.3058406
(6.033857833)(91) − (22.3058406)(21) 549.0810628 − 468.4226526

log 𝑏0 = =
(6)(91) − (21)2 546 − 441
80.6584102
log 𝑏0 = = 0. 76817534
105
(6)(22.3058406) − (21)(6.033857833) 133.8350436 − 126.7110145

log 𝑏1 = =
(6)(91) − (21)2 546 − 441
34
7.1240291
log 𝑏1 = = 0.0678479
105
Coeficientes
b0 100.76817534 5.863749
b1 100.0678479 1.16909
𝑦̂𝑖 = (5.863749)(1.16909)𝑡𝑖
𝑦̂𝑖 = (5.863749)(1.16909)7 = 17.50294 𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠
35
obtener el modelo de tendencia exponencial de los datos de devoluciones de
pedidos de una determinada empresa. Los datos de devoluciones anuales son los
siguientes:
2013 94 1
2014 92 2
2015 86 3
2016 82 4
2017 78 5
2018 81 6
2019 75 7
2020 72 8
2021 70 9
2022 68 10
2023 70 11

Coeficientes
Año Codificado (ti) -0.01421329

Coeficientes
1.9799076
b0 10 95.478942
b1 10-0.01421329 0.967802
𝑦̂𝑖 = (95.478942)(0.967802)𝑡𝑖
36
Solución manual:
Año Devoluciones
Año ti2 log yi ti log yi
Codificado (ti) (yi)
2013 1 1 94 1.973127854 1.973127854
2014 2 4 92 1.963787827 3.927575655
2015 3 9 86 1.934498451 5.803495354
2016 4 16 82 1.913813852 7.65525541
2017 5 25 78 1.892094603 9.460473013
2018 6 36 81 1.908485019 11.45091011
2019 7 49 75 1.875061263 13.12542884
2020 8 64 72 1.857332496 14.85865997
2021 9 81 70 1.84509804 16.60588236
2022 10 100 68 1.832508913 18.32508913
2023 11 121 70 1.84509804 20.29607844
∑= 66 506 868 20.84090636 123.4819761
(20.84090636)(506) − (123.4819761)(66) 10545.49862 − 8149.810423

log 𝑏0 = =
(11)(506) − (66)2 5566 − 4356
2395.688197
log 𝑏0 = = 1.9799076.
1210
(11)(123.4819761) − (66)(20.84090636) 1358.301737 − 1375.49982

log 𝑏1 = =
(11)(506) − (66)2 5566 − 4356
37
−17.198083
log 𝑏1 = = −0.01421329
1210
Coeficientes
1.9799076
b0 10 95.478942
b1 10-0.01421329 0.967802
𝑦̂𝑖 = (95.478942)(0.967802)𝑡𝑖
𝑦̂𝑖 = (95.478942)(0.967802)13 = 62.392487 𝑑𝑒𝑣𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠

𝑦̂𝑖 = (95.478942)(0.967802)14 = 60.383574 𝑑𝑒𝑣𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠
38
Variación Estacional.
Las series de negocios como venta de automóviles, embarque de refrescos

embotellados y construcciones residenciales cada año tienen periodo de actividad
por arriba y por abajo del promedio.
En el área de producción industrial una de las razones para analizar las

fluctuaciones estacionales es tener disponibles suficientes suministros de materias
primas para cubrir la demanda estacional variable.
Un análisis de las fluctuaciones estacionales en un lapso de años también puede

ayudar a evaluar las ventas actuales, por ejemplo las ventas representativas de una
tienda departamental en México sin incluir las ventas de pedidos por correo se
expresan como índices en la siguiente tabla.
Enero 87.0 Mayo 101.6 Septiembre 101.4

Febrero 83.2 Junio 89.6 Octubre 105.8
Marzo 100.5 Julio 86.0 Noviembre 111.9
Abril 106.5 Agosto 99.7 Diciembre 126.8
Determinación de un Índice Estacional.
Varios métodos se han desarrollado para medir la fluctuación estacional típica en

una serie de tiempo. El método más comúnmente utilizado para calcular el esquema
típico de la temporada es el llamado método de razón a promedio móvil que elimina
las componentes de tendencia, cíclica e irregular de los datos originales “y”.
𝑇𝑖 𝐶𝑖 𝑆𝑖 𝐼𝑖
𝑦𝑖 = 𝑆𝑖 =
𝑇𝑖 𝐶𝑖 𝐼𝑖
Ti ,Ci e, Ii , = Valores respectivos del componente de tendencia, cíclico e irregular en

el período i.
Si = valor del componente estacional en el período i.
Tabla inicial:
Año Trimestre Ventas Total de 4 Promedio móvil Promedio móvil VE

(1) (2) (3) trimestres trimestral centrado Especifico
(4) (5) (6)
(7)
39
Tabla resumen:
Año 1er Trim 2do Trim 3er Trim 4to Trim

Total
Media
Índice Típico 4.0000
Ejemplo 16: En el siguiente ejemplo se muestran las ventas trimestrales de una

empresa para los años de 2019 a 2023. Las ventas se presentan en millones de
pesos. Determine un índice estacional trimestral usando el método de razón a
promedio móvil y pronostique sus ventas para cada trimestre de 2024.
Ventas trimestrales de la empresa en Millones de Dólares.

Año Invierno Primavera Verano Otoño
2019 6.5 4.6 9.8 13.6
2020 6.9 5.0 10.4 14.1
2021 7.0 5.5 10.8 15.0
2022 7.1 5.7 11.1 14.5
2023 8.0 6.2 11.4 14.9
Pasos:
1. Establecer el total móvil cada 4 trimestres.
2. A cada total móvil trimestral de la columna 4 se dividirá entre 4 para obtener

el promedio móvil de 4 trimestres.
3. Se centran los promedios móviles( (8.675+8.775)/2=8.675)
4. El valor estacional específico para cada trimestre se calculará dividiendo

el valor de las ventas de la columna 3 entre el promedio móvil centrado de
la columna 6. (9.8/8.675 = 1.1297).
5. Los datos de los valores estacionales específicos se organizan en forma

tabular. Se usa la media aritmética, pero también puede utilizarse la
mediana o una media modificada.
6. En teoría las 4 medias trimestrales debe dar como total 4, porque el

promedio se fija en 1. Se aplica un factor de corrección en caso de ser
necesario, a cada valor medio para obtener un total de 4.
40
Año Trimestre Ventas Total de 4 Promedio móvil Promedio móvil VE
(4) (5) (6) (7)
2019 I 6.5
P 4.6
34.5 8.625
V 9.8 8.675 1.1297
34.9 8.725
O 13.6 8.775 1.5499
35.3 8.825
2020 I 6.9 8.9 0.7753
35.9 8.975
P 5 9.0375 0.5533
36.4 9.1
V 10.4 9.1125 1.1413
36.5 9.125
O 14.1 9.1875 1.5347
37 9.25
2021 I 7 9.3 0.7527
37.4 9.35
P 5.5 9.4625 0.5812
38.3 9.575
V 10.8 9.5875 1.1265
38.4 9.6
O 15 9.625 1.5584
38.6 9.65
2022 I 7.1 9.6875 0.7329
38.9 9.725
P 5.7 9.6625 0.5899
38.4 9.6
V 11.1 9.7125 1.1429
39.3 9.825
O 14.5 9.8875 1.4665
39.8 9.95
2023 I 8 9.9875 0.8010
40.1 10.025
P 6.2 10.075 0.6154
40.5 10.125
V 11.4
O 14.9
41
2019 1.1297 1.5499
2020 0.7753 0.5533 1.1413 1.5347
2021 0.7527 0.5812 1.1265 1.5584
2022 0.7329 0.5899 1.1429 1.4665
2023 0.8010 0.6154
Total 3.0619 2.3398 4.5404 6.1095
Media 0.7655 0.5850 1.1351 1.5274 4.013
Índice
76.30 58.31 113.14 152.25 400%
Típico
Factor de corrección para ajustar medias trimestrales

4
FACTOR DE CORRECCIÓN = = 0.9967605283
4.013
Los índices estacionales para la empresa por trimestre se presentan en la

siguiente tabla:
Índice
76.30 58.31 113.14 152.25 400%
Típico
42
Desestacionalización de Datos
Un conjunto de índices estacionales típicos, es muy útil para ajustar las series de
ventas. Por ejemplo para el caso de fluctuaciones estacionales la serie resultante
se llama ventas desestacionalizadas o bien ventas con datos ajustados
estacionalmente. La razón para desestacionalizar las series de ventas, es con el
fin de estudiar la tendencia y el ciclo. Para eliminar el efecto de la variación
estacional, la cantidad de ventas para cada periodo se divide entre el índice de
temporada para ese periodo.
Tabla tipo:
Año Trimestre Ventas Índice Ventas
(millones estacional desestacionalizadas
de pesos)
Ejemplo 16 (cont): Aplicando desestacionalización de datos del ejemplo 16, se

tiene:
Año Trimestre Ventas Índice Ventas

(millones estacional desestacionalizadas
de pesos)
2019 Invierno 6.5 0.763 8.5190
Primavera 4.6 0.5831 7.8889
Verano 9.8 1.1314 8.6618
Otoño 13.6 1.5225 8.9327
2020 Invierno 6.9 0.763 9.0433
Primavera 5.0 0.5831 8.5749
Verano 10.4 1.1314 9.1922
Otoño 14.1 1.5225 9.2611
2021 Invierno 7.0 0.763 9.1743
Primavera 5.5 0.5831 9.4323
Verano 10.8 1.1314 9.5457
Otoño 15.0 1.5225 9.8522
2022 Invierno 7.1 0.763 9.3054
Primavera 5.7 0.5831 9.7753
Verano 11.1 1.1314 9.8109
Otoño 14.5 1.5225 9.5238
2023 Invierno 8.0 0.763 10.4849
Primavera 6.2 0.5831 10.6328
Verano 11.4 1.1314 10.0760
Otoño 14.9 1.5225 9.7865
43
Utilización de datos desestacionalizados para pronósticos
El procedimiento para identificar la tendencia y los ajustes estacionales se pueden

combinar para producir pronósticos ajustados estacionalmente. A fin de identificar
la tendencia, se determina la ecuación de tendencia de mínimos cuadrados sobre
los datos históricos desestacionalizados. Después se proyecta esta tendencia hacia
periodos futuros y finalmente se ajustan estos valores tendenciales para considerar
los factores de temporada.
Ejemplo 16 (cont): Con los datos obtenidos de la desestacionalización, se desea

pronosticar sus ventas para cada trimestre de 2024.
Año Trimestre ti yi ti 2 tiyi

2019 Invierno 1 8.5190 1 8.519
Primavera 2 7.8889 4 15.7778
Verano 3 8.6618 9 25.9854
Otoño 4 8.9327 16 35.7308
2020 Invierno 5 9.0433 25 45.2165
Primavera 6 8.5749 36 51.4494
Verano 7 9.1922 49 64.3454
Otoño 8 9.2611 64 74.0888
2021 Invierno 9 9.1743 81 82.5687
Primavera 10 9.4323 100 94.323
Verano 11 9.5457 121 105.0027
Otoño 12 9.8522 144 118.2264
2022 Invierno 13 9.3054 169 120.9702
Primavera 14 9.7753 196 136.8542
Verano 15 9.8109 225 147.1635
Otoño 16 9.5238 256 152.3808
2023 Invierno 17 10.4849 289 178.2433
Primavera 18 10.6328 324 191.3904
Verano 19 10.0760 361 191.444
Otoño 20 9.7865 400 195.73
= 210 187.474 2870 2035.4103
(𝟏𝟖𝟕. 𝟒𝟕𝟒)(𝟐𝟖𝟕𝟎) − (𝟐𝟎𝟑𝟓. 𝟒𝟏𝟎𝟑)(𝟐𝟏𝟎) 𝟓𝟑𝟖𝟎𝟓𝟎. 𝟑𝟖 − 𝟒𝟐𝟕𝟒𝟑𝟔. 𝟏𝟔𝟑

𝒃𝟎 = =
(𝟐𝟎)(𝟐𝟖𝟕𝟎) − (𝟐𝟏𝟎)𝟐 𝟓𝟕𝟒𝟎𝟎 − 𝟒𝟒𝟏𝟎𝟎
44
𝟏𝟏𝟎𝟔𝟏𝟒. 𝟐𝟏𝟕
𝒃𝟎 = = 𝟖. 𝟑𝟏𝟔𝟖𝟓𝟖
𝟏𝟑𝟑𝟎𝟎
(𝟐𝟎)(𝟐𝟎𝟑𝟓. 𝟒𝟏𝟎𝟑) − (𝟐𝟏𝟎)(𝟏𝟖𝟕. 𝟒𝟕𝟒) 𝟒𝟎𝟕𝟎𝟖. 𝟐𝟎𝟔 − 𝟑𝟗𝟑𝟔𝟗. 𝟓𝟒

𝒃𝟏 = =
(𝟐𝟎)(𝟐𝟖𝟕𝟎) − (𝟐𝟏𝟎)𝟐 𝟓𝟕𝟒𝟎𝟎 − 𝟒𝟒𝟏𝟎𝟎
𝟏𝟑𝟑𝟖. 𝟔𝟔𝟔
𝒃𝟏 = = 𝟎. 𝟏𝟎𝟎𝟔𝟓𝟐
𝟏𝟑𝟑𝟎𝟎
𝑦̂ = 𝑏0 + 𝑏1 𝑡
𝑦̂ = 8.316858 + 0.100652𝑡
Ventas Estimadas Pronóstico trimestral

𝑦̂ = 8.316858+0.100652(21) = 10.4306 (10.4306)(0.763)= 7.9585
𝑦̂ = 8.316858+0.100652(22) = 10.5312 (10.5312)(0.5831)= 6.1407
𝑦̂ = 8.316858+0.100652(23) = 10.6319 (10.6319)(1.1314)= 12.0289
𝑦̂ = 8.316858+0.100652(24) = 10.7325 (10.7325)(1.5225)= 16.3402
Pronóstico trimestral de la empresa para 2024 en millones de pesos.
Trimestre t Ventas Índice Pronóstico

estimadas estacional trimestral.
Invierno 21 10.4306 0.763 7.9585
Primavera 22 10.5312 0.5831 6.1407
Verano 23 10.6319 1.1314 12.0289
Otoño 24 10.7325 1.5225 16.3402
Los pronósticos de la empresa para cada trimestre de 2024 en millones de pesos,

se presentan en la siguiente tabla:

2024 7.9585 6.1407 12.0289 16.3402
45
Ejemplo 17: La empresa TECMEX dueña de tiendas, restaurantes y hoteles,
registra el número de visitantes (en miles) por trimestre en los últimos 4 años.
Determine un índice estacional trimestral usando el método de razón a promedio
móvil y pronostique el número de visitantes para cada trimestre de 2024.
Número de visitantes en miles de la empresa TECMEX.

2020 118.6 82.5 121.4 77
2021 114 84.3 119.9 75
2022 120.7 79.6 130.7 69.6
2023 125.2 80.2 127.6 72
Solución:
Año Trimestre Visitantes Total de 4 Promedio móvil Promedio móvil VE

(4) (5) (6) (7)
2020 I 118.6
P 82.5
399.5 99.875
V 121.4 99.3 1.2226
394.9 98.725
O 77 98.95 0.7782
396.7 99.175
2021 I 114 98.9875 1.1517
395.2 98.8
P 84.3 98.55 0.8554
393.2 98.3
V 119.9 99.1375 1.2094
399.9 99.975
O 75 99.3875 0.7546
395.2 98.8
2022 I 120.7 100.15 1.2052
406 101.5
P 79.6 100.825 0.7895
400.6 100.15
V 130.7 100.7125 1.2978
405.1 101.275
O 69.6 101.35 0.6867
405.7 101.425
2023 I 125.2 101.0375 1.2391
402.6 100.65
P 80.2 100.95 0.7945
405 101.25
V 127.6
O 72
46
2020 1.2226 0.7782
2021 1.1517 0.8554 1.2094 0.7546
2022 1.2052 0.7895 1.2978 0.6867
2023 1.2391 0.7945
Total 3.5960 2.4393 3.7297 2.2195
Media 1.1987 0.8131 1.2432 0.7398 3.9948
Índice
120.03 81.42 124.48 74.08 400.01%*
Típico
*Error por redondeo

4
3.9948

siguiente tabla:
Índice
120.03 81.42 124.48 74.08 400.01%*
Típico
*Error por redondeo
Año Trimestre Visitantes Índice Visitantes

(miles) estacional desestacionalizados
2020 Invierno 118.6 1.2003 98.8086
Primavera 82.5 0.8142 101.3265
Verano 121.4 1.2448 97.5257
Otoño 77 0.7408 103.9417
2021 Invierno 114 1.2003 94.9763
Primavera 84.3 0.8142 103.5372
Verano 119.9 1.2448 96.3207
Otoño 75 0.7408 101.2419
2022 Invierno 120.7 1.2003 100.5582
Primavera 79.6 0.8142 97.7647
Verano 130.7 1.2448 104.9968
Otoño 69.6 0.7408 93.9525
2023 Invierno 125.2 1.2003 104.3073
Primavera 80.2 0.8142 98.5016
Verano 127.6 1.2448 102.5064
Otoño 72 0.7408 97.1922
47
2020 Invierno 1 98.8086 1 98.8086
Primavera 2 101.3265 4 202.6529
Verano 3 97.5257 9 292.5771
Otoño 4 103.9417 16 415.7667
2021 Invierno 5 94.9763 25 474.8813
Primavera 6 103.5372 36 621.2233
Verano 7 96.3207 49 674.2449
Otoño 8 101.2419 64 809.9352
2022 Invierno 9 100.5582 81 905.0237
Primavera 10 97.7647 100 977.6468
Verano 11 104.9968 121 1154.9647
Otoño 12 93.9525 144 1127.4298
2023 Invierno 13 104.3073 169 1355.9943
Primavera 14 98.5016 196 1379.0224
Verano 15 102.5064 225 1537.5964
Otoño 16 97.1922 256 1555.0756
= 136 1597.4582 1496 13582.8437
(𝟏𝟓𝟗𝟕. 𝟒𝟓𝟖𝟐)(𝟏𝟒𝟗𝟔) − (𝟏𝟑𝟓𝟖𝟐. 𝟖𝟒𝟑𝟕)(𝟏𝟑𝟔)

𝒃𝟎 =
(𝟏𝟔)(𝟏𝟒𝟗𝟔) − (𝟏𝟑𝟔)𝟐
𝟐𝟑𝟖𝟗𝟕𝟗𝟕. 𝟒𝟔𝟕 − 𝟏𝟖𝟒𝟕𝟐𝟔𝟔. 𝟕𝟒𝟑
=
𝟐𝟑𝟗𝟑𝟔 − 𝟏𝟖𝟒𝟗𝟔
𝟓𝟒𝟐𝟓𝟑𝟎. 𝟕𝟐𝟒
𝒃𝟎 = = 𝟗𝟗. 𝟕𝟐𝟗𝟗𝟏𝟑
𝟓𝟒𝟒𝟎
(𝟏𝟔)(𝟏𝟑𝟓𝟖𝟐. 𝟖𝟒𝟑𝟕) − (𝟏𝟑𝟔)(𝟏𝟓𝟗𝟕. 𝟒𝟓𝟖𝟐) 𝟐𝟏𝟕𝟑𝟐𝟓. 𝟒𝟗𝟗𝟐 − 𝟐𝟏𝟕𝟐𝟓𝟒. 𝟑𝟏𝟓𝟐

𝒃𝟏 = =
(𝟏𝟔)(𝟏𝟒𝟗𝟔) − (𝟏𝟑𝟔)𝟐 𝟐𝟑𝟗𝟑𝟔 − 𝟏𝟖𝟒𝟗𝟔
48
𝟕𝟏. 𝟏𝟖𝟒
𝒃𝟏 = = 𝟎. 𝟎𝟏𝟑𝟎𝟖𝟓
𝟓𝟒𝟒𝟎
𝑦̂ = 𝑏0 + 𝑏1 𝑡
𝑦̂ = 99.729913 + 0.013085𝑡
Visitantes Estimados Pronóstico trimestral

𝑦̂ = 99.729913 + 0.013085(17) = 99.952358 (99.952358)(1.2003)= 119.9728
𝑦̂ = 99.729913 + 0.013085 (18) = 99.965443 (99.965443)(0.8142)= 81.3919
𝑦̂ = 99.729913 + 0.013085 (19) = 99.978528 (99.978528)(1.2448)= 124.4533
𝑦̂ = 99.729913 + 0.013085 (20) = 99.991613 (99.991613)(0.7408)= 74.0738
Pronóstico trimestral de la empresa para 2024 en miles de visitantes.
Trimestre t Visitantes Índice Pronóstico

estimados estacional trimestral.
Invierno 17 99.952358 1.2003 119.9728
Primavera 18 99.965443 0.8142 81.3919
Verano 19 99.978528 1.2448 124.4533
Otoño 20 99.991613 0.7408 74.0738
Los pronósticos de la empresa para cada trimestre de 2024 en miles de visitantes,

se presentan en la siguiente tabla:

2024 119.9728 81.3919 124.4533 74.0738
49
Ejemplo 18: El dueño de la empresa TNTEC, estudia el ausentismo entre sus
empleados. Su plantilla laboral es pequeña, de sólo 5 empleados y durante los
últimos 3 años, registró el siguiente número de faltas entre sus empleados, en días,
por trimestre:
Número de faltas de la empresa TNTEC.

2021 4 10 7 3
2022 5 12 9 4
2023 6 16 12 4
Determine un índice estacional trimestral usando el método de razón a promedio

móvil y pronostique el número de faltas de los empleados para cada trimestre de
2024.
Solución:
Año Trimestre Faltas Total de 4 Promedio móvil Promedio móvil VE

(4) (5) (6) (7)
2021 I 4
P 10
24 6
V 7 6.125 1.1429
25 6.25
O 3 6.5 0.4615
27 6.75
2022 I 5 7 0.7143
29 7.25
P 12 7.375 1.6271
30 7.5
V 9 7.625 1.1803
31 7.75
O 4 8.25 0.4848
35 8.75
2023 I 6 9.125 0.6575
38 9.5
P 16 9.5 1.6842
38 9.5
V 12
O 4
50
2021 1.1429 0.4615
2022 0.7143 1.6271 1.1803 0.4848
2023 0.6575 1.6842
Total 1.3718 3.3113 2.3232 0.9464
Media 0.6859 1.6557 1.1616 0.4732 3.9764
Índice
69.00 166.55 116.85 47.60 400%
Típico

4
3.9764

siguiente tabla:
Índice
69.00 166.55 116.85 47.60 400%
Típico
Año Trimestre Faltas Índice Ventas

estacional desestacionalizadas
2021 Invierno 4 0.69 5.7971
Primavera 10 1.6655 6.0042
Verano 7 1.1685 5.9906
Otoño 3 0.476 6.3025
2022 Invierno 5 0.69 7.2464
Primavera 12 1.6655 7.2050
Verano 9 1.1685 7.7022
Otoño 4 0.476 8.4034
2023 Invierno 6 0.69 8.6957
Primavera 16 1.6655 9.6067
Verano 12 1.1685 10.2696
Otoño 4 0.476 8.4034
51
2021 Invierno 1 5.7971 1 5.7971
Primavera 2 6.0042 4 12.0084
Verano 3 5.9906 9 17.9718
Otoño 4 6.3025 16 25.2101
2022 Invierno 5 7.2464 25 36.2319
Primavera 6 7.2050 36 43.2303
Verano 7 7.7022 49 53.9153
Otoño 8 8.4034 64 67.2269
2023 Invierno 9 8.6957 81 78.2609
Primavera 10 9.6067 100 96.0672
Verano 11 10.2696 121 112.9653
Otoño 12 8.4034 144 100.8403
= 78 91.6267 650 649.7255
(𝟗𝟏. 𝟔𝟐𝟔𝟕)(𝟔𝟓𝟎) − (𝟔𝟒𝟗. 𝟕𝟐𝟓𝟓)(𝟕𝟖) 𝟓𝟗𝟓𝟓𝟕. 𝟑𝟓𝟓 − 𝟓𝟎𝟔𝟕𝟖. 𝟓𝟖𝟗

𝒃𝟎 = =
(𝟏𝟐)(𝟔𝟓𝟎) − (𝟕𝟖)𝟐 𝟕𝟖𝟎𝟎 − 𝟔𝟎𝟖𝟒
𝟖𝟖𝟕𝟖. 𝟕𝟔𝟔
𝒃𝟎 = = 𝟓. 𝟏𝟕𝟒𝟏𝟎𝟔
𝟏𝟕𝟏𝟔
(𝟏𝟐)(𝟔𝟒𝟗. 𝟕𝟐𝟓𝟓) − (𝟕𝟖)(𝟗𝟏. 𝟔𝟐𝟔𝟕) 𝟕𝟕𝟗𝟔. 𝟕𝟎𝟔 − 𝟕𝟏𝟒𝟔. 𝟖𝟖𝟐𝟔

𝒃𝟏 = =
(𝟏𝟐)(𝟔𝟓𝟎) − (𝟕𝟖)𝟐 𝟕𝟖𝟎𝟎 − 𝟔𝟎𝟖𝟒
𝟔𝟒𝟗. 𝟖𝟐𝟑𝟒
𝒃𝟏 = = 𝟎. 𝟑𝟕𝟖𝟔𝟖𝟓
𝟏𝟕𝟏𝟔
𝑦̂ = 𝑏0 + 𝑏1 𝑡
𝑦̂ = 5.174106 + 0.378685𝑡
52
Faltas Estimadas Pronóstico trimestral
𝑦̂ = 5.174106+0.378685 (13) =10.097011 (10.097011)(0.69)= 6.9669
𝑦̂ = 5.174106+0.378685 (14) = 10.475696 (10.475696)(1.6655)= 17.4473
𝑦̂ = 5.174106+0.378685 (15) = 10.854381 (10.854381)(1.1685)= 12.6833
𝑦̂ = 5.174106+0.378685 (16) = 11.233066 (11.233066)(0.476)= 5.3469
Pronóstico trimestral de la empresa para 2024 en faltas.
Trimestre t Faltas Índice Pronóstico

estimadas estacional trimestral.
Invierno 13 10.097011 0.69 6.9669
Primavera 14 10.475696 1.6655 17.4473
Verano 15 10.854381 1.1685 12.6833
Otoño 16 11.233066 0.476 5.3469
Los pronósticos de la empresa para cada trimestre de 2024 en faltas, se presentan

en la siguiente tabla:

2024 6.9669 17.4473 12.6833 5.3469
53
CONCLUSIÓN
En conclusión, el análisis de series temporales es una rama de la estadística

fundamental y ampliamente utilizada que se centra en comprender y analizar los
datos recopilados a lo largo del tiempo. Es una herramienta poderosa para
descubrir patrones, tendencias y dependencias en datos ordenados en el tiempo,
y desempeña un papel crucial en diversos campos e industrias. A continuación
se presentan algunas conclusiones clave sobre las series temporales en las
estadísticas:
Importancia en todas las disciplinas: el análisis de series temporales tiene

aplicaciones en diversos campos, incluidos la economía, las finanzas, la
climatología, la ingeniería, la atención sanitaria y las ciencias sociales.
Proporciona información valiosa y ayuda a la toma de decisiones al extraer
conocimiento de datos históricos.
Componentes de las series temporales: los datos de las series temporales a

menudo se pueden dividir en componentes distintos, como tendencia,
estacionalidad, patrones cíclicos y ruido aleatorio. Identificar estos componentes
es esencial para modelar y comprender los datos.
BIBLIOGRAFÍA
- Anderson, D. R. Sweeney, D. J. & Williams, T. A (2008).

Estadistica para Administracion y Economia. México, D. F: Cengage
Learning.
- Black, K. (2005) Estadistica en los negocios. Mexico, D. F: CECSA

Manual para uso de software para la unidad 3 de la
asignatura de Estadística Administrativa II
Tendencia Lineal con Análisis de Datos:
1. Abrir una hoja de Excel.
2. Capturar datos en diferentes columnas (ti y yi).
3. Seleccionar el Menú Datos – Análisis de datos - Regresión.
4. Aparecerá este Menú: Seleccionar los datos de

yi, capturados en celdas.
Seleccionar los datos de

ti, capturados en celdas.
1
M.C. José Luis Rodríguez García
- Seleccionar Rótulos, si selecciona desde el título, si no dejarlo en blanco como
está.
- Constante igual a cero, vacía.
- Nivel de confianza, viene el 95% en caso de requerir otro, marcar la casilla y
cambiarlo.
- Opciones de salida: En una hoja nueva.
- Residuales no seleccionar ninguno.
Deberá quedar de esta forma:
5. Presionar el botón Aceptar en la parte derecha.
Obtendrá los resultados como el que se muestra en la figura.
2
Tendencia Lineal con Phstat:
3. Seleccionar el Menú Complementos – Phstat – Opción 13 (Regression) – Opción 1
(Simple Linear Regression).
4. Aparecerá este Menú:


3
First cell contains label: Darle click en el cuadro cuando se seleccionen los datos desde el
título y así se pondrá la palomita en el cuadro, si se seleccionan los puros datos no debe
tener la palomita en el cuadro.
Seleccionar:
- Regression Statistics Table.

- ANOVA and Coefficients Table.
5. Presionar el botón OK de la parte inferior.
Se generarán dos hojas, que se marcan en la figura siguiente y obtendrá los resultados como
los que se muestran en la figura.
4
Tendencia Lineal con Megastat:
3. Seleccionar el Menú Complementos – Megastat – Opción 7 (Correlation/Regression)
– Opción 3 (Regression Analysis).

Seleccionar los datos de ti, sin el
título, capturados en celdas.
5
Seleccionar los datos de yi, sin el
Seleccionar:
- Standarized Coefficients (betas).

- Test intercept.
5. Presionar el botón OK en la parte derecha.
6
7
Tendencia lineal con MINITAB:
1. Abrir un proyecto en Minitab.
2. Capturar los datos de ti y yi, en columnas separadas.
3. Seleccionar el Menú Estadísticas – Regresión – Regresión – Ajustar modelo de

regresión.
8
Respuestas: Seleccionar la variable yi.
Predictores continuos: Seleccionar la variable ti.
- En el Menú Opciones no seleccionar nada.
- En el Menú gráficas:
Gráficos de residuos: Seleccionar cuatro en uno.
Presionar el botón Aceptar en la parte inferior.
En el Menú resultados, seleccionar todo, excepto estadístico de Durbin-Watson.
9
En el Menú almacenamiento no seleccionar nada.
5. Presionar el botón Aceptar en la parte inferior.
Obtendrá los resultados como el que se muestra en la figura:
10
11
Tendencia No Lineal Cuadrática con Análisis de Datos:
2. Capturar datos en diferentes columnas (ti, ti2 (juntas) y yi).

4. Aparecerá este Menú: yi, capturados en celdas.
Seleccionar los datos de ti

y ti2 capturados en celdas.
12
está.
cambiarlo.
- Residuales no seleccionar nada.
13
Tendencia No Lineal Cuadrática con PHStat:
(Multiple Regression).

Seleccionar los datos de ti

y ti2, capturados en
celdas.
14
Seleccionar:

15
Tendencia No Lineal Cuadrática con Megastat:

Seleccionar los datos de ti y ti2, sin
el título, capturados en celdas.
Seleccionar los datos de yi, sin el

16
Seleccionar:

- Test intercept.
17
Tendencia No Lineal Cuadrática con MINITAB:
2. Capturar los datos de ti, ti2 y yi, en columnas separadas.

regresión.
18
Respuestas: Seleccionar la variable yi.
Predictores continuos: Seleccionar las variables ti y ti2.
19
20
21
Tendencia No Lineal Exponencial con Análisis de Datos:
2. Capturar datos en diferentes columnas (ti y log yi).
Seleccionar los datos de log yi,

capturados en celdas.


está.
22
cambiarlo.
- Residuales no seleccionar ninguno.
23
NOTA: Recordar que los coeficientes obtenidos son log b0 y log b1k, por lo que hay que
convertirlos a b0 y b1, utilizando 10𝑙𝑜𝑔 𝑏0 y 10𝑙𝑜𝑔 𝑏1 , respectivamente.
24
Tendencia No Lineal Exponencial con Phstat:
(Simple Linear Regression).

Seleccionar los datos de log yi,

25
Seleccionar:

26
NOTA: Recuerde que los coeficientes encontrados son log b0 y log b1k, por lo que hay que
27
Tendencia No Lineal Exponencial con Megastat:

Seleccionar los datos de ti, sin el
Seleccionar los datos de log yi, sin

el título, capturados en celdas.
28
Seleccionar:

- Test intercept.
29
30
Tendencia No Lineal Exponencial con MINITAB:
2. Capturar los datos de ti y log yi, en columnas separadas.

regresión.
31
Respuestas: Seleccionar la variable log yi.
Predictores continuos: Seleccionar la variable ti.
32
33
34
Promedios Móviles con Análisis de Datos
2. Capturar los datos en una columna.
3. Seleccionar el Menú Datos – Análisis de datos – Media móvil.
Seleccionar los datos

- Seleccionar Rótulos en la primera fila, si selecciona desde el título, si no dejarlo en

blanco como está.
35
- Intervalo: Escribir el valor de PM que corresponda (por ejemplo para PM(3), escribir
3).
- Rango de salida seleccionar un número de celdas vacías igual al número de datos.
- Seleccionar Crear gráfico, si se desea la gráfica de los datos originales y los datos
calculados de los promedios móviles.
Para un valor de PM(3), deberá quedar de esta forma:
36
NOTA: Como se puede observar en los resultados, al calcular los promedios
móviles PM(3), debería de faltar un dato al inicio y un dato al final, pero los
resultados no están así, por lo que es necesario hacer tres correcciones:
a) Recorrer todos los valores obtenidos, una celda hacia arriba.
Seleccionar Aceptar.
37
b) Dar click derecho en el gráfico y dar click en seleccionar datos.
c) En etiquetas del eje horizontal (categoría), seleccionar Editar.
Seleccionar los datos capturados

en la columna de años.
38
Editar el título horizontal de punto de datos y poner año.
39
Promedios Móviles con Megastat
3. Seleccionar el Menú Complementos – Megastat – Opción 8 (Time Series /
Forecasting) – Opción 3 (Moving Average).

- Number of Periods: Escribir el valor de L de PM(L).
40
Para un valor de PM(3), deberá quedar de esta forma:
NOTA: Como se puede observar en los resultados, al calcular los promedios

móviles PM(3), debería de faltar un dato al inicio y un dato al final, pero los
resultados no están así, por lo que es necesario hacer una corrección:
Recorrer todos los valores obtenidos, una celda hacia arriba.
41
42
Promedios Móviles con Minitab
3. Seleccionar el Menú Estadísticas – Series de tiempo – Promedio móvil
43
Variable: Seleccionar la columna con los datos (por lo general C1).
Longitud de MA: Anotar el número L dentro del paréntesis PM(L).
Seleccionar centrar los promedios móviles.
Generar pronósticos, no seleccionar nada.
En tiempo, seleccionar Calendario, opción Año, en valor inicial escribir el año inicial (2013
en el ejemplo).
44
En opciones, no seleccionar nada.
En almacenamiento, seleccionar promedios móviles.
En gráficas, seleccionar graficar suavizado vs. real.
Gráfica de residuos, seleccionar gráficas individuales.
Residuos vs. las variables, no seleccionar nada.
45
En resultados, seleccionar tabla de resumen y tabla de resultados.
Presionar el botón Aceptar en la parte inferior, nuevamente.
46
47
Suavización exponencial con Análisis de Datos
3. Seleccionar el Menú Datos – Análisis de datos – Suavización exponencial.

- Factor de suavización: Escribir el complemento del factor W (1 – W).
48
- Seleccionar Rótulos en la primera fila, si selecciona desde el título, si no dejarlo en
blanco como está.
- Rango de salida seleccionar un número de celdas vacías igual al número de datos.
- Seleccionar Crear gráfico, si se desea la gráfica de los datos originales y los datos
calculados de la suavización exponencial.
Para un valor de W = 0.25, deberá quedar de esta forma:
49
NOTA: Como se puede observar en los resultados, al calcular la suavización
exponencial, no debería de faltar un dato al inicio y se empieza con el mismo
dato inicial de la serie, pero los resultados no están así, por lo que es necesario
hacer cinco correcciones:
a) Recorrer todos los valores obtenidos, una celda hacia arriba.
50
b) Copiar sólo la última celda calculada hacia abajo una celda.
c) Dar click derecho en el gráfico y dar click en seleccionar datos.
51
d) En etiquetas del eje horizontal (categoría), seleccionar Editar.
Seleccionar los datos capturados

en la columna de años.
52
e) En entradas de leyenda (Series) seleccionar Pronóstico, seleccionar Editar.
Seleccionar todos los

datos calculados.
53
Editar el título horizontal de punto de datos y poner año.
54
Suavización exponencial con Megastat
Forecasting) – Opción 4 (Exponential Smoothing) – Opción 1 (Simple Exponential
Smoothing).

- Alpha: Escribir el valor de W.

- Initial value: Escribir el primer valor de la serie.
55
Para un valor de W = 0.25, deberá quedar de esta forma:
56
Suavización exponencial con Minitab
3. Seleccionar el Menú Estadísticas – Series de tiempo – Suavizado exp. simple
57
Ponderación que se utilizará en suavización: Seleccionar Utilizar y escribir el valor de W.
Generar pronósticos, no seleccionar nada.
En tiempo, seleccionar Calendario, opción Año, en valor inicial escribir el año inicial (2013
en el ejemplo).
58
En opciones:
Utilizar promedio de primeras observaciones de K: Escribir K = 1, presionar el botón

Aceptar en la parte inferior.
En almacenamiento, seleccionar datos suavizados.
59
En gráficas, seleccionar graficar suavizado vs. real.
60
61
Desestacionalización con Megastat
2. Capturar los datos ordenados en una columna.
Forecasting) – Opción 2 (Deseasonalization).

62
- Seleccionar Quarterly.
- First data period: No seleccionar ni escribir nada
- Seleccionar Plot values.
63
Desestacionalización con Minitab
3. Seleccionar el Menú Estadísticas – Series de tiempo – Descomposición
64
Longitud estacional: Escribir 4 en caso de ser trimestral (12 en caso de ser mensual o 2 en
caso de ser semestral).
Tipo de modelo: Seleccionar multiplicativo.
Componentes del modelo: Seleccionar estacional solamente.
En tiempo, seleccionar Calendario, opción Trimestre, en valor inicial escribir 1.
65
En opciones, no seleccionar nada.
En almacenamiento, seleccionar Línea de tendencia, Datos sin tendencia, Estacionales y

Datos ajustados estacionalmente.
En gráficas, seleccionar mostrar gráfica.
66
67
Análisis de componente para C1
Modelo multiplicativo
Datos originales Datos con tendencia invertida
15 1.5
10
1.0
5
0.5
Q1 Q1 Q1 Q1 Q1 Q1 Q1 Q1 Q1 Q1
Trimestre Trimestre
Datos ajustados estacionalmente Datos con elim. de tend. y ajuste estac.

0.5
15
0.0
10
-0.5
5
-1.0
Q1 Q1 Q1 Q1 Q1 Q1 Q1 Q1 Q1 Q1
Trimestre Trimestre
Análisis estacional para C1

Modelo multiplicativo
Índices estacionales Datos con tendencia invertida por estación
1.5 1.5
1.0 1.0
0.5 0.5
1 2 3 4 1 2 3 4
Variación porcentual por estación Residuos por estación

0.5
45
0.0
30
-0.5
15
0 -1.0
1 2 3 4 1 2 3 4
68
NOTA: Los índices son diferentes a los calculados por Megastat, debido a que el programa Minitab
usa la mediana, en lugar de la media aritmética, también es válido, pero los resultados no
coincidirán, serán parecidos solamente.
69

Portafolio de Evidencias Unidad 3

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Portafolio de Evidencias Unidad 3

Cargado por

Copyright:

Formatos disponibles

T E C N O L Ó G I C O N A C I O N A L

El análisis de series de tiempo es una rama de la estadística que se ocupa de

El análisis de series de tiempo se utiliza ampliamente en diversos campos,

El análisis de series de tiempo es una herramienta valiosa para comprender y

TEMA 3. Análisis de Series de Tiempo

NOTAS PARA EL CURSO DE:

M.C. JOSÉ LUIS RODRÍGUEZ GARCÍA

CHILPANCINGO, GRO A 23 DE AGOSTO DE 2023.

M.C. JOSÉ LUIS RODRÍGUEZ GARCÍA

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

En esencia existen 2 enfoques de pronósticos que son el cualitativo y el cuantitativo.

Los métodos de pronósticos cualitativos son importantes en especial cuando no

• El método de enumeración de factores.

Los métodos de pronósticos cuantitativos utilizan los datos históricos. La meta

Los métodos de pronóstico cuantitativos se dividen en dos tipos:

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

Es un conjunto de valores numéricos obtenidos en periodos iguales en el tiempo.

Método de pronóstico causales:

Comprende la determinación de factores relacionados con la variable que se predice

❖ Análisis con variables retrasadas.

Para conseguir estas metas, se han desarrollado muchos modelos matemáticos

El modelo multiplicativo clásico de series de tiempo establece que todo valor

El componente de tendencia es la inclinación global a largo plazo o impresión de un

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

El componente irregular o aleatorio se presenta cuando cualquier dato observado

A continuación se presenta la tabla 1, que contiene los factores que influyen en

Tabla 1. Componente, Clasificación, Definición, Razón de la influencia y duración.

Primero, la tendencia se estudia con el propósito de predecir, es decir, como ayuda

Método de mínimos cuadrados

La gráfica de tendencia a largo plazo de muchas series de negocios como ventas,

̂ = es el valor proyectado de la variable y para un valor seleccionado de “t”.

Las fórmulas para calcular los valores de a y b son las siguientes:

Año Codificado Inversión

(𝟕𝟕𝟐. 𝟖)(𝟐𝟖𝟓) − (𝟒𝟎𝟐𝟒. 𝟐)(𝟒𝟓) 𝟑𝟗𝟏𝟓𝟗 𝟑𝟗𝟏𝟓𝟗

(𝟗)(𝟒𝟎𝟐𝟒. 𝟐) − (𝟒𝟓)(𝟕𝟕𝟐. 𝟖) 𝟏𝟒𝟒𝟏. 𝟖 𝟏𝟒𝟒𝟏. 𝟖

Para 2025, le corresponde un t = 11:

𝑦̂ = 72.516667 + 2.67𝑡 = 72.516667 + 2.67(11) = 101.886667 𝑚𝑖𝑙𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠

Para 2027, le corresponde un t = 13:

𝑦̂ = 72.516667 + 2.67𝑡 = 72.516667 + 2.67(13) = 107.226667 𝑚𝑖𝑙𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠

Año Ventas (millones ti

¿Cuál es el pronóstico estimado de ventas para el año 2024 usando un modelo de

(𝟔𝟑)(𝟗𝟏) − (𝟐𝟒𝟗)(𝟐𝟏) 𝟓𝟎𝟒 𝟓𝟎𝟒

(𝟔)(𝟐𝟒𝟗) − (𝟐𝟏)(𝟔𝟑) 𝟏𝟕𝟏 𝟏𝟕𝟏

Para 2024, le corresponde un t = 7:

𝑦̂ = 𝟒. 𝟖 + 𝟏. 𝟔𝟐𝟖𝟓𝟕𝟏𝑡 = 𝟒. 𝟖 + 𝟏. 𝟔𝟐𝟖𝟓𝟕𝟏(7) = 16.199997 𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠

Para el año 2024, se pronostican 16.2 millones de pesos en ventas.

(𝟖𝟔𝟖)(𝟓𝟎𝟔) − (𝟒𝟗𝟐𝟏)(𝟔𝟔) 𝟒𝟑𝟗𝟐𝟎𝟖 − 𝟑𝟐𝟒𝟕𝟖𝟔 𝟏𝟏𝟒𝟒𝟐𝟐

(𝟏𝟏)(𝟒𝟗𝟐𝟏) − (𝟔𝟔)(𝟖𝟔𝟖) 𝟓𝟒𝟏𝟑𝟏 − 𝟓𝟕𝟐𝟖𝟖 −𝟑𝟏𝟓𝟕

Para 2025, le corresponde un t = 13:

Para 2027, le corresponde un t = 14:

Los promedios móviles para un periodo determinado de longitud L consiste en una

Ejemplo 4: Calcular el promedio móvil de 3, 5 y 7 años de los siguientes datos que

Año Ventas PM(3) PM(5) PM(7)

Año Costo de PM(3) PM(5) PM(7)

Ejemplo 6: Calcular el promedio móvil de 7, 9 y 11 años de los siguientes datos que

Año Producción PM(5) PM(7) PM(9)

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

La obtención de un valor que tiene suavización exponencial en el periodo “i” (E i)

Ei = valor de la serie suavizada exponencialmente que se calcula en el periodo (i).

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

Ejemplo 7: De los datos del ejemplo 4, de la empresa donde se venden artículos

Año Ventas SE (W = 0.25) SE (W = 0.50) SE (W = 0.75)

Año Costo de SE (W = 0.25) SE (W = 0.50) SE (W = 0.75)