SUAVIZACION EXPONENCIAL

SERIES CRONOLGICAS
REGRESIN LINEAL

YEISI PAOLA MESTRA

UNIVERSIDAD DE CORDOBA
FACULTAD DE INGENIERIAS
INGENIERIA INDUSTRIAL
PRODUCCION II
MONTERIA
2014

ING. INDUSTRIAL

PRODUCCION II

OBJETIVO GENERAL
Estudiar los conceptos de suavizacin exponencial, series cronolgicas y
regresin lineal con el fin de conocer su aplicabilidad, en las diferentes reas
o disciplinas que lo conciernen.

Objetivos especficos
Analizar la conceptualizacin y aplicacin de suavizacin exponencial.
Generalizar en concepto de suavizacin exponencial mediante un
ejemplo aplicativo.

Estudiar los mtodos y componentes de las series cronolgicas con su

respectiva aplicacin.
Conocer las distintas aplicaciones y modelos de regresin lineal.
Analizar la conceptualizacin y modelos de la regresin lineal.

ING. INDUSTRIAL

PRODUCCION II

CONTENIDO

INTRODUCCION
1. SERIES CRONOLGICAS
1.1. Ejemplo de una serie cronolgica
1.2. Componentes de una serie cronolgica
1.3. Tipos de esquemas
1.3.1. Seleccin del tipo de esquema
1.4. Componente tendencia
1.4.1. Mtodo grafico
1.4.2. Mtodo del ajuste analtico
1.4.3. Mtodo de las medias mviles
1.4.3.1.
Ejercicio de aplicacin de medias mviles
1.5. Anlisis de la tendencia: mtodo analtico mnimos cuadrados
1.5.1. Ejemplo de aplicacin de mnimos cuadrados
1.6. Determinacin de las variaciones estacionales
1.7. Mtodo de la razn a la media mvil
1.7.1. Determinacin de las variaciones cclicas
2. SUAVIZACIN EXPONENCIAL
2.1. Ejemplo
2.2. Seleccin de la constante de suavizamiento
3. REGRESIN LINEAL
3.1. Mtodo de mnimos cuadrado
3.2. Estimacin de los coeficientes de regresin
3.3. Ejemplo de aplicacin
3.4. Coeficiente de determinacin y correlacin
CONCLUSIONES
BIBLIOGRAFA

ING. INDUSTRIAL

PRODUCCION II

INTRODUCCIN
Se pretende conocer e identificar la aplicacin de las diferentes herramientas
de anlisis de fenmenos, que se presentan en este trabajo como . Las series
cronolgicas que se enfoca en estudia el comportamiento de una variable a
lo largo de un tiempo , y tambin permiten analizar la evolucin en el tiempo
de una variable para Construir un modelo descriptivo de la historia del
fenmeno y tambin poder predecir valores futuros. la suavizacin exponencial
que es una manera de suavizar series de tiempos y a la vez pronosticar datos,
se desempea bien en trminos de exactitud, pueden ser automatizados,
permitiendo ser utilizados a gran escala Por su parte El anlisis de regresin
estudia la relacin entre variables cuantitativas, las Aplicaciones de regresin
son numerosas y ocurren en casi todos los campos, incluyendo ingeniera, la
fsica, ciencias econmicas, ciencias biolgicas y de la salud, como tambin
ciencias sociales.

ING. INDUSTRIAL

PRODUCCION II

1. SERIES CRONOLGICAS

La serie cronolgica o temporal es aquella sucesin de observaciones en la

que alguno de sus caracteres se mide en unidades de tiempo.
El tiempo como sabemos es una caracterstica cuantitativa y el resto de los
caracteres de la serie pueden ser cualitativos o cuantitativos.
Una serie de tiempo o cronolgica, trata una cantidad variable dependiente y
como funcin del tiempo .
Esto se escribe:

Es decir, estudia el comportamiento de una variable a lo largo del tiempo .

Las unidades de tiempo ms usadas son por lo general de un ano, un trimestre,
un mes, etc.
Las series cronolgicas permiten analizar la evolucin en el tiempo de una
variable para:
Construir un modelo descriptivo de la historia del fenmeno y tambin poder
predecir valores futuros. [1]
1.1. Ejemplo de una serie cronolgica
Grafica 1.

Notacin:
= Denota el ao.
= Denota la estacin (periodo inferior al ao).
= Valor de la serie en el ao , estacin .

ING. INDUSTRIAL

PRODUCCION II

1.2. Componentes de una serie cronolgica

Tendencia ( ): Movimiento a largo plazo de la serie.
Variaciones estacionales ( ): Oscilaciones que se producen de manera
reconocible en los diferentes aos, con un periodo inferior al ao.
Variaciones cclicas
): Oscilaciones que se producen con un periodo
superior al ao
Variaciones residuales,
): Movimientos que no presentan un carcter
peridico originados por fenmenos casuales y no permanentes
(huelgas, terremotos, una guerra...) [2]
Grafica 2.

Tendencia
Variaciones estacionales
Variaciones cclicas
Variaciones residuales

1.3.

Tipos de esquemas
Aditivas: se componen sumando la Tendencia,
estacional, variacin cclica regular, variacin residual
=

Multiplicativas: se componen multiplicando la

estacionalidad, variacin cclica, variacin residual.
=

variacin

Tendencia,

ING. INDUSTRIAL

PRODUCCION II

Mixtas: se componen sumando y multiplicando la Tendencia,

estacionalidad, variacin cclica, variacin residual. Existen varias
alternativas, entre otras
=

=
[3]

1.3.1. Seleccin del tipo de esquema

Para seleccionar que tipo de esquema se adapta mejor al fenmeno a analizar,
basndonos solamente en el comportamiento de la componente estacional,
puede utilizarse como gua el siguiente criterio:
Sea una serie temporal de varios aos con observaciones mensuales (un
procedimiento anlogo se tendra si las observaciones fueran trimestrales,
cuatrimestrales, etc.).
Dentro de la serie cronolgica consideramos dos aos consecutivos (k y k+1),
donde
Y1,k , Y2,k , , Y12,k son los valores mensuales para el ao k, e Y1,k+1 ,
Y2,k+1, , Y12,k+1 son los valores mensuales para el ao (k+1).

Se calculan las diferencias

{

y los cocientes

} obteniendo, de este modo, dos distribuciones: {

}.

{
} y

Se compara, en trminos absolutos, el coeficiente de variacin de Pearson

para las dos distribuciones
,
{

Para que el criterio tuviera una base ms slida, habra que tomar los valores
de todos los periodos que forman la serie temporal. Sealar que, el criterio
expuesto solo analiza si la componente estacional est integrada de forma
aditiva o multiplicativa, no estudia de qu modo se relacionan las otras tres
componentes.
7

ING. INDUSTRIAL

PRODUCCION II

1.4.

Componente tendencia

La determinacin de la tendencia secular solamente se debe realizar cuando se

disponga de una larga serie de observaciones, en otro caso podran obtenerse
conclusiones errneas.
Los mtodos ms utilizados para aislar la tendencia secular son:
Mtodo grfico.
Mtodo del ajuste analtico.
Mtodo de las medias mviles.
Para hacer predicciones se debe estimar la tendencia por el mtodo de los
mnimos cuadrados.
1.4.1. Mtodo grafico
Se trata de un mtodo muy sencillo, ya que permite obtener una lnea de
tendencia sin necesidad de realizar ningn clculo.
El proceso consiste en la representacin grfica de la serie, uniendo mediante
segmentos rectilneos los puntos altos que presentan la serie, lo mismo se
hace con los puntos bajos. De este modo, aparecen dos lneas: la poligonal
de cimas y la poligonal de fondos.
Se unen los puntos medios de los segmentos que separan ambas poligonales,
obteniendo una lnea mucho ms suave que las dos anteriores que indica la
direccin predominante, esto es, su tendencia.
El mtodo grfico presenta una falta de objetividad, aunque en algunos casos
puede resultar til para analizar una ligera aproximacin.
Grafica 3. Ejemplo de la determinacin de la tendencia por el mtodo
grafico

ING. INDUSTRIAL

PRODUCCION II

1.4.2. Mtodo del ajuste analtico

Mediante el ajuste analtico se realiza un ajuste por regresin de los valores de
la serie a una funcin del tiempo que sea sencilla, y que recoja de manera
satisfactoria la marcha general del fenmeno representado por la serie
temporal. Entre los ajustes:
Tendencia lineal: Una lnea de tendencia lineal es una lnea recta
que se ajusta correctamente a los datos. Una lnea de
tendencia lineal normalmente muestra que algo aumenta o disminuye a
un ritmo constante.
Tendencia logartmica: Una lnea de tendencia logartmica
es una lnea curva muy til cuando el ndice de cambios de los
datos aumenta o disminuye rpidamente y, despus, se estabiliza. En
esta lnea de tendencia logartmica puede utilizarse valores positivos o
negativos.
Tendencia semilogartmica:
logartmica cuya ecuacin es

Es una variante de la tendencia

)

Tendencia polinmica: Una lnea de tendencia polinmica

es una lnea curva que se utiliza cuando los datos
fluctan segn la ecuacin del polinomio. Es til, por ejemplo, para
analizar las prdidas y ganancias de un conjunto de datos grande. El
orden del polinomio se puede determinar mediante el nmero de
fluctuaciones en los datos, o en funcin del nmero de mximos y
mnimos que aparecen en la curva. Una lnea de tendencia polinmica
de orden 2 suele tener slo un mximo o un mnimo. Una de orden tres
normalmente tiene uno o dos mximos o mnimos. El orden cuatro tiene
ms de tres.
Tendencia potencial: Una lnea de potencia es una lnea curva
que se utiliza con conjunto de datos que comparan medidas que
aumentan a un ritmo concreto; por ejemplo, la aceleracin de un
automvil de carreras a intervalos de un segundo. No es posible crear
una lnea de tendencia de potencia si los datos contienen valores cero o
negativos.
Tendencia exponencial: Una lnea de tendencia exponencial es una
lnea curva
que es muy til cuando los valores de los datos
aumentan o disminuyen a intervalos cada vez mayores. No es posible
crear una lnea de tendencia exponencial si los datos contienen valores
cero o negativos.

ING. INDUSTRIAL

PRODUCCION II

Tendencia de crecimiento: Una lnea de tendencia de crecimiento es

una lnea curva
, siendo un caso particular de la tendencia
exponencial.
Tendencia compuesta: Es una lnea curva
tendencia exponencial simple con base una constante t.

que es una

Tendencia inversa o hiperblica: Es una lnea curva

Tendencia en curva S: Se trata de una combinacin de las tendencias
exponencial e inversa. Su ecuacin es
Tendencia logstica: Lnea con ecuacin
suele ser la inversa del lmite superior logstico.

. El parmetro a

1.4.3. Mtodo de las medias mviles

Es un mtodo mecnico mediante el que se sustituye la serie original por una
serie suavizada, que se toma como lnea de tendencia.
El mtodo de las medias mviles no sirve para hacer predicciones, dado que
solo proporciona el valor de la tendencia en el intervalo de tiempo para el que
se disponen los datos de la serie (excepto los valores que se pierden al
principio y al final de promediar), no para momentos futuros.
{
}
Dada una serie temporal
el mtodo para
suavizar la serie y determinar la tendencia, consiste en promediar cada valor
con algunas de las observaciones que le preceden y le siguen.
El mtodo consiste en sustituir cada por la media mvil , la longitud k de la
media mvil viene determinada por el nmero de subperodos (trimestres,
cuatrimestres, semestres, etc.) considerados en el ao, con lo que se eliminan
las variaciones estacionales y accidentales (tambin se puede hacer con datos
anuales para intentar eliminar el ciclo).
Se diferencian dos casos:
k es impar, todos los subndices de las medias mviles sern nmeros
enteros, y, en consecuencia, la serie de las medias mviles estar
centrada, se pierden (k 1) datos, la mitad al principio y la otra mitad al
final. La lnea de tendencia estar formada por la unin de los puntos
(t, ).

10

ING. INDUSTRIAL

PRODUCCION II

K es par, de manera que los subndices no sern siempre enteros y, por

tanto, la serie no estar centrada. En este caso, no es necesario
centrarla, para lo que se calcula la media aritmtica entre dos valores
consecutivos de las medias mviles calculadas anteriormente,
representndola por
, Se pierden k
datos y la lnea de tendencia estar formada por los puntos ( .
Al aplicar el mtodo de las medias mviles nos encontramos con el
problema de determinar el nmero adecuado de valores que hay que
promediar.
Como es evidente, cuanto mayor sea este nmero, mayor ser el
suavizado que se obtenga. Por otra parte, cuanto mayor sea el nmero
de valores que se toman para promediar, mayor ser la informacin que
se pierde en la lnea de tendencia.
En consecuencia, se debe de elegir un nmero equilibrado de valores
para promediar, que por una parte, permita obtener el mayor suavizado
posible y, por otra parte, no dar lugar a una prdida excesiva de
informacin.

Para determinar el nmero ptimo podemos adoptar el siguiente criterio:

En una serie de datos anuales, el perodo para las medias
mviles debe de ser el mismo que tengan las variaciones cclicas,
para eliminarlas al promediar.
Si la serie de datos es mensual, lo normal es que la serie
presente variaciones estacionales, en cuyo caso el nmero
adecuado para promediar ser 12, esto es, las observaciones que
se tienen en un ao.
Cuando la serie es de datos trimestrales, lo normal es que se
presenten variaciones estacionales de repeticin anual, y el
nmero idneo para promediar ser 4, que son los trimestres que
tiene el ao.
Si los datos son cuatrimestrales o bimensuales, respectivamente,
para promediar son toman 3 o 6 valores.

Sealar que, cuando se aplica el mtodo de las medias mviles, quedan sin
determinar algunos valores al principio y al final de la nueva serie.
El mayor inconveniente que presenta el mtodo de las medias mviles es que
no permite efectuar predicciones, puesto que con l no se obtiene la expresin
de una frmula matemtica que facilite obtener el valor de la tendencia para un
instante futuro.
11

ING. INDUSTRIAL

PRODUCCION II

Este motivo hace que el mtodo se utilice poco para determinar la tendencia,
aunque s se utiliza en el clculo de los ndices de variacin estacional (IVE).
Al aplicar el mtodo de las medias mviles, en el esquema multiplicativo
=

lo que realmente se obtiene es una aproximacin de

analizar las componentes estacional ( ) y residual ( ).

, quedando sin

Como el perodo considerado (un ao) es pequeo, se puede suponer que la

componente cclica se encuentra incluida en la tendencia secular, puesto que
en un perodo tan corto no da lugar a que se manifiesten las variaciones
cclicas.

1.4.3.1.

Ejercicio de aplicacin de medias mviles

En la tabla adjunta se reflejan la facturacin cuatrimestral de una empresa.

Se pide obtener la tendencia de su facturacin por el mtodo de las medias
mviles.
Tabla 1. Facturacin cuatrimestral de una empresa

Como el nmero de subperodos es impar, k=3 cuatrimestres, todos los

subndices de las medias mviles sern nmeros enteros y, en consecuencia,
la serie de medias mviles ser centrada, se pierden (31=2) datos, uno al
principio y otro al final.
Calculo de las medias mviles:

12

ING. INDUSTRIAL

PRODUCCION II

Anlogamente, se obtienen las dems medias mviles:

Tabla 2. Medias mviles determinadas para el ejercicio

Se representan las series (datos observados y medias mviles. La lnea que se

obtiene al representar las medias mviles se toma como lnea de tendencia.

Grafica 4. Representacin grafica de las medias mviles

13

ING. INDUSTRIAL

PRODUCCION II

1.5.

Anlisis de la tendencia: mtodo analtico mnimos cuadrados

Se expresa la tendencia mediante una funcin matemtica, a partir de los

valores de la variable dependiente Y en el tiempo t. Distinguiendo:
Cuando se dispone de datos anuales, la tendencia anual de la serie se
define como:

Cuando se dispone de datos mensuales, trimestrales, cuatrimestrales,

semestrales, u otra periodicidad, se tienen datos de la forma:
Tabla 3. Ejemplo
periodicidad

de

distribucin

de

datos

con

cualquier

En este caso, se siguen los pasos:

1) Se calculan las medias anuales (medias para cada ao de k
observaciones)

Para
2) La tendencia media anual
regresin a los aos
, resulta:

se obtiene ajustando una recta de

y a las medias anuales , donde

14

ING. INDUSTRIAL

PRODUCCION II

3) A partir de la tendencia media anual , se obtiene el valor de la

tendencia para los distintos subperodos, segn la expresin general:

Dnde:
t = ao
= Subperiodo donde se calcula la tendencia (trimestral =1,2,3,4; anual =
1,2,,12)
= Numero total de subperiodos (datos mensuales =4, cuatrimestrales =3,
anuales =12)
= pendiente de la recta de regresin
NOTA: El incremento de un subperiodo al siguiente es (
*

+=

Contador del nmero de subperiodos entre el momento

central del ao t y el punto central del subperiodo i dentro del ao t

1.5.1. Ejemplo de aplicacin de mnimos cuadrados
En la tabla adjunta se expone la serie mensual del ndice de produccin
industrial (IPI), base 2000, en el periodo 2003- 2010. Obtener la tendencia por
el mtodo analtico y representar ambas series
Tabla 4. Serie mensual del ndice de produccin industrial (IPI) en el
periodo 2003- 2010

1. Se calculan las medias anuales

15

ING. INDUSTRIAL

PRODUCCION II

Tabla

5.

Medias

anuales

para

cada

periodo

2. La tendencia media anual se obtiene ajustando una recta de regresin

Tabla 6. Medias anuales para cada periodo

Por el mtodo de los minimos cuadrados, resulta a= -7403,606 y

b=3,7452476 con lo que,

-7403,606 + 3,7452476 t t=(
,
, ,
) , resulta pues:
Tabla 7. Tendencia media anual para cada periodo

El ajuste es bastante bueno, el coeficiente de determinacin:

1. En la serie original, la tendencia por subperiodos:

Dnde:
16

ING. INDUSTRIAL

PRODUCCION II

t = ao (2003, 2004,,2010)
= Subperiodo donde se calcula la tendencia (semestral =1,2,,12)
= Nmero total de subperiodos (datos semestrales =12)
= pendiente de la recta de regresin=3,7452476
Tabla 8. Serie de la tendencia para cada subperiodo

Se representan las series (datos observados y valor de la tendencia para los

distintos subperiodos). La lnea que se obtiene al representar las medias
mviles se toma como lnea de tendencia
Grafica 5. Representacin grafica de la serie con los datos originales y la
serie suavizada de tendencia

17

ING. INDUSTRIAL

PRODUCCION II

1.6.

Determinacin de las variaciones estacionales

Las componentes estacionales son movimientos peridicos que se repiten en

intervalos cortos de tiempo, con duracin constante o casi constante.
Generalmente nos referimos a variaciones estacionales de periodo anual con
datos mensuales, trimestres o cuatrimestrales, si bien el perodo puede ser
inferior al ao.
El objetivo de determinar las componentes estacionales puede ser:
Para conocerlas.
Para eliminarlas, observando mejor la marcha general del fenmeno
habiendo eliminando posibles influencias estacionales. Este proceso se
conoce como DESESTACIONALIZACIN.

En el esquema multiplicativo, la desestacionalizacin se obtiene dividiendo

cada observacin de la serie original por el correspondiente ndice de variacin
estacional (se multiplica por 100 para expresarlo en %).
En el esquema aditivo, para desestacionalizar se resta a cada valor observado
de la serie original la correspondiente diferencia estacional.
Como es lgico, antes de proceder a determinar las variaciones estacionales,
debemos saber de qu realmente existen. La representacin grfica de la serie
puede ser una ayuda para el conocimiento de la naturaleza del fenmeno.
Tambin es necesario observar si la variacin estacional se explica mejor con
un esquema aditivo o multiplicativo, puesto que los mtodos que se utilizan en
cada caso son distintos.
Existen bastantes mtodos para determinar las variaciones estacionales de una
serie temporal, aunque todos ellos parten de una idea base: Mediante la
eliminacin previa de otras componentes aslan la componente estacional.
Generalmente, la mayora de las series que se presentan se adaptan mejor al
esquema multiplicativo; por tanto, se presentan dos mtodos aplicables al
esquema multiplicativo, indicando con brevedad las modificaciones pertinentes
de los dos mtodos para el esquema aditivo.
En el ESQUEMA MULTIPLICATIVO ( = *
*
*
) los dos mtodos
para obtener los ndices brutos de variacin estacional (IBVE), y a partir de
ellos los ndices de variacin estacional (IVE) son:
Mtodo de la razn a la media mvil.
Mtodo de la razn a la tendencia.
18

ING. INDUSTRIAL

PRODUCCION II

En ambos mtodos, y por idntico motivo, los ndices de variacin estacional,

en el esquema multiplicativo suman (k .100) en porcentaje; mientras que en el
esquema aditivo, la suma de los k ndices de variacin estacional debe ser
cero.

1.7.

MTODO DE LA RAZN A LA MEDIA MVIL. Determina las

variaciones estacionales a partir de la tendencia obtenida por el
mtodo de las medias mviles.

Para ello, se siguen las siguientes fases:

1. Se determina la serie de las medias mviles: En una serie
temporal
(con
observaciones,
mensuales,
trimestrales,
cuatrimestrales, etc.) se aplica el mtodo de las medias mviles de
perodo anual para determinar la tendencia.
2. Se elimina la tendencia y la componente cclica: La tendencia ( Tit
) y la componente cclica (Cit ) se eliminan dividiendo cada dato de la
serie original por la correspondiente media mvil.

Quedan componentes estacionales y residuales

3. Se elimina la componente residual: Se calculan los promedios (por
meses, trimestres o cuatrimestres, segn proceda), puesto que al
promediar se reparte la influencia de dicha componente.

Los promedios ms utilizados en la aplicacin del mtodo son la media

aritmtica, media geomtrica y mediana. Al eliminar la componente accidental
se obtienen los ndices brutos de variacin estacional
, i =1,2, ,k
4. Clculo del ndice de Variacin Estacional: Una vez obtenidos los
ndices brutos de variacin estacional se calculan los ndices de
variacin estacional IVE (desviaciones estacionales), teniendo en
cuenta que la suma de los k ndices de variacin estacional debe ser
igual a k (k.100, en porcentaje). Se obtienen al calcular la media
aritmtica de los valores obtenidos en la fase anterior, expresando
cada uno de ellos como porcentaje respecto a la media.
Habr tantos ndices de Variacin Estacional (IVE) como momentos de
observacin anual; es decir, si las observaciones son mensuales habr doce
19

ING. INDUSTRIAL

PRODUCCION II

ndices, si son trimestrales cuatro ndices, si con cuatrimestrales tres ndices,

etc.
En el Esquema es Aditivo
= +
+
+
) se puede utilizar un
mtodo paralelo al de la razn a la media mvil, consistente en:
1. Se determina la tendencia aplicando el mtodo de las medias mviles.
2. Las medias mviles son una aproximacin de (Ti t + C it), pues el esquema
aditivo es
= +
+
+
. Restando a los valores de la serie original los
correspondientes valores de las medias mviles se obtendra
+ )=
+

3. Se elimina la componente residual

promediando los datos obtenidos en
el apartado 2.
4. Se calcula la media aritmtica de los valores obtenidos en el apartado 3.
5. Se sustrae a cada valor obtenido en el apartado 3 la media aritmtica
obtenida en el apartado
4, y stas seran las llamadas diferencias estacionales.

De forma anloga se obtendra el mtodo de la razn a la tendencia.

1.7.1. DETERMINACIN DE LAS VARIACIONES CCLICAS

Consisten en movimientos irregulares alrededor de la tendencia, cuyo perodo
suele ser superior al ao. Para su determinacin en el esquema multiplicativo
se procede del siguiente modo:

1. Se estima el valor terico de tendencia

para cada momento de
observacin de la serie.
2. Se calculan los ndices de Variacin Estacional
3. Se desestacionaliza la serie original.
4. Se elimina la Tendencia, dividiendo cada valor de la serie desestacionalizada
por el correspondiente valor terico de tendencia obtenido en el 1 apartado.
En definitiva, habiendo calculado los ndices de Variacin Estacional
, se
dividen los valores originales de la serie
entre .
:

5. Una vez obtenida la serie sin tendencia y sin variaciones

estacionales, se determina el perodo de los ciclos mediante el
anlisis armnico, que por ser una tcnica demasiado compleja y
sofisticada no se aborda en este momento. [4]
20

ING. INDUSTRIAL

PRODUCCION II

2. SUAVIZACION EXPONENCIAL

La suavizacin exponencial utiliza un promedio ponderado de valores histricos

de la serie de tiempo como pronstico; es un caso especial del mtodo de
promedios mviles ponderados, en el cual se selecciona solo un valor de
ponderacin, es decir el peso o ponderacin de la operacin ms reciente. Los
pesos o ponderaciones para los dems valores se calculan de manera
automtica, hacindose ms y ms pequeos conforme las observaciones se
van alejando hacia el pasado.
El modelo suavizacin exponencial es:

Donde;

La ecuacin nos muestras el pronstico para el periodo

es un promedio
ponderado del valor real en el periodo y del pronstico para el periodo .

Podemos demostrar que el pronstico de suavizacin exponencial para

cualquier periodo tambin es un promedio ponderado de todos los valores
reales previos de la serie de tiempos formados por tres periodos de datos:
. A fin de iniciar los clculos, hacemos que
sea igual al valor real
de la serie de tiempo en el periodo 1, esto es,
. De lo que, el pronstico
para el periodo 2.

Por lo tanto, el pronstico de suavizacin exponencial en el periodo 2 es igual

al valor real de la serie de tiempo en el periodo 1.
El pronstico para el periodo 3 es

21

ING. INDUSTRIAL

PRODUCCION II

Finalmente, sustituyendo esta expresin para

obtenemos

en la expresin para

Es un promedio ponderado de los primeros tres valores de la serie de

tiempo. La suma de los coeficientes o ponderaciones para
es igual a
1. Se puede hacer un mismo anlisis para demostrar que, en general, cualquier
pronstico
es un promedio ponderado de todos los valores anteriores de la
serie de tiempo.
A pesar de que la suavizacin exponencial nos da un pronstico que es un
promedio ponderado de todas las operaciones pasadas, no es necesario
guardar todos los datos del pasado a fin de calcular el pronstico para el
siguiente periodo. [5]
2.1.

Ejemplo:

Nos dan los datos de unas ventas semanales de gasolina, como se muestra a
continuacin:
Semana
1
2
3
4
5
6
7
8
9
10
11
12

Ventas
galones)
17
21
19
23
18
16
20
18
22
20
15
22

(miles

de

22

ING. INDUSTRIAL

PRODUCCION II

El pronstico de suavizacin exponencial para el periodo 2 es igual al valor real

de la serie de tiempo del periodo 1, por lo que, con
, hacemos que
para iniciar los clculos de suavizacin exponencial.
Para la serie de tiempo real en el periodo 2 tenemos
periodo 2 tiene un error de pronstico de
.
Debemos utilizar
trabajaremos con

una

constante

de

suavizacin,

, por lo que, el

para

este

ejemplo

As el pronstico para el periodo 3 es:

Una vez conocido el valor real del periodo 3,

podemos generar un pronstico:

de la serie de tiempo,

Para el periodo 4:

Y as para los dems:

Para

la

semana
12
tenemos
que
y
ahora generar un pronstico para la semana 13, antes
que el valor real de semana 13 sea conocido; Utilizando el modelo de
suavizacin exponencial, tenemos:

23

ING. INDUSTRIAL

PRODUCCION II

Por lo que el pronstico de suavizacin exponencial de la cantidad que se

vendi durante la semana 13 es de 19.18, es decir 19.180 galones de
gasolina. Con este pronstico, la empresa puede hacer planes y decisiones de
manera correspondiente. La exactitud del pronstico no se conocer hasta el
final de la semana 13.
Mostraremos en una tabla, el resumen de los pronsticos de suavizacin
exponencial y de los errores de pronsticos para las ventas de gasolina, con la
constante de suavizacin

Semana Valor de
serie
tiempo
1
2
3
4
5
6
7
8
9
10
11
12

17
21
19
23
18
16
20
18
22
20
15
22
2.2.

la Pronostico de suavizacin Error

de
de exponencial
pronostico

17.00
17.80
18.04
19.03
18.83
18.26
18.61
18.49
19.19
19.35
18.48

4.00
1.20
4.96
-1.03
-2.83
1.74
-0.61
3.51
0.81
-4.35
3.52

SELECCIN DE LA CONSTANTE DE SUAVIZAMIENTO

En el ejemplo anterior utilizamos una constante de suavizacin

. Aunque
cualquier valor de entre 0 y 1 es aceptable, algunos valores darn un mejor
pronstico que otros, esto har la diferencia entre un pronstico preciso y uno
impreciso.
Se pueden probar diversos valores para la constante de suavizamiento, y
deber seleccionarse el que tenga el valor MAD (desviacin media absoluta)
ms bajo, o por medio del mtodo MSE (error cuadrtico medio).
NOTA: la sumatoria del mtodo MAD, se hace en valor absoluto, sea, se
asumen todos positivos.

24

ING. INDUSTRIAL

PRODUCCION II

Semana Valor de la Pronostico

serie
de suavizacin
tiempo
exponencial

1
2
3
4
5
6
7
8
9
10
11
12

17
21
19
23
18
16
20
18
22
20
15
22

17.00
17.80
18.04
19.03
18.83
18.26
18.61
18.49
19.19
19.35
18.48
TOTAL

As obtenemos:

de Error
de Error del
pronostico pronstico
al
cuadrado

4.00
1.20
4.96
-1.03
-2.83
1.74
-0.61
3.51
0.81
-4.35
3.52
28.56

16.00
1.44
24.60
1.06
8.01
3.03
0.37
12.32
0.66
18.92
12.39
98.80

Con otro valor distinto de

que hubiera pasado? Se producirn mejores
resultado? Probemos con otro valor
Ahora probemos para un
y
comparmoslo con el anterior.
Semana Valor de la Pronostico
serie
de suavizacin
tiempo
exponencial

1
2
3
4
5
6
7
8
9
10
11
12

17
21
19
23
18
16
20
18
22
20
15
22

17.00
18.20
18.44
19.81
19.27
18.29
18.80
18.56
19.59
19.71
18.30
TOTAL

de Error
de Error del
pronostico pronstico
al
cuadrado

4.00
0.80
4.56
-1.81
-3.27
1.71
-0.80
3.44
0.41
4.71
3.70
29.21

16.00
0.64
20.79
3.28
10.69
2.92
0.64
11.83
0.17
22.18
13.69
102.83
25

ING. INDUSTRIAL

PRODUCCION II

As obtenemos:

9.348;

Como se puede observar una constante de suavizacin

resulta en una
inferior exactitud de pronstico que si utilizamos una constante de suavizacin
por lo que nos inclinaramos a utilizar la constante de suavizacin de
. Efectuando clculos de pruebas y error con otros valores de ,
podemos encontrar un buen valor para la constante de suavizacin.

La diferencia entre el mtodo MSE y el mtodo MAD, radica en que el mtodo

MSE tiene mucha ms influencia de los errores de pronostico grandes que de
los pequeos, la seleccin de la mejor medida de exactitud de un pronstico no
es sencilla, los expertos a menudo estn en desacuerdo sobre cual utilizar. [6]

26

ING. INDUSTRIAL

PRODUCCION II

3. REGRESION LINEAL SIMPLE

La regresin lineal simple es un modelo matemtico que permite resolver

infinidades de problemas de ingeniera que se presentan a diario en el
transcurso mismo de un sistema productivo para una empresa en particular, a
su vez se convierte en una herramienta poderosa para realizar pronsticos e
inferir eventos futuros de acuerdo a una serie de datos histricos tales como la
demanda que se avecina en un periodo de tiempo futuro, y en consecuencia
tomar decisiones favorables que permitan prepararse para afrontar dichos
sucesos productivos; lo anterior solo para citar un ejemplo.

Por consiguiente se hace necesario el estudio de este tema estadstico para lo

cual citemos la definicin propia de ella:

Tenemos una sola variable de regresin independiente X y una variable

aleatoria dependiente Y, donde los datos se pueden representar mediante los
}; y si postulamos que todas las medias
pares de observaciones {
caen en una lnea recta, cada Y se puede representar con el modelo de
regresin lineal simple:

Donde el error del modelo Ei necesariamente debe tener una media de cero.
As cada observacin
satisface la ecuacin:

De la misma manera, con el uso de la lnea de regresin ajustada o estimada:

27

ING. INDUSTRIAL

PRODUCCION II

Cada par de observaciones satisface la ecuacin:

se denomina residuo y describe el error en el ajuste del

Donde
modelo en el i-simo punto de los datos. (Walpole Pg. 361).

Existen varios mtodos que permiten resolver el modelo en estudio, desde el

software ms sencillo incluido en una computadora como el programa de Excel,
hasta el software ms sofisticado con el que una empresa exitosa puede
contar, pero a la mano se puede resolver un problema de este tipo sin recurrir a
un espacio o medio tecnolgico, bastar con un lpiz y un papel para intentarlo,
y para ello estudiemos el siguiente mtodo:

3.1. MTODO DE MNIMOS CUADRADOS

La idea bsica de este modelo es encontrar a y b, las cuales son las

estimaciones de
, de modo que la suma de los cuadrados de los residuos
denotada SSE sea mnima; por lo que aplicamos la siguiente ecuacin
matemtica:

Al diferenciar SSE con respecto a a y b, tenemos que:

Al igualar las derivadas a cero y reorganizando los trminos, tenemos que:

28

ING. INDUSTRIAL

PRODUCCION II

Que podemos resolver de manera simultnea para obtener frmulas de clculo

para a y b.

3.2. Estimacin de los coeficientes de regresin

}; las estimaciones por mnimos cuadrados a y
Dada la muestra {
b de los coeficientes de regresin
se calculan a travs de las siguientes
formulas:

Walpole. Pg. 362:

3.3. EJEMPLO DE APLICACIN

El gerente general de la empresa discoteca-bar el balcn dedicada a la

prestacin de servicios nocturnos de rumba y diversin y la comercializacin de
bebidas alcohlicas, desea saber la demanda pronosticada para los siguientes
5 aos a partir de hoy (es decir, el ao en curso); lo anterior debido a que
piensa adquirir un prstamo lo suficientemente audaz que le permita la
magnificacin de su empresa; en base a los clculos generados l decidir si
es buena opcin solicitar dicho prstamo o si por el contrario las ganancias que
deje la discoteca por periodo anual no solventara el hecho mismo de amortizar
esta deuda.

Para lo anterior l ha considerado ms oportuno tomar los datos histricos de

los 10 aos anteriores de demanda para realizar los clculos que desea, los
cuales se presentan a continuacin:
29

ING. INDUSTRIAL

PRODUCCION II

NOTA: para fines acadmicos hemos considerado enfrentar las utilidades

generadas por las ventas de las demandas que se desean calcular en el
ejercicio, y de esa manera evitar en este ejemplo realizar clculos posteriores
al encontrar primero a demanda y luego con ese dato las utilidades generadas.

AO
2005
2006
2007
2008
2009

GANANCIAS (
4800
5200
3800
4500
4520

2010
2011
2012
2013
2014

5158
3564
4985
4156
3952

Tabla

La decisin de realizar el prstamo se har si y solo si el promedio de

ganancias en los prximos 54 aos supera los $41500.000.
Qu decisin lo aconseja al gerente de la empresa, realizar o no el
prstamo? Justifique.

SOLUCION
La solucin del ejercicio es sencilla, lo que realizaremos en primera instancia
es calcular los coeficientes de a y b respectivamente en base a las formulas;
ayudados del programa de Excel calculamos dichos valores, pero para este
ejemplo en particular mostraremos paso a paso la solucin e interpretacin del
ejercicio sin necesidad de que sea el programa quien responda al problema:

Encontremos los parmetros de la ecuacin para hallar el coeficiente de b:

30

ING. INDUSTRIAL

PRODUCCION II

Reemplazamos dichos valores en la ecuacin y tenemos:

Ahora calculemos el coeficiente de a:

Con dichos datos podemos construir la ecuacin de regresin, la cual es:

Dnde:
Y= las ganancias netas en un ao
X= ao en estudio

31

ING. INDUSTRIAL

PRODUCCION II

Y la grfica de lnea de tendencia es la siguiente:

6000
5000

y = -67.788x + 140683
R = 0.1255

4000

Series1
3000

Linear (Series1)

2000

Linear (Series1)

1000
0
2000

2005

2010

2015

Ahora solo basta con reemplazar los aos futuros que se desea pronosticar
dichas utilidades:

Recordemos que dichas cifras estn magnificadas en un exponencial mltiplo

de 10, por lo cual las utilidades netas son las siguientes:

AO

GANANCIAS NETAS ($)

2015
2016
2017
2018
2019

32

ING. INDUSTRIAL

PRODUCCION II

Aun el problema no est solucionado, debemos realizar el clculo del promedio

de ganancias entre estos periodos de tiempo, y comprobar si superan los
$41500.000 que desea el gerente:

Los pronsticos nos indican que en los prximos 5 aos en promedio la

empresa dejara utilidades netas de
, es decir, no cubre el tope
representado en dinero que el gerente ha estipulado para tomar su decisin,
por lo que en conclusin se le aconseja al gerente de la discoteca que no
realice dicho prstamo debido a que su capacidad de pago ser limitada;
habra que hacer un estudio ms avanzado para determinar el periodo de
tiempo en el cual la deuda se amortizara y se recuperara la inversin de la
misma, pero no es propio el estudio a este tema.

3.4. COEFICIENTE DE DETERMINACIN Y CORRELACIN

Una vez aplicado el modelo de regresin es importante obtener una medida

que mida la bondad del ajuste y definir de esta manera si el ajuste de regresin
lineal es suficiente y confiable o se debe buscar otros modelos alternativos,
para ello estudiamos y calculamos el coeficiente de determinacin, el cual se
define as:

Dnde:
E= errores cuadrados de la muestra.
Y= observaciones tomadas.
= promedio de dichas observaciones.
33

ING. INDUSTRIAL

PRODUCCION II

Ahora bien, es importante definir el error cuadrtico, el cual representa un valor

numrico que intenta minimizar los errores presentados entre las muestras
tomadas y la recta de regresin lineal; en otras palabras, es la distancia
existente entre una observacin
con respecto a la recta de regresin
lineal, elevada al cuadrado para optimizar (minimizar) dicha distancia y ser ms
confiable el estudio de pronsticos:
(

Dnde:
= datos calculados o estimados.
EJEMPLO APLICATIVO
Realicemos un ejemplo aplicado al problema de inversin que tiene la empresa
disco-bar el balcn.
Solucin
Lo primero que debemos calcular son los y ajustados en base a la recta de
regresin, para lo cual tenemos:

34

ING. INDUSTRIAL

PRODUCCION II

Con estos datos podemos calcular el error cuadrtico as:

Finalmente:

Ahora calculemos el denominador, la primera expresin que necesitamos es el

promedio de las observaciones:

De este modo:

35

ING. INDUSTRIAL

PRODUCCION II

Ahora si podemos calcular el coeficiente de determinacin:

Una de las propiedades fundamentales de esta variable es que su valor no

puede ser mayor que uno y menor que cero, y entre ms cercano este
de uno, la muestra es ms confiable debido a que el valor observado
coincide con el valor estimado, en nuestro caso observamos que el
coeficiente de determinacin est ms cercano al cero, es decir las
muestras se alejan un poco entre una y otra, de ah se explica tambin la
decisin de rechazar el prstamo por parte del gerente de la empresa.

Coeficiente de correlacin

Es una medida estadstica utilizada que mide el grado de relacin lineal entre
dos variables; se calcula a travs de la siguiente formula:

Para nuestro ejemplo seria:

[7]

36

ING. INDUSTRIAL

PRODUCCION II

CONCLUCIONES

La serie temporal o serie cronolgica de tiempo a una sucesin de las

diferentes observaciones de las variables ordenadas en el tiempo, que
analiza la evolucin histrica del fenmeno que estudia con el fin de
predecir su comportamiento en el futuro.
El mtodo de suavizacin exponencial es un mtodo de pronsticos
cuantitativo, que hace parte de las tcnicas de tipo de promedio mvil
ponderado, adems es muy til para determinar eventos futuros a corto
plazo. Este mtodo cuantitativo de pronsticos lo que realiza es un
suavizado, es decir marca una tendencia a corto plazo, tomando en
cuenta el dato inmediato anterior.
El anlisis de regresin lineal constituye mtodos que se emplean para
conocer las relaciones y significacin entre series de datos. El anlisis
de regresin nicamente indica qu relacin matemtica podra haber,
de existir una. Estas tcnicas estadsticas constituyen una herramienta
til para el anlisis de las variables de un proceso ya que a travs de la
aplicacin de stas, es posible conocer el modelo que siguen y la fuerza
con que se encuentran relacionadas. As mismo, es posible explicar la
relacin que guardan dos o ms causas de un posible defecto.

BIBLIOGRAFIA

37

ING. INDUSTRIAL

PRODUCCION II

[1] Manuel Ruiz Marin. Series Cronologicas o Temporales. Universidad

Politcnica
de
Cartagena.
Disponible
en:
<http://metodos.upct.es/Asignaturas/Diplomatura/Introduccion_estadistic
a/2008_2009/material_didactico/resumen/Tema5resumen.pdf>
[2]http://www.unac.edu.pe/documentos/organizacion/vri/cdcitra/Informes
_Finales_Investigacion/IF_JUNIO_2012/IF_CALDERON%20OTOYA_FC
A/capitulo%208.pdf
UNIVERSIDAD
NACIONAL
DEL
CALLAO
FACULTAD DE CIENCIAS ADMINISTRATIVAS
[3 ]http://es.wikipedia.org/wiki/Serie_temporal
[4] Santiago de la fuente fernandez. Estadistica descriptiva: series
temporales. Universidad autnoma de Madrid.
Disponible en:
<http://www.fuenterrebollo.com/Economicas2013/series-temporalesteoria.pdf>
[5] RENDER, STAIR Y HANNA (2006). Pronsticos. En PM Guerrero
(9.Ed) Mtodos cuantitativos para los negocios. (pp. 160-162).Mxico:
Pearson Educacin.
[6] SWEENEYS (2002). Pronsticos. En PM Guerrero (7.Ed) Mtodos
cuantitativos para los negocios. (pp. 167-176). Mxico: Thomson
Editores.

[7] Walpole. Probabilidad y estadstica para ingenieros, sexta edicin,

Pg. 362, 363:

38