SERIE TEMPORAL

DEFINICIN

Una serie temporal es una sucesin de observaciones de una variable tomada en

varios instantes de tiempo.
Nos referimos a datos estadsticos que se recopilan, observan o registran en
intervalos de tiempo regulares (diario, semanal, semestral, anual, entre otros).
El trmino serie de tiempo se aplica por ejemplo a datos registrados en forma
peridica.

Bsicamente nos interesa estudiar los cambios en esa variable con respeto al
tiempo.

Predecir sus valores futuros.

Ejemplos de series temporales podemos encontrarlos en muchos campos de

conocimiento:

Economa: producto interior bruto anual, tasa de inflacin, tasa de desempleo,

etc.
Demografa: nacimientos anuales, tasa de dependencia, etc.
Meteorologa: temperaturas mximas, medias o mnimas, precipitaciones diarias,
etc.
Medio ambiente: concentracin media mensual de nitratos en agua, alcalinidad
media anual del suelo, emisiones anuales de CO2, etc.

Analizar una serie de tiempo tiene como objetivos, entre otros:

Determinar si se presentan ciertos patrones o pautas no aleatorias.

Aislar y entonces estudiar sus componentes a fin de proporcionar claves para
movimientos futuros.
Hace posible pronosticar los movimientos futuros, as como otros aspectos que
estn sincronizados.
 COMPONENTES DE LA SERIE DE TIEMPO

1. Tendencia secular: La tendencia secular o tendencia a largo plazo de una serie

es por lo comn el resultado de factores a largo plazo. En trminos intuitivos, la
tendencia de una serie de tiempo caracteriza el patrn gradual y consistente de las
variaciones de la propia serie, que se consideran consecuencias de fuerzas
persistentes que afectan el crecimiento o la reduccin de la misma, tales como:
cambios en la poblacin, en las caractersticas demogrficas de la misma, cambios
en los ingresos, en la salud, en el nivel de educacin y tecnologa. Las tendencias a
largo plazo se ajustan a diversos esquemas. Algunas se mueven continuamente
haca arriba, otras declinan, y otras ms permanecen igual en un cierto perodo o
intervalo de tiempo.

2. Variacin estacional: El componente de la serie de tiempo que representa la

variabilidad en los datos debida a influencias de las estaciones, se llama componente
estacional. Esta variacin corresponde a los movimientos de la serie que recurren
ao tras ao en los mismos meses (o en los mismos trimestres) del ao poco ms o
menos con la misma intensidad. Por ejemplo: Un fabricante de albercas inflables
espera poca actividad de ventas durante los meses de otoo e invierno y tiene
ventas mximas en los de primavera y verano, mientras que los fabricantes de
equipo para la nieve y ropa de abrigo esperan un comportamiento anual opuesto al
del fabricante de albercas.

3. Variacin cclica: Con frecuencia las series de tiempo presentan secuencias

alternas de puntos abajo y arriba de la lnea de tendencia que duran ms de un ao,
esta variacin se mantiene despus de que se han eliminado las variaciones o
tendencias estacional e irregular. Un ejemplo de este tipo de variacin son los ciclos
comerciales cuyos perodos recurrentes dependen de la prosperidad, recesin,
depresin y recuperacin, las cuales no dependen de factores como el clima o las
costumbres sociales.

4. Variacin Irregular: Esta se debe a factores a corto plazo, imprevisibles y no

recurrentes que afectan a la serie de tiempo. Como este componente explica la
variabilidad aleatoria de la serie, es impredecible, es decir, no se puede esperar
predecir su impacto sobre la serie de tiempo. Existen dos tipos de variacin irregular:
a) Las variaciones que son provocadas por acontecimientos especiales, fcilmente
identificables, como las elecciones, inundaciones, huelgas, terremotos.

b) Variaciones aleatorias o por casualidad, cuyas causas no se pueden sealar en

forma exacta, pero que tienden a equilibrarse a la larga.
RESUMEN

GRAFICAS TEMPORALES

Representacion grafica de una serie temporal

A menudo, se representa la serie en un grafico temporal, con el valor de la serie en el eje
de ordenadas y los tiempos en el eje de abscisas.

Ejemplo 1. El siguiente grfico temporal muestra la media de los pluvimetros

peninsulares (Fuente I.N.M.) para el perodo Octubre/1989 a septiembre/2006.
Ejemplos de grafico temporal:

OTROS TIPOS DE GRAFICOS TEMPORALES

1. Grficos por perodo de observacin

Ejemplo 2. Distribucion mensual de la precipitacion media en Espana tomado de
www.hispagua.cedex.es.
2. Graficos por perodos de observacion plurianuales
Ejemplo 3. Reserva hidrologica peninsular. Tomado de www.mma.es.

3. Boxplot anual
Ejemplo 4. Alcalinidad total (mg/lt). Tomado de www.gemstat.org.
4. Boxplot por perodos de observacin
Ejemplo 5. Concentracin de sulfatos (mg/lt). Tomado de www.gemstat.org.
 SERIES ESTACIONARIAS Y NO ESTACIONARIAS
Una serie temporal es una sucesin de observaciones de una variable tomadas en varios
instantes de tiempo.
Nos interesa estudiar los cambios en esa variable con respeto al tiempo. Predecir sus
valores futuros.
Ejemplos de series temporales podemos encontrarlos en muchos campos de conocimiento:
Economa: producto interior bruto anual, tasa de inflacin, tasa de desempleo, etc.
Demografa: nacimientos anuales, tasa de dependencia, etc.
Meteorologa: temperaturas mximas, medias o mnimas, precipitaciones diarias, etc.
Medio ambiente: concentracin media mensual de nitratos en agua, alcalinidad media
anual del suelo, emisiones anuales de CO2, etc.

SERIE ESTACIONARIA:
Una serie es estacionaria cuando es estable a lo largo del tiempo, es decir, cuando la media
y varianza son constantes en el tiempo. Esto se refleja grficamente en que los valores de la
serie tienden a oscilar alrededor de una media constante y la variabilidad con respecto a esa
media tambin permanece constante en el tiempo.
Una serie temporal es estacionaria en sentido amplio si:

E[Xt] = para todo t

V ar(Xt) =
2 para todo t.
Cov(Xt, Xt+k) = k para todo t y k.

El ejemplo ms simple es el RUIDO BLANCO, cuando la media y la covarianza son siempre

cero.
Porque es bueno que las series sean estacionarias?

Con series estacionarias podemos obtener predicciones fcilmente.

Como la media es constante, podemos estimarla con todos los datos, y utilizar este
valor para predecir una nueva observacin.
Tambin se pueden obtener intervalos de prediccin (confianza) para las
predicciones asumiendo que Xt sigue una distribucin conocida, por ejemplo, normal.

EJEMPLO:
Variaciones anuales de la media de los pluvimetros peninsulares para el periodo Octubre/1990 a
Septiembre/2006.

SERIE NO ESTACIONARIA:
Una serie es no estacionaria si la media y/o la variabilidad cambian a lo largo del tiempo. Las
series no estacionarias pueden mostrar cambios de varianza. Tambin pueden mostrar una
tendencia, es decir que la media crece o baja a lo largo del tiempo. Adems, pueden
presentar efectos estacionales, es decir que el comportamiento de la serie es parecido en
ciertos tiempos peridicos en el tiempo.
Son series en las cuales la tendencia y/o variabilidad cambian en el tiempo. Los cambios en
la media determinan una tendencia a crecer o decrecer a largo plazo, por lo que la serie no
oscila alrededor de un valor constante.

EJEMPLO:
Emisiones mundiales de CO2.
 Nmero mensual de pasajeros de avin, USA, Enero:1949 a Diciembre:1960

Tendencia, Heteroscedasticidad y Estacionalidad

DESCOMPOSICIN DE UNA SERIE

OBJETIVO: construir un modelo que describa de una manera sencilla la evolucin

de la serie a travs del tiempo.
Para ello, se asume que los datos xt pueden expresarse como una funcin de una
componente de tendencia Tt , de una componente estacional St y de un error at:

Tt modeliza el comportamiento a largo plazo de la serie.

St modeliza el comportamiento peridico de la serie.

At est formado por el efecto de diversos factores de poca importancia y que a menudo
desconocemos. Representa a la parte impredecible de la serie.
Los modelos que se utilizan con ms frecuencia son:

MODELO ADITIVO:
XT = TT + ST + AT

MODELOS MULTIPLICATIVOS:
PURO: XT = TT ST AT
MIXTO: XT = TT ST + AT

T: Tendencia de la serie.
S: Variacin Estacional.
A: Variaciones aleatorias.

La eleccin de uno de estos modelos se har de manera que el modelo

seleccionado sea capaz de aglutinar las principales caractersticas (observadas
en el grfico de secuencia) de la serie en estudio.

MODELO ADITIVO:
XT = TT + S T + A T

Este modelo es apropiado cuando la magnitud

de las fluctuaciones estacionales de la serie
no vara al hacerlo la tendencia.
 MODELOS MULTIPLICATIVOS:
PURO: XT = TT ST AT
MIXTO: XT = TT ST + AT

Estos modelos son apropiados cuando la

magnitud de las fluctuaciones estacionales
de la serie crece y decrece
proporcionalmente con los crecimientos y
decrecimientos de la tendencia.

Una vez seleccionado un modelo para describir a nuestra serie de tiempo, el

siguiente paso ser calcular/aproximar/aislar la tendencia Tt y su componente
estacional St a partir de xt (el error at se obtiene directamente de estos).

En cuanto a la componente estacional, si denotamos al periodo de la serie por s,

entonces St = Sts. Por tanto, para conocer la componente estacional St (t = 1, . .
., T) es suficiente conocer s de sus valores consecutivos (en el tiempo). Por
ejemplo, basta con conocer los valores S1, . . ., Ss, los cuales se denominan ndices
estacionales.

Se tiene que ST+1 + + ST+S = S1 + + SS = CTE.

En esencia, existen dos mtodos para aislar la tendencia y la componente estacional de
una serie de tiempo:

METODO PARAMTRICO:
 Se basa en Proponer modelos paramtricos para expresar la relacin que
guardan la tendencia y la componente estacional con el tiempo.

Ajustar dichos modelos a la serie de tiempo (por ejemplo, a travs del

mtodo de mnimos cuadrados).
Aislar la tendencia y la componente estacional por medio de los modelos
ajustados.

MTODO NO PARAMTRICO:

Se basa en Asumir suavidad en la relacin que guardan la tendencia y la

componente estacional con el tiempo.

Aislar la tendencia y la componente estacional a travs de la suavizacin del

grfico de secuencia (aplicando, por ejemplo, filtros de medias mviles).

Nota: Aplicar a la serie {xt } el filtro de medias mviles con coeficientes [BK, . . ., B1 ,
B0 , B1 , . . ., BK] consiste en obtener los valores

XT = BK XTK + + B1 XT1 + B0 XT + B1 XT+1 + + BK XT+K

Nosotros nos centraremos en el mtodo no paramtrico que suaviza a travs a filtros de

medias mviles.

PREDICCIONES

Importancia:

Identificar la importancia de las series de tiempo junto con otras tcnicas de

pronstico en la toma de decisiones.

Desarrollo:

Realizar un pronstico significa estimar los valores futuros de una variable,

considerando que el comportamiento de ella en el pasado se repetir de la misma
manera, en la medida que esta hiptesis no se cumpla se presentarn diferencias
entre el valor real y el pronosticado, minimizar esta diferencia debe ser el objetivo
del responsable del pronstico.
Existen muchas maneras de realizar un pronstico, algunos muy formales utilizan
modelos matemticos completos, como el de la descomposicin de una serie de
tiempo, analizada en subtemas anteriores, otros emplean modelos numricos muy
sencillos, e incluso la intuicin o la experiencia lograda al realizar pronsticos
frecuentemente.

Mtodos intuitivos

Son muy utilizados, de alguna manera todos los hemos utilizado de manera
consciente o no, tiene la enorme desventaja de que, al soportarse por la intuicin, la
cual tiene un aspecto completamente individual, la asignacin de valores a una
determinada variable puede diferir enormemente si ms de una persona participa en
el proceso. El mtodo utilizado ms sencillo es el suponer que la variable tendr un
comportamiento igual que el presentado en el periodo anterior, numricamente
puede ser expresado como:

Los modelos intuitivos de pronsticos resultan muy tiles en situaciones nuevas, en

las cuales no se cuenta con registros sobre el comportamiento de la variable y
pueden ser complementados o mejorados en la medida en que se puedan introducir
datos sobre tendencia y estacionalidad.

Mtodo de promedios mviles

Estos mtodos utilizan el valor promedio de un conjunto de datos anteriores, como

el valor de la variable en el futuro. Se denominan mviles porque al disponer de un
nuevo dato se elimina el ms antiguo, permitiendo ir actualizando el valor
pronosticado, el modelo puede expresarse matemticamente de la manera
siguiente:

Una desventaja de este mtodo estriba en que la participacin de cada uno de los
valores es considerada igual, perdindose algunas caractersticas o
comportamientos particulares de la variable.

Mtodo de suavizamiento exponencial

Se denomina de esta manera porque el peso considerado a periodos anteriores

dentro del pronstico va disminuyendo exponencialmente, esto significa que los
valores ms antiguos participarn cada vez en menor medida en la estimacin,
acercndose al valor cero, aunque nunca deja de ser considerado. Para expresar
matemticamente el modelo se emplea la expresin siguiente:

La constante es la clave del suavizamiento, su eleccin determinar la

respuesta del modelo ante cambios de los valores de la variable, su valor depende
de la experiencia obtenida en el pasado, valores cercanos a 1 permitirn que el valor
ms reciente participe mayormente en el pronstico, mientras que valores cercanos
a cero lo evitarn, obtenindose un pronstico con un valor similar al del periodo
anterior. Cualquiera que sea el modelo sencillo de pronstico elegido, es necesario
medir el error cometido al comparar su valor con el que realmente ocurri, el
propsito de un pronstico como hemos anotado antes es el de logra cada vez
mejores estimaciones.

Ejemplos:
Ejercicio 2
Los datos siguientes representan las ventas trimestrales en millones de pesos de
la empresa Kids Fashions especializada en la venta de ropa infantil ubicada en la
zona centro de la ciudad de Toluca:

a) Construir grfica de la serie de tiempo e interpretar los datos

b) Calcular el valor con ajuste estacional de las ventas trimestrales.

Construir grfica e Interpretar los resultados

c) Obtener la ecuacin de tendencia e interpretar el resultado

d) Pronosticar las ventas para los cuatro trimestres del prximo ao

Comenzamos hora con el procedimiento

a) Como puede apreciarse, en cada ao, las ventas del cuarto trimestre son las
ms altas y las del segundo las ms bajas. Tambin puede apreciarse un
incremento en las ventas de un ao a otro.
b) Para llegar al ndice estacional trimestral se deben construir dos tablas, la
primera de ellas, se calcula como sigue:

Columna (1). Son los datos originales

Columna (2). Total mvil de cuatro trimestres, por ejemplo: 6.7 + 4.6 + 10.0 + 12.7
= 34 que se coloca al centro de cuatro cuatrimestres que se suman. Enseguida la
suma se va moviendo un trimestre, es decir, el siguiente es: 4.6 + 10.0 + 12.7 +
6.5 = 33.8y

Columna (3). Promedio mvil de cuatro trimestres, es decir, ya solo hay que dividir
los totales anteriores entre 4 y colocar el resultado frente a su correspondiente. Por
ejemplo: 34/4 = 8.500, 33.8/4=8.450, etctera.

Columna (4). Promedio mvil centrado, ahora se centran los promedios mviles, es
decir, se suman los dos promedios mviles y se dividen entre 2, el resultado de
esto se centra entre los dos valores sumados quedando centrado con el trimestre
correspondiente, por ejemplo: (8.500 + 8450)/2 = 8.475 que queda centrado con el
trimestre 3 del ao 2002, el segundo sera (8.450 + 8.450)/2 = 8.450 que queda
centrado con el trimestre cuatro del ao 2002.

Columna (5). Valor estacional especfico.- Se calcula dividiendo las ventas

originales (columna 1) entre el promedio mvil centrado (columna 4), por ejemplo:
10.0/8.475 = 1.180, el segundo es 12.7/8.450 = 1.503, etctera.
La segunda tabla se construye de la siguiente forma:

Se acomodan en un cuadro los valores estacionales especficos obtenidos antes,

para enseguida:

Calcular la media modificada de cada trimestre, esta se obtiene sumando los

valores obtenidos pero sin considerar los valores ms alto y ms bajo, por
ejemplo: (0.772 + 0.775 + 0.753)/3 = 0.766

Obtener el ndice estacional multiplicando la media obtenida por el factor de

correccin o ajuste que se calcula con la frmula que aparece al pie del cuadro
siguiente:

c) Estos ndices calculados implican que:

Para el trimestre 1, cuyo ndice es 76.466 significa que las ventas en este trimestre
estarn (100 76.466 = ) 23.534% por abajo del promedio tpico,

Para el trimestre 2, cuyo ndice es 57.300 significa que las ventas en este trimestre
estarn (100 57.300 =) 42.700% por abajo del promedio tpico

Para el trimestre 3, cuyo ndice es 113.601 significa que las ventas en este
trimestre estarn (113.601 100 =) 13.601% por arriba del promedio tpico

Para el trimestre 4, cuyo ndice es 152.633 significa que las ventas en este
trimestre estarn (152.633 100 =) 52.633% por arriba del promedio tpico
En resumen, como puede apreciarse el perodo con mayor actividad en las ventas
es el cuarto trimestre mientras que para el primer y segundo trimestre del ao tal
actividad baja drsticamente.

d) Para calcular el valor ajustado por el ndice estacional ya solo hay que dividir
los valores originales desestacionalizados entre su respectivo ndice estacional
trimestral, por ejemplo para el trimestre 1 del ao 2002: (6.7/76.466)*100 = 8.76,
es decir:

Su grfica quedara como sigue.

Como puede apreciarse, la diferencia entre las ventas de un trimestre a otro en

realidad no son tan marcadas como lo reflejan las ventas originales, aqu puede
notarse que efectivamente de un ao a otro las ventas aumentan pero, sin embargo
entre un trimestre y otro, en el mismo ao, no tienen lugar grandes incrementos.
e) La tabla siguiente muestra los clculos necesarios para obtener la ecuacin de
tendencia:

que al sustituir estos valores en la frmula, se obtiene:

Con lo que la Ecuacin de Tendencia queda como sigue:

y = 8.1791 + 0.0880x

Esto quiere decir que la pendiente es 0.0880, es decir, que en los ltimos 24
trimestres, las ventas desestacionalizadas aumentaron a razn de 0.0880
(millones de pesos) por trimestre.

El valor 8.1791 corresponde a la intercepcin en el eje y de la lnea de tendencia.

f) Para calcular los pronsticos de los cuatro trimestres del 2008, se estiman
dichos valores aplicando la ecuacin de tendencia para finalmente ajustarlos
estacionalmente mediante la multiplicacin por el ndice respectivo segn el
trimestre del que se trate, de esta forma:

Pronstico para el primer trimestre de 2008:

y = 8.1791 + 0.0880(25) = 10.3791 * 0.765 = 7.94 millones de pesos

Pronstico para el segundo trimestre de 2008:

y = 8.1791 + 0.0880(26) = 10.4671 * 0.573 = 5.99 millones de pesos

Pronstico para el tercer trimestre de 2008:

y = 8.1791 + 0.0880(27) = 10.5551 * 1.136 = 11.99 millones de pesos

Pronstico para el tercer trimestre de 2008:

y = 8.1791 + 0.0880(28) = 10.6431 * 1.526 = 16.24 millones de pesos

Como puedes observar la importancia del desarrollo y anlisis de las series de

tiempo va desde interpretar los grficos que se te presenten en diversos estudios,
en informes financieros, en reportes gubernamentales, en proyecciones de planes
a futuro de la empresa, en estudios de mercado, en anlisis de ventas; es decir
que tiene un sinnmero de aplicaciones; as mismo realizar los anlisis para que la
informacin de la empresa o departamento donde trabajes puedan utilizar dichos
clculos para tener una mejor comprensin de las variables que afectan positiva o
negativamente a un producto y/o servicio ya sea pblico o privado.
Ejercicio 3)

Aplicar el mtodo de promedios mviles para el pronstico de ventas de gasolina

a partir de la siguiente informacin:

Se considerar el promedio mvil a partir de las tres observaciones ms recientes.

En este caso se utilizar la siguiente ecuacin:

Resumen de clculos para promedios mviles de tres semanas

Semana Valor de la serie Pronstico de la i-

de tiempo (miles sima semana con
de Promedios mviles
1 17 galones)
2 21
3 19
4 23 (17+21+19)/3 = 19
5 18 (21+19+23)/3 = 21
6 16 ((19+23+18)/3 = 20
7 20 19
8 18 18
9 22 18
10 20 20
11 15 20
12 22 19

Los promedios mviles tambin se pueden construir tomando en cuenta valores

adyacentes de las observaciones, por ejemplo: En el caso de determinar el
promedio mvil para tres observaciones adyacentes de la tabla anterior, se tiene:
 Semana Valor de la serie Pronstico de la i-sima
de tiempo (miles semana con
de Promedios mviles para 3
1 17 galones) aos
2 21 (17+21+19)/3 = 19
3 19 (21+19+23)/3 = 21
4 23 (19+23+18)/3 = 20
5 18 (23+18+16)/3 = 19
6 16 18
7 20 18
8 18 20
9 22 20
10 20 19
11 15 19
12 22

1. Promedios mviles ponderados

Para mostrar el uso de ste mtodo, se utilizar la primera parte del ejemplo
anterior de la venta de gasolina. El mtodo consiste en asignar un factor de
ponderacin distinto para cada dato. Generalmente, a la observacin o dato
ms reciente a partir del que se quiere hacer el pronstico, se le asigna el
mayor peso, y este peso disminuye en los valores de datos ms antiguos. En
este caso, para pronosticar las ventas de la cuarta semana, el clculo se
realizara de la siguiente manera:

Puede observarse que el dato ms alejado (correspondiente a la primera

semana) tiene el factor de ponderacin ms pequeo, el siguiente tiene un
factor de ponderacin del doble que el primero y el dato ms reciente (que
corresponde a la tercera semana) tiene un factor de ponderacin del triple del
primero. Los pronsticos para las diversas semanas se presentan en la
siguiente tabla. En todos los casos, la suma de los factores de ponderacin
debe ser igual a uno.
 Semana Valor de la serie Pronstico de la i-
de tiempo (miles sima semana con
de Promedios mviles
galones) para 3 aos
1 17
2 21
3 19
4 23 19.33
5 18 21.33
6 16 19.83
7 20 17.83
8 18 18.33
9 22 18.33
10 20 20.33
11 15 20.33
12 22

2. Suavizamiento exponencial

El suavizamiento exponencial emplea un promedio ponderado de la serie de

tiempo pasada como pronstico; es un caso especial del mtodo de promedios
mviles ponderados en el cual slo se selecciona un peso o factor de ponderacin:
el de la observacin ms reciente. En la prctica comenzamos haciendo que F 1, el
primer valor de la serie de valores uniformados, sea igual a Y1, que es el primer
valor real de la serie. El modelo bsico de suavizamiento exponencial es el
siguiente:
Ejemplo : Clculo de la Tendencia a travs de Mnimos Cuadrados

En la siguiente tabla se encuentran los datos de las ventas de los ltimos cinco aos de una
empresa del ramo de alimentos:

a) Graficar los datos

b) Determinar la ecuacin de tendencia e interpretarla
c) Trazar la recta de tendencia
d) Pronosticar las ventas para los siguientes dos aos e interpretar el
resultado
Solucin:

a) Con los datos que se tienen se obtiene la siguiente grfica:

b) Para determinar los coeficientes de la ecuacin se debe construir una tabla con los datos
necesarios:

Se sustituyen los valores en las frmulas respectivas:

y habiendo calculado los coeficientes, entonces la Ecuacin de Tendencia queda:

y = 6.1 + 1.3t

Ahora se interpreta de la siguiente manera:

Las ventas se expresan en millones de pesos, el origen o ao 0, es 2003 y t aumenta una

unidad por ao. El valor 1.3 indica que las ventas aumentan a razn de 1.3 millones de
pesos por ao. El valor 6.1 es el de las ventas estimadas cuando t = 0. Es decir, el monto de
las ventas estimadas para el ao 2003 es igual a 6.1 millones de pesos.

c) Para trazar la recta, se deben tener dos puntos, para el primero de ellos se puede utilizar
el valor 6.1 de la ecuacin anterior y el segundo se puede obtener asignando un valor
cualquiera a x, dentro del rango del intervalo del que se dispone, por ejemplo 4 (ao 2006)
para obtener el valor de y, es decir:

y = 6.1 + 1.3t = 6.1+ 1.3(4) =11.3

con lo que ya se puede trazar la Recta de Tendencia

Los dos aos siguientes son 2008 y 2009, que en trminos de los clculos que estamos
haciendo son 6 y 7, respectivamente. Pues bien, estos se sustituyen en la Ecuacin de
Tendencia y se obtienen los pronsticos requeridos, es decir:

y = 6.1 + 1.3t = 6.1+ 1.3(6) = 13.9 y = 6.1 + 1.3t = 6.1+ 1.3(7) = 15.2

que se interpreta de la siguiente manera:

Con base en las ventas anteriores, la estimacin o pronstico para los aos 2008 y 2009, es
13.9 y 15.2 millones de pesos, respectivamente

Ejercicio 4)
Obtener los ndices de variacin estacional trimestrales y desestacionalizar la siguiente
serie de entrada de visitantes (en miles de personas) en Espaa, suponiendo un
esquema de combinacin multiplicativo y estacionalidad estable. REF

1995 1996 1997 1998 1999 2000

Trimestre 1 8.829.990 9.388.445 10.561.137 10.951.676 11.937.650 12.252.737
Trimestre 2 14.002.528 14.656.385 15.873.035 17.634.452 18.467.791 19.313.746
Trimestre 3 20.980.878 21.773.563 23.790.177 25.490.256 26.807.345 27.407.366
Trimestre 4 10.593.634 11.451.005 12.190.628 13.685.449 14.847.505 15.437.562

Fuente: FRONTUR, I.N.E.

Sea la variable que representa el nmero de visitantes de Espaa, en miles de

personas, en el ao t.

Recordemos que bajo un esquema de combinacin multiplicativo las fluctuaciones de la

serie vienen determinadas por .
PROCEDIMIENTO:
1: Hallamos la tendencia de la serie
2: Eliminamos la tendencia
3: Eliminamos las variaciones irregulares
4: Expresamos las Variaciones Estacionales en forma de ndices: Indices de Variacin
Estacional (IVE)
1 Hallamos la tendencia de la serie. Para ello, calculamos la ecuacin lineal de la
tendencia anual con origen en 1995 y tomando como valores de la serie los totales
anuales del nmero de visitantes: , donde en 1995.

Aos t
1995 0 54.407.030 0 0 2'96011015
1996 1 57.269.398 1 57.269.398 3'27981015
1997 2 62.414.977 4 124.829.954 3'89561015
1998 3 67.761.833 9 203.285.499 4'59171015
1999 4 72.060.291 16 288.241.164 5'19271015
2000 5 74.411.411 25 372.057.055 5'53711015
15 388.324.940 55 1.045.683.070 2'54571016

A partir de la tabla anterior se obtiene que:

En consecuencia, la ecuacin de tendencia anual con origen en 1995 queda definida por:

La bondad del ajuste se obtiene mediante el coeficiente de determinacin:

por lo que el ajuste lineal es muy adecuado.

La ecuacin de la tendencia trimestral con origen en el trimestre central del ao 1995
tendr por expresin
donde expresa, ahora, trimestres.
Cambiamos el origen de la ecuacin de tendencia trimestral para situarlo en el primer
trimestre de 1995, que se corresponde con el valor .
Puesto que;

la ecuacin de tendencia trimestral con origen en el primer trimestre de 1995 es:

A partir de la ecuacin anterior evaluamos la tendencia para cada uno de los 24

trimestres de la serie original, sustituyendo . Los valores obtenidos para la
tendencia se recogen en la siguiente tabla.

1995 1996 1997 1998 1999 2000

Trimestre 1 13.105.158 14.174.740 15.244.322 16.313.904 17.383.485 18.453.067
Trimestre 2 13.372.554 14.442.136 15.511.717 16.581.299 17.650.881 18.720.462
Trimestre 3 13.639.949 14.709.531 15.779.113 16.848.694 17.918.276 18.987.858
Trimestre 4 13.907.345 14.976.926 16.046.508 17.116.090 18.185.672 19.255.253

2 Eliminamos la tendencia de la serie dividiendo los datos originales por su

correspondiente valor de tendencia, dado que suponemos un esquema de combinacin
de las componentes, multiplicativo. La serie corregida, sin tendencia, es la siguiente.
 1995 1996 1997 1998 1999 2000
Trimestre 1 0'674 0'662 0'693 0'671 0'687 0'664
Trimestre 2 1'047 1'015 1'023 1'064 1'046 1'032
Trimestre 3 1'538 1'480 1'508 1'513 1'496 1'443
Trimestre 4 0'762 0'765 0'760 0'800 0'816 0'802

3 Eliminamos las variaciones irregulares sobre la estacionalidad efectuando promedios

trimestrales. Los movimientos estacionales pueden medirse a travs de las medias
aritmticas para cada trimestre (suponemos estacionalidad estable). La expresin de los
movimientos estacionales en forma de porcentaje recibe el nombre de ndices de
variacin estacional y representa el efecto estacional para cada trimestre. Al suponer
estacionalidad estable, son los mismos para todos los aos de la serie:

Trimestre 1 4'051 0'675 67'62

Trimestre 2 6'227 1'038 103'98
Trimestre 3 8'978 1'496 149'86
Trimestre 4 4'705 0'784 78'54
3'993 400

Los ndices de variacin estacional pueden ser interpretados de la siguiente manera: el

efecto estacional en el 1er trimestre hace que el nmero de entradas de visitantes sea
un inferior al nivel normal que es 100. De forma anloga, la influencia
estacional produce en el 3er trimestre una entrada de visitantes un 49'86% superior
respecto al nivel normal.
4 Eliminamos la estacionalidad de la serie dividiendo los datos originales entre los IVE de
cada trimestre, expresados en tantos por uno. La serie desestacionalizada est recogida
en la siguiente tabla:

1995 1996 1997 1998 1999 2000

Trimestre 1 13.058.252 13.884.125 15.618.363 16.195.912 17.654.022 18.119.990
Trimestre 2 13.466.559 14.095.389 15.265.469 16.959.465 17.760.907 18.574.482
Trimestre 3 14.000.319 14.529.269 15.874.935 17.009.379 17.888.259 18.288.647
Trimestre 4 13.488.202 14.579.838 15.521.553 17.424.814 18.904.386 19.655.668

Esta serie desestacionalizada indica qu valores hubisemos observado de no haber

existido la influencia estacional. Al contrario de lo que ocurre con la serie original, cuando
los datos estn desestacionalizados se puede apreciar como en algunos aos la entrada
de visitantes en el 4 trimestre ha sido superior a la del 3er trimestre.
En el siguiente grfico se encuentran representadas tanto la serie original de entrada de
visitantes en Espaa (en miles) como la correspondiente serie desestacionalizada.