Está en la página 1de 13

ESTADISTICA DESCRIPTIVA

RELACIONES ENTRE VARIABLES


Unidad 8 –ANALISIS DE SERIES DE TIEMPO Y PRONÓSTICO DE
NEGOCIOS
Lic. Ma. de Los Arcos Martínez
Lic. Mariel L. Martínez Russo

1. CONCEPTO Y APLICACIONES

Una serie de tiempo es un conjunto de observaciones tomadas en instantes específicos, ge-


neralmente a intervalos iguales. Ejemplos de series de tiempo son las ventas totales de una
empresa durante un cierto número de años, la cotización diaria al cierre del dólar estadou-
nidense, la cantidad de autos que pasan por el peaje cada hora o los depósitos en efectivo en
Cajas de Ahorro en el sistema financiero.

Matemáticamente, una serie de tiempo se define por los valores Y1, Y2,… de una variable
Y (ventas, cotización, etc.) en tiempos t 1, t2, … Y es función de t; esto se denota por Y =
F(t).

Una serie de tiempo se representa gráficamente mediante un gráfico de líneas, sobre cuyo
eje horizontal se representa el tiempo y en cuyo eje vertical se representan los valores de la
serie de tiempo.

Depósitos en efectivo en las entidades financieras en Caja de Ahorros


3.000
Depósitos (Miles de millones de $)

2.500

2.000

1.500

1.000

500

Períodos

Fuente: Elaboración propia en base a información obtenida de la página web del Banco Central de la Repúbli-
ca Argentina http://www.bcra.gov.ar/

1
Cuadro 8.1
Depósitos en efectivo en las entidades financieras en Caja de Ahorros

Años
ene feb mar abr may jun jul ago sep oct nov dic
/Meses
2009 1.103 1.047 1.132 1.052 1.075 1.233 1.267 1.190 1.335 1.250 1.250 1.352
2010 1.293 1.286 1.459 1.589 1.568 1.724 1.779 1.653 1.776 1.619 1.845 1.843
2011 1.961 1.758 1.747 1.800 2.052 2.050 2.236 2.211 2.105 2.125 1.994 2.069

2. MOVIMIENTOS CARACTERÍSTICOS DE LAS SERIES DE TIEMPO

Es interesante pensar en el gráfico de una serie de tiempo como un gráfico que describe un
punto moviéndose con el paso del tiempo.

La experiencia de analizar muchas series de tiempo ha revelado ciertos movimientos o va-


riaciones características que aparecen a menudo, y cuyo análisis es de gran interés por
varias razones, una de ellas es el problema de predicción de futuros movimientos. No puede
sorprendernos, en consecuencia, que muchas empresas y gobiernos estén preocupados por
este tema.

Los movimientos característicos de una serie de tiempo se pueden clasificar en cuatro tipos
principales, a menudo llamados componentes de una serie de tiempo:

a. TENDENCIA

Son los movimientos a largo plazo o seculares. Se refieren a la dirección general que sigue
la serie de tiempo. Este movimiento se indica por una curva de tendencia o recta de ten-
dencia.

b. ESTACIONALIDAD

Son los esquemas idénticos o casi idénticos que una serie de tiempo parece seguir durante
los meses correspondientes en años sucesivos. Estos movimientos se deben a sucesos recu-
rrentes que tienen lugar anualmente, tales como los aumentos de precios en ciertos produc-
tos en Navidad, Semana Santa, etc.

Aunque los movimientos estacionales se refieren generalmente en economía y administra-


ción a períodos anuales, aunque se admite su aplicación a intervalos periódicos diferentes
(semanas, días, horas) según el tipo de datos que estemos analizando.

c. CICLO

Son las oscilaciones a largo plazo en torno a una recta o curva de tendencia. Estos ciclos
pueden ser periódicos o no; es decir, pueden seguir o no esquemas repetidos a intervalos
iguales de tiempo. En los negocios los movimientos se consideran cíclicos sólo si son recu-

2
rrentes en un periodo de tiempo. Un ejemplo de estos movimientos lo constituyen los lla-
mados ciclos económicos, que representan intervalos de prosperidad, recesión, depresión y
recuperación.

d. ALEATORIEDAD

Son los movimientos esporádicos de la serie de tiempo debidos a sucesos de azar, tales co-
mo sequías, inundaciones, huelgas, elecciones, etc. Si bien se suele suponer que tales suce-
sos tienen corta duración, cabe la posibilidad de que sean tan intensos que den lugar a nue-
vos movimientos cíclicos o de otro tipo.

3. ANÁLISIS DE LOS COMPONENTES: OBTENCIÒN DE LOS MODELOS DE


COMPORTAMIENTO

El análisis de series de tiempo es el procedimiento por el cual se identifican y aíslan los


factores relacionados con el tiempo que influyen en los valores observados en las series de
tiempo. Una vez identificados, estos factores pueden contribuir a la interpretación de valo-
res históricos de series de tiempo y a pronosticar valores futuros. Este análisis consiste en
describir (matemáticamente, en general) los movimientos componentes que están presentes.

Supongamos que la serie de tiempo tiene por variable Y el producto de varias variables T,
E, C y I que producen los movimientos de tendencia, estacionalidad, ciclos y aleatorios,
respectivamente. En símbolos:

Y=TxExCxI=TCEI

El análisis de series de tiempo requiere investigar los factores T, E, C y I y se conoce como


descomposición de una serie de tiempo en sus componentes básicos.

Algunos estadísticos prefieren considerar Y como la suma de T + C + E + I de las variables


básicas involucradas. En la práctica, la decisión de cuál de los métodos de descomposición
usar depende del grado de éxito a que conduce la aplicación de cada uno.

Promedios móviles; suavización de series de tiempo

Dado un conjunto de números Y1, Y2, Y3, … definimos un promedio móvil de orden k co-
mo la sucesión de medias aritméticas:

Y1  Y2  ...  Yk Y2  Y3  ...  Yk 1 Y3  Y4  ...  Yk  2


; ;
k k k

Las sumas en el numerador se llaman totales móviles de orden k. Es usual localizar cada
número del promedio móvil en su posición adecuada respecto a los datos originales. Por
ejemplo, si trabajamos con un promedio móvil de orden 3 se lo ubica en el lugar central de
los tres números inmediatos encima de él.

3
Tomando los datos del cuadro 8.1 y calculando promedios móviles de orden 5:
1.103  1.047  1.132  1.052  1.075
 el primer PMO5 sería:  1.082
5

y el valor corresponde al mes de marzo de 2009

1.047  1.132  1.052  1.075  1.233


 el segundo PMO5 sería:  1.057
5

y el valor corresponde al mes de abril de 2009

Si los datos se dan anual o mensualmente, un promedio móvil de orden N se llama respec-
tivamente, un promedio móvil de k años o de k meses, pudiendo utilizarse cualquier otra
unidad de tiempo.

Los promedios móviles, como todo promedio, tienen la particularidad de reducir la varia-
ción presente en un conjunto de datos. Esta propiedad se suele usar para eliminar fluctua-
ciones indeseables, en un proceso que se conoce como suavización de series de tiempo.

2.500
Serie de tiempo - Promedios móviles
Monto (miles de millones de $)

2.000

1.500

1.000

500

Si se usan medias aritméticas ponderadas, con pesos especificados de antemano, la sucesión


resultante se llama promedio móvil ponderado de orden k.

Estimación de la tendencia

4
Dado que el análisis de tendencia se ocupa de la dirección a largo plazo del movimiento en
las series de tiempo, generalmente se realizan sobre la base de datos anuales. Habitualmen-
te deben emplearse datos correspondientes a al menos 15 ó 20 años, a fin de que los movi-
mientos cíclicos con una duración de varios años no se consideren como indicativo de la
tendencia global de los valores de la serie de tiempo.

Al referirse los datos de la serie de tiempo a momentos (años, meses, días) equidistantes,
es decir que la diferencia entre dos momentos adyacentes es constante, para calcular de una
manera más rápida y sencilla el valor de los parámetros se reemplazan los diferentes mo-
mentos del tiempo por una variable natural (denominada así porque está conformada
por los números naturales a partir del cero) simbolizada por Xi, asignando el valor 0 al pri-
mer momento del tiempo, el valor uno al segundo, y así sucesivamente.

 Método de mínimos cuadrados: Este método se puede utilizar para hallar la ecuación
de la recta o curva de tendencia. Con esta ecuación se podrán calcular los valores de
tendencia T. Conviene señalar que, en términos estadísticos, una línea de tendencia no
es una línea de regresión, puesto que la variable dependiente Y no es una variable alea-
toria, sino una serie de valores históricos. Además, sólo puede haber un valor histórico
(no una distribución de valores) para un período dado, y es probable que los valores
asociados con períodos contiguos sean dependientes, no independientes.

Y = a1 + b1t

En el caso de los depósitos en efectivo en las entidades financieras en Caja de Ahorros


(miles de millones de $), aplicando éste método la ecuación sería:

Y  42.047  1,0818t

Depósitos en efectivo en las entidades financieras en Caja de Ahorros


3.000
Depósitos (Miles de millones de $)

2.500

2.000

1.500

1.000

500

5
 Método a mano alzada. Este método, ya tratado en la teoría del ajustamiento, consiste
en ajustar una curva o recta de tendencia por simple inspección del gráfico. También se
puede usar para estimar T. No obstante, tiene la desventaja evidente de depender muy
fuertemente del criterio personal de cada uno.

 Método de promedios móviles. Usando promedios móviles de orden apropiado, pode-


mos eliminar las componentes cíclicas, estacionales y aleatorias, dejando sólo el movi-
miento de tendencia. Una desventaja de este método es que los datos al comienzo y al
final de una serie se pierden. Otra desventaja es que los promedios móviles pueden ge-
nerar ciclos u otros movimientos que no estaban presenten en los datos originales. Una
tercer desventaja es que los promedios móviles se ven muy afectados por los valores ex-
tremos.
 Método de semipromedios. Este método que vimos al estudiar la teoría del ajustamien-
to, es sencillo de aplicar, pero puede conducir a resultados pobres si se usa indiscrimi-
nadamente. Además sólo es aplicable cuando la tendencia es lineal o aproximadamente
lineal, si bien puede extenderse a casos en que los datos pueden agruparse en varias par-
tes, en cada una de las cuales la tendencia es lineal.

Cuando la ecuación de la línea de tendencia se basa en datos anuales, primero se debe redu-
cir la ecuación para expresarla en términos de meses (trimestres, etc.). Una ecuación de
tendencia basada en datos anuales se modifica de la siguiente manera para obtener valores
mensuales proyectados:
a b t a b
Y 1  1  1 1 t
12 12 12 12 144

Estimación de las variaciones estacionales. El índice estacional

Para determinar la variación estacional, debemos estimar cómo varían los datos de la serie
de tiempo de mes a mes en un año típico. Un conjunto de números que muestran los valores
relativos de una variable durante los meses del año se llama un índice estacional para la
variable. El índice estacional medio del año ha de ser 100 %, o lo que es lo mismo, la suma
de los números índices de los 12 meses ha de ser 1200 %.

Se dispone de varios métodos para calcular un índice estacional:

 Método del porcentaje medio. En éste método expresamos los datos de cada mes como
porcentajes del promedio anual. Los porcentajes para meses correspondientes en distin-
tos años se promedian usando la media aritmética o la mediana. Los porcentajes resul-
tantes dan el índice estacional. Si la media no es 100% deben ser ajustados, lo que se
logra multiplicándolos por un factor adecuado.

Datos originales
Año/
ene feb mar abr may jun jul ago sep oct nov dic x
Meses
2009 1.103 1.047 1.132 1.052 1.075 1.233 1.267 1.190 1.335 1.250 1.250 1.352 1.190

6
2010 1.293 1.286 1.459 1.589 1.568 1.724 1.779 1.653 1.776 1.619 1.845 1.843 1.620
2011 1.961 1.758 1.747 1.800 2.052 2.050 2.236 2.211 2.105 2.125 1.994 2.069 2.009

Índice estacional por el Método de los porcentajes medios


Año/
ene feb mar abr may jun jul ago sep oct nov dic 
Meses
2009 93% 88% 95% 88% 90% 104% 106% 100% 112% 105% 105% 114%
2010 80% 79% 90% 98% 97% 106% 110% 102% 110% 100% 114% 114%
2011 98% 88% 87% 90% 102% 102% 111% 110% 105% 106% 99% 103%
IE 90% 85% 91% 92% 96% 104% 109% 104% 109% 104% 106% 110% 1200%

 Método del porcentaje de tendencia. En éste método expresamos los datos de cada mes
como porcentajes de los valores de tendencia mensuales. Un promedio apropiado de los
porcentajes para meses correspondientes del índice requerido. Al dividir cada valor
mensual Y por el correspondiente valor de tendencia T resulta:
Y
 CEI
T

Datos originales
Año/
Meses
ene feb mar abr may jun jul ago sep oct nov dic
2009 1.103 1.047 1.132 1.052 1.075 1.233 1.267 1.190 1.335 1.250 1.250 1.352
2010 1.293 1.286 1.459 1.589 1.568 1.724 1.779 1.653 1.776 1.619 1.845 1.843
2011 1.961 1.758 1.747 1.800 2.052 2.050 2.236 2.211 2.105 2.125 1.994 2.069

Y/T
Año/
ene feb mar abr may jun jul ago sep oct nov dic
Meses
2009 1.024 1.057 1.088 1.121 1.154 1.187 1.220 1.253 1.287 1.319 1.353 1.385
2010 1.419 1.452 1.482 1.516 1.548 1.582 1.614 1.648 1.682 1.714 1.748 1.780
2011 1.813 1.847 1.877 1.911 1.943 1.977 2.009 2.043 2.076 2.109 2.142 2.175

Índice estacional por el Método de porcentaje de tendencia


Año/
ene feb mar abr may jun jul ago sep oct nov dic 
Meses
2009 108% 99% 104% 94% 93% 104% 104% 95% 104% 95% 92% 98%
2010 91% 89% 98% 105% 101% 109% 110% 100% 106% 94% 106% 104%
2011 108% 95% 93% 94% 106% 104% 111% 108% 101% 101% 93% 95%
IE 102% 94% 99% 98% 100% 106% 108% 101% 104% 97% 97% 99% 1204%
Factor de corrección = 1.200/1204/100 = 99,6754049
IE 102% 94% 98% 97% 100% 105% 108% 101% 103% 96% 97% 98% 1200%

7
Estos índices incluyen variaciones cíclicas e irregulares y puede ser una desventaja del
método, especialmente si las variaciones son grandes.

 Método del promedio móvil en porcentaje. En éste método calculamos un promedio


móvil de 12 meses. Como los resultados obtenidos caen entre meses sucesivos en lugar
de en el centro del mes (que es donde están los datos originales), calculamos un prome-
dio móvil de orden 2. El resultado se llama promedio móvil de 12 meses centrado. Lue-
go expresamos los datos originales de cada mes como porcentaje del promedio móvil
centrado de doce meses que corresponde a los datos originales. Los porcentajes de los
meses correspondientes se promedian a continuación, dando el índice buscado. Como
en los casos anteriores, los ajustamos si no promedian 100%. Un promedio móvil cen-
trado de 12 meses de Y sirve para eliminar los movimientos estacionales e irregulares y
es por tanto equivalente a los valores dados por TC. Al dividir los datos originales por
TC nos da EI. Los promedios subsiguientes sobre meses correspondientes sirven para
eliminar la aleatoriedad y, en consecuencia, producen un índice estacional adecuado.

Mes Monto PMO12 PMO2 Mes Monto PMO12 PMO2 Mes Monto PMO12 PMO2
Ene-09 1.103 Ene-10 1.293 1.402 Ene-11 1.961 1.843
1.423 1.862
Feb-09 1.047 Feb-10 1.286 1.442 Feb-11 1.758 1.885
1.462 1.908
Mar-09 1.132 Mar-10 1.459 1.480 Mar-11 1.747 1.922
1.498 1.936
Abr-09 1.052 Abr-10 1.589 1.514 Abr-11 1.800 1.957
1.529 1.978
May-09 1.075 May-10 1.568 1.554 May-11 2.052 1.984
1.579 1.990
Jun-09 1.233 Jun-10 1.724 1.599 Jun-11 2.050 2.000
1.190 1.620 2.009
Jul-09 1.267 1.198 Jul-10 1.779 1.647 Jul-11 2.236
1.206 1.675
Ago-09 1.190 1.216 Ago-10 1.653 1.695 Ago-11 2.211
1.226 1.715
Sep-09 1.335 1.240 Sep-10 1.776 1.727 Sep-11 2.105
1.253 1.739
Oct-09 1.250 1.276 Oct-10 1.619 1.747 Oct-11 2.125
1.298 1.756
Nov-09 1.250 1.319 Nov-10 1.845 1.776 Nov-11 1.994
1.339 1.796
Dic-09 1.352 1.360 Dic-10 1.843 1.810 Dic-11 2.069
1.380 1.824

Datos originales
Año/ ene feb mar abr may jun jul ago sep oct nov dic

8
Meses
2009 1.103 1.047 1.132 1.052 1.075 1.233 1.267 1.190 1.335 1.250 1.250 1.352
2010 1.293 1.286 1.459 1.589 1.568 1.724 1.779 1.653 1.776 1.619 1.845 1.843
2011 1.961 1.758 1.747 1.800 2.052 2.050 2.236 2.211 2.105 2.125 1.994 2.069

Promedios móviles centrados de orden 12


Año/
ene feb mar abr may jun jul ago sep oct nov dic
Meses
2009 1.198 1.216 1.240 1.276 1.319 1.360
2010 1.402 1.442 1.480 1.514 1.554 1.599 1.647 1.695 1.727 1.747 1.776 1.810
2011 1.843 1.885 1.922 1.957 1.984 2.000

Índice estacional por el Método del promedio móvil en porcentaje


Año/
ene feb mar abr may jun jul ago sep oct nov dic 
Meses
2009 106% 98% 108% 98% 95% 99%
2010 92% 89% 99% 105% 101% 108% 108% 98% 103% 93% 104% 102%
2011 106% 93% 91% 92% 103% 103%
IE 99% 91% 95% 98% 102% 105% 107% 98% 105% 95% 99% 101% 1196%
Factor de corrección = 1.200/1196/100 = 1,0031774
IE 102% 94% 98% 97% 100% 105% 108% 101% 103% 96% 97% 98% 1200%

 Método de enlaces relativos. En éste método expresamos los datos de cada mes como
porcentajes de los datos para los meses previos; estos porcentajes mensuales se llaman
enlaces relativos porque relacionan cada mes con el precedente. Luego hacemos un
promedio adecuado de los enlaces relativos para los meses correspondientes. De estos
12 relativos promedio obtenemos los porcentajes relativos de cada mes respecto a enero
que se adopta como 100%. Encontramos que el siguiente enero tiene un porcentaje aso-
ciado que es mayor o menor que 100%, según haya habido un crecimiento o decreci-
miento en la tendencia. Usando este porcentaje del próximo enero, ajustando los diver-
sos porcentajes relativos mensuales para esta tendencia. Estos porcentajes finales, ajus-
tados de modo que promedien 100% dan el índice estacional requerido.

Datos originales
Año/
ene feb mar abr may jun jul ago sep oct nov dic
Meses
2009 1.103 1.047 1.132 1.052 1.075 1.233 1.267 1.190 1.335 1.250 1.250 1.352

9
2010 1.293 1.286 1.459 1.589 1.568 1.724 1.779 1.653 1.776 1.619 1.845 1.843
2011 1.961 1.758 1.747 1.800 2.052 2.050 2.236 2.211 2.105 2.125 1.994 2.069

Índice estacional por el Método de enlaces relativos


Año/
ene feb mar abr may jun jul ago sep oct nov dic 
Meses
2009 95% 108% 93% 102% 115% 103% 94% 112% 94% 100% 108%
2010 96% 99% 113% 109% 99% 110% 103% 93% 107% 91% 114% 100%
2011 106% 90% 99% 103% 114% 100% 109% 99% 95% 101% 94% 104%
IE 101% 95% 107% 102% 105% 108% 105% 95% 105% 95% 103% 104% 1224%
Factor de corrección = 1.200/1224/100 = 0,98005519
IE 99% 93% 105% 100% 103% 106% 103% 93% 103% 93% 101% 102% 1200%

Datos ajustados a la variación estacional.

Si los datos mensuales originales se dividen por los correspondientes números índice esta-
cionales, los datos resultantes se llaman desestacionalizados o ajustados a la variación
estacional. Estos datos incluyen movimientos de tendencia, cíclicos e irregulares.

Si utilizamos los índices estacionales obtenidos por el método de porcentaje de tendencia


los datos desestacionalizados serían:

Mes Monto IE Y/IE Mes Monto IE Y/IE Mes Monto IE Y/IE


Ene-09 1.103 90% 1.225 Ene-10 1.293 90% 1.436 Ene-11 1.961 90% 2.178
Feb-09 1.047 85% 1.232 Feb-10 1.286 85% 1.514 Feb-11 1.758 85% 2.069
Mar-09 1.132 91% 1.248 Mar-10 1.459 91% 1.608 Mar-11 1.747 91% 1.926
Abr-09 1.052 92% 1.143 Abr-10 1.589 92% 1.727 Abr-11 1.800 92% 1.956
May-09 1.075 96% 1.115 May-10 1.568 96% 1.627 May-11 2.052 96% 2.128
Jun-09 1.233 104% 1.185 Jun-10 1.724 104% 1.658 Jun-11 2.050 104% 1.971
Jul-09 1.267 109% 1.160 Jul-10 1.779 109% 1.630 Jul-11 2.236 109% 2.048
Ago-09 1.190 104% 1.144 Ago-10 1.653 104% 1.589 Ago-11 2.211 104% 2.125
Sep-09 1.335 109% 1.226 Sep-10 1.776 109% 1.632 Sep-11 2.105 109% 1.934
Oct-09 1.250 104% 1.207 Oct-10 1.619 104% 1.563 Oct-11 2.125 104% 2.052
Nov-09 1.250 106% 1.178 Nov-10 1.845 106% 1.740 Nov-11 1.994 106% 1.880
Dic-09 1.352 110% 1.228 Dic-10 1.843 110% 1.673 Dic-11 2.069 110% 1.879

Estimación de las variaciones cíclicas

Una vez ajustados los datos a la variación estacional, pueden ser ajustados también a la
tendencia dividiéndolos por los correspondientes valores de tendencia. El proceso de ajustar
a la variación estacional y a la tendencia se realiza dividiendo Y por ET, lo que da CI. Un
promedio móvil apropiado de unos pocos meses de duración (3, 5 ó 7 meses, de manera que
el centrado subsiguiente no sea necesario) sirve para suavizar las variaciones irregulares y

10
dejar solo las variaciones cíclicas. Una vez que estas variaciones cíclicas han sido aisladas,
se pueden estudiar en detalle. Si ocurre una periodicidad, exacta o aproximada, de ciclos, se
pueden construir índices cíclicos de igual manera que los índices estacionales.

Mes Y/TE C Mes Y/TE C Mes Y/TE C


Ene-09 120% Ene-10 111% 110% Ene-11 167% 144%
Feb-09 117% Feb-10 117% 114% Feb-11 159% 150%
Mar-09 115% Mar-10 124% 119% Mar-11 148% 152%
Abr-09 102% 106% Abr-10 133% 124% Abr-11 150% 156%
May-09 97% 102% May-10 126% 125% May-11 163% 155%
Jun-09 100% 99% Jun-10 128% 126% Jun-11 151% 154%
Jul-09 95% 96% Jul-10 126% 126% Jul-11 156% 155%
Ago-09 91% 95% Ago-10 122% 126% Ago-11 162% 154%
Sep-09 95% 95% Sep-10 126% 126% Sep-11 148% 151%
Oct-09 94% 96% Oct-10 120% 132% Oct-11 156%
Nov-09 91% 99% Nov-10 134% 137% Nov-11 143%
Dic-09 95% 104% Dic-10 129% 140% Dic-11 143%

Los datos analizados no permiten identificar un ciclo completo, solo puede verse que el
ciclo está entrando en la etapa de recesión, tal como se ve el siguiente gráfico

Variaciones cíclicas
180,0%
160,0%
140,0%
120,0%
100,0%
C
80,0%
60,0%
40,0%
20,0%
0,0%
Ene-09
Mar-09
May-09
Jul-09
Sep-09
Nov-09
Ene-10
Mar-10
May-10
Jul-10
Sep-10
Nov-10
Ene-11
Mar-11
May-11
Jul-11
Sep-11
Nov-11

Estimación de las variaciones irregulares

Las variaciones irregulares o aleatorias se pueden aislar ajustando los datos, es decir divi-
diendo los datos originales Y por T, E y C. En la práctica se encuentra que las variaciones
irregulares tienden a ser de pequeña magnitud y con frecuencia tienden a seguir el esquema

11
de una distribución normal, es decir, las pequeñas variaciones ocurren con gran frecuencia
y grandes desviaciones ocurren con pequeña frecuencia.

Mes Y/TE C Y/TEC Mes Y/TE C Y/TEC Mes Y/TE C Y/TEC


Ene-09 120% Ene-10 111% 110% 102% Ene-11 167% 144% 116%
Feb-09 117% Feb-10 117% 114% 103% Feb-11 159% 150% 106%
Mar-09 115% Mar-10 124% 119% 104% Mar-11 148% 152% 97%
Abr-09 102% 106% 96% Abr-10 133% 124% 108% Abr-11 150% 156% 96%
May-09 97% 102% 94% May-10 126% 125% 100% May-11 163% 155% 105%
Jun-09 100% 99% 101% Jun-10 128% 126% 101% Jun-11 151% 154% 98%
Jul-09 95% 96% 99% Jul-10 126% 126% 100% Jul-11 156% 155% 101%
Ago-09 91% 95% 96% Ago-10 122% 126% 97% Ago-11 162% 154% 105%
Sep-09 95% 95% 101% Sep-10 126% 126% 99% Sep-11 148% 151% 97%
Oct-09 94% 96% 97% Oct-10 120% 132% 91% Oct-11 156%
Nov-09 91% 99% 92% Nov-10 134% 137% 98% Nov-11 143%
Dic-09 95% 104% 91% Dic-10 129% 140% 92% Dic-11 143%

Variaciones aleatorias
140%
120%
100%
80%
A
60%
40%
20%
0%
Ene-09
Mar-09

Ene-10
Mar-10

Ene-11
Mar-11
May-09
Jul-09
Sep-09
Nov-09

May-10
Jul-10
Sep-10
Nov-10

May-11
Jul-11
Sep-11
Nov-11

Comparación de datos

Al comparar datos, hay que tener cuidado de que tal comparación este justificada. Por
ejemplo, al comparar datos de marzo con datos de febrero, debemos tener presente que fe-
brero tiene 28 ó 29 días marzo tiene 31; y al comparar datos de febrero de años diferentes
hay que tener en cuenta los años bisiestos. El número de días laborables durante varios me-
ses del mismo año o de años diferentes, pueden ser distintos a causa de vacaciones, huelgas,
etc.
12
En la práctica no se siguen una regla definida para ajustar tales variaciones. La necesidad
de tales ajustes queda a voluntad del investigador.

4. PRONÓSTICOS

Si fuera cierto (como lo supone el análisis de series de tiempo) que los factores que han
influido en patrones particulares de la actividad económica en el pasado y en el presente
seguirán haciéndolo en el futuro, entonces el análisis de las series de tiempo, por si mismo,
seria una herramienta para pronósticos muy apropiada y eficaz, así como una ayuda para el
control de las actividades del presente por los administradores.

Los críticos de los métodos de series de tiempo han argumentado que estas técnicas son
demasiado “ingenuas” y “mecánicas”, es decir, no se debería utilizar un modelo matemáti-
co basado en el pasado para la extrapolación mecánica de las tendencias hacia el futuro sin
tener en consideración juicios personales, experiencias de negocios o tecnologías, hábitos y
necesidades cambiantes. Por ello, en años recientes, los econometristas se han preocupado
por la inclusión de estos factores al desarrollar modelos muy “sofisticados” de la actividad
económica, para pronósticos.

De todos modos, los métodos de series de tiempo aportan útiles guías a los hombres de ne-
gocio para proyectar tendencias futuras (sobre la base de largo plazo o de corto plazo) o
para medir la actividad cíclica total. Si se utilizan de un modo apropiado, junto con otros
métodos para pronósticos, así como con el criterio y la experiencia en los negocios, los mé-
todos de series de tiempo seguirán siendo un excelente instrumento para la toma de deci-
siones.

A menudo se emplea una ecuación de mínimos cuadrados para predecir, por extrapolación,
o sea extenderla al futuro. El movimiento de tendencia expresado en una recta de mínimos
cuadrados describe en promedio, lo ocurrido en el pasado, así como estima los valores que
se encuentran adelante, fuera de la serie con base en la cual se ha obtenido la ecuación de
tendencia. Multiplicando estos valores por los índices estacionales, se incorpora la estacio-
nalidad, es el procedimiento inverso al utilizado para eliminarla.

Bibliogra´fia
 ANDERSON, D. R. (2004). Estadística para Administración y Economía. Editorial
Thomson. México.
 CRISTÓFOLI, M. E. (2003). Manual de Estadística con Excel. Editorial Omicrón Sis-
tem S.A. Argentina.
 KAZMIER, L. J. (1998). Estadística Aplicada a la Administración y a la Economía.
Editorial McGraw Hill. México.
 SPIEGEL, M. R. (1993). Teoría y problemas de Estadística. Editorial McGraw Hill.
Edición. España.

13

También podría gustarte