Estadística I

125

UNIDAD VIII –ANALISIS DE SERIES DE TIEMPO

Y PRONÓSTICO DE NEGOCIOS

1. CONCEPTO Y APLICACIONES

Una serie de tiempo es un conjunto de observaciones tomadas en instantes específi-

cos, generalmente 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
estadounidense, 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).

Se representa mediante un gráfico de líneas, sobre el eje horizontal figura el tiempo

y en el eje vertical se representan los valores de la serie de tiempo.

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/
Estadística I
126

Depósitos en efectivo en las entidades financieras en

Caja de Ahorros (en millones de pesos)

MES MONTO MES MONTO MES MONTO

Ene-10 64,97 Ene-11 94,26 Ene-12 104,52
Feb-10 65,60 Feb-11 93,62 Feb-12 100,49
Mar-10 61,86 Mar-11 94,21 Mar-12 107,52
Abr-10 84,31 Abr-11 100,04 Abr-12 108,37
May-10 85,11 May-11 97,23 May-12 106,12
Jun-10 86,06 Jun-11 104,90 Jun-12 116,38
Jul-10 77,68 Jul-11 107,68 Jul-12 111,81
Ago-10 81,58 Ago-11 102,86 Ago-12 111,32
Sep-10 85,42 Sep-11 103,73 Sep-12 111,63
Oct-10 88,52 Oct-11 102,64 Oct-12 115,19
Nov-10 89,56 Nov-11 95,19 Nov-12 118,64
Dic-10 95,96 Dic-11 105,70 Dic-12 134,44

2. MOVIMIENTOS CARACTERÍSTICOS DE LAS SERIES DE TIEMPO. TEN-

DENCIA. ESTACIONALIDAD. CICLOS. ALEATORIEDAD.

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

La experiencia de analizar muchas series de tiempo ha revelado ciertos movimien-

tos o variaciones 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 preocupa-
dos por este tema.

Los movimientos característicos de una serie de tiempo se pueden clasificar en cua-

tro 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 siguen las series de tiempo. Este movimiento se indica por una curva de tendencia o
recta de tendencia.

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 suce-
sos recurrentes que tienen lugar anualmente, tales como los aumentos de precios en ciertos
productos en Navidad, Semana Santa, etc.
Estadística I
127

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

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

c. CICLOS

Son las oscilaciones 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 recurrentes en
un periodo de tiempo. Un ejemplo de estos movimientos lo constituyen los llamados 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 como sequías, inundaciones, huelgas, elecciones, etc. Si bien se suele suponer que
tales sucesos tienen corta duración, cabe la posibilidad de que sean tan intensos que den
lugar a nuevos movimientos cíclicos o de otro tipo.

3. ANÁLISIS DE LOS COMPONENTES. ESTIMACIÓN DE LA TENDENCIA.

ESTIMACIÓN DE LA ESTACIONALIDAD: ÍNDICES ESTACIONALES. ES-
TIMACIÓN DE LAS VARIACIONES CÍCLICAS. TRATAMIENTO DE LAS
VARIACIONES ALEATORIAS.

El análisis de series de tiempo es el procedimiento por el cual se identifican y aís-

lan 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 valores históricos de series de tiempo y a pronosticar valores futuros. Este análisis con-
siste 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 varia-
bles T, E, C y A que producen los movimientos de tendencia, estacionalidad, ciclos y alea-
torios, respectivamente. En símbolos:

Y=TxExCxA=TCEA

El análisis de series de tiempo requiere investigar los factores T, E, C y A y se co-

noce como descomposición de una serie de tiempo en sus componentes básicos.

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

variables básicas involucradas. En la práctica, la decisión de cuál de los métodos de des-
composición usar depende del grado de éxito a que conduce la aplicación de cada uno.
Estadística I
128

Promedios móviles; suavización de series de tiempo

Dado un conjunto de números Y1, Y2, Y3, … definimos un promedio móvil de or-
den N como la sucesión de medias aritméticas:

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

; ;
N N N

Las sumas en el numerador se llaman totales móviles de orden N. 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.

Tomando los datos del cuadro y calculando promedios móviles de orden 5:

64,97  65,60  61,86  84,31  85,11

 el primer PMO5 sería:  72,37
5

y el valor corresponde al mes de marzo de 2010

65,60  61,86  84,31  85,11  86,06

 el segundo PMO5 sería:  76,59
5

y el valor corresponde al mes de abril de 2010

Si los datos se dan anual o mensualmente, un promedio móvil de orden N se llama

respectivamente, un promedio móvil de N años o de N meses, pudiendo utilizarse cual-
quier otra unidad de tiempo.

Los promedios móviles, como todo promedio, tienen la particularidad de reducir la

variación presente en un conjunto de datos. Esta propiedad se suele usar para eliminar fluc-
tuaciones indeseables, en un proceso que se conoce como suavización de series de tiempo.
Estadística I
129

Depósitos en efectivo en las entidades financie

160,00 en Caja de Ahorros
Depósitos (Miles de millones

140,00
120,00
100,00
80,00
60,00
de $)

40,00
20,00
-

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

sucesión resultante se llama promedio móvil ponderado de orden N.

Estimación de la tendencia

Dado que el análisis de tendencia se ocupa de la dirección a largo plazo del movi-
miento en las series de tiempo, generalmente se realizan sobre la base de datos anuales.
Habitualmente deben emplearse datos correspondientes a al menos 15 ó 20 años, a fin de
que los movimientos cíclicos con una duración de varios años no se consideren como indi-
cativo 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) equidis-
tantes, 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 diferen-
tes momentos del tiempo por una variable natural (denominada así porque está confor-
mada por los números naturales a partir del cero) simbolizada por ti, asignando el valor 0 al
primer 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.
Estadística I
130

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  73,644  1,3713t

 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.
Estadística I
131

Cuando la ecuación de la línea de tendencia se basa en datos anuales, primero se

debe reducir la ecuación para expresarla en términos de meses (trimestres, etc.). Una ecua-
ción de tendencia basada en datos anuales se modifica de la siguiente manera para obtener
valores mensuales proyectados:
a b t a b
Yt  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

2010 64,97 65,60 61,86 84,31 85,11 86,06 77,68 81,58 85,42 88,52 89,56 95,96 81

2011 94,26 93,62 94,21 100,04 97,23 104,90 107,68 102,86 103,73 102,64 95,19 105,70 100

2012 104,52 100,49 107,52 108,37 106,12 116,38 111,81 111,32 111,63 115,19 118,64 134,44 112

Índice estacional por el Método de los porcentajes medios

Año/
ene feb mar abr may jun jul ago sep oct nov dic 
Meses
2010 81% 81% 77% 105% 106% 107% 96% 101% 106% 110% 111% 119%
2011 94% 93% 94% 100% 97% 105% 107% 103% 104% 102% 95% 106%
2012 93% 90% 96% 97% 95% 104% 100% 99% 99% 103% 106% 120%
IE 89% 88% 89% 100% 99% 105% 101% 101% 103% 105% 104% 115% 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
Estadística I
132

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/
ene feb mar abr may jun jul ago sep oct nov dic x
Meses

2010 64,97 65,60 61,86 84,31 85,11 86,06 77,68 81,58 85,42 88,52 89,56 95,96 81

2011 94,26 93,62 94,21 100,04 97,23 104,90 107,68 102,86 103,73 102,64 95,19 105,70 100

2012 104,52 100,49 107,52 108,37 106,12 116,38 111,81 111,32 111,63 115,19 118,64 134,44 112

Índice estacional por el Método de porcentaje de tendencia

Año/
ene feb mar abr may jun jul ago sep oct nov dic 
Meses
2010 88% 87% 81% 108% 108% 107% 95% 98% 101% 103% 103% 108%
2011 105% 102% 101% 106% 102% 108% 110% 103% 103% 100% 92% 100%
2012 98% 93% 98% 98% 95% 103% 97% 96% 95% 97% 99% 111%
IE 97% 94% 94% 104% 101% 106% 101% 99% 100% 100% 98% 106% 1200%

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.
Luego expresamos los datos originales de cada mes cono 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
centrado de 12 meses de Y sirve para eliminar los movimientos estacionales e irregula-
res 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 adecua-
do.
Estadística I
133

Promedios móviles
Mes Monto PMO12 PMO2 Mes Monto PMO12 PMO2 Mes Monto PMO12 PMO2

Ene-10 64,97 Ene-11 94,26 93,16 Ene-12 104,52 105,27

94,41 105,44

Feb-10 65,60 Feb-11 93,62 95,30 Feb-12 100,49 105,80

96,19 106,15

Mar-10 61,86 Mar-11 94,21 96,95 Mar-12 107,52 106,48

97,71 106,81

Abr-10 84,31 Abr-11 100,04 98,30 Abr-12 108,37 107,33

98,89 107,85

May-10 85,11 May-11 97,23 99,13 May-12 106,12 108,83

99,36 109,81

Jun-10 86,06 Jun-11 104,90 99,77 Jun-12 116,38 111,00

80,55 100,17 112,20

Jul-10 77,68 81,77 Jul-11 107,68 100,60 Jul-12 111,81

82,99 101,03

Ago-10 81,58 84,16 Ago-11 102,86 101,31 Ago-12 111,32

85,33 101,60

Sep-10 85,42 86,68 Sep-11 103,73 102,15 Sep-12 111,63

88,02 102,71

Oct-10 88,52 88,68 Oct-11 102,64 103,05 Oct-12 115,19

89,34 103,40

Nov-10 89,56 89,84 Nov-11 95,19 103,77 Nov-12 118,64

90,34 104,14

Dic-10 95,96 91,13 Dic-11 105,70 104,62 Dic-12 134,44

91,91 105,10
Estadística I
134

Índice estacional por el Método del promedio móvil en porcentaje

Año/
ene feb mar abr may jun jul ago sep oct nov dic 
Meses
2010 95% 97% 99% 100% 100% 105%
2011 101% 98% 97% 102% 98% 105% 107% 102% 102% 100% 92% 101%
2012 99% 95% 101% 101% 98% 105%
IE 100% 97% 99% 101% 98% 105% 101% 99% 100% 100% 96% 103% 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

2010 64,97 65,60 61,86 84,31 85,11 86,06 77,68 81,58 85,42 88,52 89,56 95,96

2011 94,26 93,62 94,21 100,04 97,23 104,90 107,68 102,86 103,73 102,64 95,19 105,70

2012 104,52 100,49 107,52 108,37 106,12 116,38 111,81 111,32 111,63 115,19 118,64 134,44

Índice estacional por el Método de enlaces relativos

Año/
ene feb mar abr may jun jul ago sep oct nov dic 
Meses
2010 101% 94% 136% 101% 101% 90% 105% 105% 104% 101% 107%
2011 98% 99% 101% 106% 97% 108% 103% 96% 101% 99% 93% 111%
2012 99% 96% 107% 101% 98% 110% 96% 100% 100% 103% 103% 113%
IE 99% 99% 101% 114% 99% 106% 96% 100% 102% 102% 99% 111% 1227%
Factor de corrección = 1.200/1227 = 0,978
IE 96% 97% 98% 112% 97% 104% 94% 98% 100% 100% 97% 108% 1200%

Datos ajustados a la variación estacional.

Si los datos mensuales originales se dividen por los correspondientes números índi-
ce estacionales, los datos resultantes se llaman desestacionalizados o ajustados a la va-
riación estacional. Estos datos incluyen movimientos de tendencia, cíclicos e irregulares.
Estadística I
135

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-10 64,97 97,0% 67,00 Ene-11 94,26 97,0% 97,20 Ene-12 104,52 97,0% 107,78
Feb-10 65,60 94,3% 69,56 Feb-11 93,62 94,3% 99,28 Feb-12 100,49 94,3% 106,56
Mar-10 61,86 93,6% 66,08 Mar-11 94,21 93,6% 100,64 Mar-12 107,52 93,6% 114,86
Abr-10 84,31 104,2% 80,93 Abr-11 100,04 104,2% 96,03 Abr-12 108,37 104,2% 104,02
May-10 85,11 101,3% 83,99 May-11 97,23 101,3% 95,95 May-12 106,12 101,3% 104,73
Jun-10 86,06 105,9% 81,26 Jun-11 104,90 105,9% 99,05 Jun-12 116,38 105,9% 109,89
Jul-10 77,68 100,6% 77,22 Jul-11 107,68 100,6% 107,04 Jul-12 111,81 100,6% 111,14
Ago-10 81,58 99,0% 82,40 Ago-11 102,86 99,0% 103,90 Ago-12 111,32 99,0% 112,44
Sep-10 85,42 99,5% 85,83 Sep-11 103,73 99,5% 104,23 Sep-12 111,63 99,5% 112,17
Oct-10 88,52 100,0% 88,52 Oct-11 102,64 100,0% 102,63 Oct-12 115,19 100,0% 115,18
Nov-10 89,56 97,6% 91,75 Nov-11 95,19 97,6% 97,51 Nov-12 118,64 97,6% 121,53
Dic-10 95,96 106,4% 90,20 Dic-11 105,70 106,4% 99,35 Dic-12 134,44 106,4% 126,37

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 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 aproxima-
da, de ciclos, se pueden construir índices cíclicos de igual manera que los índices estacio-
nales.

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

Ene-10 91,0% Ene-11 107,9% 106,3% Ene-12 101,1% 98,7%
Feb-10 92,7% Feb-11 108,5% 105,7% Feb-12 98,7% 98,7%
Mar-10 86,5% 96,1% Mar-11 108,4% 105,4% Mar-12 105,1% 98,5%
Abr-10 104,1% 98,1% Abr-11 101,9% 104,3% Abr-12 94,0% 97,6%
May-10 106,1% 98,4% May-11 100,4% 104,3% May-12 93,5% 97,3%
Jun-10 100,9% 100,9% Jun-11 102,2% 103,5% Jun-12 96,9% 95,6%
Jul-10 94,3% 100,4% Jul-11 108,9% 103,7% Jul-12 96,8% 95,9%
Ago-10 99,0% 99,7% Ago-11 104,2% 103,7% Ago-12 96,8% 96,6%
Sep-10 101,4% 100,5% Sep-11 103,1% 102,1% Sep-12 95,4% 97,4%
Oct-10 102,9% 102,0% Oct-11 100,2% 99,2% Oct-12 96,9% 98,8%
Nov-10 105,0% 103,8% Nov-11 93,9% 98,6% Nov-12 101,0%
Dic-10 101,7% 105,2% Dic-11 94,5% 97,7% Dic-12 103,9%
Estadística I
136

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 Ciclicas
110%
C
i 105%
c 100%
l
o 95%
s
90%

Estimación de las variaciones irregulares

Las variaciones irregulares o aleatorias se pueden aislar ajustando los datos, es decir
dividiendo los datos originales Y por T, E y C. En la práctica se encuentra que las variacio-
nes irregulares tienden a ser de pequeña magnitud, es decir, las pequeñas variaciones ocu-
rren 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-10 91,0% Ene-11 107,9% 106,3% 101,5% Ene-12 101,1% 98,7% 102,5%
Feb-10 92,7% Feb-11 108,5% 105,7% 102,7% Feb-12 98,7% 98,7% 100,0%
Mar-10 86,5% 96,1% 90,0% Mar-11 108,4% 105,4% 102,8% Mar-12 105,1% 98,5% 106,7%
Abr-10 104,1% 98,1% 106,1% Abr-11 101,9% 104,3% 97,7% Abr-12 94,0% 97,6% 96,3%
May-10 106,1% 98,4% 107,9% May-11 100,4% 104,3% 96,2% May-12 93,5% 97,3% 96,1%
Jun-10 100,9% 100,9% 100,0% Jun-11 102,2% 103,5% 98,7% Jun-12 96,9% 95,6% 101,4%
Jul-10 94,3% 100,4% 94,0% Jul-11 108,9% 103,7% 104,9% Jul-12 96,8% 95,9% 101,0%
Ago-10 99,0% 99,7% 99,3% Ago-11 104,2% 103,7% 100,5% Ago-12 96,8% 96,6% 100,2%
Sep-10 101,4% 100,5% 100,9% Sep-11 103,1% 102,1% 101,0% Sep-12 95,4% 97,4% 98,0%
Oct-10 102,9% 102,0% 100,9% Oct-11 100,2% 99,2% 101,0% Oct-12 96,9% 98,8% 98,0%
Nov-10 105,0% 103,8% 101,2% Nov-11 93,9% 98,6% 95,3% Nov-12 101,0%
Dic-10 101,7% 105,2% 96,6% Dic-11 94,5% 97,7% 96,7% Dic-12 103,9%
Estadística I
137

Variaciones aleatorias

1,1
Variaciones aleatorias
1,05
1
0,95
0,9
0,85
0,8
0 0 0 0 1 1 1 1 2 2 2 2
e -1 r-10 y-1 0 l-1 p-1 v-1 e-1 r-11 y-1 1 l-1 p-1 v-1 e-1 r-12 y-12 l-1 p-1 v-1
u a u
En Ma Ma J Se No En M Ma J Se No En M Ma J Se No a u

Períodos

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
febrero 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.

En la práctica no se siguen una regla definida para ajustar tales variaciones. La ne-
cesidad de tales ajustes queda a voluntad del investigador.

4. ELIMINACIÓN DE LOS COMPONENTES: PRONÓSTICOS

Todo lo anterior sirve para predecir series de tiempo. Hay que ser conscientes de
que el tratamiento matemático de los datos no resuelve por sí mismo todos los problemas.

Una vez que conocemos la tendencia y los índices estacionales se combinan para
producir proyecciones. Se proyecta la tendencia en periodos futuros, y después se ajustan
las tendencias por los índices estacionales.

Utilizando la ecuación: Y  73,644  1,3713t , reemplazamos t por el valor corres-

pondiente (en el ejemplo el primer valor de t es 36) y al resultado lo ajustamos por los índi-
ces estacionales calculados (en este caso se utilizó el índice obtenido por el método de los
porcentajes medios)
Estadística I
138

t MES T TE t MES T TE
36 Ene-13 123,01 119,29 42 Jul-13 131,24 132,03
37 Feb-13 124,38 117,30 43 Ago-13 132,61 131,29
38 Mar-13 125,75 117,72 44 Sep-13 33,98 133,34
39 Abr-13 127,12 132,44 45 Oct-13 35,35 135,36
40 May-13 128,50 130,21 46 Nov-13 136,72 133,47
41 Jun-13 129,87 137,54 47 Dic-13 138,10 146,91

PREGUNTAS TEÓRICAS

1. En una serie de tiempo referida a bimestres, si se desea calcular el modelo estacional,

deben calcularse varios Índices Estacionales. ¿Cuál es el valor de la suma de todos los
IE en este caso?
a. 100
b. 600
c. 1.200

2. ¿Cómo se obtiene la expresión teórica de la tendencia en una serie de tiempo?

a. mediante la matriz de porcentajes
b. calculando los índices estacionales
c. mediante el método de mínimos cuadrados