Universidad nacional experimental de los llanos occidentales

“Ezequiel Zamora”.

Vicerrectorado de planificación y desarrollo social.

Programa de ciencias sociales y económicas.

Subprograma de administración.

Series cronológicas

Docente: Bachilleres:
Yazmin bracamonte Gabriel Mota CI: 28.421.277

Semestre: 4to Luis Zambrano, CI: 28.273.569

Sección: M-01 Samir Mejías, CI: 30.221.331

José Bastidas, CI: 28.199.086
Ana Tovar, CI: 29.885.846

Barinas, 2 de marzo de 2022

 Índice:

Pág.

Introducción--------------------------------------------------------------------------------- 3

Serie de tiempos--------------------------------------------------------------------------- 4

Componentes de una serie de tiempos---------------------------------------------- 6

Métodos de suavizamiento-------------------------------------------------------------- 9

Patrones de una serie de tiempos----------------------------------------------------- 15

Modelo multiplicativo y aditivo para una serie de tiempo------------------------ 15

Desestacionalización--------------------------------------------------------------------- 19

Regresión lineal simple------------------------------------------------------------------ 24

Estudios de casos------------------------------------------------------------------------- 26

Estudio de caso de Gabriel Mota------------------------------------------------------ 26

Conclusiones-------------------------------------------------------------------------------- 35

Referencias bibliográficas--------------------------------------------------------------- 36
 Introducción:

Una serie de tiempos es el conjunto de datos registrados durante un

periodo, este periodo bien puede ser un periodo semanal, mensual, trimestral
o anual, las series de tiempo por lo general se usa en contexto de las
organizaciones, bien sean públicas o privadas, por ejemplo, en el contexto de
las empresas u organizaciones privadas, los empresarios y directivos de las
multinacionales deben siempre encontrar la forma y las maneras de
mantenerse al día, o mantenerse informados, respecto a los cambios de las
condiciones económicas y comerciales, para poder saber los efectos que
esos cambios, bien sean paulatinos o repentinos, que la mayoría de las
veces suelen ser repentinos, van a provocar en sus operaciones, por
ejemplo, un ejemplo de cambio repentino seria el bloqueo del canal de Suez
en marzo del 2021, situación repentina que provoco el paro en gran medida
del comercio marítimo, por este tipo de situaciones es que muchos directivos
utilizan los métodos de pronóstico, y a pesar de que se han desarrollado
muchos métodos para poder pronosticar.

A través de la serie de tiempos, llamada también serie cronológica, o serie

temporal, todos tienen un propósito en común, el predecir los eventos
futuros, para que así, las proyecciones puedan ser incorporadas a todos los
procesos de toma de decisiones, a nivel general, la necesidad de pronosticar
prevalece hasta hoy en esta sociedad moderna, por ejemplo, en el sector
público, los burócratas del estado deben pronosticar aspectos como la
inflación, indicadores de nivel macroeconómico y microeconómico, las tasas
de empleo y desempleo, la producción industrial, la producción agrícola y
agropecuaria, y así mismo, ingresos que se esperan obtener de muchos
tipos de impuestos que por lo general existen, todo esto para poder formular
unas políticas adecuadas, en la presente síntesis se estará tratando todo el
tema relacionado a la serie de tiempos y a todo lo relacionado a la misma.
 Serie de tiempos:

En las palabras de herrera (2020) una serie de tiempos es “un conjunto de

datos registrados durante un periodo, semanal, mensual, trimestral o anual”,
este es el análisis del historial de una empresa para ser usados por los
directivos, para tomar decisiones en el presente y poder planificar, también
se puede aplicar a variables como las tasas de crecimiento, por ejemplo:

En el siguiente grafico se aprecia la comparación de las exportaciones

bolivianas según su actividad económica

En el gráfico de exportaciones comparativas de Bolivia, de acuerdo a su

sector económico, se puede ver primeramente la actividad agrícola, esta se
registra cada cierto periodo de tiempo en el cual se ha encontrado un valor
de importancia, por ejemplo, del año 1992 a 1994 ha habido un incremento
pequeño, este incremento aumento hasta 1999, y este incremento se volvió
más notorio en el 2008 y así hasta el punto que en el 2014 es donde se ve
que hubo el más alto incremento de exportaciones agrícolas, a estos gráficos
se les puede colocar distintas variables para un análisis comparativo
Por ejemplo, se añade la variable de la actividad de los hidrocarburos para
ver la progresión de sus exportaciones, así mismo se pueden apreciar las
variables de exportación de minerales, de la industria manufacturera y de las
reexportaciones y efectos personales, cuando hay varias series de tiempo
en un mismo gráfico, es con fines de comparar su evolución en un mismo
periodo de tiempo, por ejemplo, en este caso la actividad que más ha
exportado fue la de los hidrocarburos, seguido de las exportaciones
manufactureras y de los minerales, ocurrido esto en el 2014, pero el orden
cambio en 2019, siendo la industria manufacturera la que más exporto,
seguida de los hidrocarburos y los minerales, esta es una variable
dependiente y como función del tiempo T. Esto se escribe: y= F(t)
 Componentes de una serie de tiempos:

Tendencia secular: esta es la tendencia a largo plazo sin alteraciones de

una serie de tiempos, sin considerar las alteraciones que pueden haber en
medio de una serie de tiempos, por ejemplo, se puede tomar el caso de la
evolución del número de usuarios con conexión a banda angosta:

En este caso la conexión a internet era de banda angosta, se puede notar

que ha sido expresado en varios años, se registra cada semestre y cada mes
esta correspondido por un punto, por lo que se puede apreciar la disminución
de la cantidad del número de usuarios, pero la línea de tendencia a largo
plazo debe verse toda en uno, desde la primera hasta la última fecha
plasmada, por ende se puede notar la tendencia decreciente de la serie de
tiempos

Variación cíclica: es aquella posee un ascenso y descenso en un serie de

tiempos en periodos mayores a un año, ejemplo:
Cuando en una serie de tiempo se encuentra este comportamiento, por
ejemplo, en las exportaciones de esta empresa, donde empieza a
incrementar las exportaciones del año 1965 hasta 1970, vuelve a disminuir
hasta 1975, vuelve a incrementar hasta 1980, disminuye de nuevo asi
sucesivamente, vemos un comportamiento cíclico mayor a un año.

Variación estacional: son los patrones de cambio en una serie de tiempos en

un año, estos tienden a repetirse anualmente, ejemplo, para esta variación
se toma el caso de las ventas de la empresa “D”:
se puede notar que de enero a marzo ha habido un incremento en las
ventas, se incrementaron más en abril, caen en mayo y junio, luego se ve un
periodo que no se define claramente y es desde septiembre hasta diciembre
que se ve un incremento en las ventas, este comportamiento se puede
considerar estacional si el próximo año ocurre lo mismo en los mismos
periodos de tiempo

Variación irregular: este es el factor residual, ocasionado por factores a corto

plazo, imprevistos y no recurrentes que afectan a la serie de tiempo, es un
componente impredecible, por ejemplo, el patrón de comportamiento del
precio del azúcar:
 Acá se puede ver un comportamiento relativo desde 1900 a 1916, año en el
que aumento, este mismo siguió bajando hasta 1932, a partir de ahí vuelve a
aumentar, volvió a bajar el precio, pero inesperadamente ocurre un
comportamiento totalmente irregular, algo, que por lo general no ocurre

Métodos de suavizamiento:

Promedios móviles: El promedio móvil es un indicador de tendencias que se

usan para realizar análisis de datos anteriores con la finalidad de formar una
serie de medidas que provengan de diversos subconjuntos de datos de
precios, por lo tanto, tienen la capacidad de examinar las medidas de precios
que disminuyen en un período de tiempo. (Josefina Pacheco, febrero,10
2017).

Este funciona como un indicador de tendencias, el cual se utiliza para

realizar análisis de datos, los cuales han sido recolectados con anterioridad,
esto con el fin de crear series de medidas, las cuales se crearon con
diferentes subconjuntos de datos precisos obteniendo así la capacidad de
estudiar si los precios aumentan o disminuyen en un cierto periodo de
tiempo.

Ejemplo: Una compañía de suministros de productos de oficina monitorea los

niveles de inventario cada día. La compañía desea utilizar los promedios
móviles de longitud 2 para rastrear los niveles de inventario con el fin de
suavizar los datos. Durante 8 días, se recolectan datos correspondientes a
uno de sus productos.

Día 1 2 3 4 5 6 7 8
Nivel de 4310 4400 4000 3952 4011 4000 4110 4220
inventario
Promedio 4310 4355 4200 3976 3981.5 4005.5 4055 4165
móvil

El primer promedio móvil es de 4310, el cual representa el valor de la

primera observación.

El siguiente promedio móvil es el promedio de las dos primeras

observaciones (4310+4400) dividido entre 2, lo cual nos da un resultado de
4355.

El tercer promedio móvil es el promedio de las observaciones 2 y 3,

(4400+4000) dividido entre 2, dando como resultado 4200, y así se realizará
sucesivamente para los 8 casos. En caso que se quisiera utilizar un
promedio móvil con longitud de 3, se promedian tres valores en lugar de dos.

Promedios móviles ponderados: Otro método de pronóstico de demanda es

el promedio móvil ponderado. Mientras en el método de promedio móvil
simple asignamos igual importancia a todos los datos de la demanda pasada,
el método de promedio móvil ponderado nos permite calcular pronósticos
asignando más peso para los elementos que consideremos. Betancourt, D.
F. (17 de febrero de 2016).

Los promedios móviles ponderados a diferencia de los simples permiten un

enfoque en los elementos que se deseen estudiar y no es necesario que
cada elemento posea la misma relevancia.

El promedio ponderado suele reaccionar más rápido ante los cambios de la

demanda, con relación al promedio simple. Sin embargo, la verdadera
utilidad del método dependerá de la experticia del administrador de
operaciones al pronosticar la demanda, como en todos. En nuestra formula
de promedio, la suma de las ponderaciones debe ser igual a 1.
Promedio móvil ponderado=
Σ ( Ponderacion del periodo n ) ( Demanda en el periodo n)
Σ Ponderaciones

Ejemplo: En una compañía productora de alimentos para perro, se requiere

calcular el pronóstico de demanda con el método de media móvil ponderada.
Para la empresa, la demanda pasada reciente es la más importante y le
asignan un peso de 50%. La demanda intermedia tiene un peso de 30% y la
más lejana de 20%.

Periodo Demanda Pronostico

1 130
Para calcular el pronóstico
de demanda del 2 145 periodo 4,
multiplicamos el periodo 3 por
3 139
50%, el periodo 2 por 30% y
el periodo 1 por 4 153 139 20%. El
resultado de cada
producto se 5 162 147 sumará y
obtendremos 139
6 170 155

Suavizamiento 7 100 164 exponencial:

Se trata sobre 8 120 133 predecir qué
va a pasar y lo que hace es
suavizar la serie 9 151 124 temporal. El
objetivo es reducir las
fluctuaciones y 10 134 132 conseguir
observar una 11 139 136 tendencia
que a veces no está clara a
simple vista. Es 12 151 140 muy
utilizado, sobre todo, en
previsión 13 164 144 de ventas y
ha demostrado 14 159 155 una eficacia
más que aceptable.
(Enrique Rus 15 171 159 Arias, 04 de
noviembre 2018).
16 182 166

17 162 174

18 190 170
 Este método funciona gracias a la utilidad que se les da a los registros
pasados que se tienen de la variable que se va a utilizar, con la finalidad de
predecir su futuro comportamiento. Esta se suele utilizar en la previsión de
ventas, campo en el cual ya se ha demostrado su eficacia.

Ejemplo: En una empresa de venta de electrodomésticos el director de la

matriz contacta con su homólogo en España. Este le indica que va a hacer
un pronóstico de ventas para Valencia. Pero, el único indicador que tiene
para comenzar las ventas son en la ciudad donde está la empresa en que se
puedan comparar los datos. Se utiliza un factor para suavizar la serie de
35%.

SE= (D*S) + (P*(1-S))

S = 0,35

Fecha Ventas (D) Pronostico (P)

Ene-15 3150 2900
Feb-15 3000 2988
Mar-15 2850 2992
Abr-15 2700 2942
May-15 2500 2857
Jun-15 2400 2732
Jul-15 2600 2616
Ago-15 3050 2610
Sep-15 3300 2764
Oct-15 2900 2952
Nov-15 2700 2934
Dic-15 2800 2852
 Patrones de una serie de tiempos:

Patrón de horizontal (estacionario): Cuando los valores de una variable

oscilan a través del tiempo alrededor de un nivel constante o medio, existe
un patrón horizontal (estacionario). Un ejemplo de una variable con este
comportamiento son las ventas de sal, que demuestran un comportamiento
estable, y no incrementan o disminuyen consistentemente a través del
tiempo.
Patrón de tendencia: Otro de los patrones existentes es el de tendencia, el
cual existe cuando las series crecen o decrecen consistentemente sobre un
largo periodo de tiempo. Las series que muestran tendencia están
influenciadas por la actividad económica, un ejemplo de estas series es el
Producto Interno Bruto, PIB, que mide la producción de bienes y servicios
de un país.
Patrón cíclico: Cuando una serie tiene tendencia, se puede observar un
patrón adicional, un crecimiento o decrecimiento constante cada cierto
tiempo (tres años o más); este patrón es el comportamiento cíclico.

Modelo multiplicativo y aditivo para una serie de tiempo:

Con el propósito de demostrar que la mortalidad actual es función de la

mortalidad del pasado, Wilmoth (1990) propuso modelar esta variable
demográfica como una función lineal de varios parámetros: uno que
determina la estructura etaria histórica de la mortalidad (αi), donde i está en
[0,ω+] se refiere a las edades que van desde los cero años hasta el último
grupo abierto denotado por ω+; otro que indica la distribución promedio de
las defunciones a lo largo del tiempo (βj).

Donde j se refiere a los años o periodos; otro que señala el efecto cohorte
sobre la mortalidad (θk), donde k = j – i indica el año de nacimiento de las
cohortes y un conjunto de términos multiplicativos que señalan la interacción
entre las dimensiones edad y periodo φm γimδjm. Matemáticamente,

f ij = αi + βj + Σρ m = 1 φm γim δjm + θk + εij (1)

Los parámetros del modelo anterior son estimados en etapas: con el fin de
explorar los patrones por edad y periodo, se ajusta primero el modelo:

fij = αi + βj + εij

Donde los parámetros cumplen que Σj βj= 0, con lo que:

̂
αi = ∑ j = 1 f ij /J
^ ^
rij = fij - αi- βj

A esta primera fase Wilmoth la llamó fase de exploración (Wilmoth, 1990:

298). Ahora bien, si el modelo (1) estuviese completamente especificado, los
residuales deberían comportarse como ruido o como un proceso puramente
aleatorio (véase Chatfield, 1995). Sin embargo, Wilmoth encontró que dichos
residuales, definidos como:

rij = fij - αi- βj

Siguen un patrón que podría ser modelado de la siguiente forma:

r ij = Σ ρm = 1 φm γim δjm + εij

Donde los parámetros conforman un conjunto de funciones de bases

ortogonales que se calculan utilizando el Método de Descomposición en
Valores Singulares (DVS o SVD por sus siglas en inglés).
 ̂
θk
Así, el autor define sij = fij – αi - βj - Σ ρ
m = 1 φm γim δjm

De tal manera que se ajusta un modelo de la forma

sij = θk + εij donde k = j - i

Los parámetros resultantes son los efectos diagonales residuales o efectos

cohorte. El análisis exploratorio implica un modelo donde i, j, k, representan
renglones (edades), columnas (periodos) y diagonales (cohortes),
respectivamente.

Las α dan la forma por debajo de la curva de mortalidad sobre el periodo

entero y las β indican el nivel de la curva para el año j. La parte multiplicativa
muestra una evolución lenta en la forma de la curva a través del tiempo.
Finalmente, los efectos de la diagonal θk muestran el monto promedio de
“exceso en la mortalidad” para la cohorte k sobre el periodo de estudio.
Finalmente, el modelo se ajusta de acuerdo con el siguiente procedimiento
interactivo.
 Desestacionalización:

La desestacionalización está asociada a la idea de que una serie de tiempo

está constituida por componentes no observables, la idea de componentes
no observables parece haber surgido en el análisis económico en el siglo XIX

las causas que produzcan la estacionalidad de una serie se consideran

factores exógenos, de naturaleza no económica y que influyen en la variable
que se estudia, que oscurecen las características de la serie relacionadas
con aspectos meramente económicos. Con el ajuste estacional uno pretende
eliminar al máximo la fluctuación que oscurece el componente de tendencia
ciclo de la serie, así que no sólo se debe tratar de extraer el componente
estacional, sino de ser posible también, parte de la irregularidad que se
puede medir, a fin de observar mejor la tendencia-ciclo

Existen dos procedimientos generales para realizar el ajuste estacional de

una serie de tiempo, éstos son el método de regresión y el método de
promedios móviles. Los métodos de regresión se aplican por lo general bajo
el supuesto de que la estacionalidad, y en ocasiones también la tendencia,
pueden representarse de manera determinística mediante funciones del
tiempo. Para ello es común representar la tendencia con una curva
polinomial y la estacionalidad mediante funciones periódicas (combinaciones
de senos y cosenos) o variables artificiales. Los métodos de promedios
móviles presuponen que tanto la tendencia como la estacionalidad tienen
comportamientos dinámicos con el paso del tiempo y, por tanto, la estimación
de los componentes se realiza localmente, de forma que la tendencia en un
punto determinado del tiempo se estima como promedio de las
observaciones previas y futuras.

Si la desestacionalización es para realizar un análisis econométrico donde

aparece la serie ajustada, quizás lo más conveniente sea algún método de
regresión, ya que así las fluctuaciones estacionales podrían formar parte
explícita del modelo econométrico. Por otro lado, si el objetivo de la
desestacionalización es observar la tendencia de la serie, sin efectos
estacionales que la puedan oscurecer, o si se pretende desestacionalizar de
modo rutinario una gran cantidad de series, posiblemente los métodos más
adecuados sean los de promedios móviles, debido a que son relativamente
sencillos de aplicar y se dispone de paquetes de cómputo estadístico para
los cálculos. En la actualidad, existen diversos programas para
desestacionalizar series de tiempo basados en promedios móviles, entre los
de uso más frecuente por un gran número de países se encuentran el X11-
ARIMA de la Oficina de Estadística de Canadá (Statistics Canada)12/ y el
X12-ARIMA13/ del Bureau de Censos de EEUU, este último utiliza el método
X11 detallado en Shiskin, Young y Musgrave (1967) y Dagum (1988) para
efectuar la desestacionalización. Estos métodos suponen que la serie está
compuesta por los siguientes componentes no observables: Tendencia -
Ciclo, Estacional e Irregular. Enlazados a través de un modelo.

Los modelos más utilizados para descomponer una serie de tiempo son el
aditivo y el multiplicativo. El modelo menos utilizado es el modelo log-aditivo.

a) Modelo Aditivo

Xt = TCt + Et + It

Dónde:
Xt = serie original
TCt = componente tendencia-ciclo
Et = componente estacional
I t = componente irregular
 Este modelo asume que los componentes de la serie son
independientes, es decir, la amplitud de la estacionalidad es
independiente del nivel de la tendencia ciclo. Un aumento en el nivel
de la tendencia-ciclo no ocasiona un aumento en la amplitud
estacional. Los componentes están expresados en unidades. En este
caso la serie desestacionalizada se obtiene como:

XDt = Xt - Et = TCt + It
b) Modelo Multiplicativo

Xt = TCt * Et * It

Este modelo asume que los componentes están interrelacionados. Un

aumento en el nivel de la tendencia-ciclo ocasiona un aumento en la
amplitud estacional. Los componentes estacional e irregular están
expresados en porcentajes. En este modelo, la serie
desestacionalizada se obtiene como

XDt=Xt=TCt*1t
Et

La mayoría de las series de tiempo económicas siguen un modelo

multiplicativo. En los casos en que la serie presenta valores negativos
o ceros, el único modelo aplicable es el aditivo.

c) Modelo Log-Aditivo

Log(Xt ) = TCt + Et + It

En este modelo la serie desestacionalizada se obtiene como:

XDt=exp(TCt+1t)

Aplicación ilustrativa de la desestacionalización

En esta sección presentamos los diferentes pasos que podrían
seguirse para identificar si una serie es estacional, para encontrar los
componentes de la serie y para efectuar la desestacionalización. El
procedimiento que se va a utilizar para desestacionalizar la serie es el
de razón a promedios móviles. No está de más señalar que en todo
momento suponemos que la serie tiene cuatro componentes:
tendencia-ciclo (que no se pueden separar), estacional e irregular.

Presentación del método de razón a promedios móviles

Una vez detectado si una serie presenta estacionalidad se procede a

encontrar los factores estacionales mediante el método de razón a
promedios móviles.
Sea xt la serie original, los pasos para obtener los componentes de la
serie son:

Paso 1. Para obtener el componente tendencia-ciclo (TC t ) efectuamos

un promedio móvil centrado de 12 términos mediante la siguiente
fórmula:

Paso 2. Para obtener el componente estacional-irregular (SI t )

dividimos los valores de la serie original entre los valores del
componente tendencia-ciclo hallados en el paso anterior.
Paso 3. Para obtener el componente estacional (S t ), efectuar un
promedio móvil de tres términos utilizando los valores de SI t para cada
mes por separado a través de los años.

Paso 4. El componente irregular (I t )lo obtenemos dividiendo los

valores de SIt con respecto a St .

Paso 5. Finalmente, la serie desestacionalizada se obtiene dividiendo

los valores de la serie original entre los valores del componente
estacional.
 Aplicación a la serie PBI

Regresión lineal simple:

Modelo matemático de línea recta para describir las relaciones funcionales

entre las variables dependiente e independiente por medio de una ecuación
lineal.

Ecuación de la recta es: y = a + bx

y= Variable Dependiente

a= Ordenada con el eje y

b= Pendiente de la recta de regresión

x= Variable independiente

a= y−b x

∑xy −n xy
b=
∑2
2
x −n x

x= Valores conocidos de la variable independiente

y= Valores conocidos de la variable dependiente

x = Promedio del valor de las x

y = Promedio del valor de las y

n=¿ Número de datos puntuales u observaciones

Cálculo de Coeficientes

Ajustar los siguientes datos a una línea recta:

 X Y XY x
2

1 2 2 1
2 3 6 4
2 4 8 4
3 4 12 9
4 4 16 16
4 6 24 16
5 5 25 25
6 7 42 36
27 35 135 111

m=n ∑ xⅈyⅈ−∑ x ⅈ∑ y ⅈ 8 ( 135 )−( 27 )( 35 ) 45

= = =0.849
n ∑ x 2i −( ∑ x i )2 8 ( 111 )−( 27 )
2
53

b= y−m x=¿
8 53 8 ( )
35 45 27 80
− = =1,509
53

Conclusión

X 1 2 2 3 4 4 5 6
Y 2 3 4 4 4 6 5 7

m=n ∑ xⅈyⅈ−∑ x ⅈ∑ y ⅈ
2 2 = 0,8491
n ∑ x i −( ∑ x i )

b= y−m x=¿ 1,5094

 Y= 0,8491 (6) + 1,5094 = 6.604

Estudios de casos:

Estudio de caso de Gabriel Mota

El observatorio venezolano de finanzas está realizando los pronósticos del

PIB per cápita de Venezuela para el año 2023, en base a los datos de la
evolución del PIB per cápita de Venezuela desde el año 2009 hasta el año
2022

a) seleccione una variable determinada durante un periodo de tiempo

b) graficar la variable seleccionada

c) aplicar el análisis de serie de tiempo a la variable correspondiente

d) aplicar el método de regresión lineal a la serie de tiempo seleccionada y

pronosticar el valor de la variable

Datos:

Evolución del PIB per cápita de Venezuela entre los años 2009 y 2022

Años(T PIB per cápita($)

)
2009 9.557,55
2010 11.158,18
2011 12.180.03
2012 11.993,39
2013 8.695,04
2014 6.747,63
2015 10.568,10
2016 9.092,02
2017 4.725,05
2018 3.404,43
2019 2.299,31
2020 1.690,66
2021 1627,35
 2022 1.617,76

Evolución del PIB per cápita de Venezuela, 2009-2022

14000

12000

10000

8000
2009 2010 2011
9.557,55 11.158,18
6000 12.180.03

4000

2000

0
1 2 3 4 5 6 7 8 9 10 11

Como se puede ver en el presente gráfico, la evolución del PIB per cápita
venezolano presenta una tendencia estacional en su serie de tiempo, porque
presenta una progresión brusca y repentina, sobre todo entre 2009 y 2015
que vario entre los 9.557,55 $ en 2009 y los 10.568,10 $ en 2015

Se procede al calculo de la tendencia:

Usando la ecuación y=a+bt

Se procede al método de suavizamiento por medio del promedio móvil,

usando los 3 datos más recientes
N= número total de datos

n=número de datos analizados

T PIB(Y) $ PM Error=Y-PM Error^2

2009 9.557,55
2010 11.158,18
2011 12.180,03
2012 11.993,39 10965,25 1.028,14 1.057.065,01
2013 8.695,04 11777,20 -3.082,16 9.499.710,27
2014 6.747,67 10956,15 -4.208,48 17.711.331,97
2015 10.568,10 9145,37 1.422,73 2.024.170,14
2016 9.092,02 8670,27 421,75 177.873,06
2017 4.725,05 8802,60 -4.077,55 16.626.386,82
2018 3.404,43 8128,39 -4.723,96 22.315.798,08
2019 2.299,31 5740,50 -3.441,19 11.841.788,62
2020 1.690,66 3476,26 -1.785,60 3.188.379,26
2021 1.627,35 2464,80 -837,45 701.322,50
2022 1.617,35 1872,44 -255,09 65.070,91
84.197.611,10
2023 2

Para 2012, por ejemplo, se toman los 3 valores más recientes

(2009,2010,2011) y se promedian de la siguiente forma: se suman los 3
valores más recientes, en este caso, los del PIB de 2009, 2010 y 2011, se
suman y su resultado se divide entre 3, para obtener el promedio móvil:

Promedio móvil de 2012:

9.557,55+ 11.158,18+ 12.180,03=32.895,76÷ 3=10695,25

Promedio móvil de 2013:

11.158,18+ 12.180,03+11.993,39=35.331,67÷ 3=11.777,22

Promedio móvil de 2014:

12.180,03+11.993,39+8.695,04= 32.868,46÷ 3=10.956,15

Promedio móvil de 2015:

11.993,39+8.695,04+6.747,67=27.436,1÷ 3= 9.145,37

Promedio móvil de 2016:

8.695,04+6.747,67+10.568,10=26.010,81÷ 3=8.670,27

Promedio móvil de 2017:

6.747,67+10.568,10+9.092.02=26.407,76÷ 3=8802,60

Promedio móvil de 2018:

10.568,10+9.092.02+4.725,05=24.385,17÷ 3=8.128,39

Promedio móvil de 2019:

9.092.02+4.725,05+3.404,43=17.221,5÷ 3=5.740,50

Promedio móvil de 2020:

4.725,05+3.404,43+2.299,31=10.428,79÷ 3=3.476,26

Promedio móvil de 2021:

3.404,43+2.299,31+1690,66=7394,4÷ 3=2.464,80

Promedio móvil de 2022

2.299,31+1690,66+1.627,35=5.617,32÷ 3=1.872,44

Para calcular el error se realiza con la diferencia entre el valor real del PIB y
el valor estimado (PM)

11.993,39−¿ 10.695,25= 1.028,14

8.695,04 −¿11.777,22= −¿ 3.082,16

6.747,67 −¿ 10.695,15= −¿ 4.208,48

10.568,10−¿ 9.145,37= 1.422,73

9092,02−¿8.670,27= 421,75
4.725,05−¿8.802,60= −¿ 4.077,55

3.404,43−¿8.128,39= −¿ 4.723,96

2.299,31−¿ 5.740,50=−¿ 3.441,19

1.690,66 – 3.476,26= −¿ 1.785,60

1.627,35 −¿2.624,80= −¿837,45

1.617,35 −¿1.872,44= −¿255,09

Para calcular el error al cuadrado se realiza la operación con el resultado del

error elevado al cuadrado.
2
1.028,14 =1.057 .065,01

−3.082,162=9.499.710,27
2
−4.208,48 =17.711.337,97

1.422,732=2.024 .170,14
2
421,75 =177.873,06

−4.077,552=16.626 .386,82
2
−4.723,96 =22.345 .798,08

−3.441,192=11.841 .788,62
2
−1.785,60 =3.188 .379,26

−837,452=701.322,50
2
−255,09 =65.070,91

La sumatoria total de los errores estimados al cuadrado da un resultado total

de 84.197.611,02, este resultado será dividido entre el número total de datos
(N), que en este caso son los 13 años de evolución del PIB, y el número de
datos actualizados (n), que en este caso son 3, y como el promedio móvil se
calcula en base a los 3 periodos previos, el cálculo se hace en base a la
siguiente formula:

( y− ^y )2
∑ N−n
Dónde:

∑ ❑ es la sumatoria
y es el valor del PIB

^y es el error al cuadrado

N es el número total de datos

n es e

l número de datos

84.197 .611,02
=¿ =8.419.761 , 102
13−3

En base a los cálculos se determinó que el error cuadrático medio de

8.419 .761,102 $ indica el ajuste de la serie de tiempos.

Se procede a calcular el inciso D, el cálculo de la regresión lineal a la serie

de tiempo.

En este caso se usan los siguientes valores:

y=valor estimado de la variable dependiente (PIB)

x= variable independiente (tiempo de análisis de la tendencia)

Entre 2010 y 2011 hay una relación positiva del PIB ese periodo, por lo cual
se elige una relación con el modelo de regresión lineal simple, y la ecuación
para esta regresión es:

^
y i=b 0 +bi x i

Dónde:
^
y i= valor estimado del PIB

b 0= intersección de la recta de regresión con el eje y

b i= pendiente de la recta de regresión

x i= tamaño de la población

Para que la recta de regresión lineal estimada tenga buen ajuste a los datos,
las diferencias entre los valores observados y los valores estimados deben
ser pequeños, los valores de b 0 y b i se obtienen aplicando el método de
mínimos cuadrados usando los datos de la muestra para minimizar las
diferencias entre los valores de la variable dependiente ( y i) y los valores
estimados de la variable dependiente ( y i) con la siguiente formula:

Min ∑ ( y i−^
2
yi )

Dónde:

y i=valor observado de la variable dependiente en la observación

^
y i= valor estimado de la variable dependiente en la observación

Así mismo se usa la fórmula de la pendiente e intersección con el eje y de la

ecuación de regresión estimada:

∑ ( x i−x ) . ( yi − y )
∑ ( x i− x ) 2
b 0= y−bi . x . x

Dónde:

x i es el valor de la variable independiente en la observación

y i es la variable dependiente en la observación

x es la media de la variable independiente

y es la media de la variable dependiente

se procede a la estructuración de la tabla de datos:

 2
Xi  PIB ( y i )   X i −x y i− y  ( x i−x ) . ( y i − y )  ( x i−x )
2009 9.557,55 -65 2.746,37 -178.514,05 4.225
11.158,1
2010 8 -55 4.347,00 -239.085,00 3.025
12.180,0
2011 3 -45 5.368,85 -241.598,25 2.025
11.993,3
2012 9 -35 5.182,16 -481.375,60 1.225
2013 8.695,04 -25 1.883,86 -47.375,60 625
2014 6.747,67 -15 -63,51 952,65 225
10.568,1
2015 0 -0,5 3.756,92 -1.878,46 0,25
2016 9.092,02 0,5 2.280,84 1.140,42 0,25
2017 4.725,05 1,5 -2.086,13 -3129,19 2,25
2018 3.404,43 2,5 -3.406,87 -8.517,18 6,25
2019 2.299,31 3,5 -4.511,87 -15.791,55 12,25
2020 1.690,66 4,5 -5.120,52 -23.042,34 20,25
2021 1.627,35 5,5 -5.183,83 -28.346,07 30,25
2022 1.617,35 6,5 -5.193,42 -33.757,23 42,25
28.217 -216 -1.269.503,05 11.464

Se calcula la media de la variable independiente sumando los valores de los

datos y se dividen entre el número total de datos:

28.217
x=
14

x=2.015,5

Se procede a hacer la diferencia entre valor de la variable independiente con

la media de la variable:

2009-2015,5= -6,5
2010-2015,5= -5,5

se procede a calcular la intersección de la recta con el eje y la pendiente de

la recta:

−1.269 .503,05
b i= =−110.738
11.464

b 0=6.811,18− (−110,74 ) x 2.015,5

b 0=230.007,62

Por ende la ecuación de regresión estimada queda así:

^y i=8.460,52−0,52 x i

Pronostico para el año 2023

^y i=8.460,52−0,52(2023)

^y i=7.408,56 $

El pronóstico de la evolución del PIB per cápita venezolano para el año 2023
es de 7.408, 56 $

Conclusiones:

La serie de tiempo es una herramienta valiosa a la hora de predecir

eventualidades y su comportamiento en el tiempo siendo útil para las áreas
que futuros administradores van a abarcar, ya que se puede utilizar en
cuestiones de economía externa como interna ayudándonos a analizar
situaciones, sacar conclusiones para de ahí en adelante estructurar y planear
acciones que ayuden a mejorar o estabilizar estas situaciones.

Las series de tiempo ayudan a describir, explicar, predecir y controlar

aquellos procesos que de alguna manera se presentan en el tiempo, si bien
hay que recordar que la observación se da de manera ordenada en el tiempo
por lo que su aplicación se refleja de manera concreta en diferentes áreas
científicas y sociales ayudando a pronosticar eventos futuros o a tomar
decisiones importantes de diferentes tipos

Todo administrador debe estar familiarizado con las series de tiempo más
que todo en economía más porque es el área donde más cuidado se tiene a
la hora de estudiar e interpretar estas series de tiempo por lo que hay que
tener en cuenta sus componentes y sus variables.

Referencias bibliográficas:

https://www.youtube.com/watch?v=n4KXgGQVCjI
Montemayor Gallegos, Jorge Enrique, métodos de pronósticos para
negocios, ciudad de mexico, 2012

https://www.redalyc.org/pdf/112/11239488002.pdf

http://revistas.bancomext.gob.mx/rce/magazines/264/7/rce7.pdf

https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/
Lib0514/Libro.pdf