Universidad de Oriente

Núcleo de Nueva Esparta

Escuela de Hotelería y Turismo
Coordinación de Contaduría Pública
Cátedra: Estadística II

Series Cronológicas o Series de Tiempo

AUTORES:

Colmenares, Roselin

Manrufo, Génesis

Valdés S., Ana M.

Guatamare, Julio de 2014

 INTRODUCCIÓN

Los lineamientos para poder desarrollar pronósticos se basan en la

recolección de datos anteriores durante varios periodos, ya sean semanales,
mensuales, trimestrales o anuales. El conjunto del resultado de estos datos
se le denomina serie de tiempo o serie temporal, porque no es más que la
recolección de datos para alguna variable durante el tiempo.

El Análisis de la serie de tiempo, temporal o cronológica se usa para

estudiar la relación causal entre diversas variables que cambian con el
tiempo y se influye entre sí. Desde el punto de vista probabilístico una serie
temporal es una secesión de variables aleatorias indexadas según parámetro
creciente con el tiempo. Y para poder obtener resultados de ese análisis de
serie de tiempo debemos tener en cuenta los diferentes comportamientos de
las series de tiempo, los cuales son cuatro componentes: La tendencia, la
variación cíclica, la variación estacional y la variación irregular. En donde la
tendencia es a largo plazo sin alteraciones de una serie de tiempo. La cíclica,
es aquella que a través del periodo de tiempo analizado se producen
ascensos y descensos en varias oportunidades. La estacional, es la que
tiene como característica de variación regular dentro de un año y que a su
vez se repite cada año y por último la irregular, la cual es la que adiciona las
características anteriores pero además tiene comportamientos extraños
imprevisibles que se dan generalmente en el corto plazo.

Muchas series temporales tienen una tendencia creciente (por

ejemplo, el número de teléfonos celulares y equipos electrónicos en uso en
Venezuela durante los últimos 15 años) o decreciente (por ejemplo, la
producción en Venezuela durante los últimos 15 años), otras no tienen
tendencia (la luminosidad a horas sucesivas, que varía cíclicamente a lo
largo de las 24 horas del día) y son estacionarias.

2
 El análisis de series de tiempo desempeña un papel importante en
análisis requerido para el pronóstico de eventos futuros, basándonos en
datos históricos.

Existen varios modelos o métodos de calcular cual va a ser la

tendencia del comportamiento del proceso de la serie de tiempo, entre estos
están; el método de línea, exponencial y el de la parábola o de segundo
grado.

Para poder pronosticar cuál es el comportamiento futuro de una

variable en función a estas características de comportamiento, es necesario
poder representarlo matemáticamente a través de las Técnicas de
Suavizamiento, las cuales son (Promedios Móviles y Suavizamiento
Exponencial), debido a que su objetivo es suavizar la variación causada en el
comportamiento irregular de la serie de tiempo.

3
 INDICE

Pág
.

INTRODUCCIÓN

1.- DEFINICIÓNES DE SERIES CRONOLOGICAS DE TIEMPO

Definiciones.…………………………………………..………………6 - 8
Gráficos…………………………………………….………….……..…… 7

2.- DEFINICIONES DE ANALISIS DE LA SERIE DE TIEMPO

Definiciones……………………………………………..………………8 - 10

Tabla 15.1………………………………………........................................ 9

2.1. - Propósitos de la Serie de Tiempo……………………….……. 10

2.2.- ¿En qué Consiste la Serie de Tiempo?………………….….…11

2.3- Objetivos de la Serie de Tiempo…………………………………11

2.4.- Finalidad de la Serie de Tiempo………………………………..11

3.- COMPONENTES DE LA SERIE DE TIEMPO……………………….12-23

Tendencia

Variación Estacional

Variación o Fluctuación Cíclica

Variación Irregular o Aleatoria

Análisis de Tendencia

4.- MODELOS DE LA SERIE DE TIEMPO………………………………..23-25

4
 Modelo Lineal
Modelo Exponencial
Modelo Cuadrático

5. - TÉCNICAS DE SUAVIZAMIENTO DE UNA SERIE CRONOLOGICAS

Promedios Móviles…………………………………………………..26-34

Tabla 13.2
Tabla 13.3

Suavizado Exponencial

6. – ERROR DE ESTIMACIÓN DE LA SERIE DE TIEMPO…………....35-36

Tabla 13.4
Tabla 13.5

7. – EJERCICIOS O EJEMPLOS…………………………………………37-41

CONCLUSIÓN

REFERENCIAS BIBLIOGRAFICAS

5
 1. Definiciones de Series Cronológicas o Series de Tiempo:

Define serie de tiempo (Webster, Allen L., 2000, pág. 413) como; “Una
recolección de datos para alguna variable o conjunto de variables durante
varios periodos”.

Expresan Levin, Richard I., Rubin David S. (1.996 P.853) el término “serie
temporal para referirse a cualquier grupo de información estadística que se
acumula a cualquier tipo de intervalos regulares”.

Mark L. Berenson, David M. Levine (1996, p.859) señalan que:

Series de tiempo, es un conjunto de datos numéricos que se obtienen en

periodos regulares a través del tiempo. Por ejemplo, los precios del cierre
diarios de un tipo particular de acciones de la bolsa de valores de nueva york
constituyen unas series de tiempo. Otro ejemplo de serie de tiempo en
economía o en los negocios es la publicación mensual del índice de precios
al consumidor; el estado trimestral del producto nacional bruto (PNB); y los
ingresos locales en ventas registrados anualmente correspondiente a una
empresa en particular.

(Kasmier, Leonard J., 1998, pág. 313) Define serie de tiempo:

Una serie de tiempo es un conjunto de valores observados, como datos de

producción o ventas, durante una serie de periodos temporales
secuencialmente ordenada. Ejemplo de estos datos son las ventas de un
producto en particular durante una serie de meses y el número de
trabajadores empleados en una industria en particular durante una serie de
años. Una serie de tiempo se representa gráficamente por medio de una
grafica de líneas, sobre cuyo eje horizontal se representan los periodos y en
cuyo eje vertical se representan los valores de las series de tiempo.

Ejemplo: La figura 16.1 es una grafica de líneas que describe las ventas
anuales en dólares de una compañía (ficticia) fabricante de software para
gráficos constituida en 1990. Como puede observarse, en 1995 se alcanzo
una cumbre en ventas anuales, seguida por dos años de descenso en las
ventas que culminaron en el valle de 1997, seguido a su vez por crecientes
niveles de ventas durante los últimos tres años de los valores de la serie de
tiempos reportados.

6
 Ventas Anuales (en miles de pesos)

Año Codificado Ventas en Miles

Año (X) (Y) XY X2
1990 0 0,2 0,0 0
1991 1 0,4 0,4 1
1992 2 0,5 1,0 4
1993 3 0,9 2,7 9
1994 4 1,1 4,4 16
1995 5 1,5 7,5 25
1996 6 1,3 7,8 36
1997 7 1,1 7,7 49
1998 8 1,7 13,6 64
1999 9 1,9 17,1 81
2000 10 2,3 23,0 100
Totales 55 12,9 85,2 385

Grafico 16.1 Ventas Miles Peso

Serie 1
2.4

1.9

1.4

Serie 1
0.9

0.4

-0.1
1990 1995 2000

7
(Vásquez, Deyanira), Define;

Serie de Tiempo: conjunto de observaciones respecto a una variable, hechas

en momentos equidistantes en el tiempo. Secuencia de observaciones sobre
una variable, cada una asociada a un instante particular del tiempo, es decir,
sucesión de observaciones tomadas en intervalos de tiempo regulares.

En donde;

Si T = Z → Serie Discreta

Si T = R → Serie Continua

Llamamos serie de tiempo a un conjunto de mediciones de cierto fenómeno

o experimento registrados secuencialmente en el tiempo. Estas
observaciones serian denotadas por:

* ( ) ( ) ( )+ * ( ) + con X (Ti) el valor de la variable X en el

instante (Ti). Si T = Z se dice que la serie de tiempo es discreta y Si T = R se
dice que la serie de tiempo es continua. Cuando Ti + 1 – Ti = K para todo i =
1,… n – 1, se dice que la serie es equiespaciada, es caso contrario sería no
equiespaciada.

2. Definiciones del Análisis de Serie de Tiempo:

Definen Análisis de series temporales Berenson, David M. Levine (1996,

p.859) como la, “suposición básica que subyace en los factores que han
ocasionado patrones de actividad en el pasado y en el presente continuaran
haciéndolo más o menos de la misma forma en el futuro”.

Define Análisis de serie de tiempo (Vásquez, Deyanira), como “un

conjunto de valores observados, expresados como datos de producción o
ventas durante una serie de periodos temporales secuencialmente
ordenados. Las series de tiempo estudian la variación de los fenómenos que
se presentan a través del tiempo”.

(Kasmier, Leonard J., 1998) Señala:

El análisis de la serie de tiempo es “el procedimiento por el cual se identifican

y aíslan los factores relacionados con el tiempo que influyen en los valores

8
 observados en las series de tiempo. Una vez identificados, estos factores
pueden contribuir a la interpretación de los valores históricos de series de
tiempo y a pronosticar valores futuros de series de tiempo.

Levin, Richard I., Rubin David S. (1.996 p.852-853) Señalan que:

El análisis de series temporales es un método cuantitativo que utilizamos

para determinar patrones en los datos recolectados a través del tiempo” La
tabla 15-1 es un ejemplo de datos de serie temporal.

El análisis de series temporales se utiliza para detectar patrones de cambio

en la información estadística durante intervalos regulares de tiempo.
Proyectamos estos patrones para obtener una estimación para el futuro. En
consecuencia, el análisis de series temporales nos ayuda a tener una visión
con incertidumbre acerca del futuro.

Tabla 15-1

Serie Temporal para el número de naves cargadas en Morehead, Carolina

del Norte

Año 1985 1986 1987 1988 1989 1990 1991 1992

Número 98 105 116 119 135 156 177 208

Lind, D Mason, R. – Marchal, definen que el Análisis de Serie de Tiempo es:

El conjunto de valores observados expresados como datos de producción o

ventas durante una serie de periodos temporales secuencialmente
ponderados. La serie cronológicas o series de tiempo son aquellas que
estudian las variaciones de los fenómenos que se presentan a través del
tiempo.

Aplicaciones del análisis de la serie de tiempo:

 El producto nacional bruto anual de un determinado país.

 Los índices de precios al consumidor de un país en un determinado
año.
 Las ventas generadas en una empresa por la producción mensual de
un determinado artículo.
 El número de estudiantes inscritos en un semestre determinado en
una universidad.
 El número de trabajadores empleados en una empresa en los últimos
años entre otros.

Los intervalos de tiempo de las series cronológicas se pueden expresar en

años, semestres, cuatrimestres, trimestre, bimestre, meses, semanas o
cualquier unidad temporal.

9
 Una serie de tiempo se representa gráficamente a través de una grafica de
líneas sobre el cuyo eje de las abscisas o eje horizontal se representa los
periodos de tiempo y en el eje de las ordenadas o eje vertical se representan
los valores reales, índices o frecuencias de la serie de tiempo estudiada.

Lind, D Mason, R. Marchal p. 559. Define lo siguiente:

Análisis de serie de tiempo: es el conjunto de valores observados
expresados como datos de producción o ventas durante una serie de
periodos temporales secuencialmente ponderados. La serie cronológicas o
series de tiempo son aquellas que estudian las variaciones de los fenómenos
que se presentan a través del tiempo.

2.1. Propósitos del Análisis de la Serie de Tiempo:

(Webster, Allen L., 2000) Señala que:

El Propósito del análisis de las serie de tiempo es predecir o proyectar los

valores futuros de la variable a partir de observaciones anteriores. Un
método directo es el método intuitivo o de proyección, el cual presume que el
mejor predictor del valor de la variable en el siguiente periodo es su valor en
el periodo corriente, En su forma más simple puede expresarse como:

Modelo de Proyección Intuitivo:

En donde Ý t+1 es el estimado del valor de la serie de tiempo en el siguiente

período t + a, y Yt es el valor real en el periodo corriente t. Este método se
utiliza con frecuencia con los datos que presentan una caminata aleatoria.
Los movimientos de caminata aleatoria no presentan tendencia ascendente
o descendente y cambian de dirección súbitamente. Tales movimientos son
análogos a un paseo nocturno a ningún sitio en especial. Cuando llega a una
intersección, decide aleatoriamente, quizá lanzando una moneda, qué
camino tomar. Tal aleatoriedad no puede predecirse, y lo mejor que se
puede hacer es utilizar la observación mas reciente como predicción para el
siguiente valor. Este método de pronóstico es más exitoso para los datos
que se recogen para intervalos cortos de tiempo, tales como los diarios o los
semanales. Sin embargo, la mayoría de las series de tiempo son más
complejas.

2.2. En qué Consiste el Análisis de la Serie de Tiempo:

Para Lind, D Mason, R. y Marchal el análisis de la serie de tiempo

“consiste en predecir, controlar o proyectar los valores futuros de la variable
estudiada de a partir de datos anteriores con la finalidad de contribuir a la

10
toma de decisiones de acuerdo con la aplicación de un procedimiento
estadístico determinado”.

2.3. Objetivos del Análisis de la Serie de Tiempo:

Para los autores Mark L. Berenson, David M. Levine (1996, p.859) Los
objetivos principales de análisis de serie temporales “consisten en identificar
y aislar tales factores de influencia con propósitos de hacer predicciones
(pronósticos) así como para efectuar una planeación y control administrativo”.

2.4. Finalidad del Análisis de la Serie de Tiempo:

¿Para qué utilizar Serie de Tiempo?

 Describir el comportamiento de la serie.

 Investigar el mecanismo generador de la serie.
 Construir modelos para explicar la estructura y predecir el comportamiento
futuro de la variable.

Predicción (Pronostico)

Datos precisos

Predicción Confiable
Adecuada Técnica

de predicción.

Extraer mayor información

Selección de la Técnica de Pronóstico

Porque Datos

Quien Técnicas de Pronóstico Horizonte

Precisión Costo

11
3. Componentes de la Serie de Tiempo:

Mark L. Berenson, David M. Levine (1996, p.859) señalan que:

Hasta este momento existen 3 o 4 factores componentes respectivamente,

que influyen en una serie de tiempo económica o de negocios. Este modelo
establece que cualquier valor observado en una serie de tiempo es el
producto de los factores de influencia: esto es, cuando lo datos se obtienen
anualmente, una observación Yi registrada en el año i puede expresarse
como Yi=Ti.Ci.Ii.

Los componentes son:

 Tendencia, general o persistente, patrón de movimiento hacia

arriba o hacia debajo de largo plazo.
 Estacional, fluctuaciones periódicas bastantes regulares que
se presenta dentro de cada periodo de 12 meses, año tras
año.
 Cíclico, oscilaciones repetidas hacia arriba y hacia abajo o
movimientos que pasan por cuatro fases: desde un pico
(prosperidad) hasta una contraprestación (recesión), luego
hasta un valle (depresión) y finalmente hacia una expansión
de recuperación o crecimiento.
 Irregular, las fluctuaciones erráticas o residuales en una serie
de tiempo que existen después de tomar en cuenta los efectos
sistemáticos: tendencia, estacional y cíclico.

Por otro lado cuando los datos se obtienen de manera trimestral o mensual,
una observación Yi registrada en el periodo i puede estar dado como
Yi=Ti.Si.Ci.Ii en la que el periodo i, Ti, Ci e Ii son valores de los componentes
de tendencia, cíclico e irregular y Si es el valor del componente estacional.

(Webster, Allen L., 2000, págs. 414-414-416) Señala lo siguiente:

Todas las series de tiempo contienen por lo menos uno de los siguientes
cuatro componentes:

1. Tendencia Secular: El movimiento continúo en una variable durante un

periodo de tiempo extendido.
Ejemplo: El creciente número de autos vendidos en estados unidos, el
incremento en el volumen de las tarjetas de crédito durante los últimos
años, y el movimiento descendente en el número de personas que viven
en áreas rurales en las últimas dos décadas.

2. Variación Estacional: Movimientos en las series de tiempo que ocurren

de nuevo cada año por la misma época.
Ejemplo: Las ventas de ciertos bienes estacionarios como las motonieves
Honda, vestidos de baño Jantzen, y tarjetas de amor y amistad Hallmark,
probablemente presentarían un componente altamente estacional.

12
 Si la variación estacional no ocurre anualmente, los datos anuales
no capturaran o reflejaran tales cambios. Los datos deben reflejarse
trimestral, mensual o incluso semanalmente.

3. Variación Cíclica: Son variaciones como de onda en el nivel general de

la actividad comercial durante un periodo relativamente prolongado.
Estas variaciones abarcan periodos mucho más prolongados que
las variaciones estacionales, y con frecuencia incluyen tres o as
años de duración.
Ejemplo:
Un ciclo contiene cuatro fases:
Alza o expansión, durante la cual el nivel de actividad comercial se
acelera, el desempleo es bajo y la producción es rápida.
El pico, en el cual la tasa de actividad económica tiene “el punto más
alto”.
El descenso, o contracción, cuando el desempleo sube y la actividad
se merma.
La depresión, cuando la actividad está en su punto mínimo.

Un ciclo va desde una fase hasta la siguiente, varia por encima y por debajo
de la tendencia a largo plazo, de manera ondular. Tal como se ilustra en la
figura 13.3

Tabla 13.3

Ventas de Fábrica

Ventas Ventas Ventas Ventas

de de de de
Año Fábrica Año Fábrica Año Fábrica Año Fábrica
1975 6,6 1983 7,8 1991 7,4 1999
1976 8,6 1984 8,3 1992 7,7 2000
1977 9,1 1985 9,3 1993 7,8 2001
1978 9,5 1986 8,6 1994 8,4 2002
1979 9,0 1987 7,8 1995 8,3 2003
1980 7,1 1988 8,1 1996 8,4 2004
1981 6,8 1989 7,9 1997 8,8 2005
1982 6,2 1990 7,5 1998 8,1

13
 Gráfica

Ventas de Fábrica

10
9
8
7
6
5
Series1
4
3
2
1
0
1975 1980 1985 1990 1995 2000 2005

4. Variación Irregular o Aleatoria: Las series de tiempo también contienen

variaciones irregulares o aleatorias, producidas por sucesos inusuales,
que producen movimientos sin un patrón discernible, tales movimientos
son como las huellas y los copos de nieve, únicos y probablemente no
ocurrirán de nuevo de la misma manera. Pueden ser producidos por
eventos tales como guerras, inundaciones, terremotos, elecciones
políticas, o embargos de petróleo.

Levin, Richard I., Rubin David S. (1.996 p. 853-854) Hay cuatro tipos de
cambio o variación implicados en el análisis de series temporales, estos son:

1. Tendencia Secular: con el primer tipo de variación, tendencia secular, el

valor de la variable tiende a aumentar o disminuir en un periodo muy largo.
El incremento estable en los costos de la vida registrados en el índice de
precios al consumidor (IPC) es un ejemplo de tendencia secular. De un año
a otro, el costo de la vida varía bastante, pero si examinamos un periodo a
largo plazo, nos damos cuenta de que la tendencia es hacia un aumento
estable. En la figura 15-1 (a) se muestra una tendencia secular en una serie
temporal creciente que fluctúa.
2. Fluctuación cíclica: El segundo tipo de variación observado en una seria
temporal es la fluctuación cíclica. El ejemplo más común de fluctuación
cíclica es el ciclo de negocios. A través del tiempo, hay años en el ciclo de
negocios llega a un pico por encima de la línea de tendencia. en otros
tiempos, la actividad de los negocios parece caer, llegando a un punto bajo
la línea de tendencia. El tiempo que transcurre entre picos o puntos bajos es
de al menos un año, y puede llegar a durar hasta 15 o 20 años. En la figura
15-1(b) se ilustra un patrón típico de fluctuación cíclica por encima y por

14
 debajo de la línea de tendencia secular. Note que los movimientos cíclicos
no siguen ningún patrón regular, sino que se mueven de una forma un tanto
impredecible.
3. Variación Temporal: El tercer tipo de cambio en los datos de una serie
temporal es la variación temporal o estacional. Como cabria esperar por su
nombre, este tipo de variación implica patrones de cambio en el lapso de un
año que tiende a repetirse anualmente. Por ejemplo un medico puede
esperar un aumento sustantivo del número de casos de gripe cada invierno y
de afectados de tifoidea. En la figura 15-1 (c) observamos una variación
temporal. Note como alcanza un pico cada cuatro trimestre del año.
4. Variación irregular: La variación irregular es el cuarto tipo de cambio que se
da en el análisis de las series temporales. En muchas situaciones, el valor de
una variable puede ser completamente impredecibles, es decir, cambia de
manera aleatoria. Las variaciones irregulares describen tales movimientos.
Los efectos del conflicto en el Medio Oriente en 1973, la situación de Irán en
1979-1981, el colapso de la OPEP en 1986 y la situación de Irak en 1900
sobre los precios de la gasolina en Estados Unidos son ejemplos de
variación irregular. En la figura 15-1(d) ilustramos la variación irregular.

(Kasmier, Leonard J., 1998, págs. 313-314) Señalan:

El método clásico para el análisis de series de tiempo identifica cuatro de
estas influencias o componentes:

1. Tendencia (T): El movimiento general a largo plazo de los valores de

la serie de tiempo (Y) sobre un extenso periodo de años.
2. Fluctuaciones Cíclicas (C): Movimientos ascendentes y descendentes
recurrentes respecto de la tendencia con una duración de varios
años.
3. Variaciones Estacionales (E): Movimientos ascendentes y
descendentes respecto a la tendencia que se consuman en el término
de un año y se repiten anualmente. Estas variaciones suelen
identificarse con base en datos mensuales o trimestrales.
4. Variaciones Irregulares (I): Las variaciones erráticas respecto de la
tendencia que no puedan atribuirse a las influencias cíclicas o
estacionales.

El modelo en que se apoya el análisis clásico de series de tiempo se basa

en el supuesto de que, para cualquier periodo designado en la serie de
tiempo, el valor de la variable está determinado por los cuatro componentes
anteriormente definidos y de que, además, los componentes tienen una
relación multiplicativa. Así, donde Y representa el valor de serie de tiempo
observado,

Y=TXCXEX1

15
Lind, Macon Marshall, 1998, p. 569 plantea lo Siguiente:
Análisis de series cronológicas:

Consiste en predecir, controlar o proyectar los valores futuros de la variable

estudiada de a partir de datos anteriores con la finalidad de contribuir a la
toma de decisiones de acuerdo con la aplicación de un procedimiento
estadístico determinado.

Todas las series de tiempo contienen por lo menos uno de los siguientes
cuatros componentes.

1. Tendencia secular “T”

2. Variacion estacional “E”
3. Variación cíclica ”C”
4. Variacion irregular o aleatoria “I”

Tendencia secular “T”: Es el movimiento generalizado a largo plazo de los

valores de la serie de tiempo “Y” sobre un extenso período de años “X”.

EJEMPLO: La tendencia presentada en la producción de un determinado

articulo en una industria durante la última década.

Variación estacional “E”: son los movimientos ascendentes y descendente

respecto a la tendencia que se consume en el término de un año y se repite
anualmente, es decir son los movimientos que se presentan en la serie de
tiempos y ocurre de nuevo cada año generalmente en la misma época.

EJEMPLO: las ventas generadas en los grandes centros comerciales con

motivos de, épocas decembrina, temporada vacacional, días de paros entre
otros.

Variaciones cíclicas “C”: son los movimientos ascendentes y descendentes

recurrentes respecto a la tendencia de varios años, estas variaciones
abarcan periodos más prolongados que las variaciones estacionales y con
frecuencias incluye de tres o más años de duración.

Un ciclo contiene cuatro fases:

Las cuales son:

A) alza o expansión; esta fase se presenta en una empresa cuando el

nivel de actividad económica o comercial se desarrolla en forma
acelerada, el desempleo disminuye y la producción es rápida.
B) Pico o cumbre; esta fase se presenta cuando el nivel de actividad
económica de una empresa alcanza su punto más alto (punto
máximo).
C) Descenso o contracción; esta fase se presenta cuando el desempleo
aumenta y la actividad económica de una empresa disminuye.

16
 D) Depresión o valle; esta fase se presenta cuando la actividad
económica o comercial de una empresa se encuentra en su punto
más bajo (punto mínimo).

Variación irregular: son las variaciones erráticas respecto a la

tendencia que no puede ser atribuidas a influencias cíclicas o
estacionales, es decir son movimientos producidos en las series de
tiempos con sucesos inusuales o inesperados los cuales se originan
por movimientos sin ningún patrón cronológico.

EJEMPLO: irregularidades que se presentan en las empresas por

causas de; fenómenos naturales (terremotos, tsunamis,
inundaciones), conflictos bélicos (quejas), embargos a empresas
petroleras, el efecto que origina las elecciones políticas en
determinados países entre otros

(Kasmier, Leonard J., 1998, págs. 559- 560 - 561 - 562) Determina lo siguiente:

Dado que el análisis de tendencias se ocupa de la dirección a largo plazo del

movimiento en las series de tiempo, generalmente se realiza sobre la base
de datos anuales. Habitualmente deben emplearse datos correspondientes a
al menos 15 o 20 anos, a fin de que movimientos cíclicos con una duración
de varios anos no se consideren como indicativos de la tendencia global de
los valores de la serie de tiempo.

El método de mínimos cuadrados es la base de uso más frecuente para la

identificación del componente de tendencia de las series de tiempo, por
medio de la determinación de la ecuación para la línea de tendencia con el
mejor ajuste. 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 aleatoria, sino una serie de valores históricos. Además,
solo puede haber un valor histórico (no una distribución de valores) para un
periodo dado, y es probable que los valores asociados con periodos
contiguos sean dependiente, no independiente. No obstante, el método de
mínimos cuadrados es una base adecuada para la determinación del
componente de tendencia de una serie de tiempo. Cuando un incremento o
decremento a largo plazo parecen seguir una tendencia lineal, la ecuación
para los valores de la línea de tendencia, en la que X representa el año, es

Como se explico en la en la sección 14.3, la bo en (16.2) representa el punto

de intercesión de la línea de tendencia con el eje Y, mientras que b1
representa la pendiente de la línea de tendencia. Siendo X el año y el Y el

17
valor de la serie de tiempo observado, las formulas para determinar los
valores de bo y b1 para la ecuación d tendencia lineal son

∑ ̅̅
∑ ̅̅̅̅

̅ ̅

En el caso de tendencias no lineales, los dos tipos de curvas de tendencia de

uso más frecuente son la curva de tendencia exponencial y la curva de
tendencia parabólica. Una curva de tendencia exponencial común es aquella
que refleja una tasa constante de crecimiento durante un periodo de años,
como la que podría aplicarse a las ventas de computadoras personales
durante la década de los ochenta.

En muchas series de tiempo de ventas de un producto en particular es

posible observar tres etapas: una etapa introductoria de lento crecimiento de
ventas, una etapa intermedia de rápidos incrementos de ventas y una etapa
final de lento crecimiento una vez alcanzada la saturación del mercado. En el
caso de ciertos productos, como el acero estructural, estas tres etapas
pueden abarcar en conjunto muchos años. En el de otros, como los radios de
banda civil, la etapa de saturación puede alcanzarse relativamente rápido.
Una curva de tendencia en particular que incluye las tres etapas
mencionadas es la curva de Gompertz, en forma de S. Una ecuación para
ajustar la curva de tendencia de Gompertz es:

Los valores de bo, b1 y b2 se determinan obteniendo primero el logaritmo de

ambos lados de la ecuación, de este modo:

Finalmente, los valores para formar la curva de tendencia se calculan

obteniendo el antilogaritmo de los valores calculados en la formula (16.8).

18
 Grafica 16.8

Serie 1
2.4
YT
2

1.6

1.2
Serie 1

0.8

0.4

0
1990 1995 2000

Análisis de variaciones cíclicas: Los valores de series de tiempos anuales

representan los efectos de únicamente los exponentes de tendencias y
cíclicos, porque los componentes estacional e irregular se definen como
influencias a corto plazo. En consecuencias, para datos anuales el
componentes cíclico puede identificarse como el componente que persistirá
en los datos luego de eliminada la influencia del componente de tendencia.
Esta eliminación se realiza dividiendo cada uno de los valores observados
entre el valor de tendencia asociado, de la siguiente manera:

La influencia del componente estacional sobre valores de series de tiempo

se identifica determinando el número índice estacional asociado con cada
mes (o trimestres) del año. La media aritmética de los 12 números índice
mensuales (o de los cuatro números índice trimestrales) es 100. La
identificación de influencias estacionales positivas o negativas es importante
para la planeación de producción e inventarios.

Ejemplo 2. Un número índice de 110 asociados con un mes dado indica que
los valores de la serie de tiempo para ese mes han promediado un 10% más
que para otros meses a causa de algún factor estacional positivo. Por

19
ejemplo, las ventas unitarias de rasuradoras para hombres podrían ser 10%
más altas en junio en comparación con otros meses con motivo del día de
Padre.

El procedimiento de uso más frecuente para determinar números índice

estacionales es el método del cociente del promedio móvil. De acuerdo con
este método, lo primero en determinarse es el cociente de cada valor
mensual en relación con el promedio móvil centrado en ese mes. Puesto que
u n promedio móvil basado en datos mensuales (o trimestrales) de un año
entero promediaría las fluctuaciones estacionales e irregulares, mas no las
influencias de tendencias y cíclicas a largo plazo, el cociente de un valor
mensual (o trimestral) en relación con un promedio móvil puede
representarse simbólicamente como

El segundo paso del método del cociente del promedio móvil es promediar el
componente irregular. Esto se realiza por lo general enlistando los diversos
cocientes aplicables al mismo mes (o trimestres) de varios años, eliminando
los valores más altos y más bajos y calculando la media de los cocientes
restantes. La media resultante se llama media modificada, a causa de la
eliminación de los dos valores extremos.

El último paso del método del cociente del promedio móvil es ajustar los
cocientes medios modificados con un factor de corrección tal que la suma de
los 12 cocientes mensuales sea de 1200 (o de 400 en el caso de cuatro
cocientes trimestrales).

Aplicación de ajustes estacionales:

Una aplicación frecuente de índices estacionales es la de ajustar datos de

series de tiempo observados para eliminar la influencia del componente
estacional en ellos. Estos datos ajustados se llaman datos con ajuste
estacional o datos desestacionalizados. Los ajustes estacionales son
particularmente pertinentes cuando se desea comparar datos de diferentes
meses para determinar si ha tenido lugar un incremento (o decremento) en
relación con las expectativas estacionales.

Ejemplo3: un incremento de 10% entre los meses de abril y mayo de un año

dado en las ventas de fertilizantes de uso domestico representa un
decremento relativo si el numero índice estacional correspondiente a mayo
es superior en 20% al número índice correspondiente a abril. En otras
palabras, si ocurre un incremento pero este no es tan grande como se
esperaba con base en datos históricos, lo que en realidad ha ocurrido en
relación con esas expectativas es un descenso relativo en la demanda.

20
Los valores de serie de tiempo mensuales (o trimestrales) observados se
ajustan respecto de la influencia estacional dividiendo cada valor entre el
índice mensual (o trimestral) de ese mes. El resultado se multiplica luego por
100 para mantener la posición decimal de los datos originales. El proceso de
ajuste de datos en relación con la influencia de variaciones estacionales
puede representarse como:

Pronósticos basados en factores de tendencia y estacionales.

La ecuación de tendencia lineal constituye un punto de partida para

pronosticar a largo plazo de valores anuales. Sin embargo, una
consideración particularmente importante en los pronósticos a largo plazo es
el componente cíclico de las series de tiempo. No existe un método estándar
para pronosticar el componente cíclico con base únicamente en valores
históricos de series de tiempo, aunque ciertos indicadores económicos

Para pronósticos a corto plazo, un método posible es desestacionalizar el

valor observado mas reciente y multiplicarlo después por el índice estacional
del periodo de pronósticos. En este método se parte del supuesto de que la
única diferencia entre los dos periodos será la atribuible a la influencia
estacional. Otro método consiste en emplear el valor de tendencia
proyectado como base del pronóstico y ajustarlo después respecto del
componente estacional. Cuando la ecuación de la línea de tendencia se basa
en valores anuales, primero se debe “reducir” la ecuación para expresarla en
términos de meses (o trimestres). Una ecuación anual se modifica de la
siguiente manera para obtener valores mensuales proyectados:

( )( )

La ecuación de tendencia basada en datos anuales se modifica de la

siguiente manera para obtener valores trimestrales proyectados:

( )( )

La base de las modificaciones anteriores no es evidente si se pasa por alto el

hecho de que los valores de tendencia no se asocian con puntos temporales,
sino con periodos. Es a causa de esta consideración que deben reducirse los
tres elementos de la ecuación de tendencia anual (bo, b1 y X).

21
Por efecto de la transformación a datos mensuales en (16.12), el punto base
del año anteriormente codificado como X=O se ubicara en el punto medio del
año, sea en el 1 de julio. Dado que es necesario que el punto base
corresponda al punto medio del primer mes del año base, es decir, al 15 de
enero, la intersección b0/12 de la ecuación modificada se reduce entonces
en 5.5 veces la pendiente modificada. Un ajuste similar se efectúa en el
caso de datos trimestrales. Así, la ecuación de tendencias modificada. Un
ajuste similar se efectúa en el caso de datos trimestrales. Así, la ecuación
de tendencia modificada para obtener valores mensuales proyectados y con
X=O en el 15 de enero del año base es:

( )( )

De igual manera, la ecuación de tendencias modificada para obtener valores

trimestrales proyectados y con X=O a la mitad del primer trimestre del año
base es

( )( )

Pronósticos, ciclos e indicadores económicos

Los pronósticos basados en los componentes de tendencia y estacional de

una serie de tiempo son apenas el punto de partida de los pronósticos
económicos. La primera razón de ello es la necesidad de considerar el
probable efecto del componente cíclico durante el periodo de pronóstico,
mientras que la segunda es la importancia de identificar los factores causales
específicos que han influido en las variables de series de tiempo.

En lo que se refiere a pronósticos a corto plazo, suele suponerse que el

efecto del componente cíclico es el mismo que se ha incluido en los valores
recientes de la serie de tiempo. Sin embargo, cuando se trata de periodos
más prolongados, o incluso de periodos cortos en épocas de inestabilidad
económica, es importante identificar los puntos de cambio de ciclo de la
economía nacional. Por supuesto que las variaciones cíclicas asociadas con
un producto en particular pueden coincidir o no con el ciclo económico
general.

Ejemplo4.

Históricamente, las ventas industriales de automóviles han coincidido

estrechamente con el ciclo económico general de las economías nacionales.
Por el contrario, las ventas de autopartes han sido comúnmente opuestas, en
cuanto al factor cíclico, respecto del ciclo económico general.

22
 El Instituto Nacional Económica (Nacional Bureau of Economic Research,
NBER por sus siglas en ingles) de Estados Unidos ha identificado y dado a
conocer varias series de tiempo históricamente indicadoras de expansión y
recesiones cíclicas respecto del ciclo económico general. Un grupo de estas
series de tiempo, llamadas indicadores líderes, han llegado habitualmente a
puntos de cambio de ciclo antes del cambio correspondiente en la actividad
económica general. Entre los indicadores líderes se encuentran las horas
semanales promedio laboradas en manufactura, el valor de nuevos pedidos
de bienes de consumo y materiales y un índice común de precios de las
acciones. Un segundo grupo, llamado de indicadores coincidentes, está
compuesto por series de tiempo cuyos puntos de cambio han coincidido
usualmente con el ciclo económico general. Son indicadores coincidentes
medidas como la tasa de empleo y el índice de producción industrial. El
tercer grupo, llamado indicadores rezagados, es el integrado por series de
tiempo cuyas cumbres y valles suelen retardarse en comparación con las del
ciclo económico general. Entre los indicadores rezagados se encuentran
medidas como los inventarios de manufactura y comerciales y la tasa
preferencial promedio que cobran los bancos.

Además de considerar el efecto de las fluctuaciones cíclicas y de pronosticar

tales fluctuaciones, también deben estudiarse las variables causales
específicas que han influido históricamente en los valores de series de
tiempo. Los análisis de regresión y correlación, son particularmente
aplicables a tales estudios, como en el caso de la relación entre estrategias
de precios y volumen de ventas. Pero más allá de los análisis históricos, las
posibles implicaciones de nuevos productos y de cambio en el ámbito de la
comercialización son asimismo áreas que demandan especial atención.

4. Modelos de la Serie de Tiempos:

Mark L. Berenson, David M. Levine (1996, p.859) señalan que:

Modelo lineal

La evasión de regresión de muestra que representa al modelo de regresión

de línea recta seria Ŷ=bo+b1xi. Por lo tanto el método de mínimos cuadrados
nos permite ajustar una línea recta de la forma Ŷ=bo+b1xi, tal que los valores
que calculamos para los dos coeficientes, la intersección bo y la pendiente
b1, tienen como resultado la minimización de la suma de las deferencias al
cuadrado entre cada valor observado Yi en los datos y cada valor predicho Yi
a lo largo de la línea de tendencia, esto es;
n

∑ Yi- Ŷ)2 = mínimo

i=1

Para obtener esta línea, recordamos que en el análisis de regresión lineal

calculamos la pendiente con la ecuación:

23
 ∑ni=1 xi yi-nx
b1=
∑ni=1 xi2 -nx2

Y la intersección con la ecuación; Bo= b1x

Cuando utilizamos el método de mínimos cuadrado para ajustar tendencias

en series de tiempo, nuestro esfuerzo de cálculo pueden minimizar si
codificamos apropiadamente los valores de x. se selecciona la primera
observación de nuestra serie de tiempo como rigen y se le asigna un valor de
código de x=0. A todas las observaciones subsecuentes de les asigna un
valor de código de 1, 2,3…, de modo que la n-esima y última observación de
la serie tiene el código n-1. Así pues, por ejemplo, para los datos de serie
temporal registrado anualmente durante 23 años, al primer año se le asigna
un valor de código de 0 y el segundo año será codificado como 1,el tercer
año tendrá un código de 2…, y el ultimo año8el vigésimo tercero) tendrá un
código de 22.

Modelo exponencial

Cuando una serie parece estarse incrementándose a una rapidez cada vez
mayor tal que la diferencia porcentual de una observación a otra e constante,
podemos ajustar una ecuación de tendencia exponencial de la forma Ŷi= bo
en la que bo= intersección estimada en el eje Y. (b1-1) x100%= tasa de
crecimiento compuesta estimada anual (en porcentaje)

Si tomamos el logaritmo (base 10) de ambos lados de la ecuación tenemos:

Log Ŷi=log b1+xilogb1

Puesto que la ecuación Log Ŷi=log b1+xilogb1Tiene forma lineal, podemos

utilizar el método de mínimo cuadrado si trabajamos con el logaritmo de los
valores Yi y obtener la pendiente (logb19 y la intersección (log bo).

Método cuadrático

Un modelo cuadrático o polinomio de segundo grado es el más sencillo del

método curvilíneo. Utilizando el método de mínimos cuadrados, podemos
ajustar una ecuación de tendencia cuadrática de la forma Ŷi=
bo+b1xi+b11xi2 , en la que bo es la intersección estimada con el eje Y, b1es
el efecto lineal estimado sobre Y, y b11 es el efecto cuadrático estimado
sobre Y.

(Webster, Allen L., 2000, pág. 416) Determina lo siguiente:

Un modelo de serie de tiempo puede expresarse como alguna combinación
de estos cuatro componentes. El modelo es simplemente una expresión
matemática de la relación entre los cuatro componentes. Comúnmente dos
tipos de modelos se relacionan con las series de tiempo.

El modelo aditivo: se expresa como:

24
 Yt = Tt + St + Ct + It

En donde Yt, es el valor de la serie de tiempo para el periodo t, y la

tendencia son los valores al lado derecho la variación estacional, la variación
cíclica, y la variación aleatoria o irregular, respectivamente, para el mismo
periodo.

En el modelo aditivo, todos los valores etan expresados en unidades

originales, y S, C, e I son desviaciones alrededor de T, Si se desarrollara un
modelo de serie de tiempo para las ventas en dólares de una tienda
minorista local, se puede encontrar que T= US$500, S= US$100, C= US$5, e
I = - US$10. Las ventas serian:

Y = US$500 + US$100 - US$25 - US$10

= US$565

Vale la pena destacar que el valor positivo para S indica que las influencias
estacionales existentes han tenido un impacto positivo en las ventas. El
valor cíclico negativo sugiere que el ciclo comercial esta actualmente
descendiendo. Aparentemente, sucedió algún evento aleatorio que tuvo un
impacto negativo en las ventas.

El modelo aditivo sufre del supuesto, algo irreal, de que los componentes son
independientes uno del otro. Esto rara vez es el caso en la vida real. En la
mayoría de los casos, los movimientos de un componente tendrán un
impacto en los otros componentes, por tanto, se niega el supuesto de
independencia. O quizás de manera más común, con frecuencia se
encuentra que ciertas fuerzas que trabajan en la economía, simultáneamente
afectan dos o más componentes. D e nuevo, el supuesto de independencia
no se cumple.

Como resultado, el modelo multiplicativo es el que se prefiere con

frecuencia; supone que los componentes interactúan entre sí y no se
mueven independientemente. El modelo multiplicativo se expresa como:

Yt =Tt X St X Ct X It

En el modelo multiplicativo, solo T se expresa en las unidades originales, y

S, C, e I se expresan en términos de porcentajes. Por ejemplo, los valores
para las deudas morosas en un banco comercial pueden registrarse como T
= US$10.000.000, S = 1.7, C = 0.91, e I = 0.87. Las deudas morosas podrían
calcularse como:

Yt = Tt X Ct X It

25
5. Técnicas de Suavizamiento de una Serie Cronológica:

Berenson, Mark L., Levine David M. y Krehbiel Timothy C. (2001), Los

promedios móviles para un periodo determinado de longitud L consiste en
una serie de promedios aritméticos en el tiempo tales que cada uno se
calcula a partir de una secuencia de L valores observados. Estos promedios
se representan por el símbolo PM (L).

Mark L. Berenson, David M. Levine (1996, p.859) señalan que:

Promedios móviles:Para suavizar una serie de tiempo es altamente

subjetivo y pendiente de la longitud del periodo elegido para la construcción
de los promedios. Para eliminar las fluctuaciones cíclicas, el periodo
escogido debe ser un valor entero que corresponda a la duración promedio
estimada de un ciclo(o un múltiplo de este) en la serie.

Los promedios móviles para un periodo elegido de logaritmo L consiste en

una serie de medias aritméticas calculados en el tiempo de tal modo que
cada media se calcula para una secuencia de valor observados que tienen
esa longitud particular, L

Tabla 13.3

Venta de Fabricas para General Motos

11.31313.3

Ventas de Ventas de Ventas de Ventas de

Año Fábrica Año Fábrica Año Fábrica Año Fábrica
1975 6,6 1983 7,8 1991 7,4 1999
1976 8,6 1984 8,3 1992 7,7 2000
1977 9,1 1985 9,3 1993 7,8 2001
1978 9,5 1986 8,6 1994 8,4 2002
1979 9,0 1987 7,8 1995 8,3 2003
1980 7,1 1988 8,1 1996 8,4 2004
1981 6,8 1989 7,9 1997 8,8 2005
1982 6,2 1990 7,5 1998 8,1

26
 Grafico11.3 Venta de Fabricas para General Motos

10
9
11.31313.3
8
7
6
5
Series1
4
3
2
1
0
1975 1980 1985 1990 1995 2000 2005

Suavizado exponencial:

Es otra técnica que puede utilizarse para suavizar una serie de tiempo y por
consiguiente, nos proporciona una impresión de los movimientos globales a
largo plazo de los datos. Además el método de suavizado exponencial puede
utilizarse para obtener producciones a corto plazo (un periodo hacia el
futuro).

(Webster, Allen L., 2000, págs. 416-417-418-419-420-421) Expresa lo

siguiente:

El comportamiento general de una variable, con frecuencia puede analizarse

mejor observando su tendencia a largo plazo, si la serie de tiempo contiene
demasiadas variaciones o cambios estacionales a corto plazo, la tendencia
puede ser algo confuso y difícil de observar. Es posible eliminar muchos de
estos factores que se pueden confundir promediando los datos de varios
periodos. Esto se logra utilizando ciertas técnicas de suavizamiento
suavización que eliminan las fluctuaciones aleatorias de la serie,
proporcionando por tanto un panorama menos distorsionado de la conducta
real de la serie. Se analizaran dos métodos comunes de suavizamiento de
los datos de series de tiempo: promedio móvil y suavizamiento exponencial.

A. PROMEDIOS MOVILES (PM) Una serie de promedios aritméticos sobre

un numero dado de periodos; es la estimación del promedio de la
variable a largo plazo.

Un promedio móvil tendrá el efecto de “suavizamiento” de los datos,

produciendo un movimiento con menos picos y valles. Se calcula
promediando los valores en las serie de tiempo sobre un número fijo de

27
periodos. El mismo número de periodos se mantiene para cada promedio,
eliminando la observación más antigua y recogiendo la más reciente. Se
supone que los precios de cierre para una acción en la Bolsa de Valores en
Nueva York, para el periodo de lunes a miércoles, fueron US$20, US$22, y
US$18, respectivamente. Se calcula un promedio móvil de tres periodos (día)
así:

(20 + 22 + 18) / 3 = 20.

Este valor de 20 sirve entonces como proyección o estimado de lo que

puede ser el precio de cierre en cualquier momento futuro. Si el cierre del
jueves es de 19, el siguiente promedio móvil se calcula quitando el valor del
lunes de 20 y utilizando el precio de cierre del jueves que es 19. Así, la
proyección es:
(22+18+19) / 3 = 19.67.

El estimado que ha sido calculado de esta manera, se observa como el

promedio a largo del plazo de la serie. Se toma como el pronóstico para el
precio de cierre en cualquier día futuro.

En la tabla 13.2 se presentan las ventas para Arthur Momitor`s

Snowmobiles, Inc., durante los últimos 12 meses. Se calculan tanto un PM
de tres meses, como uno de cinco meses. Se obtiene la primera entrada en
el PM de tres meses promediando las ventas de motonieves en enero,
febrero y marzo. El valor resultante de (52+81+47)/3=60 se centra en el
periodo medio de febrero. Se determina la siguiente entrada promediando
febrero, marzo y abril, y centrando el valor de 64.33 en el medio de estos tres
periodos, que es marzo. El resto de entradas se determina de manera
similar.
Tabla 13.2
Ventas de motonieves
Para Arthur Momitor
Mes Ventas (US$100) PM de tres PM de cinco
meses meses
Enero 52
Febrero 51 60.00
Marzo 47 64.33 59.00
Abril 65 54.00 63.20
Mayo 50 62.67 56.00
Junio 73 56.00 58.60
Julio 45 59.33 55.60
Agosto 60 51.67 61.40
Septiembre 50 63.00 55.80
Octubre 79 58.00 59.20
Noviembre 45 62.00
Diciembre 62

28
La primera entrada de cinco meses en el PM utiliza valores para los meses
de enero a mayo. El promedio de (52+51+47+65+50)/5=59 se centra en la
mitad de tales cinco períodos en marzo.

Los promedios móviles tienen el efecto de suavizamiento en las variaciones

grande de los datos. Este efecto de suavizamiento ocurre porque
observaciones inusualmente pequeñas se promedian con otros valores, y por
tanto su impacto se mitiga. Entre más grande sea el numero de periodos en
un promedio móvil, más pronunciado será el efecto de suavizamiento. Vale la
pena notar que el rango de valores en un PM de tres meses. La figura 13.4
ilustra esta tendencia del efecto de suavizamiento a incrementar con el
número de periodos en el promedio móvil.

Cuando un número impar de periodos se utiliza en el promedio móvil, los

resultados pueden centrarse automáticamente en el periodo de la mitad.
Cuando Arthur Momitor calculó su promedio móvil de tres meses para las
motonieves, el primer valor podría centrarse de inmediato en el periodo de la
mitad, es decir, febrero.

Sin embargo, si existe un numero par de periodos en el promedio, debe

hacerse un ajuste ya que no existe una observación en la mitad en la cual en
la cual se centre automáticamente el valor. Se consideran los datos de
ventas trimestralmente para Sun Shine Greetings Cards (Tarjetas de saludos
de Sun Shine) en la tabla 13.3. Los datos van desde el primer trimestre de
1996, hasta el último trimestre de 1998. Si se va a calcular un PM de cuatro
periodos (trimestres), la primera entrada de 42.50 se obtiene promediando
los datos para los cuatro trimestres de 1996. Sin embargo este valor no
corresponde a ningún periodo específico en la serie original de datos, pero
se fija entre el segundo y el tercer trimestre de 1996. Las entradas restantes
están a la misma distancia del centro.
Tabla 13.3
Ventas para Sun
Shine Cards
(US$ 1,000)
Periodo Ventas PM de cuatro PM de cuatro trimestres
trimestres centrado
1996-I 40
II 45 42.50
III 38 45.75 44.13
IV 47 44.25 45.00
1997-I 53 46.50 45.38
II 39 42.75 44.63
III 47 42.25 42.50
IV 32 43.75 43.00
1998-I 51 41.25 42.50
II 45 46.75 44.00
III 37
IV 54

29
Es necesario centrar el promedio móvil tomando la media de cada par
sucesivo de promedios móviles. Así, el promedio del primer y del segundo
valor resulta:

(42.50+45.75)/2=44.13

… el cual está centrado en el cuarto trimestre de 1996. De igual forma, los

valores restantes están centrados en sus respectivos periodos. Los
promedios móviles pueden utilizarse para eliminar variaciones irregulares y
estacionales. Cada entrada en el PM se deriva de cuatro trimestres, es decir,
el valor de todo un año, eliminándolas de manera efectiva y dejando solo la
tendencia y las variaciones cíclicas.

En general si el numero de periodos en un promedio móvil es suficiente

como para abarcar todo un año (si se utilizan datos de 12 meses; 52 si se
utilizan datos semanales), las variaciones estacionales se promedian y se
eliminan de la serie. Entonces se afirma que los datos están
desestacionalizados.

Como se expreso anteriormente, el uso de un número mayor de periodos

termina en una serie promediada más suave. Así pues, si los datos son muy
volátiles, sería conveniente utilizar en el pronóstico un numero de periodos
más pequeño, para así evitar colocar la proyección muy cerca al promedio a
largo plazo, sería necesario utilizar un número mayor de periodos en la
creación del promedio móvil.

Ejemplo 13.1. TransAmerica Trucking ha recolectado datos para los últimos

10 meses sobre las toneladas de envíos. Ayude al departamento de
investigación calculando el promedio móvil de tres periodos. ¿Cuál es su
pronóstico para los envíos en el futuro?

Solución

Mes Envíos PM de tres Mes Envíos PM de tres periodos

periodos
1 70 6 81 76.67
2 68 71.00 7 82 77.33
3 75 74.00 8 69 74.33
4 79 73.67 9 72 69.67
5 67 75.67 10 68

Los tres primeros valores de 70,68 y 75 promedian 71. Los valores para los
periodos dos a cuatro de 68,75 y 79, promedian 74. El proceso continua
hasta que se encuentre la última observación. La proyección para todo mes
futuro es de 69.67 toneladas.

30
Interpretación:

Debido a que los datos no presentan ninguna tendencia ascendente o

descendente, la técnica de promedio móvil se ajusta para proyectar envíos
futuros. El pronóstico de 69.67 claro que cambiará, cuando se reporte el
envío del mes 11 y se calcule el promedio móvil para el mes 10.

B. Suavizamiento Exponencial: Herramienta de proyección en la cual el

pronóstico se basa en un promedio ponderado de los valores actuales y
anteriores.

Como su nombre lo indica, el suavizamiento exponencial tiene el efecto de

suavizar una serie. También proporciona un medio efectivo de predicción.
Suavizamiento exponencial de primer orden se utiliza cuando los datos no
presentan ningún patrón de tendencia. El modelo contiene un mecanismo de
autocorrección que ajusta los pronósticos en dirección opuesta a los errores
pasados. La ecuación es:

( )

En donde;

Ft+1 es el pronóstico para el siguiente período.

At es el valor real observado para el período corriente.

Ft es la proyección hecha previamente para el período corriente.

es una “constante de suavizamiento” a la cual se le da un valor entre 0 y 1.

Teniendo en cuenta que los datos no tienen tendencia ascendente o

descendente, pero varían alrededor de algún promedio a largo plazo, se toma
el valor Ft+1 como pronóstico para cualquier período futuro.

Como ejemplo, se supone que es el último día hábil del mes de febrero. Las
ventas totales del mes para Uncle Vito`s Cars fueron de US$110.000. Uncle
Vito ha decidido pronosticar las ventas para el mes de marzo, De acuerdo
con la fórmula 13.2, la proyección de marzo, Ft+1 requiere:

1. Ventas reales de febrero, At.

2. Pronóstico para febrero, Ft.

Sin embargo debido a que marzo es el primer mes en el cual Uncle Vito
está haciendo su predicción, no se hizo pronóstico para el mes de febrero
Ft es desconocido. La práctica general es utilizar simplemente el valor
real del periodo anterior, enero en este caso, para la primera proyección.
Los registros de Uncle Vito demuestran que las ventas de enero fueron
US$105.000. Se asume un valor de 0.3 para , entonces el pronóstico
para marzo es:

31
 Ft+1 = + (1 - )
Ft = + (1 - )
FFeb= (0.3) (110) + (0.7) (105)
=US$106.500 como la proyección de las
ventas en marzo.

(Kasmier, Leonard J., 1998, págs. 561-562) Determina lo siguiente:

Pronósticos basados en promedios móviles.

Un promedio móvil es el promedio de los n valores de datos más recientes de

una serie de tiempo. Este procedimiento puede representarse como

Formulas: A medida que se dispone del nuevo valor de un dato de una serie de
tiempo, la nueva observación remplaza a la antigua en la serie de n valores
como base para determinar el nuevo promedio, lo que explica el motivo de que
se le llame promedio móvil.

El promedio móvil puede servir para pronosticar los valores de datos del
siguiente periodo de la serie de tiempo, pero no los de datos de periodos más
distantes a futuro. Es por lo tanto un método adecuado de pronostico cuando en
los datos no está presente la influencia de una tendencia, cíclica o estacional,
situación por demás improbable. Así, este procedimiento sirve sencillamente
para promediar el componente irregular de los datos más recientes de una serie
de tiempo.

La suavización exponencial como el método de pronóstico.

La suavización exponencial es un método de pronóstico basado también en el

uso de promedios móviles, los que sin embargo son promedios móviles
ponderados, no promedios en los que se ponderan por igual los valores de
datos precedentes. La base de ponderación es exponencial porque se concede
la mayor ponderación al valor correspondiente al periodo inmediatamente
anterior al periodo de pronóstico y las ponderaciones decrecen
exponencialmente para los valores de datos de periodos anteriores. En realidad
existen varios tipos de modelos de suavización exponencial, cuya descripción
puede encontrarse en libros especializados en pronósticos económicos. El
método que presentamos aquí es el llamado suavización exponencial simple.

El siguiente modelo algebraico sirve para representar la determinación de

ponderaciones exponencialmente decrecientes. Específicamente, si es una
constante de suaavizacion como se expondrá en seguida, el valor mas reciente
de la serie de tiempo se pondera con , el siguiente valor mas reciente se
pomdera con ( ), el siguiente valor con ( )2 y asi sucesivamente,
después de lo cual se suman todos los valores ponderados para determinar el
pronóstico:

32
 ̂ ( ) ( ) ( )

Donde formulas = pronósticos para el siguiente periodo

= constante de suavización formula

= valor real para el periodo mas reciente

=valor real para el periodo anterior al más reciente

=valor real para los periodos anteriores al mas reciente

Aunque la formula anterior sirve para exponer el razonamiento de la suavización

exponencial, su uso es sumamente impráctico. Por lo general se usa un
procedimiento simplificado, para el que se requiere de un pronóstico “semilla”
inicial pero no del a determinación de ponderaciones. La fórmula para la
determinación del pronóstico por medio del método simplificado de suavización
exponencial es

( )

Donde formula

= Pronostico para el siguiente periodo

= pronostico para el periodo más reciente

= constante de suavización formulas

=valor real para el periodo más reciente

Dado que para determinar un pronóstico para el siguiente periodo debe

disponerse del valor más reciente de la serie de tiempo, la suavización
exponencial simple solo puede usarse para pronosticar el valor para el periodo
siguiente en la serie de tiempo, no para varios periodos futuros. Cuando más
cerca de 1.0 se fije el valor de la constante de suavización, tanto más dependerá
el pronóstico de los resultados más recientes.

Otros métodos De pronóstico con suavización

Mientras que el promedio móvil es adecuado como base de pronóstico

únicamente cuando la influencia irregular provoca variaciones en los valores de
una serie de tiempo, la suavización exponencial simple es adecuada únicamente
cuando las influencias cíclicas e irregulares son los principales efectos sobre los
valores observados.

Con ambos métodos solo puede obtenerse un pronóstico para el siguiente

periodo en la serie de tiempo, no para periodos futuros más distantes. Métodos

33
de suavización más complejos incorporan mas influencias y permiten obtener
pronósticos para varios periodos futuros. Los describiremos brevemente a
continuación. Explicaciones y descripciones más detalladas de ellos se incluyen
en libros de texto especializados en pronósticos.

La suavización exponencial lineal usa una ecuación de tendencia lineal basada

en los daros de la serie de tiempo. Sin embargo, a diferencia de la ecuación de
tendencia simple presenta en la sección 16.2, los valores de la serie se
ponderan exponencialmente con base en una constante de suavización. Como
en el caso de la suavización exponencial simple, la constante puede variar de 0
a 1.0.

La suavización exponencial de Holt usa una ecuación de tendencia lineal

basada en el empleo de dos constantes de suavización: una para estimar el
nivel actual de los valores de la serie de tiempo y otra para estimar la pendiente.

La suavización exponencial de Winter incorpora influencias estacionales en el

pronóstico. En este caso se hace uso de tres constantes de suavización: una
para estimar el nivel actual de los valores de la serie de tiempo, la segunda para
estimar la pendiente de la línea de tendencia y la tercera para estimar el factor
estacional por emplear como multiplicador.

Los modelos auto regresivo integrado y de promedio móvil (ARIMA) son una
categoría de métodos de pronósticos en los que los valores previamente
observados en la serie de tiempo se usan como variables independientes en los
modelos de regresión. El método de más amplio uso de esta categoría fue
desarrollado por Box y Jenkins, y se llama justamente método de Box-Jenkins.
Estos métodos hacen uso explicito de la existencia de auto correlación esto es,
de la correlación de una variable, rezagada uno o más periodos, consigo misma,
en las series de tiempo. Como se explica en la sección 15.8, la prueba de
Durbin-Watson permite detectar la existencia de residual auto correlacionado
(correlación serial) en los valores de series de tiempo. Un valor de la estadística
de prueba cercano a 2.0 apoya la hipótesis nula de que no existe auto
correlación en la serie de tiempo. Un valor inferior a 1.4 es indicativo por lo
general de una fuerte correlación serial positiva, mientras que un valor superior
a 2.6 indica la existencia de una fuerte correlación serial negativa.

34
6. Error de Estimación de la Serie de Tiempo:

(Webster, Allen L., 2000, págs. 421 - 422) Señala lo siguiente:

Como lo revela la tabla 13.4 Uncle Vito puede planear ventas US$106.500.
Si las ventas reales de marzo son de US$107.000, el error se calcula (en
miles) como Ft – = 106.5 – 107 = -0.5. También F Abril = (0.3) (107) +
(0.7) (106.5) = 106.65.

Tabla 13.4

Venta de Autos

De Uncle Vito

Mes Proyección Real Error (Ft – )

Enero - 105
Febrero 105 110 -5.0
Marzo 106.5 107 -0.5
Abril 106.65 112 -5.35

Se asume que las ventas en abril fueron de US$112.000. Entonces el error

es -US$5.350. Uncle Vito puede predecir también las ventas de mayo así:

Ft+1 = + (1 - )
Ft = + (1 - )
FAbril = (0.3) (112) + (0.7) (106.65)

=US$108.260

Claro, que el valor seleccionado para es crucial. Debido a que se desea

producir un pronóstico con el error más pequeño posible, el valor que
minimiza el cuadrado medio del error (CME) debe ser óptimo. El ensayo y
error sirve con frecuencia como el mejor método para determinar el valor
apropiado. La tabla 13.5 contiene los datos de las ventas de Uncle Vito para
los primeros siete meses. Los errores se basan en las proyecciones que se
calcularon utilizando los valores de 0.3 y 0.8. El CME es:
∑( )

35
 Tabla 13.5

Datos de las Ventas

De Uncle

Mes Real Proyección Error Proyección Error

( = 0.3) ( = 0.8)
Enero 105
Febrero 110 105.00 -5.00 105.00 -5.00
Marzo 107 106.50 -0.50 109.00 2.00
Abril 112 106.65 -5.35 107.40 -4.60
Mayo 117 108.26 -8.74 111.08 -5.92
Junio 109 110.88 1.88 115.82 6.82
Julio 108 110.32 2.32 110.36 2.36
Agosto 109.62 108.47

Para = 0.3, CME es:

( ) ( ) ( ) ( ) ( ) ( )
CME=

=23.20.

Un = 0.8
( ) ( ) ( ) ( ) ( ) ( )
CME=

=22.88

Un = 0.8 produce mejores resultados de pronóstico debido a que genera

un factor de error más pequeño. Otros valores de pueden probarse para
determinar su impacto en CME y en la exactitud de las proyecciones
resultantes. Generalmente hablando, si los datos son volátiles se precisa un
menor valor . Esto se debe a que los valores más pequeños para se
asignan menos peso a las observaciones más recientes. Si los datos
presentan un movimiento considerable, la última observación puede no ser
representativa del promedio a largo plazo.

Vale la pena recordar, que el suavizante exponencial de primer orden, en la

forma aquí descrita, es apropiado si los datos no presentan tendencia pero
se mueven alrededor de algún valor promedio a largo plazo. Si una
tendencia descendente o una ascendente pueden detectarse representando
los datos, debería utilizarse el suavizamiento exponencial de segundo orden,
cuya mecánica no se analizará aquí.

36
7. Ejercicios o Ejemplos:

(Webster, Allen L., 2000, págs. 422 - 423) Ejemplifica lo siguiente:

Predicción de la tasa de desempleo: Los índices mensuales de desempleo para

1997 se presentan a continuación. Como analista del Ministerio de Trabajo de
los Estados Unidos, usted debe; 1. Suavizar las fluctuaciones utilizando un
promedio móvil con cuatro periodos. 2. Utilizar un modelo de suavizamiento
exponencial fijando ∞ en 0.4 para proyectar el desempleo para algún mes futuro.
Los datos no demuestran ninguna tendencia pronunciada ascendente o
descendente.

Enero 5.4 Julio 5.4

Febrero 5.1 Agosto 5.5
Marzo 5.0 Septiembre 5.2
Abril 5.2 Octubre 5.5
Mayo 5.3 Noviembre 5.1
Junio 5.3 Diciembre 5.5
Solución:

Mes Tasa PM PM centrado Ft

Enero de 1997 5.4
Febrero 5.1 5.175 5.4
Marzo 5.0 5.150 5.163 5.28
Abril 5.2 5.200 5.175 5.17
Mayo 5.3 5.300 5.250 5.18
Junio 5.3 5.375 5.338 5.23
Julio 5.4 5.350 5.363 5.26
Agosto 5.5 5.400 5.375 5.31
Septiembre 5.2 5.325 5.363 5.39
Octubre 5.5 5.313 5.313 5.31
Noviembre 5.1 5.39
Diciembre 5.4 5.27
Enero de 1998 5.32

La tabla muestra el primer promedio móvil 5.175, calculado al promediar lo

índices de enero a abril. Se sitúa en medio de los cuatro meses entre enero,
febrero y marzo. La segunda entrada de 5.150 es el promedio de los meses
de febrero a mayo y se coloca entre marzo y abril. Los valores restantes para
PM se calculan de forma similar. Estos valores se centran luego
promediando pares sucesivos de promedios móviles.

Para proyectar haciendo uso del suavizamiento exponencial, se deben

calcular las cifras pronosticadas para febrero a diciembre, para poder
obtener F Dic = 5.27, el cual se utiliza luego en la proyección de enero de
1998:

37
 FEne= ( ) + (1 - ) (FDic)

= (0.4) (5.4) + (0.6) (5.27)

=5.32%

Interpretación: El método promedio móvil pronostica una tasa de 5.313%. El

Suavizamiento exponencial proporciona un pronóstico de 5.32%. Este valor
(de 5.313% o 5.32%) es el pronóstico para enero, o para cualquier período
futuro, ya que los datos no presentan una tendencia sino que se supone que
varían o fluctúan a largo plazo alrededor de este promedio.

A diferencia de los promedios móviles, los cuales utilizan solo un número fijo
de periodos, el suavizamiento exponencial utiliza todos los valores anteriores
de la serie de tiempo. Esto se debe a que Ft+1 depende de At, y Ft, Sin
embargo, Ft utilizó a At – 1, y Ft – 2. Por tanto, cada pronóstico depende de
los valores reales anteriores de At – n hasta llegar a donde comenzaron los
pronósticos por primera vez. Entre más se vaya hacia atrás el tiempo, menos
impacto tiene un valor de A en la proyección corriente.

Berenson, Mark L., Levine David M. y Krehbiel Timothy C. (2001) p.599 –

600, reflejan el siguiente ejemplo de Promedios Móviles:

Suponga que se desea calcular promedios móviles de 5años de una serie

que contiene n =11 años. Como L = 5, los promedios móviles de 5 años
consisten en una serie de medias obtenidas en el tiempo al promediar
secuencias consecutivas de cinco valores observados. El primer promedio
móvil de 5 años se calcula con la suma de los valores para los primeros 5
años en la serie, dividida entre 5.

PM (5) =

El segundo promedio móvil de 5 años se calcula con la suma de valores de

los dos años 2 a 6 en la serie, dividida entre 5.

PM (5) =

Este proceso continúa hasta calcular el último promedio móvil de 5 años con
la suma de los valores de los últimos 5 años en la serie (años del 7 al 11),
dividida entre 5.

PM (5) =

Cuando se trata de una serie de tiempo anual, L, la longitud del periodo

elegido para construir los promedios móviles, debe ser un número de años
impar. Al seguir esta regla se observa que no se pueden obtener promedios
móviles para los primeros (L – 1) / 2 años o los últimos (L – 1) / 2 años en la

38
serie. Entonces, para un promedio móvil de 5 años, no es posible hacer
cálculos para los primeros 2 años o los últimos 2 años de la serie.

Al graficar los promedios móviles, cada valor calculado se coloca en el año a

la mitad de la secuencia de años usada para calcularlo. Si n = 11 y L = 5, el
primer promedio móvil se centra en el tercer año, el segundo promedio móvil
se centra en el cuarto año y el último en el noveno año. Esto se ilustra en el
ejemplo 11.1. Pg. 600

Calculo de un promedio móvil de 5 años.

Suponga que los siguientes datos representan los ingresos totales en

(millones de dólares constantes de 1995) de una agencia donde se rentan
automóviles, en un intervalo de 11 años, de 1987 a 1997:

4.0 5.0 7.0 6.0 8.0 9.0 5.0 2.0 3.5 5.5 6.5

Calcule los promedios móviles de 5 años para esta serie de tiempo anual.

Solución:

El primer promedio móvil de 5 años es:

PM (5) =

Es decir para calcular un promedio móvil de años, primero se obtiene la

suma de los 5 años y se divide entre 5. Después el promedio se centra en el
valor medio, el tercer año de esta serie de tiempo.

Para calcular el segundo promedio móvil de 5 años, se obtiene la suma de

los segundos cinco años, hasta el sexto, y se divide entre 5. Esto es:

PM (5) =

Este promedio móvil se centra en el nuevo valor medio, el cuarto año de la

serie de tiempo.

El resto de los promedios móviles son:

PM (5) =

PM (5) =

PM (5) =

PM (5) =

PM (5) =

39
 Estos promedios móviles se centran en sus respectivos valores medios, el
quinto, sexto y séptimo años de la serie de tiempo. Se observa que al
obtener promedios móviles de 5 años, no se pueden calcular los valores para
los primeros dos y los últimos dos valores de la serie de tiempo.

(Kasmier, Leonard J., 1998, pág. 320) Problemas Resueltos:

Análisis de Tendencia

En la tabla 16.1 se presentan los datos de ventas en un periodo de 11 años

de una compañía (ficticia) fabricante de software de gráficos constituida en
1990, como se menciono en el ejemplo 1, y cuyos datos de serie de tiempo
son gráficamente descritos por la grafica de líneas de la figura 16-1. Se
incluyen además los cálculos necesarios para determinar la ecuación de la
línea de tendencia. a) determine la ecuación de tendencia lineal para estos
datos mediante el método de mínimos cuadrados, codificando 1990 como 0 y
con dos cifras decimales para todos los valores. Usando esta ecuación,
determine el pronóstico de ventas para el año 2001. b) Trace la línea de
tendencia en la grafica de líneas de la tabla 16.1

Tabla 16.1 Ventas anuales en miles de pesos

Año Codificado Ventas en Miles

Año (X) (Y) XY X2
1980 0 0,2 0,0 0
1981 1 0,4 0,4 1
1982 2 0,5 1,0 4
E 1983 3 0,9 2,7 9
n 1984 4 1,1 4,4 16
1985 5 1,5 7,5 25
D 1986 6 1,3 7,8 36
o
n 1987 7 1,1 7,7 49
d 1988 8 1,7 13,6 64
e 1989 9 1,9 17,1 81
: 1990 10 2,3 23,0 100
Totales 55 12,9 85,2 385
∑
̅

∑
̅

40
 ∑ ̅̅ ( )( )
∑ ̅̅̅ ( )

̅ ̅ ( )

Serie 1
2.4
YT
2

1.6

1.2
Serie 1

0.8

0.4

0
1990 1995 2000

41
 CONCLUSIONES

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 para la institución u organización,
debido a que esas decisiones son tomadas en base a los resultados que
arroje el análisis de series entonces deben ser lo más acertadas posibles.
Tomando siempre en cuenta que las series de tiempo se basan en
datos históricos.

La identificación de la presencia de los diferentes componentes de en una

serie de tiempo permite entender su dinámica, la persistencia y la recurrencia
de patrones de comportamiento que se presentan en las series de tiempo. Si
hablamos con respecto a la relevancia que tienen los análisis de series de
tiempo dentro de una entidad permiten conocer tanto el pasado, presente y
futuro de la organización y de alguna forma u otra prepararse para cualquier
percance o inconveniente que suceda dentro de esa institución.

42
 REFERENCIAS

(Berenson, Mark L. - Levine, David M. - Krehbiel, Timothy C. , 2011)

Estadística para la Administración. Naucalpan de Juárez, Edo. México.
Editorial Mexicana.

(Kasmier, Leonard J., 1998) Estadística Aplicada a la Administración y

Contaduría. Edo. México. Editorial McGRAW HILL Interamericana.

(Levin, Richard I. - Rubin, David S., 1996) Estadística para Administradores.

Naucalpan de Juárez, Edo. México. Editorial Prentice - Hall
Hispanoamericana, S.A.

(Webster, Allen L., 2000) Estadística Aplicada a los Negocios y la Economía.

Av. las Américas, santa fe de Bogotá Colombia. Editorial The Mc GRAW-
HILL COMPANIES, Inc.

Lind Marshal (2000) Estadística Aplicada a los Negocios y la Economía.

Edo. México. Editorial Mc GRAWILL.

Berenson L. Mark y Levine David, (1996). Estadística Básica en

Administración. Concepto y Aplicaciones 6ta edición. México. Editorial
Prentice Hall Hispanoamericana.

43