Licenciatura en Administración de Empresas

Estadística Aplicada

Análisis de series de tiempo

1
Sesión 7
Contenido

Objetivo general ...................................................................................................... 2

Introducción ............................................................................................................. 3
Subtema 1. Los cuatro componentes de una serie de tiempo ................................ 5
Subtema 2. Análisis gráfico de la tendencia ............................................................ 6
Subtema 3. Tendencia secular ................................................................................ 8
Subtema 4. Variaciones estacionales ..................................................................... 9
Subtema 5. Variaciones cíclicas............................................................................ 10
Subtema 6. Fluctuaciones irregulares ................................................................... 11
Subtema 7. Modelos autorregresivos de promedios móviles ................................ 12
Conclusiones ......................................................................................................... 14
Bibliografía ............................................................................................................ 15

2
Objetivo general:

Analizar datos históricos aplicando distintos métodos de series de tiempo con

el fin de generar información para una adecuada toma de decisiones.

Los subtemas que se abordarán en la presente sesión son:

1. Los cuatro componentes de una serie de tiempo;

2. Análisis gráfico de la tendencia;

3. Tendencia secular;

4. Variaciones estacionales;

5. Variaciones cíclicas;

6. Fluctuaciones irregulares;

7. Modelos autorregresivos de promedios móviles.

Introducción. Análisis de series de tiempo

Seguramente usted ha visto en algún medio de comunicación como el

periódico, televisión o en las redes sociales datos históricos sobre la venta de

diversos productos, la siguiente tabla muestra este tipo de información.

3
 Tabla 1

Vehículos ligeros comercializados

En enero-octubre de 2017 y 2018

Segmento 2017 Estructura 2018 Estructura

Subcompactos 449,038 36.5% 391,911 34.2%
Compactos 273,621 22.2% 253,790 22.2%
De lujo 60,719 4.9% 62,131 5.4%
Deportivos 9,624 0.8% 7,174 0.6%
Usos múltiples 275,921 22.4% 280,429 24.5%
Camiones
159,861 13.0% 149,009 13.0%
ligeros
Camiones
1,382 0.1% 1,260 0.1%
pesados1
Total 1,230,166 100.0% 1,145,704 100.0%
Fuente: Elaboración AMDA con información INEGI
1
Camiones pesados incluye: F450, F550.

Note que los datos pueden abarcar distintos periodos, estos pueden ser

mensuales, trimestrales, semestrales o anuales, los datos mostrados por la venta

de vehículos ligeros en el periodo enero-octubre de 2017 y 2018 (véase tabla 1) es

un ejemplo de datos conocidos como series de tiempo.

Con este tipo de datos podemos realizar diversos análisis como pueden ser

tasas de crecimiento, promedios y, sobre todo, generar tendencias que apoyen a

una mejor toma de decisiones en beneficio de las organizaciones. Por lo tanto, los

datos de series de tiempo son aquellos que se reúnen en diferentes momentos

(Triola, M., 2004). Es importante, no confundir con datos panel que también se

4
obtienen en distintos lapsos pero de forma trasversal, mientras que los datos de tipo

transversal son los obtenidos en un solo momento. Otro ejemplo de datos históricos

que corresponde a series de tiempo, es la siguiente gráfica:

Figura 1 Comercialización de vehículos ligeros de 2006 a 2018

Fuente: Asociación Mexicana de distribuidores de automóviles

La figura 1 muestra la comercialización de vehículos ligeros de 2006 a 2018

en los meses de octubre. Algunos análisis que podemos ver es la comparación de

ventas de octubre de 2018 contra ese mismos mes de 2016 hasta 2017 por ejemplo,

podemos ver que las ventas del mes de octubre de 2018 con respecto a 2006

crecieron en un 20.4% y con relación a 2007, aumentaron en un 20.7%. También,

5
podemos determinar si la serie de datos muestra alguna tendencia positiva o

negativa, podemos determinar, la variación cíclica o estacional etc.

Ejemplos de serie de tiempo son los siguientes:

 Índice de precios al consumidor de 2000-2018;

 Tasa de interés interbancaria de 2010-2019;

 Utilidades netas de los últimos 24 meses de la empresa la Poblana S.A. de C.V;

 Ventas netas de los últimos 36 trimestres de la empresa El Paraíso S.A. de C.V.

Subtema 1. Los cuatro componentes de una serie de

tiempo

Los datos correspondientes a series de tiempo tienen componentes que hacen

que el análisis estadístico tenga diversas perspectivas y por lo tanto, las

conclusiones pueden tener lagunas variaciones, estos componentes son:

 Tendencia secular;

 Variaciones estacionales;

 Variaciones cíclicas;

 Fluctuaciones irregulares.

6
 Cada uno de estos componentes se analizará de forma particular y con mayor

profundidad en los siguientes subtemas.

Subtema 2. Análisis gráfico de la tendencia

El objetivo de un método de series de tiempo es determinar en los datos

históricos un patrón de comportamiento para que posteriormente extrapolar ese

patrón al futuro; el pronóstico se basa únicamente en los valores de la variable en

el pasado o en errores de pronóstico en el pasado.

Tendencia no lineal

Figura 2 Tendencia no lineal

Fuente: Anderson, 2008

7
 En la figura 2 se puede observar un crecimiento no lineal y al final del periodo

una etapa de estabilización, este tipo de graficas es propia en serie de datos cuando

por ejemplo se lanza un nuevo producto al mercado y este es bien aceptado, se da

un periodo de crecimiento y al final el mercado se estabiliza.

Tendencia lineal decreciente

Figura 3 Tendencia lineal decreciente

Fuente: Fuente: Anderson, 2008

En este tipo de datos se observa que en la medida que los datos aumentan

en el eje x los datos de y disminuyen, un ejemplo de ello es, cuando se aumentan

las tasas de interés, el número de créditos disminuye. Otro ejemplo es, cuando se

aumenta el número de policías, el índice de delitos disminuye.

8
Sin tendencia

Figura 4 Sin tendencia

Fuente: Fuente: Anderson, 2008

En una serie de datos de donde no se observa un patrón de comportamiento

de los datos, es decir, existe dispersión de estos se le conoce como serie de datos

sin tendencia (Anderson, 2008).

Subtema 3. Tendencia secular

Una de las tendencias que siguen algunas series de tiempo en el largo plazo

es la de un patrón uniforme con un cambio suave en su comportamiento.

9
 Según (Lind, 2012, p. 605) una tendencia secular es una “dirección uniforme

de una serie de tiempo de largo plazo”

La figura 5 nos muestra esta característica para este tipo de datos.

Figura 5 Hogares con televisor digital, 2009-2013 (porcentaje)

Fuente: Elaborado con datos de INEGI. Módulo sobre disponibilidad y uso de tecnología de la información en los hogares,
2013.

Esta gráfica se refiere a los hogares que tienen televisor digital, y que

corresponden al periodo 2009-2013, podemos observar un patrón de

comportamiento de crecimiento uniforme, es lógico pensar que este crecimiento no

da hacia el infinito, ya que tenderá a estabilizarse cuando se encuentre alguna

tecnología nueva que complemente o sustituya a los televisores digitales.

10
Subtema 4. Variaciones estacionales

Muchos productos se venden de acuerdo a ciertas temporadas del año o

más bien ciertas estaciones del año, por ejemplo la industria de los juguetes se

observará que sus ventas se incrementan en los meses de abril que se festeja el

día del niño, en navidad con la llegada de “Santa” o bien en enero con la llegada de

los “Reyes Magos”; también podemos ver que la compra de chamarras y suéteres

se incrementa en la época invernal o bien los trajes de baño incrementan sus ventas

en primavera y verano.

Por lo tanto, de acuerdo con Lind (2012), una variación estacional se define

como “Patrones de cambio en una serie de tiempo en un año. Estos patrones

tienden a repetirse cada año” (p. 607).

Figura 6 Estacionalidad de la venta de juguetes

Fuente: Elaboración propia basado en Lind (2012).

11
 En la figura 6 de venta de juguetes, se observa claramente que en los meses

de enero y diciembre las ventas tienden al alza, por lo tanto, este patrón de

comportamiento también se observará en los mismos meses de los siguientes años.

Subtema 5. Variaciones cíclicas

Las series de tiempo suelen mostrar secuencias de puntos que caen de

manera alternante arriba y abajo de la línea de tendencia. Toda sucesión recurrente

de puntos que caiga abajo y arriba de la línea de tendencia y que dure más de un

año puede atribuirse al componente cíclico de la serie de tiempo (Anderson, 2008,

p.769).

Figura 7 Unidades vendidas

Fuente: Elaboración propia basado en Anderson (2008)

12
 Observe, que por arriba de la línea de tendencia existen periodos de

prosperidad, y por abajo se dan periodos de recesión, note que de 1993 a 1994 se

da un periodo de recuperación y de 1994 a 1995 vuelve a existir un periodo de

prosperidad, durante el siguiente lapso se repite la tendencia, a esto llamamos

variación cíclica.

Subtema 6. Fluctuaciones irregulares

Este tipo de variación se divide en:

 Variaciones episódicas y;

 Variaciones residuales.

Las variaciones episódicas son impredecibles, pero es Factible determinarlas:

por ejemplo, los efectos de desastres naturales, huelgas o de un conflicto en la

economía no se pueden pronosticar.

13
 Posterior a la eliminación de las fluctuaciones episódicas, la variación restante

se llama variación residual. Las fluctuaciones residuales, habitualmente

denominadas fluctuaciones azarosas, son impredecibles y no se pueden

determinar. Por lo tanto, no es factible proyectar a futuro ni la variación episódica ni

la residual (Anderson, 2008).

Subtema 7. Modelos autorregresivos de promedios

móviles

Un promedio móvil es útil para suavizar una serie de tiempo y apreciar su

tendencia. Además, es el método básico para medir la fluctuación estacional.

Para aplicar el promedio móvil a una serie de tiempo, los datos deben seguir

una tendencia muy lineal (Lind, 2012).

En la tabla 2 aparecen las ventas históricas de los últimos 24 meses

correspondientes a los años 2016 y 2017de la empresa XYZ.

14
 Tabla 2

Ventas de la empresa XYZ, 2016-2017

Periodo Periodo
Meses Ventas Meses Ventas
2016 2017
1 Enero $82,841.00 13 Enero $141,560.00
2 Febrero $148,249.00 14 Febrero $144,018.00
3 Marzo $130,931.00 15 Marzo $80,198.00
4 Abril $125,044.00 16 Abril $138,629.00
5 Mayo $105,857.00 17 Mayo $137,590.00
6 Junio $98,434.00 18 Junio $157,352.00
7 Julio $100,698.00 19 Julio $140,202.00
8 Agosto $151,360.00 20 Agosto $121,612.00
9 Septiembre $134,601.00 21 Septiembre $157,340.00
10 Octubre $85,585.00 22 Octubre $126,053.00
11 Noviembre $136,790.00 23 Noviembre $151,663.00
12 Diciembre $83,716.00 24 Diciembre $159,183.00

Para generar los promedios móviles tenemos que sumar las cantidades

correspondientes a los meses de enero de 2016 y 2017, esto es de la siguiente

forma ($82,841.00+$141,560.00) = $112,200.50; para el mes de febrero es

$148,249.00 + $144,018.00) = $146,133.50. Este procedimiento lo tenemos que

realizar para todos los meses siguientes.

Posteriormente tenemos que calcular el promedio general sumando los

promedios de todos los meses y después dividirlo entre el total de los meses, en

este caso son 12 periodos.

15
 Finalmente, obtenemos el índice estacional, que resulta dividir cada mes

entre el promedio mensual, esto es, por ejemplo, para el mes de enero

($112,200.50/$126,646.08) = 0.8859; para febrero es ($146,133.50 / $126,646.08)

= 1.1539.

El índice estación al nos sirve para realizar algún tipo de pronóstico para los

siguientes periodos.

Tabla 3

PROMEDIOS MOVILES
MES DEMANDA PROMEDIO ÍNDICE ESTACIONAL
Enero $112,200.50 0.8859
Febrero $146,133.50 1.1539
Marzo $105,564.50 0.8335
Abril $131,836.50 1.0410
Mayo $121,723.50 0.9611
Junio $127,893.00 1.0098
Julio $120,450.00 0.9511
Agosto $136,486.00 1.0777
Septiembre $145,970.50 1.1526
Octubre $105,819.00 0.8355
Noviembre $144,226.50 1.1388
Diciembre $121,449.50 0.9590
Promedio mensual $126,646.08

16
Conclusiones

 Las series de tiempo son datos históricos que muestran un patrón de

comportamiento y que son registrados en periodos iguales, pueden ser:

mensuales, bimestrales, semestrales, anuales etc. Esto datos pueden

mostrar una tendencia positiva, negativa o sin un patrón de comportamiento.

 Los componentes de una serie de datos son tendencia secular, variaciones

estacionales, variaciones cíclicas y fluctuaciones irregulares.

Bibliografía

 Anderson, D. R., & Weeney, D. J. (2008). Estadística para administración y

economía. México, D.F.: Cengage Learning Editores.
 Levin, R. & Rubin, D. (2004). Estadística Para Administración y Economía,
séptima edición. México: Pearson Educación.
 Lind, D. A., & Marchal, W. G. (2012). Estadística Aplicada a los negocios y
economía. México, D.F.: McGraw-Hill.
 Mendenhall, W., & Beaver, R. J. (2010). Introducción a la probabilidad.
México, D.F.: Cengage Learning.
 Triola, M. (2004). Estadística Novena Edición. México: Pearson Educación.

17