INSTITUTO TECNOLOGICO SUPERIOR DE MISANTLA

INGENIERIA INDUSTRIAL SEMI-ESCOLARIZADO 401-B

ESTADISTICA INFERENCIAL II

UNIDAD ll

INVESTIGACIÓN

SERIES DEL TIEMPO

ALUMNO: JOSMAR ÁLVAREZ HERNÁNDEZ

PROFESOR (A): ING. DULCE ANGELICA RIVERA CARRERA

Misantla Ver, A 27 de junio del 2022

 ÍNDICE
2.1 MODELO CLÁSICO DE SERIES DE TIEMPO.............................................................4

2.2 ANÁLISIS DE FLUCTUACIONES................................................................................7

2.3 ANÁLISIS DE TENDENCIA........................................................................................12

2.4 ANÁLISIS DE VARIACIONES CÍCLICAS..................................................................14

2.5 MEDICIÓN DE VARIACIONES ESTACIONALES E IRREGULARES........................15

2.6 APLICACIÓN DE AJUSTES ESTACIONALES..........................................................16

2.7 PRONÓSTICOS BASADOS EN FACTORES DE TENDENCIA Y ESTACIONALES.

17 CONCLUSIÓN............................................................................................................. 19

BIBLIOGRAFÍA................................................................................................................ 20
 INTRODUCCIÓN
Toda institución, ya sea la familia, la empresa o el gobierno, tiene que hacer planes
para el futuro si ha de sobrevivir y progresar. Hoy en día diversas instituciones
requieren conocer el comportamiento futuro de ciertos fenómenos con el fin de
planificar, prever o prevenir.

La planificación racional exige prever los sucesos del futuro que probablemente vayan
a ocurrir. La previsión, a su vez, se suele basar en lo que ha ocurrido en el pasado. Se
tiene pues un nuevo tipo de inferencia estadística que se hace acerca del futuro de
alguna variable o compuesto de variables basándose en sucesos pasados. La técnica
más importante para hacer inferencias sobre el futuro con base en lo ocurrido en el
pasado, es el análisis de series de tiempo.

Son innumerables las aplicaciones que se pueden citar, en distintas áreas del
conocimiento, tales como, en economía, física, geofísica, química, electricidad, en
demografía, en marketing, en telecomunicaciones, en transporte, etc.

Uno de los problemas que intenta resolver las series de tiempo es el de predicción.
Esto es dado una serie {x(t1),..., x(tn)} nuestros objetivos de interés son describir el
comportamiento de la serie, investigar el mecanismo generador de la serie temporal,
buscar posibles patrones temporales que permitan sobrepasar la incertidumbre del
futuro.

En adelante se estudiará como construir un modelo para explicar la estructura y prever

la evolución de una variable que observamos a lo largo del tiempo. La variables de
interés puede ser macroeconómica (índice de precios al consumo, demanda de
electricidad, series de exportaciones o importaciones, etc.), microeconómica (ventas de
una empresa, existencias en un almacén, gastos en publicidad de un sector), física
(velocidad del viento en una central eólica, temperatura en un proceso, caudal de un
río, concentración en la atmósfera de un agente contaminante), o social (número de
nacimientos, matrimonios, defunciones, o votos a un partido político).
 2.1 MODELO CLÁSICO DE SERIES DE TIEMPO

El modelo clásico o de descomposición, considera que los datos de series

cronológicas están compuestos de cuatro patrones básicos:

1. La tendencia.
2. Las variaciones cíclicas.
3. Las variaciones estacionales.
4. Las variaciones irregulares.

El término “tendencia” se refiere a un desplazamiento de los datos de modo uniforme y

suave, a largo plazo, hacia arriba o hacia abajo. Las tendencias se pueden relacionar
con aspectos tales como cambios en la población (quizá influidos por el incremento de
personas jubiladas o a la disminución en la tasa de natalidad),
el establecimiento o abolición del servicio militar, cambios en las preferencias del
consumidor, aumento en el énfasis sobre la conservación de energía, etc.

Los componentes de una serie cronológica se pueden representar por separado.

Existe un patrón cíclico cuando las fluctuaciones muestran cierto grado de regularidad.
Los economistas han encontrado modelos cíclicos en la demanda de productos
duraderos y de tipo agrícola, inventarios de las empresas, precios en el mercado de
valores, así como la prosperidad.
Asimismo, existen pruebas de que las manchas solares, la lluvia y ciertas poblaciones
animales presentan patrones cíclicos. Los ciclos tienden a variar en términos de
regularidad, siendo algunos completamente regulares y otros un poco más
inconstantes. Aun entre los expertos existe poco acuerdo sobre las causas o remedios
para los ciclos.

Las variaciones estacionales son cíclicas y de plazo relativamente corto (un año o
menos), las cuales a menudo se relacionan con el cambio de estaciones (clima) o con
las variaciones.

Las variaciones irregulares se componen de cosas tales como desastres, huelgas y

todo lo restante después de haber considerado los primeros tres factores.

En el modelo clásico, el método consiste en descomponer una serie cronológica en

cada uno de estos componentes básicos de variación, analizar cada
componente en forma separada y combinar después las series a fin de descubrir las
variaciones observadas en la variable de estudio. El proceso de descomposición
comprende la separación sistemáticamente de cada componente a partir de los datos,
empezando con la tendencia.

El enfoque clásico para el análisis de los datos de series cronológicas intenta separar
componentes de tendencia, cíclicos, irregulares y estacionales de los datos, a fin de
analizar por separado cada uno de ellos.
Una serie cronológica puede estar compuesta de variaciones de tendencia, cíclicas y
estacionales. (Alec)

MODELOS MULTIPLICATIVO Y ADITIVO

Existen dos variaciones del modelo clásico. Una recibe el nombre de “multiplicativo” y
la otra, de “aditivo”. La primera de estas considera a una serie.
cronológica como si fuera la resultante del producto de los componentes
individuales, en tanto que laúltima la considera como si fuera la resultante de la
suma de los componentes individuales. De este modo, el modelo multiplicativo tiene
forma:

Donde:

T = componente de la tendencia C =
componente cíclico.
E = Componente estacional.
I = componente irregular

Y el modelo aditivo adquiere la forma:

En ambos modelos, la cifra de la tendencia es una cantidad real (por ejemplo, 20

000 busheles). En el modelo aditivo, C, E, e I también son cantidades reales, pero
en el modelo multiplicativo C, E, e I se expresan como porcentajes de la tendencia.
Aunque puede parecer más sencillo trabajar con el modelo aditivo, en el modelo
multiplicativo se utiliza más, debido principalmente a que representa de manera más
adecuada la experiencia real. Sin embargo, el criterio fundamental que se debe
seguir en el caso de una situación dada es utilizar el modelo que mejor se ajuste a
los datos.
 2.1 ANÁLISIS DE FLUCTUACIONES
El primer paso en un análisis de series de tiempo consiste en graficar los datos y
observar sus tendencias en el tiempo. Primero debe determinarse si parece haber un
movimiento hacia arriba o hacia abajo a largo plazo en la serie (una tendencia) o si la
serie parece oscilar alrededor de una recta horizontal en el tiempo. En este caso (es
decir, no hay tendencia positiva o negativa a largo plazo), puede emplearse el método
de promedios móviles o el de suavización exponencial para "emparejar” la serie y
proporcionar un panorama global a largo plazo.

Las fluctuaciones son movimientos de hacia arriba o hacia abajo variantes de magnitud
que presentan cuando los patrones cíclicos (variables) tienden a repetirse
constantemente en intervalos fijos observados.

Las fluctuaciones estacionales son variaciones que se repiten regularmente en un

periodo de un año. Existen dos objetivos generales para aislar el componente
estacional de una serie cronológica. El primero es eliminar el patrón, a fin de estudiar
las fluctuaciones cíclicas. La segunda finalidad es identificar factores estacionales, de
manera que se puedan considerar en la toma de decisiones. Por ejemplo, si una
compañía productora se la cuenta de que existen fluctuaciones estacionales en la
demanda de un determinado producto, es posible que desee ajustar sus presupuestos,
programas de producción, mano de obra e inventarios, teniendo esto en mente. Por lo
general, tales ajustes resultan muy costosos. Por ejemplo, la compañía puede buscar
un producto complementario el cual presente variaciones estacionales en su demanda
opuesta a las del mismo. La demanda de esquíes para nieve y para agua puede
presentar dichos patrones. De manera similar, la demanda de equipo de calefacción,
así como la de quipo para aire acondicionado puede tener patrones estacionales
opuestos. En otras ocasiones, los medios de publicidad y de promoción pueden
contrarrestarlas variaciones estacionales en la demanda.
Para probar y encarar los patrones estacionales, es necesario identificar y determinar
primero la extensión de estas variaciones. La técnica más difundida para el análisis
estacional es método de la razón de promedio móvil.
 Tabla. Eliminación de la tendencia en un modelo multiplicativo, mediante regresión
lineal.

METODOS DE PROMEDIOS
Aunque existen más métodos para pronosticar, por simplicidad presentamos
solamente dos, que consideramos los más usuales y sencillos de llevar a cabo.

Promedios móviles Suavización Exponencial

Estos métodos pueden utilizarse cuando:

a) Hay información disponible de las variables que se están pronosticando.

b) La información puede ser cuantificada.
c) Si se considera razonable que el patrón de comportamiento del pasado continuará
en el futuro. Si se cuenta con una base de datos histórica y se quiere pronosticar una
variable considerando su comportamiento pasado entonces podemos utilizar el método
de promedios móviles o el método de suavización exponencial que son conocidos
también como métodos de series de tiempo.

METODO DE PROMEDIO 8 MOVILES

La utilización de esta técnica supone que la serie de tiempo es estable, esto es, que
los datos que la componen se generan sin variaciones importantes entre un dato y otro
(𝑒𝑟𝑟𝑜𝑟 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑜 = 0), esto es, que el comportamiento de los datos, aunque muestren
un crecimiento o un decrecimiento lo hagan con una tendencia constante.

Cuando se usa el método de promedios móviles, se está suponiendo que todas las
observaciones de la serie de tiempo son igualmente importantes para la estimación del
parámetro a pronosticar (en este caso, los ingresos). De esta manera, se utiliza como
pronóstico para el siguiente periodo el promedio de los 𝑛 valores de los datos más
recientes de la serie de tiempo.

Utilizando una expresión matemática tenemos:

El término móvil indica que conforme se tienen una nueva observación de la serie de
tiempo, se reemplaza la observación más antigua de la ecuación y se calcula un nuevo
promedio. El resultado es que el promedio se moverá, esto es, conforme se tengan
nuevos datos y se vayan sustituyendo en la fórmula el valor del promedio irá
modificándose.

SUAVISACION EXPONENCIAL
A diferencia de los promedios móviles este método pronostica otorgando una
ponderación a los datos dependiendo del peso que tengan dentro del cálculo del
pronóstico. Esta ponderación se lleva a cabo a través de otorgarle un valor a la
constante de suavización 1 que puede ser mayor que cero y menor que uno. Para
nuestro ejemplo utilizamos un valor de 1 = 0.8, por ser éste el que mejor
 ajusta al pronóstico a los datos reales.

Por otro lado, si de hecho existe una tendencia, se pueden aplicar varios métodos de
pronóstico de series de tiempo al manejar datos anuales y otro método para losdatos
de series de tiempo mensual o trimestral.

El patrón o comportamiento de los datos en una serie de tiempo tiene diversos

componentes. El supuesto usual es que se combinan cuatro componentes separados:
La tendencia. El cíclico, el estacional y el irregular para definir valores específicos de la
serie de tiempo.

El gráfico de la serie permitirá:

a) Detectar Outlet: Se refiere a puntos de la serie que se escapan de lo normal. Un outlet

es una observación de la serie que corresponde a un comportamiento anormal del
fenómeno o a un error de medición. Se debe determinar desde fuera si un punto
dado es outlet o no, si se concluye que lo es, se debe omitir o reemplazar por otro valor
antes de analizar la serie.
b) Permite detectar tendencia: La tendencia representa al comportamiento
predominante de la serie. Esta puede ser definida vagamente como el cambio de la
media a lo largo de un periodo.
c) Variación estacional: La variación estacional representa un movimiento periódico de
la serie de tiempo. La duración de la unidad del periodo es
generalmente menor que un año, puede ser un trimestre o un mes o un día,
etcétera.

Matemáticamente podemos decir que la serie representa variación estacional si

existe un número tal que 𝑥(𝑡) = 𝑥 (𝑡 + 𝑘 ∗ 𝑠).

Las principales fuerzas que causan una variación estacional son las condiciones del
tiempo, como, por ejemplo:

En invierno, las ventas de helado. En verano la venta de lana.

Exportación de fruta en marzo.

Todos estos fenómenos presentan un comportamiento estacional.

Variaciones irregulares, (componente aleatoria): Los movimientos irregulares

 representan todos los tipos de movimientos de una serie de tiempo que no sea
tendencia, variaciones estacionales y fluctuaciones cíclicas.

Un modelo clásico para una serie de tiempos supone que una serie puede ser
expresada como suma o producto de 3 componentes; tendencia, estacionalidad
y un término de error aleatorio. (Javier, 2015)

Existen 3 modelos de series de tiempo que generalmente se aceptan como

buenas aproximaciones a las verdaderas relaciones entre los componentes de
los datos observados. Estos son.

Aditivo

𝑋(𝑡) = 𝑇(𝑡) +
𝐸(𝑡) + 𝐴(𝑡)

Multiplicativo

𝑋(𝑡) = 𝑇(𝑡) ∗
𝐸(𝑡) ∗ 𝐴(𝑡)

Mixto

𝑋(𝑡) = 𝑇(𝑡) ∗ 𝐸(𝑡) + 𝐴(𝑡)

 2.2 ANÁLISIS DE TENDENCIA

En el análisis de serie de tiempo, las mediciones pueden efectuarse cada hora, día,
semana, mes o año o en cualquier otro intervalo regular periódico. Aunque los datos
de serie de tiempo presentan, por lo general, fluctuaciones aleatorias, esta serie puede
mostrar también desplazamientos o movimientos graduales hacia valores
relativamente mayores o menores a lo largo de un lapso importante de tiempo. El
desplazamiento gradual de la serie de tiempo se llama tendencia

de esa serie; este desplazamiento o tendencia es, por lo común, el resultado de

factores a largo plazo, como cambios en la población, características demográficas de
la misma, la tecnología y/o las preferencias del consumidor. Por ejemplo, un fabricante
de bicicletas podría detectar cierta variabilidad, de año a año, en la cantidad de
bicicletas vendidas. Sin embargo, al revisar las ventas durante los últimos 10 años,
puede encontrar que hay un aumento gradual en el volumen anual de ventas. Suponga
que sus ventas fueron:

Este crecimiento anual de las ventas a través del tiempo muestra una tendencia
creciente de la serie de tiempo. La figura 5.4 presenta una recta que puede ser una
buena aproximación a la tendencia de las ventas de bicicletas. Aunque esa tendencia
parece ser lineal y aumentar con el tiempo a veces, en una serie de tiempo, la
tendencia se puede describir mejor mediante otros patrones.
Si al graficar nuestros datos observamos de manera clara la tendencia lineal a largo
plazo (no importando si es positiva o negativa), entonces estaremos en la posición de
pronosticar con un buen nivel de confianza, con alguno de los métodos que se
indicaran más adelante.
Esa tendencia podría ser una buena aproximación de las ventas de un producto, desde
su introducción, pasando por un periodo de crecimiento y llegando a una etapa
desaturación del mercado. La tendencia lineal decreciente en la sección B se aplica a
una serie de tiempo que tenga una disminución continua a través del tiempo. La recta
horizontal de la sección C representa una serie de tiempo que no tiene aumento o
disminución consistentes a través del tiempo y que, en consecuencia, no tiene
tendencia.

TENDENCIA SECULAR
Tendencias a largo plazo de las ventas, el empleo, los precios accionarios y de otras
series de negocios y económicas siguen varios patrones; algunas se mueven hacia
arriba de manera uniforme, otras declinan y otras más permanecen iguales con el paso
del tiempo. El cambio a través del tiempo puede ser lineal y seguir una línea recta, o
puede incrementarse a un ritmo exponencial; el cambio a largo plazo (o la ausencia de
cambio) se denomina tendencia de la serie de tiempo o, de manera más precisa, la
tendencia secular.

La tendencia secular es la dirección uniforme de una serie de tiempo de largo plazo.

2.3 ANÁLISIS DE VARIACIONES CÍCLICAS

Aunque una serie de tiempo puede presentar una tendencia a través de periodos
grandes, sus valores no caerán con exactitud sobre la línea de tendencia. De hecho,
con frecuencia estas series temporales presentan secuencias alternas de puntos abajo
y arribade la línea de tendencia. Toda secuencia recurrente de puntos arriba y debajo
de la línea de tendencia, que dura más de un año, se puede atribuir a un componente
cíclico de la serie. La figura 5.6 es la gráfica de una serie de tiempo con un
componente cíclico obvio. Las observaciones se hicieron con intervalos de un año.

Muchas series se tiempo presentan comportamiento cíclico con tramos regular es de

observaciones abajo y arriba de la línea de tendencia. En general, este
comportamiento de la serie se debe a movimientos cíclicos de la economía a
través de varios años. Por ejemplo, los periodos de inflación moderada seguidos de
periodos de inflación rápida pueden determinar series de tiempo que se alternan abajo
y arriba de una línea de tendencia ascendente en general (como la serie de tiempo de
los costos de vivienda). Diversas series de tiempo de principios de la década de los
ochenta presentaron este comportamiento.

2.1 MEDICIÓN DE VARIACIONES ESTACIONALES

EIRREGULARES
Mientras que la tendencia y los componentes cíclicos de una serie de tiempo se
identifican analizando los movimientos de datos históricos a través de varios años, hay
muchas series de tiempo que muestran un patrón regular dentro de un periodo de un
año. Por ejemplo, un fabricante de albercas inflables espera poca actividad de ventas
durante los meses de otoño e invierno, y ventas máximas en los de primavera y
verano. Los fabricantes de equipo para la nieve y de ropa de abrigo esperan un
comportamiento anual opuesto al del fabricante de albercas. No es de sorprender que
el componente de la serie de tiempo que representa la variabilidad en los datos, debida
a influencias de las estaciones, se llama componente estacional.
Aunque uno suele imaginarse que un movimiento estacional de una serie de tiempo
sucede dentro de un año, también se puede usar para representar cualquier patrón
regularmente repetitivo cuya duración sea menor de un año. Por ejemplo, los datos
diarios de intensidad de tráfico muestran un comportamiento “estacional” dentro del
mismo día, así se tiene que el flujo máximo se presenta durante las horas de
aglomeración, el moderado durante el resto del día y al caer la noche, y el mínimo a
partir de la medianoche hasta temprano por la mañana. El componente irregular de la
serie de tiempo es el factor residual, “mil usos”, que explica las desviaciones de la serie
de tiempo real respecto a los factores determinados por los efectos de la tendencia y
los componentes cíclicos y estacionales. Se debe a factores a corto plazo,
imprevisibles y no recurrentes que afecta a la serie de tiempo. Como este componente
explica la variabilidad aleatoria de la serie, es impredecible; de esta manera, no se
puede esperar predecir su impacto sobre la serie de tiempo.
 2.1 APLICACIÓN DE AJUSTES ESTACIONALES
Una aplicación frecuente de índices estacionales es la de ajustar datos de serie de
tiempo observados para eliminar la influencia del componente estacional en ellos; se
llaman datos con ajuste estacional. 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. 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. La serie que resultante se llama
ventas desestacionalizadas o ventas ajustadas estacionalmente.

La razón para desestacionalizar las series de ventas es similar las fluctuaciones

estacionales a fin de estudiar la tendencia y el ciclo. Para ilustrar el procedimiento, los
totales trimestrales de ventas de la empresa.
A fin de eliminar el efecto de la variación estacional, la cantidad estacional, la cantidad
de ventas para cada trimestre (que contiene efectos de tendencia, cíclicos, irregulares
y estaciónales) se divide entre el índice estacional de ese trimestre; esto es, TSCI/S.
Por ejemplo, las ventas reales para el primer trimestre de 1996 fueron 6.7millones de
dólares, el índice estacional par el trimestre de invierno es 76.5 el índice76.5 indica que
las ventas en el primer trimestre normalmente se encuentran 23.5%abajo del promedio
de un trimestre normal. Dividiendo las ventas reales $6.7 millones entre
76.5 y multiplicando el resultado por 100 se encuentra el valor de las ventas
desestacionalizadas del primer trimestre de 1996. El valor es $8758170 que se obtuvo
de ($6700000/76.5)100.

Este proceso se repite con los demás trimestres en la columna 3 de la tabla 5.2 y los
resultados se dan en millones de dólares. Puesto que la componente estacionalidades
contiene solo las componentes de tendencia (T), ciclo © e irregular (I). Al revisar las
ventas desestacionalizadas. Es claro que la eliminación del factor estacional permite
considerar la tendencia general a largo plazo de las ventas. También se podrá
determinarla ecuación de regresión de los datos de tendencia y usarla para pronosticar
ventas futuras.
 2.7 PRONÓSTICOS BASADOS EN FACTORES

DETENDENCIA Y ESTACIONALES
Como se indicó anteriormente el primer pasó en un análisis de series de tiempo,
consiste en graficar los datos y observar sus tendencias en el tiempo. Primero debe
determinarse si parece haber un movimiento hacia arriba o hacia abajo a largo plazo
en la serie (una tendencia) o si la serie parece oscilar alrededor de una recta
horizontal en el tiempo.

a) El método de promedios móviles: El método de pronóstico móvil se utiliza

cuando se quiere dar más importancia a conjuntos de datos más recientes para
obtener la previsión. Cada punto de una media móvil de una serie temporal es la
media aritmética de un número de puntos consecutivos de la serie, donde el número
de puntos es elegido de tal manera que los efectos estacionales y / o irregulares sean
eliminados.
b) El método de suavización exponencial: En el método de suavización o
suavizamiento exponencial se calcula el promedio de una serie de tiempo con un
mecanismo de autocorrección que busca ajustar los pronósticos en dirección opuesta a
las desviaciones del pasado mediante una corrección que se ve afectada por un
coeficiente de suavización.

El objetivo de ambos métodos es el de “emparejar” la serie y proporcionar un

panorama global a largo plazo. Por otro lado, si de hecho existe una tendencia, se
pueden aplicar varios métodos de pronóstico de series de tiempo al manejar datos
anuales, y otro método para los datos de series de tiempo mensual o trimestral.
 CONCLUSION
Las series de tiempo se han convertido en una herramienta multifuncional para muchos
campos de la ciencia, ayudando a prevenir fenómenos o sucesos que, de una manera
u otra, afectarían directamente al resultado de algún procedimiento o experimento.

Una serie de tiempo es un conjunto de observaciones sobre los valores que toma una
variable (cuantitativa) a través del tiempo. Por tanto, una serie de tiempo es una forma
estructurada de representar datos.

Los datos se pueden comportar de diferentes maneras a través del tiempo: puede que
se presente una tendencia, estacionalidad o simplemente no presenten una forma
definida.

Representar los datos del negocio como series de tiempo suele ayudar a las empresas
a visualizar la actividad del negocio. A su vez, usualmente las series de tiempo se
utilizan para predecir el comportamiento futuro de la variable medida.
Todo pronóstico tiene asociado un alcance, pudiendo ser de corto, mediano o largo
plazo. A modo general se presenta la siguiente tabla resumen, no obstante, el alcance
varía de acuerdo con la industria.
 REFERENCIAS

Raúl, J. G. (Agosto de 2012). Estadística Inferencial II. Obtenido de Instituto

Tecnológico de Ensenada: https://www.academia.edu/8137314/Estad
%C3%ADstica_Inferencial_II

WALPOLE, R.; MAYERS, R.H.; MAYERS, S.L. 1998. Sexta edición. Probabilidad y
Estadística Para Ingenieros. Pearson Educación

Javier, S. (03 de Febrero de 2015). 5.2 Analisis de Fluctuaciones. Obtenido

deSCRIBD: https://es.scribd.com/document/254518046/5-2-Analisis- de-
Fluctuaciones
Alec, A. (s.f.). 2.1 Modelo clásico de series de tiempo. Obtenido de Academia:
https://www.academia.edu/36703120/2_1_Modelo_cl%C3%A1sico_de_seri
es_de_tiempo#:~:text=En%20el%20modelo%20cl%C3%A1sico%2C%20el, en
%20la%20variable%20de%20estudio.