Componentes de tendencia y estacional

Desestacionalización de las series de tiempo

El propósito de determinar índices estacionales es precisamente eliminar los efectos estacionales
de una serie de tiempo. Este proceso se conoce como desestacionalización de las series de
tiempo. Con la notación del modelo multiplicativo.
En la tabla de la izquierda se resume la serie de tiempo desestacionalizada para las
ventas de televisores (usado como ejemplo), y se muestra una gráfica de la serie de
tiempo desestacionalizada de las ventas de televisores.
Ahora, debemos de considerar que al dividir cada observación de serie de tiempo
entre el índice estacional correspondiente se elimina el efecto estacional de la serie de
tiempo.
 ANÁLISIS DE REGRESIÓN
Involucra variable independiente y dependiente que se relacionan a través de una recta
(análisis de regresión lineal simple), pero cuando integra dos o más variables
independientes (análisis de regresión múltiple).

Análisis de Regresión para pronósticos casual

Por ejemplo, la gerencia quiere pronosticar las ventas de un restaurante que considera abrir
cerca de un campus universitario. Como no cuentan con datos históricos de ventas para un
restaurante nuevo, no puede utilizar datos de series de tiempo para elaborar el pronóstico pero se
puede utilizar el análisis de regresión para pronosticar las ventas trimestrales. Para desarrollar la
ecuación se reunió datos de una muestra de 10 de sus restaurantes localizados cerca de
campus universitarios.
Esos datos nos darán el diagrama de dispersión (que está al costado). Aquí el tamaño de la
población estudiantil se muestra en el eje horizontal, con las ventas trimestrales en el eje
vertical. Aquí se puede observar que las ventas parecen ser mayores en los campus con
poblaciones estudiantiles más grandes; aquí vamos a trazar una recta, al final nos queda una
recta que no enlaza todos los datos.
Pero si logramos desarrollar la expresión matemática para esta recta, tal vez podamos
emplearla para pronosticar el valor de y que corresponde a cada valor posible de x. La
ecuación de la recta resultante se llama ecuación de regresión estimada.
Desarrollo de expresión matemática con el método de estimación por mínimos cuadrados yˆ = b0 + b1 x
Utilizamos los datos muestrales y las ecuaciones siguientes para calcular el intercepto b0 y la
pendiente b1 Ʃ 𝒙 𝒚 Ʃ 𝒙 𝒚 /𝒏
𝒊 𝒊 ( 𝒊 𝒊 )
𝒃𝟏 = Bo = B sub cero + b1 = b sub uno, equis
𝟏−( Ʃ 𝒙𝒊 ¿
Ʃ 𝒙𝟐 𝟐
/𝒏
𝒃𝟎 = ӯ − 𝒃𝟏 𝒙
Tomaremos en consideración este cuadro donde hemos colocado más datos, aquí contamos con las
variables x, y, x por y, y x al cuadrado. Luego reemplazamos datos en el intercepto y la pendiente

𝟐𝟏 .𝟎𝟒𝟎 − ( 𝟏𝟒𝟎 ) ( 𝟏𝟑𝟎𝟎 ) / 𝟏𝟎

𝒃𝟏 = =𝟓
𝟐𝟓𝟐𝟖 − ( 𝟏𝟒𝟎 ) / 𝟏𝟎
𝟐

𝒃𝟎 =𝟏𝟑𝟎 − 𝟓 ( 𝟏𝟒 ) =𝟔𝟎
Por tanto, la ecuación de regresión estimada encontrada mediante el método de
mínimos cuadrados es yˆ = 60 + 5x
La pendiente de la ecuación de regresión estimada (b1 = 5) es positiva, lo que nos
indica que a medida que la población estudiantil aumenta, las ventas trimestrales se
incrementan lo cual está representado en el diagrama

Ahora, ya sabiendo esto, digamos que por ejemplo se desea pronosticar ventas
trimestrales de un restaurant ubicado cerca a un campus con 16.000
estudiantes, calcularíamos con la ecuación
Calcularíamos yˆ = 60 + 5(16) = 140
Pronosticaríamos $140,000 ventas trimestrales
De esta manera se realiza un análisis de regresión para pronósticos casual
 Análisis de Regresión con Datos Series de
Tiempo
Aquí se realiza el análisis de regresión múltiple para elaborar pronósticos cuando se cuenta con datos de
serie de tiempo. Para utilizar el análisis de regresión múltiple necesitamos una muestra de observaciones
para la variable dependiente y todas las variables independientes.
Por ejemplo, en el análisis de series de tiempo, los n periodos de los datos de series de tiempo
proporcionan una muestra de n observaciones para cada variable. Se verían por ejemplo

= valor real de la serie de tiempo en el periodo t

= valor de la variable 1 en el periodo t
= valor de la variable 2 en el periodo t
.
.
= valor de la variable k en el periodo t
 Los n periodos de datos necesarios para desarrollar la ecuación de regresión estimada se
verían como sigue:

Como vemos se pueden hacer varias elecciones cuando se seleccionan las variables
independientes en un modelo de elaboración de pronósticos. Una opción posible (como en
este caso) es simplemente el tiempo.

Pero por lo general, durante el desarrollo de una ecuación de regresión estimada, queremos
considerar muchos conjuntos posibles de variables independientes. Por tanto, parte del
procedimiento del análisis de regresión debe enfocarse en la selección del conjunto de
variables independientes que proporciona el mejor modelo de elaboración de pronósticos.