SERIES DE TIEMPO

SERIES DE
TIEMPO
 Una serie de tiempo es el conjunto de observaciones
producidas en determinados momentos durante un
período, ya sea semanal, trimestral o anual, generalmente
a intervalos iguales.
EJEMPLOS

Ventas de una empresa Cantidad de lluvia caída

en los últimos cinco años cada trimestre en los
últimos dos años
Producto Interno
Bruto Año a Año
 • Propósito de la serie de tiempo

– Predecir o proyectar
los valores futuros de 28 Variabl
la variable a partir de 26
Actual
Fits

observaciones 24
Forecas
95.0% P

Smoothing C ons
22 A lpha 0.6
Accuracy Measu
20 MAPE 14.4
MAD 2.7
18 MSD 10.5

16

14

12
1 2 3 45 6 7 89 10 11 12 13
Index
 El comportamiento de cualquier serie de tiempo puede
observarse gráficamente, no en todos los casos es
posible distinguir las particularidades que cada una
puede contener.

 Estos movimientos son llamados componentes de una

serie de tiempo, y que se supone son causados por
fenómenos distintos.
COMPONENTES

TENDENCIA (T)

VARIACIONES
SERIES CICLICAS (C)
TEMPORALES

VARIACIONES
ESTACIONALES (E)

VARIACIONES
IRREGULARES (I)
 Componente de tendencia
TENDENCIA (T) :
Es un movimiento a lo largo de los valores de la serie de tiempo durante un
número prolongado de años, son tendencias a largo plazo las ventas, el
precio de las acciones, el empleo y otras series económicas y comerciales.

 Es un Se da por los

comportamiento Por cambios en
cambios de la
que se obaseva a las tendencias
largo plazo producticvidad a
demográficas
largo plazo

• Se observa en Aceptación de Los cambios

un periodo un producto. tecnológicos.
amplio
Componente de tendencia
 Componente cíclico
VARIACIONES CICLICAS (C) :
Movimientos recurrentes hacia arriba y hacia abajo con respecto a la
tendencia y que tienen duración de varios años.

Se da por los ciclos Se caracteriza

Es la fluctuación en de la actividad
forma de onda también porque su
económica, los duración es
alrrededor de la ciclos de los
tendencia irregular
negocios, de los
productos , entre
otros.
 Son oscilaciones de larga duración alrededor de la curva de tendencia,
los cuales pueden o no ser periódicos. Se caracterizan por tener lapsos
de expansión y contracción.
 Solo se consideran movimientos cíclicos si se producen en un intervalo
de tiempo superior al año.
 Componente estacional
VARIACIONES ESTACIONALES (E) :
Movimientos hacia arriba y abajo con respecto a la tendencia y que no
duran más de un año.

Este es el caso de
Es un patrón de En este componente
cambio que se repite influye el clima y el productos agrícolas
y ventas de útiles
año tras año. año calendario.
escolares, entre
otros.
 El componente estacional se refiere a un patrón de cambio
que se repite a si mismo año tras año. En el caso de series
mensuales, el componente estacional mide la variabilidad
de las series, por ejemplo, de enero, febrero, etc. En las
series trimestrales hay cuatro elementos estaciónales, uno
para cada trimestre.
 Componente aleatorio
VARIACIONES IRREGULARES (I) :
Son Variaciones erráticas con respecto a la tendencia, que no pueden
adjudicarse a efectos estacionales o cíclicos.

Es la variabilidad de la Son factores que no

serie de datos corresponden a la
después de eliminar tendencia, a ala
los otros estacionalidad, ni a los
componentes. ciclos de la variable.
 La mayoría de los componentes irregulares se conforman de
variabilidad aleatoria, si embargo, los sucesos impredecibles pueden
provocar irregularidad en una variable.

 En un estudio de la producción diaria en una fábrica se presentó la

siguiente situación:

 Los puntos enmarcados en un círculo corresponden a un

comportamiento anormal de la serie. Al investigar estos dos puntos se
vio que correspondían a dos días de paro, lo que naturalmente afectó
la producción en esos días. El problema fue solucionado eliminando
las observaciones e interpolando.
SERIES TEMPORALES
 EN
CONCLUSIÓN
 Las series de tiempo ayudan a describir, explicar,
predecir y controlar aquellos procesos que de alguna manera se
presentan en el tiempo, si bien tenemos que recordar que la observación
se realiza 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 para tomar decisiones
importantes.
 El análisis
 El primer paso para analizar una serie de tiempo es graficarla, esto
permite: identificar la tendencia, la ciclicidad, la estacionalidad y
las variaciones irregulares.
 Los métodos se pueden dividir en tres categorías principales:

Extrapolativos
o de
Series de tiempo

Métodos de
análisis

Causales o Cualitativos o
Explicativos Estimativos
Métodos cualitativos o estimativos.
■ Cuando no se cuenta con datos históricos, aún incluso cuando existen,
pueden no ser representativos de las condiciones futuras. Algunas de
las pruebas que pueden llevarse a cabo son estimados de la forma en
que piensan las personas, muestreo de sus reacciones en las pruebas
de mercado, el conocimiento del comportamiento del consumidor y
analogías similares.
■ No es posible crear datos que no existe. Los métodos cualitativos
tienen una importancia considerable porque establecen las bases
para la toma de decisiones.
■ Los métodos más utilizados son: El Método Delphi, Investigaciones de
mercado, Análisis de analogías históricas y ciclos de vida, Pronósticos
basados en escenarios.
Métodos Causales o Explicativos

■ Cuando se cuenta son suficientes datos históricos y experiencia, puede

ser factible relacionar los pronósticos con ciertos factores económicos
que provocan las tendencias, estacionalidades y ciclicidades. Se
expresan con relaciones matemáticas entre los factores causales y la
demanda para el cual se elabora el pronostico.
■ Existen dos tipos generales de modelos causales: Análisis de regresión
y Métodos econométricos.
Método de mínimos cuadrados
• Ecuación de regresión lineal

Yˆ b0  b1 X
Donde:
b0 : Intercepto
b1 : Pendiente de la
recta
 XY   Xn Y
b0  Y  b 1 X
 X
b1  X 2

2
n
 Ejemplo

• En la siguiente tabla se
presentan las ventas
automotrices para Arthur
Momitor durante los últimos
doce meses, estime su
ecuación de regresión.
 Exactitud del pronóstico
Venta de motonieves para Error del Pronóstico
Arthur Momitor EP  Valor real - pronóstico
90

80
Error Absoluto Medio
70
EAM  prom EP
60

50
Error PorcentualAbsoluto Medio
EPAM  promEPA100
40

30

20
y = -0.181x + 60.18
R² = 0.002 Error PorcentualAbsoluto
10
EP
 
0
EPA   100
0 2 4 6 8 10 12 14
Valor real  
 y = -0.181x + 60.18
• Exactitud del pronóstico
Error de valor Error porcentual del
Ventas pronostico absoluto pronóstico valor absoluto del
Mes (US$100) Pronostico error porcentual
(EP) del EP (EP/Vreal)

1 Enero 51
2 Febrero 81
3 Marzo 47
4 Abril 65
5 Mayo 50
6 Junio 73
7 Julio 45
8 Agosto 60
9 Septiembre 50
10 Octubre 79
11 Noviembre 45
12 Diciembre 62
• Exactitud del pronóstico

Error de valor absoluto del

Error porcentual
valor absoluto del
V real Pronostico pronostico (EP) del pronóstico
EP error porcentual
(EP/Vreal)

1 Enero 51
2 Febrero 81 59.8
3 Marzo 47 59.6
4 Abril 65 59.5
5 Mayo 50 59.3
6 Junio 73 59.1
7 Julio 45 58.9
8 Agosto 60 58.7
9 Septiembre 50 58.6
10 Octubre 79 58.4
11 Noviembre 45 58.2
12 Diciembre 62 58.0
• Exactitud del pronóstico

Error de valor absoluto del

Error porcentual
valor absoluto del EP
V real Pronostico pronostico (EP) del pronóstico
error porcentual
(EP/Vreal)

1 Enero 51
2 Febrero 81 59.8 21.18
3 Marzo 47 59.6 -12.64
4 Abril 65 59.5 5.54
5 Mayo 50 59.3 -9.28
6 Junio 73 59.1 13.91
7 Julio 45 58.9 -13.91
8 Agosto 60 58.7 1.27
9 Septiembre 50 58.6 -8.55
10 Octubre 79 58.4 20.63
11 Noviembre 45 58.2 -13.19
12 Diciembre 62 58.0 3.99
• Exactitud del pronóstico

Error de valor absoluto del

Error porcentual
valor absoluto del EP
del
V real Pronostico pronostico (EP) pronóstico
error porcentual
(EP/Vreal)

1 Enero 51
2 Febrero 81 59.8 21.18 21.18
3 Marzo 47 59.6 -12.64 12.64
4 Abril 65 59.5 5.54 5.54
5 Mayo 50 59.3 -9.28 9.28
6 Junio 73 59.1 13.91 13.91
7 Julio 45 58.9 -13.91 13.91
8 Agosto 60 58.7 1.27 1.27
9 Septiembre 50 58.6 -8.55 8.55
10 Octubre 79 58.4 20.63 20.63
11 Noviembre 45 58.2 -13.19 13.19
12 Diciembre 62 58.0 3.99 3.99
• Exactitud del pronóstico

Error de valor absoluto de l

Error porcentual
valor absoluto del
V real Pronostico pronostico (EP) EP del pronóstico
error porcentual
(EP/Vreal)

1 Enero 51
2 Febrero 81 59.8 21.18 21.18 26.15%
3 Marzo 47 59.6 -12.64 12.64 -26.89%
4 Abril 65 59.5 5.54 5.54 8.53%
5 Mayo 50 59.3 -9.28 9.28 -18.55%
6 Junio 73 59.1 13.91 13.91 19.05%
7 Julio 45 58.9 -13.91 13.91 -30.92%
8 Agosto 60 58.7 1.27 1.27 2.11%
9 Septiembre 50 58.6 -8.55 8.55 -17.10%
10 Octubre 79 58.4 20.63 20.63 26.11%
11 Noviembre 45 58.2 -13.19 13.19 -29.31%
12 Diciembre 62 58.0 3.99 3.99 6.44%
• Exactitud del pronóstico

Error de valor absoluto de Error porcentual valor absoluto del

V real Pronostico l
pronostico (EP) EP del pronóstico error porcentual
(EP/Vreal)

1 Enero 51
2 Febrero 81 59.8 21.18 21.18 26.15% 26.15%
3 Marzo 47 59.6 -12.64 12.64 -26.89% 26.89%
4 Abril 65 59.5 5.54 5.54 8.53% 8.53%
5 Mayo 50 59.3 -9.28 9.28 -18.55% 18.55%
6 Junio 73 59.1 13.91 13.91 19.05% 19.05%
7 Julio 45 58.9 -13.91 13.91 -30.92% 30.92%
8 Agosto 60 58.7 1.27 1.27 2.11% 2.11%
9 Septiembre 50 58.6 -8.55 8.55 -17.10% 17.10%
10 Octubre 79 58.4 20.63 20.63 26.11% 26.11%
11 Noviembre 45 58.2 -13.19 13.19 -29.31% 29.31%
12 Diciembre 62 58.0 3.99 3.99 6.44% 6.44%
 • Exactitud del pronóstico
Error de valor absoluto de Error porcentual valor absoluto del
V real Pronostico l
pronostico (EP) EP del pronóstico error porcentual
(EP/Vreal)

1 Enero 51
2 Febrero 81 59.8 21.18 21.18 26.15% 26.15%
3 Marzo 47 59.6 -12.64 12.64 -26.89% 26.89%
4 Abril 65 59.5 5.54 5.54 8.53% 8.53%
5 Mayo 50 59.3 -9.28 9.28 -18.55% 18.55%
6 Junio 73 59.1 13.91 13.91 19.05% 19.05%
7 Julio 58.9
45 -13.91 13.91 -30.92% 30.92%
8 Agosto
60 58.7 1.27 1.27 2.11% 2.11%
9 Septiembre
50 58.6 -8.55 8.55 -17.10% 17.10%
10 Octubre
79 58.4 20.63 20.63 26.11% 26.11%
Noviembre
11 45 58.2 -13.19 13.19 -29.31% 29.31%
Diciembre
12 62 58.0 3.99 3.99 6.44% 6.44%

11.28 19.20%
Métodos Extrapolativos o de series
de tiempo.

■ Estos métodos buscan identificar secuencias y tendencias en los datos

históricos. La mayoría de estas secuencias dependen de cuatro
componentes de la demanda: tendencia, estacionalidad, ciclicidad y
variación aleatoria. Lo adecuado de los métodos extrapolativos
dependerá de cuales de los componentes de la demanda operan en
una situación dada.
 Método de promedios móviles

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

recientes de una serie de tiempo.

PM = Σ (n valores más recientes)/n

• A medida que se dispone del nuevo valor de un dato de una serie de

tiempo, la nueva observación reemplaza a la antigua en la serie de n
valores como base para determinar el nuevo promedio, lo que explica el
motivo de que se llame promedio móvil.
Método de promedios móviles
El promedio móvil
puede servir para

Es un método
Pronosticar los adecuado de
valores de datos pronóstico cuando en
del siguiente
los datos no está
periodo de la serie presente la influencia
de tiempo, pero no de una tendencia,
los de datos de cíclica o estacional,
periodos más situación por demás
distantes a futuro. improbable.

Así, este procedimiento sirve sencillamente para promediar el

componente irregular de los datos recientes de una serie de tiempo
En lugar de incluir todas las observaciones, se determina por anticipado,
cuantas observaciones serán incluidas en el promedio.

Ventas de Gasolina

∑
23
Y t 22
F t+1 =
T 21

20

19
Media =19.25
18

17

16

15

14
1 2 3 4 5 6 7 8 9 10 11 12
Semana

Útil para series equilibradas alrededor de un valor central y con varianza

constante, permite eliminar movimientos erráticos. No maneja bien las
tendencias o estacionalidades.
Promedio móviles de 3 y 5
Semana Ventas PM(3) PM(5)
1 17
2 21
3 19
4 23 19
5 18 21
6 16 20 19.6
7 20 19 19.4
8 18 18 19.2
9 22 18 19
10 20 20 18.8
11 15 20 19.2
12 22 19 19
19 19.4
Gráficos de los Promedios Móviles(3)
Moving Average Plot for Ventas
26 Variable
Actual
Fits
24
Forecasts
95.0% PI
22 Moving Average
Length 3

20 Accuracy Measures
MAPE 14.3566
MAD 2.6667
18 MSD 10.2222

16

14

12
1 2 3 4 5 6 7 8 9 10 11 12 13
Index
Gráficos de los Promedios Móviles(5)
Moving Average Plot for Ventas
25.0 Variable
Actual
Fits
Forecasts
22.5 95.0% PI

Moving Average
Length 5

Accuracy Measures
20.0
MAPE 13.3485
MAD 2.4000
MSD 7.4057

17.5

15.0

1 2 3 4 5 6 7 8 9 10 11 12 13
Index

Cuanto más largo es el periodo, más suavizada es la curva

(esto es, minimiza las oscilaciones).