Universidad de Oriente

Ncleo de Nueva Esparta

Escuela de Hotelera y Turismo
Coordinacin de Contadura Pblica
Ctedra: Estadstica II

Series Cronolgicas o Series de Tiempo

AUTORES:
Colmenares, Roselin
Manrufo, Gnesis
Valds S., Ana M.

Guatamare, Julio de 2014

INTRODUCCIN

Los lineamientos para poder desarrollar pronsticos se basan en la

recoleccin 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 ms que la
recoleccin de datos para alguna variable durante el tiempo.
El Anlisis de la serie de tiempo, temporal o cronolgica se usa para
estudiar la relacin causal entre diversas

variables que cambian con el

tiempo y se influye entre s. Desde el punto de vista probabilstico una serie

temporal es una secesin de variables aleatorias indexadas segn parmetro
creciente con el tiempo. Y para poder obtener resultados de ese anlisis de
serie de tiempo debemos tener en cuenta los diferentes comportamientos de
las series de tiempo, los cuales son cuatro componentes: La tendencia, la
variacin cclica, la variacin estacional y la variacin irregular. En donde la
tendencia es a largo plazo sin alteraciones de una serie de tiempo. La cclica,
es aquella que a travs del periodo de tiempo analizado se producen
ascensos y descensos en varias oportunidades. La estacional, es la que
tiene como caracterstica de variacin regular dentro de un ao y que a su
vez se repite cada ao y por ltimo la irregular, la cual es la que adiciona las
caractersticas anteriores pero adems tiene comportamientos extraos
imprevisibles que se dan generalmente en el corto plazo.
Muchas series temporales tienen una tendencia creciente (por
ejemplo, el nmero de telfonos celulares y equipos electrnicos en uso en
Venezuela durante los ltimos 15 aos) o decreciente (por ejemplo, la
produccin en Venezuela durante los ltimos 15 aos), otras no tienen
tendencia (la luminosidad a horas sucesivas, que vara cclicamente a lo
largo de las 24 horas del da) y son estacionarias.

El anlisis de series de tiempo desempea un papel importante en

anlisis requerido para el pronstico de eventos futuros, basndonos en
datos histricos.
Existen varios modelos o mtodos de calcular cual va a ser la
tendencia del comportamiento del proceso de la serie de tiempo, entre estos
estn; el mtodo de lnea, exponencial y el de la parbola o de segundo
grado.
Para poder pronosticar cul es el comportamiento futuro de una
variable en funcin a estas caractersticas de comportamiento, es necesario
poder representarlo matemticamente a travs de las Tcnicas de
Suavizamiento, las cuales son (Promedios Mviles y Suavizamiento
Exponencial), debido a que su objetivo es suavizar la variacin causada en el
comportamiento irregular de la serie de tiempo.

INDICE
Pg
.
INTRODUCCIN
1.- DEFINICINES DE SERIES CRONOLOGICAS DE TIEMPO
Definiciones...6 - 8
Grficos.... 7
2.- DEFINICIONES DE ANALISIS DE LA SERIE DE TIEMPO
Definiciones..8 - 10
Tabla 15.1........................................ 9
2.1. - Propsitos de la Serie de Tiempo.. 10
2.2.- En qu Consiste la Serie de Tiempo?..11
2.3- Objetivos de la Serie de Tiempo11
2.4.- Finalidad de la Serie de Tiempo..11
3.- COMPONENTES DE LA SERIE DE TIEMPO.12-23
Tendencia
Variacin Estacional
Variacin o Fluctuacin Cclica
Variacin Irregular o Aleatoria
Anlisis de Tendencia
4.- MODELOS DE LA SERIE DE TIEMPO..23-25

Modelo Lineal
Modelo Exponencial
Modelo Cuadrtico
5. - TCNICAS DE SUAVIZAMIENTO DE UNA SERIE CRONOLOGICAS
Promedios Mviles..26-34
Tabla 13.2
Tabla 13.3
Suavizado Exponencial
6. ERROR DE ESTIMACIN DE LA SERIE DE TIEMPO....35-36
Tabla 13.4
Tabla 13.5
7. EJERCICIOS O EJEMPLOS37-41

CONCLUSIN
REFERENCIAS BIBLIOGRAFICAS

1. Definiciones de Series Cronolgicas o Series de Tiempo:

Define serie de tiempo (Webster, Allen L., 2000, pg. 413) como; Una
recoleccin de datos para alguna variable o conjunto de variables durante
varios periodos.
Expresan Levin, Richard I., Rubin David S. (1.996 P.853) el trmino serie
temporal para referirse a cualquier grupo de informacin estadstica que se
acumula a cualquier tipo de intervalos regulares.
Mark L. Berenson, David M. Levine (1996, p.859) sealan que:
Series de tiempo, es un conjunto de datos numricos que se obtienen en
periodos regulares a travs 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
economa o en los negocios es la publicacin mensual del ndice 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, pg. 313) Define serie de tiempo:

Una serie de tiempo es un conjunto de valores observados, como datos de
produccin 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 nmero de
trabajadores empleados en una industria en particular durante una serie de
aos. Una serie de tiempo se representa grficamente por medio de una
grafica de lneas, 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 lneas que describe las ventas
anuales en dlares de una compaa (ficticia) fabricante de software para
grficos constituida en 1990. Como puede observarse, en 1995 se alcanzo
una cumbre en ventas anuales, seguida por dos aos de descenso en las
ventas que culminaron en el valle de 1997, seguido a su vez por crecientes
niveles de ventas durante los ltimos tres aos de los valores de la serie de
tiempos reportados.

Ventas Anuales (en miles de pesos)

Ao
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
Totales

Ao Codificado
(X)
0
1
2
3
4
5
6
7
8
9
10
55

Ventas en Miles
(Y)
0,2
0,4
0,5
0,9
1,1
1,5
1,3
1,1
1,7
1,9
2,3
12,9

XY
0,0
0,4
1,0
2,7
4,4
7,5
7,8
7,7
13,6
17,1
23,0
85,2

X2
0
1
4
9
16
25
36
49
64
81
100
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

(Vsquez, 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,
sucesin 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 fenmeno
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 sera no
equiespaciada.

2. Definiciones del Anlisis de Serie de Tiempo:

Definen Anlisis de series temporales Berenson, David M. Levine (1996,
p.859) como la, suposicin bsica que subyace en los factores que han
ocasionado patrones de actividad en el pasado y en el presente continuaran
hacindolo ms o menos de la misma forma en el futuro.
Define Anlisis de serie de tiempo (Vsquez, Deyanira), como un
conjunto de valores observados, expresados como datos de produccin o
ventas durante una serie de periodos temporales secuencialmente
ordenados. Las series de tiempo estudian la variacin de los fenmenos que
se presentan a travs del tiempo.
(Kasmier, Leonard J., 1998) Seala:
El anlisis de la serie de tiempo es el procedimiento por el cual se identifican
y aslan los factores relacionados con el tiempo que influyen en los valores

observados en las series de tiempo. Una vez identificados, estos factores

pueden contribuir a la interpretacin de los valores histricos de series de
tiempo y a pronosticar valores futuros de series de tiempo.

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

El anlisis de series temporales es un mtodo cuantitativo que utilizamos
para determinar patrones en los datos recolectados a travs del tiempo La
tabla 15-1 es un ejemplo de datos de serie temporal.
El anlisis de series temporales se utiliza para detectar patrones de cambio
en la informacin estadstica durante intervalos regulares de tiempo.
Proyectamos estos patrones para obtener una estimacin para el futuro. En
consecuencia, el anlisis de series temporales nos ayuda a tener una visin
con incertidumbre acerca del futuro.

Tabla 15-1
Serie Temporal para el nmero de naves cargadas en Morehead, Carolina
del Norte
Ao
Nmero

1985
98

1986
105

1987
116

1988
119

1989
135

1990
156

1991
177

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

El conjunto de valores observados expresados como datos de produccin o
ventas durante una serie de periodos temporales secuencialmente
ponderados. La serie cronolgicas o series de tiempo son aquellas que
estudian las variaciones de los fenmenos que se presentan a travs del
tiempo.
Aplicaciones del anlisis de la serie de tiempo:

El producto nacional bruto anual de un determinado pas.

Los ndices de precios al consumidor de un pas en un determinado
ao.
Las ventas generadas en una empresa por la produccin mensual de
un determinado artculo.
El nmero de estudiantes inscritos en un semestre determinado en
una universidad.
El nmero de trabajadores empleados en una empresa en los ltimos
aos entre otros.

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

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

1992
208

Una serie de tiempo se representa grficamente a travs de una grafica de

lneas 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, ndices o frecuencias de la serie de tiempo estudiada.

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

Anlisis de serie de tiempo: es el conjunto de valores observados
expresados como datos de produccin o ventas durante una serie de
periodos temporales secuencialmente ponderados. La serie cronolgicas o
series de tiempo son aquellas que estudian las variaciones de los fenmenos
que se presentan a travs del tiempo.

2.1.

Propsitos del Anlisis de la Serie de Tiempo:

(Webster, Allen L., 2000) Seala que:

El Propsito del anlisis de las serie de tiempo es predecir o proyectar los
valores futuros de la variable a partir de observaciones anteriores. Un
mtodo directo es el mtodo intuitivo o de proyeccin, 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 ms simple puede expresarse como:
Modelo de Proyeccin Intuitivo:
En donde t+1 es el estimado del valor de la serie de tiempo en el siguiente
perodo t + a, y Yt es el valor real en el periodo corriente t. Este mtodo 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 direccin sbitamente. Tales movimientos son
anlogos a un paseo nocturno a ningn sitio en especial. Cuando llega a una
interseccin, decide aleatoriamente, quiz lanzando una moneda, qu
camino tomar. Tal aleatoriedad no puede predecirse, y lo mejor que se
puede hacer es utilizar la observacin mas reciente como prediccin para el
siguiente valor. Este mtodo de pronstico es ms exitoso para los datos
que se recogen para intervalos cortos de tiempo, tales como los diarios o los
semanales. Sin embargo, la mayora de las series de tiempo son ms
complejas.

2.2.

En qu Consiste el Anlisis de la Serie de Tiempo:

Para Lind, D Mason, R. y Marchal el anlisis 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 aplicacin de un procedimiento

estadstico determinado.

2.3.

Objetivos del Anlisis de la Serie de Tiempo:

Para los autores Mark L. Berenson, David M. Levine (1996, p.859) Los
objetivos principales de anlisis de serie temporales consisten en identificar
y aislar tales factores de influencia con propsitos de hacer predicciones
(pronsticos) as como para efectuar una planeacin y control administrativo.
2.4.

Finalidad del Anlisis de la Serie de Tiempo:

Para qu 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.
Prediccin (Pronostico)
Datos precisos
Prediccin Confiable
Adecuada Tcnica
de prediccin.

Extraer mayor informacin

Seleccin de la Tcnica de Pronstico

Porque
Quien

Datos
Tcnicas de Pronstico

Precisin

Horizonte
Costo

11

3. Componentes de la Serie de Tiempo:

Mark L. Berenson, David M. Levine (1996, p.859) sealan que:
Hasta este momento existen 3 o 4 factores componentes respectivamente,
que influyen en una serie de tiempo econmica 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 observacin Yi registrada en el ao i puede expresarse
como Yi=Ti.Ci.Ii.
Los componentes son:

Tendencia, general o persistente, patrn de movimiento hacia

arriba o hacia debajo de largo plazo.
Estacional, fluctuaciones peridicas bastantes regulares que
se presenta dentro de cada periodo de 12 meses, ao tras
ao.
Cclico, oscilaciones repetidas hacia arriba y hacia abajo o
movimientos que pasan por cuatro fases: desde un pico
(prosperidad) hasta una contraprestacin (recesin), luego
hasta un valle (depresin) y finalmente hacia una expansin
de recuperacin o crecimiento.
Irregular, las fluctuaciones errticas o residuales en una serie
de tiempo que existen despus de tomar en cuenta los efectos
sistemticos: tendencia, estacional y cclico.

Por otro lado cuando los datos se obtienen de manera trimestral o mensual,
una observacin 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, cclico e irregular y Si es el valor del componente estacional.

(Webster, Allen L., 2000, pgs. 414-414-416) Seala lo siguiente:

Todas las series de tiempo contienen por lo menos uno de los siguientes
cuatro componentes:
1. Tendencia Secular: El movimiento contino en una variable durante un
periodo de tiempo extendido.
Ejemplo: El creciente nmero de autos vendidos en estados unidos, el
incremento en el volumen de las tarjetas de crdito durante los ltimos
aos, y el movimiento descendente en el nmero de personas que viven
en reas rurales en las ltimas dos dcadas.
2. Variacin Estacional: Movimientos en las series de tiempo que ocurren
de nuevo cada ao por la misma poca.
Ejemplo: Las ventas de ciertos bienes estacionarios como las motonieves
Honda, vestidos de bao Jantzen, y tarjetas de amor y amistad Hallmark,
probablemente presentaran un componente altamente estacional.

12

Si la variacin estacional no ocurre anualmente, los datos anuales

no capturaran o reflejaran tales cambios. Los datos deben reflejarse
trimestral, mensual o incluso semanalmente.
3. Variacin Cclica: Son variaciones como de onda en el nivel general de
la actividad comercial durante un periodo relativamente prolongado.
Estas variaciones abarcan periodos mucho ms prolongados que
las variaciones estacionales, y con frecuencia incluyen tres o as
aos de duracin.
Ejemplo:
Un ciclo contiene cuatro fases:
Alza o expansin, durante la cual el nivel de actividad comercial se
acelera, el desempleo es bajo y la produccin es rpida.
El pico, en el cual la tasa de actividad econmica tiene el punto ms
alto.
El descenso, o contraccin, cuando el desempleo sube y la actividad
se merma.
La depresin, cuando la actividad est en su punto mnimo.
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 Fbrica

Ao
1975
1976
1977
1978
1979
1980
1981

Ventas
de
Fbrica
6,6
8,6
9,1
9,5
9,0
7,1
6,8

1982

6,2

Ao
1983
1984
1985
1986
1987
1988
1989

Ventas
de
Fbrica
7,8
8,3
9,3
8,6
7,8
8,1
7,9

Ao
1991
1992
1993
1994
1995
1996
1997

Ventas
de
Fbrica
7,4
7,7
7,8
8,4
8,3
8,4
8,8

1990

7,5

1998

8,1

13

Ao
1999
2000
2001
2002
2003
2004
2005

Ventas
de
Fbrica

Grfica
Ventas de Fbrica
10
9
8
7
6
5

Series1

4
3
2
1
0
1975 1980 1985 1990 1995 2000 2005

4. Variacin Irregular o Aleatoria: Las series de tiempo tambin contienen

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

Levin, Richard I., Rubin David S. (1.996 p. 853-854) Hay cuatro tipos de
cambio o variacin implicados en el anlisis de series temporales, estos son:
1. Tendencia Secular: con el primer tipo de variacin, 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 ndice de
precios al consumidor (IPC) es un ejemplo de tendencia secular. De un ao
a otro, el costo de la vida vara 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 flucta.
2. Fluctuacin cclica: El segundo tipo de variacin observado en una seria
temporal es la fluctuacin cclica. El ejemplo ms comn de fluctuacin
cclica es el ciclo de negocios. A travs del tiempo, hay aos en el ciclo de
negocios llega a un pico por encima de la lnea de tendencia. en otros
tiempos, la actividad de los negocios parece caer, llegando a un punto bajo
la lnea de tendencia. El tiempo que transcurre entre picos o puntos bajos es
de al menos un ao, y puede llegar a durar hasta 15 o 20 aos. En la figura
15-1(b) se ilustra un patrn tpico de fluctuacin cclica por encima y por

14

debajo de la lnea de tendencia secular. Note que los movimientos cclicos

no siguen ningn patrn regular, sino que se mueven de una forma un tanto
impredecible.
3. Variacin Temporal: El tercer tipo de cambio en los datos de una serie
temporal es la variacin temporal o estacional. Como cabria esperar por su
nombre, este tipo de variacin implica patrones de cambio en el lapso de un
ao que tiende a repetirse anualmente. Por ejemplo un medico puede
esperar un aumento sustantivo del nmero de casos de gripe cada invierno y
de afectados de tifoidea. En la figura 15-1 (c) observamos una variacin
temporal. Note como alcanza un pico cada cuatro trimestre del ao.
4. Variacin irregular: La variacin irregular es el cuarto tipo de cambio que se
da en el anlisis 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 situacin de Irn en
1979-1981, el colapso de la OPEP en 1986 y la situacin de Irak en 1900
sobre los precios de la gasolina en Estados Unidos son ejemplos de
variacin irregular. En la figura 15-1(d) ilustramos la variacin irregular.

(Kasmier, Leonard J., 1998, pgs. 313-314) Sealan:

El mtodo clsico para el anlisis 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 aos.
2. Fluctuaciones Cclicas (C): Movimientos ascendentes y descendentes
recurrentes respecto de la tendencia con una duracin de varios
aos.
3. Variaciones Estacionales (E): Movimientos ascendentes y
descendentes respecto a la tendencia que se consuman en el trmino
de un ao y se repiten anualmente. Estas variaciones suelen
identificarse con base en datos mensuales o trimestrales.
4. Variaciones Irregulares (I): Las variaciones errticas respecto de la
tendencia que no puedan atribuirse a las influencias cclicas o
estacionales.
El modelo en que se apoya el anlisis clsico 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 est determinado por los cuatro componentes
anteriormente definidos y de que, adems, los componentes tienen una
relacin multiplicativa. As, donde Y representa el valor de serie de tiempo
observado,
Y=TXCXEX1

15

Lind, Macon Marshall, 1998, p. 569 plantea lo Siguiente:

Anlisis de series cronolgicas:
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 aplicacin de un procedimiento
estadstico determinado.
Todas las series de tiempo contienen por lo menos uno de los siguientes
cuatros componentes.
1.
2.
3.
4.

Tendencia secular T
Variacion estacional E
Variacin cclica C
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 perodo de aos X.
EJEMPLO: La tendencia presentada en la produccin de un determinado
articulo en una industria durante la ltima dcada.
Variacin estacional E: son los movimientos ascendentes y descendente
respecto a la tendencia que se consume en el trmino de un ao y se repite
anualmente, es decir son los movimientos que se presentan en la serie de
tiempos y ocurre de nuevo cada ao generalmente en la misma poca.
EJEMPLO: las ventas generadas en los grandes centros comerciales con
motivos de, pocas decembrina, temporada vacacional, das de paros entre
otros.
Variaciones cclicas C: son los movimientos ascendentes y descendentes
recurrentes respecto a la tendencia de varios aos, estas variaciones
abarcan periodos ms prolongados que las variaciones estacionales y con
frecuencias incluye de tres o ms aos de duracin.
Un ciclo contiene cuatro fases:
Las cuales son:
A) alza o expansin; esta fase se presenta en una empresa cuando el
nivel de actividad econmica o comercial se desarrolla en forma
acelerada, el desempleo disminuye y la produccin es rpida.
B) Pico o cumbre; esta fase se presenta cuando el nivel de actividad
econmica de una empresa alcanza su punto ms alto (punto
mximo).
C) Descenso o contraccin; esta fase se presenta cuando el desempleo
aumenta y la actividad econmica de una empresa disminuye.

16

D) Depresin o valle; esta fase se presenta cuando la actividad

econmica o comercial de una empresa se encuentra en su punto
ms bajo (punto mnimo).
Variacin irregular: son las variaciones errticas respecto a la
tendencia que no puede ser atribuidas a influencias cclicas o
estacionales, es decir son movimientos producidos en las series de
tiempos con sucesos inusuales o inesperados los cuales se originan
por movimientos sin ningn patrn cronolgico.
EJEMPLO: irregularidades que se presentan en las empresas por
causas
de;
fenmenos
naturales
(terremotos,
tsunamis,
inundaciones), conflictos blicos (quejas), embargos a empresas
petroleras, el efecto que origina las elecciones polticas en
determinados pases entre otros
(Kasmier, Leonard J., 1998, pgs. 559- 560 - 561 - 562) Determina lo siguiente:
Dado que el anlisis de tendencias se ocupa de la direccin 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 cclicos con una duracin
de varios anos no se consideren como indicativos de la tendencia global de
los valores de la serie de tiempo.
El mtodo de mnimos cuadrados es la base de uso ms frecuente para la
identificacin del componente de tendencia de las series de tiempo, por
medio de la determinacin de la ecuacin para la lnea de tendencia con el
mejor ajuste. Conviene sealar que, en trminos estadsticos, una lnea de
tendencia no es una lnea de regresin, puesto que la variable dependiente Y
no es una variable aleatoria, sino una serie de valores histricos. Adems,
solo puede haber un valor histrico (no una distribucin de valores) para un
periodo dado, y es probable que los valores asociados con periodos
contiguos sean dependiente, no independiente. No obstante, el mtodo de
mnimos cuadrados es una base adecuada para la determinacin del
componente de tendencia de una serie de tiempo. Cuando un incremento o
decremento a largo plazo parecen seguir una tendencia lineal, la ecuacin
para los valores de la lnea de tendencia, en la que X representa el ao, es

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

de intercesin de la lnea de tendencia con el eje Y, mientras que b1
representa la pendiente de la lnea de tendencia. Siendo X el ao y el Y el

17

valor de la serie de tiempo observado, las formulas para determinar los

valores de bo y b1 para la ecuacin d tendencia lineal son

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

uso ms frecuente son la curva de tendencia exponencial y la curva de
tendencia parablica. Una curva de tendencia exponencial comn es aquella
que refleja una tasa constante de crecimiento durante un periodo de aos,
como la que podra aplicarse a las ventas de computadoras personales
durante la dcada 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 rpidos incrementos de ventas y una etapa
final de lento crecimiento una vez alcanzada la saturacin del mercado. En el
caso de ciertos productos, como el acero estructural, estas tres etapas
pueden abarcar en conjunto muchos aos. En el de otros, como los radios de
banda civil, la etapa de saturacin puede alcanzarse relativamente rpido.
Una curva de tendencia en particular que incluye las tres etapas
mencionadas es la curva de Gompertz, en forma de S. Una ecuacin 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 ecuacin, 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

Anlisis de variaciones cclicas: Los valores de series de tiempos anuales

representan los efectos de nicamente los exponentes de tendencias y
cclicos, porque los componentes estacional e irregular se definen como
influencias a corto plazo. En consecuencias, para datos anuales el
componentes cclico puede identificarse como el componente que persistir
en los datos luego de eliminada la influencia del componente de tendencia.
Esta eliminacin 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 nmero ndice estacional asociado con cada
mes (o trimestres) del ao. La media aritmtica de los 12 nmeros ndice
mensuales (o de los cuatro nmeros ndice trimestrales) es 100. La
identificacin de influencias estacionales positivas o negativas es importante
para la planeacin de produccin e inventarios.
Ejemplo 2. Un nmero ndice de 110 asociados con un mes dado indica que
los valores de la serie de tiempo para ese mes han promediado un 10% ms
que para otros meses a causa de algn factor estacional positivo. Por

19

ejemplo, las ventas unitarias de rasuradoras para hombres podran ser 10%
ms altas en junio en comparacin con otros meses con motivo del da de
Padre.
El procedimiento de uso ms frecuente para determinar nmeros ndice
estacionales es el mtodo del cociente del promedio mvil. De acuerdo con
este mtodo, lo primero en determinarse es el cociente de cada valor
mensual en relacin con el promedio mvil centrado en ese mes. Puesto que
u n promedio mvil basado en datos mensuales (o trimestrales) de un ao
entero promediara las fluctuaciones estacionales e irregulares, mas no las
influencias de tendencias y cclicas a largo plazo, el cociente de un valor
mensual (o trimestral) en relacin con un promedio mvil puede
representarse simblicamente como

El segundo paso del mtodo del cociente del promedio mvil es promediar el
componente irregular. Esto se realiza por lo general enlistando los diversos
cocientes aplicables al mismo mes (o trimestres) de varios aos, eliminando
los valores ms altos y ms bajos y calculando la media de los cocientes
restantes. La media resultante se llama media modificada, a causa de la
eliminacin de los dos valores extremos.
El ltimo paso del mtodo del cociente del promedio mvil es ajustar los
cocientes medios modificados con un factor de correccin tal que la suma de
los 12 cocientes mensuales sea de 1200 (o de 400 en el caso de cuatro
cocientes trimestrales).
Aplicacin de ajustes estacionales:
Una aplicacin frecuente de ndices 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
relacin con las expectativas estacionales.
Ejemplo3: un incremento de 10% entre los meses de abril y mayo de un ao
dado en las ventas de fertilizantes de uso domestico representa un
decremento relativo si el numero ndice estacional correspondiente a mayo
es superior en 20% al nmero ndice correspondiente a abril. En otras
palabras, si ocurre un incremento pero este no es tan grande como se
esperaba con base en datos histricos, lo que en realidad ha ocurrido en
relacin 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
ndice mensual (o trimestral) de ese mes. El resultado se multiplica luego por
100 para mantener la posicin decimal de los datos originales. El proceso de
ajuste de datos en relacin con la influencia de variaciones estacionales
puede representarse como:

Pronsticos basados en factores de tendencia y estacionales.

La ecuacin de tendencia lineal constituye un punto de partida para
pronosticar a largo plazo de valores anuales. Sin embargo, una
consideracin particularmente importante en los pronsticos a largo plazo es
el componente cclico de las series de tiempo. No existe un mtodo estndar
para pronosticar el componente cclico con base nicamente en valores
histricos de series de tiempo, aunque ciertos indicadores econmicos
Para pronsticos a corto plazo, un mtodo posible es desestacionalizar el
valor observado mas reciente y multiplicarlo despus por el ndice estacional
del periodo de pronsticos. En este mtodo se parte del supuesto de que la
nica diferencia entre los dos periodos ser la atribuible a la influencia
estacional. Otro mtodo consiste en emplear el valor de tendencia
proyectado como base del pronstico y ajustarlo despus respecto del
componente estacional. Cuando la ecuacin de la lnea de tendencia se basa
en valores anuales, primero se debe reducir la ecuacin para expresarla en
trminos de meses (o trimestres). Una ecuacin anual se modifica de la
siguiente manera para obtener valores mensuales proyectados:

)(

La ecuacin 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 consideracin que deben reducirse los
tres elementos de la ecuacin de tendencia anual (bo, b1 y X).

21

Por efecto de la transformacin a datos mensuales en (16.12), el punto base

del ao anteriormente codificado como X=O se ubicara en el punto medio del
ao, sea en el 1 de julio. Dado que es necesario que el punto base
corresponda al punto medio del primer mes del ao base, es decir, al 15 de
enero, la interseccin b0/12 de la ecuacin modificada se reduce entonces
en 5.5 veces la pendiente modificada. Un ajuste similar se efecta en el
caso de datos trimestrales. As, la ecuacin de tendencias modificada. Un
ajuste similar se efecta en el caso de datos trimestrales. As, la ecuacin
de tendencia modificada para obtener valores mensuales proyectados y con
X=O en el 15 de enero del ao base es:

)(

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

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

)(

Pronsticos, ciclos e indicadores econmicos

Los pronsticos basados en los componentes de tendencia y estacional de
una serie de tiempo son apenas el punto de partida de los pronsticos
econmicos. La primera razn de ello es la necesidad de considerar el
probable efecto del componente cclico durante el periodo de pronstico,
mientras que la segunda es la importancia de identificar los factores causales
especficos que han influido en las variables de series de tiempo.
En lo que se refiere a pronsticos a corto plazo, suele suponerse que el
efecto del componente cclico es el mismo que se ha incluido en los valores
recientes de la serie de tiempo. Sin embargo, cuando se trata de periodos
ms prolongados, o incluso de periodos cortos en pocas de inestabilidad
econmica, es importante identificar los puntos de cambio de ciclo de la
economa nacional. Por supuesto que las variaciones cclicas asociadas con
un producto en particular pueden coincidir o no con el ciclo econmico
general.
Ejemplo4.
Histricamente, las ventas industriales de automviles han coincidido
estrechamente con el ciclo econmico general de las economas nacionales.
Por el contrario, las ventas de autopartes han sido comnmente opuestas, en
cuanto al factor cclico, respecto del ciclo econmico general.

22

El Instituto Nacional Econmica (Nacional Bureau of Economic Research,

NBER por sus siglas en ingles) de Estados Unidos ha identificado y dado a
conocer varias series de tiempo histricamente indicadoras de expansin y
recesiones cclicas respecto del ciclo econmico general. Un grupo de estas
series de tiempo, llamadas indicadores lderes, han llegado habitualmente a
puntos de cambio de ciclo antes del cambio correspondiente en la actividad
econmica general. Entre los indicadores lderes se encuentran las horas
semanales promedio laboradas en manufactura, el valor de nuevos pedidos
de bienes de consumo y materiales y un ndice comn de precios de las
acciones. Un segundo grupo, llamado de indicadores coincidentes, est
compuesto por series de tiempo cuyos puntos de cambio han coincidido
usualmente con el ciclo econmico general. Son indicadores coincidentes
medidas como la tasa de empleo y el ndice de produccin industrial. El
tercer grupo, llamado indicadores rezagados, es el integrado por series de
tiempo cuyas cumbres y valles suelen retardarse en comparacin con las del
ciclo econmico general. Entre los indicadores rezagados se encuentran
medidas como los inventarios de manufactura y comerciales y la tasa
preferencial promedio que cobran los bancos.
Adems de considerar el efecto de las fluctuaciones cclicas y de pronosticar
tales fluctuaciones, tambin deben estudiarse las variables causales
especficas que han influido histricamente en los valores de series de
tiempo. Los anlisis de regresin y correlacin, son particularmente
aplicables a tales estudios, como en el caso de la relacin entre estrategias
de precios y volumen de ventas. Pero ms all de los anlisis histricos, las
posibles implicaciones de nuevos productos y de cambio en el mbito de la
comercializacin son asimismo reas que demandan especial atencin.

4. Modelos de la Serie de Tiempos:

Mark L. Berenson, David M. Levine (1996, p.859) sealan que:
Modelo lineal
La evasin de regresin de muestra que representa al modelo de regresin
de lnea recta seria =bo+b1xi. Por lo tanto el mtodo de mnimos cuadrados
nos permite ajustar una lnea recta de la forma =bo+b1xi, tal que los valores
que calculamos para los dos coeficientes, la interseccin bo y la pendiente
b1, tienen como resultado la minimizacin 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 lnea de tendencia, esto es;
n

Yi- )2 = mnimo
i=1

Para obtener esta lnea, recordamos que en el anlisis de regresin lineal

calculamos la pendiente con la ecuacin:

23

b1=

ni=1 xi yi-nx

ni=1 xi2 -nx2

Y la interseccin con la ecuacin; Bo=

b1x

Cuando utilizamos el mtodo de mnimos cuadrado para ajustar tendencias

en series de tiempo, nuestro esfuerzo de clculo pueden minimizar si
codificamos apropiadamente los valores de x. se selecciona la primera
observacin de nuestra serie de tiempo como rigen y se le asigna un valor de
cdigo de x=0. A todas las observaciones subsecuentes de les asigna un
valor de cdigo de 1, 2,3, de modo que la n-esima y ltima observacin de
la serie tiene el cdigo n-1. As pues, por ejemplo, para los datos de serie
temporal registrado anualmente durante 23 aos, al primer ao se le asigna
un valor de cdigo de 0 y el segundo ao ser codificado como 1,el tercer
ao tendr un cdigo de 2, y el ultimo ao8el vigsimo tercero) tendr un
cdigo de 22.
Modelo exponencial
Cuando una serie parece estarse incrementndose a una rapidez cada vez
mayor tal que la diferencia porcentual de una observacin a otra e constante,
podemos ajustar una ecuacin de tendencia exponencial de la forma i= bo
en la que bo= interseccin 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 ecuacin tenemos:
Log i=log b1+xilogb1
Puesto que la ecuacin Log i=log b1+xilogb1Tiene forma lineal, podemos
utilizar el mtodo de mnimo cuadrado si trabajamos con el logaritmo de los
valores Yi y obtener la pendiente (logb19 y la interseccin (log bo).
Mtodo cuadrtico
Un modelo cuadrtico o polinomio de segundo grado es el ms sencillo del
mtodo curvilneo. Utilizando el mtodo de mnimos cuadrados, podemos
ajustar una ecuacin de tendencia cuadrtica de la forma i=
bo+b1xi+b11xi2 , en la que bo es la interseccin estimada con el eje Y, b1es
el efecto lineal estimado sobre Y, y b11 es el efecto cuadrtico estimado
sobre Y.

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

Un modelo de serie de tiempo puede expresarse como alguna combinacin
de estos cuatro componentes. El modelo es simplemente una expresin
matemtica de la relacin entre los cuatro componentes. Comnmente 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 variacin estacional, la variacin
cclica, y la variacin 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 dlares 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 cclico negativo sugiere que el ciclo comercial esta actualmente
descendiendo. Aparentemente, sucedi algn 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
mayora de los casos, los movimientos de un componente tendrn un
impacto en los otros componentes, por tanto, se niega el supuesto de
independencia. O quizs de manera ms comn, con frecuencia se
encuentra que ciertas fuerzas que trabajan en la economa, simultneamente
afectan dos o ms 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 interactan entre s 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 trminos 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 podran
calcularse como:
Yt = Tt X Ct X It

25

5. Tcnicas de Suavizamiento de una Serie Cronolgica:

Berenson, Mark L., Levine David M. y Krehbiel Timothy C. (2001), Los
promedios mviles para un periodo determinado de longitud L consiste en
una serie de promedios aritmticos en el tiempo tales que cada uno se
calcula a partir de una secuencia de L valores observados. Estos promedios
se representan por el smbolo PM (L).
Mark L. Berenson, David M. Levine (1996, p.859) sealan que:
Promedios mviles:Para suavizar una serie de tiempo es altamente
subjetivo y pendiente de la longitud del periodo elegido para la construccin
de los promedios. Para eliminar las fluctuaciones cclicas, el periodo
escogido debe ser un valor entero que corresponda a la duracin promedio
estimada de un ciclo(o un mltiplo de este) en la serie.
Los promedios mviles para un periodo elegido de logaritmo L consiste en
una serie de medias aritmticas 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
Ao
1975
1976
1977
1978
1979
1980
1981
1982

Ventas de
Fbrica
6,6
8,6
9,1
9,5
9,0
7,1
6,8
6,2

Ao
1983
1984
1985
1986
1987
1988
1989
1990

Ventas de
Fbrica
7,8
8,3
9,3
8,6
7,8
8,1
7,9
7,5

26

Ao
1991
1992
1993
1994
1995
1996
1997
1998

Ventas de
Fbrica
7,4
7,7
7,8
8,4
8,3
8,4
8,8
8,1

Ao
1999
2000
2001
2002
2003
2004
2005

Ventas de
Fbrica

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 tcnica que puede utilizarse para suavizar una serie de tiempo y por
consiguiente, nos proporciona una impresin de los movimientos globales a
largo plazo de los datos. Adems el mtodo de suavizado exponencial puede
utilizarse para obtener producciones a corto plazo (un periodo hacia el
futuro).

(Webster, Allen L., 2000, pgs. 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 difcil de observar. Es posible eliminar muchos de
estos factores que se pueden confundir promediando los datos de varios
periodos. Esto se logra utilizando ciertas tcnicas de suavizamiento
suavizacin 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 mtodos comunes de suavizamiento de
los datos de series de tiempo: promedio mvil y suavizamiento exponencial.
A. PROMEDIOS MOVILES (PM) Una serie de promedios aritmticos sobre
un numero dado de periodos; es la estimacin del promedio de la
variable a largo plazo.
Un promedio mvil tendr 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 nmero fijo de

27

periodos. El mismo nmero de periodos se mantiene para cada promedio,

eliminando la observacin ms antigua y recogiendo la ms reciente. Se
supone que los precios de cierre para una accin en la Bolsa de Valores en
Nueva York, para el periodo de lunes a mircoles, fueron US$20, US$22, y
US$18, respectivamente. Se calcula un promedio mvil de tres periodos (da)
as:
(20 + 22 + 18) / 3 = 20.
Este valor de 20 sirve entonces como proyeccin 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 mvil se calcula quitando el valor del
lunes de 20 y utilizando el precio de cierre del jueves que es 19. As, la
proyeccin 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 pronstico para el
precio de cierre en cualquier da futuro.
En la tabla 13.2 se presentan las ventas para Arthur Momitor`s
Snowmobiles, Inc., durante los ltimos 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 perodos en marzo.
Los promedios mviles tienen el efecto de suavizamiento en las variaciones
grande de los datos. Este efecto de suavizamiento ocurre porque
observaciones inusualmente pequeas se promedian con otros valores, y por
tanto su impacto se mitiga. Entre ms grande sea el numero de periodos en
un promedio mvil, ms pronunciado ser 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
nmero de periodos en el promedio mvil.
Cuando un nmero impar de periodos se utiliza en el promedio mvil, los
resultados pueden centrarse automticamente en el periodo de la mitad.
Cuando Arthur Momitor calcul su promedio mvil de tres meses para las
motonieves, el primer valor podra 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 observacin en la mitad en la cual en
la cual se centre automticamente 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 ltimo 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 ningn periodo especfico en la serie original de datos, pero
se fija entre el segundo y el tercer trimestre de 1996. Las entradas restantes
estn 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 mvil tomando la media de cada par

sucesivo de promedios mviles. As, el promedio del primer y del segundo
valor resulta:
(42.50+45.75)/2=44.13
el cual est centrado en el cuarto trimestre de 1996. De igual forma, los
valores restantes estn centrados en sus respectivos periodos. Los
promedios mviles 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 ao, eliminndolas de manera efectiva y dejando solo la
tendencia y las variaciones cclicas.
En general si el numero de periodos en un promedio
como para abarcar todo un ao (si se utilizan datos de
utilizan datos semanales), las variaciones estacionales
eliminan de la serie. Entonces se afirma que
desestacionalizados.

mvil es suficiente
12 meses; 52 si se
se promedian y se
los datos estn

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

termina en una serie promediada ms suave. As pues, si los datos son muy
voltiles, sera conveniente utilizar en el pronstico un numero de periodos
ms pequeo, para as evitar colocar la proyeccin muy cerca al promedio a
largo plazo, sera necesario utilizar un nmero mayor de periodos en la
creacin del promedio mvil.
Ejemplo 13.1. TransAmerica Trucking ha recolectado datos para los ltimos
10 meses sobre las toneladas de envos. Ayude al departamento de
investigacin calculando el promedio mvil de tres periodos. Cul es su
pronstico para los envos en el futuro?
Solucin
Mes

Envos

1
2
3
4
5

70
68
75
79
67

PM de tres
periodos
71.00
74.00
73.67
75.67

Mes

Envos

PM de tres periodos

6
7
8
9
10

81
82
69
72
68

76.67
77.33
74.33
69.67

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 ltima observacin. La proyeccin para todo mes
futuro es de 69.67 toneladas.

30

Interpretacin:
Debido a que los datos no presentan ninguna tendencia ascendente o
descendente, la tcnica de promedio mvil se ajusta para proyectar envos
futuros. El pronstico de 69.67 claro que cambiar, cuando se reporte el
envo del mes 11 y se calcule el promedio mvil para el mes 10.

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

pronstico 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. Tambin proporciona un medio efectivo de prediccin.
Suavizamiento exponencial de primer orden se utiliza cuando los datos no
presentan ningn patrn de tendencia. El modelo contiene un mecanismo de
autocorreccin que ajusta los pronsticos en direccin opuesta a los errores
pasados. La ecuacin es:
(

En donde;
Ft+1 es el pronstico para el siguiente perodo.
At
Ft

es el valor real observado para el perodo corriente.

es la proyeccin hecha previamente para el perodo 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 varan alrededor de algn promedio a largo plazo, se toma
el valor Ft+1 como pronstico para cualquier perodo futuro.
Como ejemplo, se supone que es el ltimo da hbil 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 frmula 13.2, la proyeccin de marzo, Ft+1 requiere:
1. Ventas reales de febrero, At.
2. Pronstico para febrero, Ft.
Sin embargo debido a que marzo es el primer mes en el cual Uncle Vito
est haciendo su prediccin, no se hizo pronstico para el mes de febrero
Ft es desconocido. La prctica general es utilizar simplemente el valor
real del periodo anterior, enero en este caso, para la primera proyeccin.
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 pronstico
para marzo es:

31

Ft+1 =
+ (1 - )
Ft =
+ (1 - )
FFeb= (0.3) (110) + (0.7) (105)
=US$106.500 como la proyeccin de las
ventas en marzo.
(Kasmier, Leonard J., 1998, pgs. 561-562) Determina lo siguiente:
Pronsticos basados en promedios mviles.
Un promedio mvil es el promedio de los n valores de datos ms 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 observacin 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 mvil.
El promedio mvil puede servir para pronosticar los valores de datos del
siguiente periodo de la serie de tiempo, pero no los de datos de periodos ms
distantes a futuro. Es por lo tanto un mtodo adecuado de pronostico cuando en
los datos no est presente la influencia de una tendencia, cclica o estacional,
situacin por dems improbable. As, este procedimiento sirve sencillamente
para promediar el componente irregular de los datos ms recientes de una serie
de tiempo.
La suavizacin exponencial como el mtodo de pronstico.
La suavizacin exponencial es un mtodo de pronstico basado tambin en el
uso de promedios mviles, los que sin embargo son promedios mviles
ponderados, no promedios en los que se ponderan por igual los valores de
datos precedentes. La base de ponderacin es exponencial porque se concede
la mayor ponderacin al valor correspondiente al periodo inmediatamente
anterior al periodo de pronstico
y las ponderaciones decrecen
exponencialmente para los valores de datos de periodos anteriores. En realidad
existen varios tipos de modelos de suavizacin exponencial, cuya descripcin
puede encontrarse en libros especializados en pronsticos econmicos. El
mtodo que presentamos aqu es el llamado suavizacin exponencial simple.
El siguiente modelo algebraico sirve para representar la determinacin de
ponderaciones exponencialmente decrecientes. Especficamente, si
es una
constante de suaavizacion como se expondr en seguida, el valor mas reciente
de la serie de tiempo se pondera con , el siguiente valor mas reciente se
)2 y asi sucesivamente,
pomdera con (
), el siguiente valor con (
despus de lo cual se suman todos los valores ponderados para determinar el
pronstico:

32

Donde formulas = pronsticos para el siguiente periodo

= constante de suavizacin formula
= valor real para el periodo mas reciente
=valor real para el periodo anterior al ms reciente
=valor real para los

periodos anteriores al mas reciente

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

exponencial, su uso es sumamente imprctico. Por lo general se usa un
procedimiento simplificado, para el que se requiere de un pronstico semilla
inicial pero no del a determinacin de ponderaciones. La frmula para la
determinacin del pronstico por medio del mtodo simplificado de suavizacin
exponencial es
(

Donde formula
= Pronostico para el siguiente periodo
= pronostico para el periodo ms reciente
= constante de suavizacin formulas
=valor real para el periodo ms reciente
Dado que para determinar un pronstico para el siguiente periodo debe
disponerse del valor ms reciente de la serie de tiempo, la suavizacin
exponencial simple solo puede usarse para pronosticar el valor para el periodo
siguiente en la serie de tiempo, no para varios periodos futuros. Cuando ms
cerca de 1.0 se fije el valor de la constante de suavizacin, tanto ms depender
el pronstico de los resultados ms recientes.
Otros mtodos De pronstico con suavizacin
Mientras que el promedio mvil es adecuado como base de pronstico
nicamente cuando la influencia irregular provoca variaciones en los valores de
una serie de tiempo, la suavizacin exponencial simple es adecuada nicamente
cuando las influencias cclicas e irregulares son los principales efectos sobre los
valores observados.
Con ambos mtodos solo puede obtenerse un pronstico para el siguiente
periodo en la serie de tiempo, no para periodos futuros ms distantes. Mtodos

33

de suavizacin ms complejos incorporan mas influencias y permiten obtener

pronsticos para varios periodos futuros. Los describiremos brevemente a
continuacin. Explicaciones y descripciones ms detalladas de ellos se incluyen
en libros de texto especializados en pronsticos.
La suavizacin exponencial lineal usa una ecuacin de tendencia lineal basada
en los daros de la serie de tiempo. Sin embargo, a diferencia de la ecuacin de
tendencia simple presenta en la seccin 16.2, los valores de la serie se
ponderan exponencialmente con base en una constante de suavizacin. Como
en el caso de la suavizacin exponencial simple, la constante puede variar de 0
a 1.0.
La suavizacin exponencial de Holt usa una ecuacin de tendencia lineal
basada en el empleo de dos constantes de suavizacin: una para estimar el
nivel actual de los valores de la serie de tiempo y otra para estimar la pendiente.
La suavizacin exponencial de Winter incorpora influencias estacionales en el
pronstico. En este caso se hace uso de tres constantes de suavizacin: una
para estimar el nivel actual de los valores de la serie de tiempo, la segunda para
estimar la pendiente de la lnea de tendencia y la tercera para estimar el factor
estacional por emplear como multiplicador.
Los modelos auto regresivo integrado y de promedio mvil (ARIMA) son una
categora de mtodos de pronsticos en los que los valores previamente
observados en la serie de tiempo se usan como variables independientes en los
modelos de regresin. El mtodo de ms amplio uso de esta categora fue
desarrollado por Box y Jenkins, y se llama justamente mtodo de Box-Jenkins.
Estos mtodos hacen uso explicito de la existencia de auto correlacin esto es,
de la correlacin de una variable, rezagada uno o ms periodos, consigo misma,
en las series de tiempo. Como se explica en la seccin 15.8, la prueba de
Durbin-Watson permite detectar la existencia de residual auto correlacionado
(correlacin serial) en los valores de series de tiempo. Un valor de la estadstica
de prueba cercano a 2.0 apoya la hiptesis nula de que no existe auto
correlacin en la serie de tiempo. Un valor inferior a 1.4 es indicativo por lo
general de una fuerte correlacin serial positiva, mientras que un valor superior
a 2.6 indica la existencia de una fuerte correlacin serial negativa.

34

6. Error de Estimacin de la Serie de Tiempo:

(Webster, Allen L., 2000, pgs. 421 - 422) Seala 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. Tambin F Abril = (0.3) (107) +
(0.7) (106.5) = 106.65.
Tabla 13.4
Venta de Autos
De Uncle Vito
Mes

Proyeccin

Real

Enero
Febrero
Marzo
Abril

105
106.5
106.65

105
110
107
112

Error (Ft

-5.0
-0.5
-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 tambin las ventas de mayo as:
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 pronstico con el error ms pequeo posible, el valor
que
minimiza el cuadrado medio del error (CME) debe ser ptimo. El ensayo y
error sirve con frecuencia como el mejor mtodo 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

Para

Mes

Real

Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto

105
110
107
112
117
109
108

Proyeccin
( = 0.3)

Error

Proyeccin
( = 0.8)

Error

105.00
106.50
106.65
108.26
110.88
110.32
109.62

-5.00
-0.50
-5.35
-8.74
1.88
2.32

105.00
109.00
107.40
111.08
115.82
110.36
108.47

-5.00
2.00
-4.60
-5.92
6.82
2.36

= 0.3, CME es:

CME=

=23.20.
Un

= 0.8
CME=

( )

=22.88
Un = 0.8 produce mejores resultados de pronstico debido a que genera
un factor de error ms pequeo. 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 voltiles se precisa un
menor valor . Esto se debe a que los valores ms pequeos para
se
asignan menos peso a las observaciones ms recientes. Si los datos
presentan un movimiento considerable, la ltima observacin puede no ser
representativa del promedio a largo plazo.
Vale la pena recordar, que el suavizante exponencial de primer orden, en la
forma aqu descrita, es apropiado si los datos no presentan tendencia pero
se mueven alrededor de algn valor promedio a largo plazo. Si una
tendencia descendente o una ascendente pueden detectarse representando
los datos, debera utilizarse el suavizamiento exponencial de segundo orden,
cuya mecnica no se analizar aqu.

36

7. Ejercicios o Ejemplos:
(Webster, Allen L., 2000, pgs. 422 - 423) Ejemplifica lo siguiente:

Prediccin de la tasa de desempleo: Los ndices mensuales de desempleo para

1997 se presentan a continuacin. Como analista del Ministerio de Trabajo de
los Estados Unidos, usted debe; 1. Suavizar las fluctuaciones utilizando un
promedio mvil con cuatro periodos. 2. Utilizar un modelo de suavizamiento
exponencial fijando en 0.4 para proyectar el desempleo para algn mes futuro.
Los datos no demuestran ninguna tendencia pronunciada ascendente o
descendente.
Enero
Febrero
Marzo
Abril
Mayo
Junio
Solucin:
Mes
Enero de 1997
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Enero de 1998

5.4
5.1
5.0
5.2
5.3
5.3

Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre

Tasa
5.4
5.1
5.0
5.2
5.3
5.3
5.4
5.5
5.2
5.5
5.1
5.4

5.4
5.5
5.2
5.5
5.1
5.5

PM

PM centrado

5.175
5.150
5.200
5.300
5.375
5.350
5.400
5.325
5.313

5.163
5.175
5.250
5.338
5.363
5.375
5.363
5.313

Ft
5.4
5.28
5.17
5.18
5.23
5.26
5.31
5.39
5.31
5.39
5.27
5.32

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

ndices de enero a abril. Se sita 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 mviles.
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 proyeccin de enero de
1998:

37

FEne= (

) + (1 - ) (FDic)

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

=5.32%
Interpretacin: El mtodo promedio mvil pronostica una tasa de 5.313%. El
Suavizamiento exponencial proporciona un pronstico de 5.32%. Este valor
(de 5.313% o 5.32%) es el pronstico para enero, o para cualquier perodo
futuro, ya que los datos no presentan una tendencia sino que se supone que
varan o fluctan a largo plazo alrededor de este promedio.
A diferencia de los promedios mviles, los cuales utilizan solo un nmero 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 utiliz a At 1, y Ft 2. Por tanto, cada pronstico depende de
los valores reales anteriores de At n hasta llegar a donde comenzaron los
pronsticos por primera vez. Entre ms se vaya hacia atrs el tiempo, menos
impacto tiene un valor de A en la proyeccin corriente.

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

600, reflejan el siguiente ejemplo de Promedios Mviles:
Suponga que se desea calcular promedios mviles de 5aos de una serie
que contiene n =11 aos. Como L = 5, los promedios mviles de 5 aos
consisten en una serie de medias obtenidas en el tiempo al promediar
secuencias consecutivas de cinco valores observados. El primer promedio
mvil de 5 aos se calcula con la suma de los valores para los primeros 5
aos en la serie, dividida entre 5.
PM (5) =
El segundo promedio mvil de 5 aos se calcula con la suma de valores de
los dos aos 2 a 6 en la serie, dividida entre 5.
PM (5) =
Este proceso contina hasta calcular el ltimo promedio mvil de 5 aos con
la suma de los valores de los ltimos 5 aos en la serie (aos 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 mviles, debe ser un nmero de aos
impar. Al seguir esta regla se observa que no se pueden obtener promedios
mviles para los primeros (L 1) / 2 aos o los ltimos (L 1) / 2 aos en la

38

serie. Entonces, para un promedio mvil de 5 aos, no es posible hacer

clculos para los primeros 2 aos o los ltimos 2 aos de la serie.
Al graficar los promedios mviles, cada valor calculado se coloca en el ao a
la mitad de la secuencia de aos usada para calcularlo. Si n = 11 y L = 5, el
primer promedio mvil se centra en el tercer ao, el segundo promedio mvil
se centra en el cuarto ao y el ltimo en el noveno ao. Esto se ilustra en el
ejemplo 11.1. Pg. 600
Calculo de un promedio mvil de 5 aos.
Suponga que los siguientes datos representan los ingresos totales en
(millones de dlares constantes de 1995) de una agencia donde se rentan
automviles, en un intervalo de 11 aos, 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 mviles de 5 aos para esta serie de tiempo anual.
Solucin:
El primer promedio mvil de 5 aos es:
PM (5) =
Es decir para calcular un promedio mvil de aos, primero se obtiene la
suma de los 5 aos y se divide entre 5. Despus el promedio se centra en el
valor medio, el tercer ao de esta serie de tiempo.
Para calcular el segundo promedio mvil de 5 aos, se obtiene la suma de
los segundos cinco aos, hasta el sexto, y se divide entre 5. Esto es:
PM (5) =
Este promedio mvil se centra en el nuevo valor medio, el cuarto ao de la
serie de tiempo.
El resto de los promedios mviles son:
PM (5) =
PM (5) =
PM (5) =
PM (5) =
PM (5) =

39

Estos promedios mviles se centran en sus respectivos valores medios, el

quinto, sexto y sptimo aos de la serie de tiempo. Se observa que al
obtener promedios mviles de 5 aos, no se pueden calcular los valores para
los primeros dos y los ltimos dos valores de la serie de tiempo.

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

Anlisis de Tendencia
En la tabla 16.1 se presentan los datos de ventas en un periodo de 11 aos
de una compaa (ficticia) fabricante de software de grficos constituida en
1990, como se menciono en el ejemplo 1, y cuyos datos de serie de tiempo
son grficamente descritos por la grafica de lneas de la figura 16-1. Se
incluyen adems los clculos necesarios para determinar la ecuacin de la
lnea de tendencia. a) determine la ecuacin de tendencia lineal para estos
datos mediante el mtodo de mnimos cuadrados, codificando 1990 como 0 y
con dos cifras decimales para todos los valores. Usando esta ecuacin,
determine el pronstico de ventas para el ao 2001. b) Trace la lnea de
tendencia en la grafica de lneas de la tabla 16.1
Tabla 16.1 Ventas anuales en miles de pesos

Ao
1980
1981
1982
E 1983
n 1984
1985
D 1986
o
n 1987
d 1988
e 1989
: 1990
Totales

Ao Codificado
(X)
0
1
2
3
4
5
6
7
8
9
10
55

Ventas en Miles
(Y)
0,2
0,4
0,5
0,9
1,1
1,5
1,3
1,1
1,7
1,9
2,3
12,9

40

XY
0,0
0,4
1,0
2,7
4,4
7,5
7,8
7,7
13,6
17,1
23,0
85,2

X2
0
1
4
9
16
25
36
49
64
81
100
385

)(
(

)
)

Serie 1
2.4

YT
2
1.6
1.2

Serie 1

0.8
0.4
0
1990

1995

41

2000

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 observacin se da de manera ordenada en el tiempo
por lo que su aplicacin se refleja de manera concreta en diferentes reas
cientficas y sociales ayudando a pronosticar eventos futuros o a tomar
decisiones importantes de diferentes tipos para la institucin u organizacin,
debido a que esas decisiones son tomadas en base a los resultados que
arroje el anlisis de series entonces deben ser lo ms acertadas posibles.

Tomando siempre en cuenta que las series de tiempo se basan en

datos histricos.
La identificacin de la presencia de los diferentes componentes de en una
serie de tiempo permite entender su dinmica, 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 anlisis de series de
tiempo dentro de una entidad permiten conocer tanto el pasado, presente y
futuro de la organizacin y de alguna forma u otra prepararse para cualquier
percance o inconveniente que suceda dentro de esa institucin.

42

REFERENCIAS
(Berenson, Mark L. - Levine, David M. - Krehbiel, Timothy C. , 2011)
Estadstica para la Administracin. Naucalpan de Jurez, Edo. Mxico.
Editorial Mexicana.
(Kasmier, Leonard J., 1998) Estadstica Aplicada a la Administracin y
Contadura. Edo. Mxico. Editorial McGRAW HILL Interamericana.
(Levin, Richard I. - Rubin, David S., 1996) Estadstica para Administradores.
Naucalpan

de

Jurez,

Edo.

Mxico.

Editorial

Prentice

Hall

Hispanoamericana, S.A.
(Webster, Allen L., 2000) Estadstica Aplicada a los Negocios y la Economa.
Av. las Amricas, santa fe de Bogot Colombia. Editorial The Mc GRAWHILL COMPANIES, Inc.
Lind Marshal (2000) Estadstica Aplicada a los Negocios y la Economa.
Edo. Mxico. Editorial Mc GRAWILL.
Berenson
L. Mark y Levine David, (1996). Estadstica Bsica en
Administracin. Concepto y Aplicaciones 6ta edicin. Mxico. Editorial
Prentice Hall Hispanoamericana.

43