Universidad Popular de Nicaragua Ingeniería Industrial

ASIGNATURA: Estadística II

Unidad II: SERIES DE TIEMPO

Objetivo específico:

 Conocer los conceptos básicos de series de tiempo, y aplicarlos en la modelación.

 Identificar el modelo adecuado para la serie que se está analizando

Contenido:

2.1. Componente de una serie de tiempo

2.1.1 Tendencia Secular
2.1.2 Variación Cíclica
2.1.3 Variación Estacional
2.1.4 Variación Irregular

Series de Tiempo
Por serie de tiempo nos referimos a datos estadísticos que se recopilan, observan o registran
en intervalos de tiempo regulares (diario, semanal, semestral, anual, entre otros). El término
serie de tiempo se aplica por ejemplo a datos registrados en forma periódica que muestran,
por ejemplo, las ventas anuales totales de almacenes, el valor trimestral total de contratos
de construcción otorgados, el valor trimestral del PIB.

a. Componentes de la serie de tiempo

Supondremos que en una serie existen cuatro tipos básicos de variación, los cuales
sobrepuestos o actuando en concierto, contribuyen a los cambios observados en un período
de tiempo y dan a la serie su aspecto errático. Estas cuatro componentes son: Tendencia
secular, variación estacional, variación cíclica y variación irregular.

Supondremos, además, que existe una relación multiplicativa entre estas cuatro
componentes; es decir, cualquier valor de una serie es el producto de factores que se pueden
atribuir a las cuatro componentes.

1. Tendencia secular: La tendencia secular o tendencia a largo plazo de una serie es

por lo común el resultado de factores a largo plazo. En términos intuitivos, la
tendencia de una serie de tiempo caracteriza el patrón gradual y consistente de las
 variaciones de la propia serie, que se consideran consecuencias de fuerzas persistentes que afectan el
crecimiento o la reducción de la misma, tales como: cambios en la población, en las características
demográficas de la misma, cambios en los ingresos, en la salud, en el nivel de educación y tecnología.
Las tendencias a largo plazo se ajustan a diversos esquemas. Algunas se mueven continuamente hacía
arriba, otras declinan, y otras más permanecen igual en un cierto período o intervalo de tiempo.

2. Variación estacional: El componente de la serie de tiempo que representa la variabilidad en los datos
debida a influencias de las estaciones, se llama componente estacional. Esta variación corresponde a
los movimientos de la serie que recurren año tras año en los mismos meses (o en los mismos
trimestres) del año poco más o menos con la misma intensidad. Por ejemplo: Un fabricante de albercas
inflables espera poca actividad de ventas durante los meses de otoño e invierno y tiene ventas máximas
en los de primavera y verano, mientras que los fabricantes de equipo para la nieve y ropa de abrigo
esperan un comportamiento anual opuesto al del fabricante de albercas.
De este modo, las ventas de automóviles, ropa, consumo de juguetes, entre otros, pueden
ser ejemplos de ello. Es evidente entonces, que estos comportamientos solamente pueden
ser apreciados cuando se trata de datos mensuales o trimestrales, ya que en datos anuales o
semestrales queda ocultos.

Si observas esta gráfica sobre la Producción de Autos en México de forma semestre y su

relación con las ventas se puede observar que en los meses de Julio de los primeros 5 se
observa como el punto más bajo en cuanto a producción que va aumentado hasta tener
su máximo en los periodos Decembrinos.

Este análisis es muy importante ya que permite, por ejemplo, programar los suministros
de materias primas para cubrir la demanda estacional variable.

Por ejemplo, una empresa refresquera debe estimar sus niveles de inventario para las
diferentes épocas del año, tales como envases o ingredientes de su fórmula, esto le
permitirá calcular sus necesidades de espacio, y otras decisiones importantes, entre las
 cuales también estaría la contratación de personal eventual.

Bueno, puesto que entonces cada mes es diferente uno del otro, este análisis trata de
identificar un número índice estacional asociada a cada mes (o trimestre del año) o, en otras
palabras, un conjunto de índices mensuales que consiste en 12 índices que son
representativos de los datos para un período de 12 meses o, cuatro índices si se trata de
trimestres.

3. Variación cíclica: Con frecuencia las series de tiempo presentan secuencias alternas de puntos abajo y
arriba de la línea de tendencia que duran más de un año, esta variación se mantiene después de que se
han eliminado las variaciones o tendencias estacional e irregular. Un ejemplo de este tipo de variación
son los ciclos comerciales cuyos períodos recurrentes dependen de la prosperidad, recesión, depresión
y recuperación, las cuales no dependen de factores como el clima o las costumbres sociales.

Es muy común que te encuentres este tipo de gráficos en temas como los
ciclos económicos, los indicadores financieros, y demás aspectos que
tienen constantemente patrones de inicio, desarrollo, clímax y descenso; y
eso se va repitiendo con el tiempo.

Ejemplos:
En este gráfico puedes observar como la línea de color púrpura mantiene ciclos
constantes de subidas y bajadas; a diferencias de las líneas naranja y verde que
tienen un patrón de tendencia

4. Variación Irregular: Esta se debe a factores a corto plazo, imprevisibles y no recurrentes que afectan a
la serie de tiempo. Como este componente explica la variabilidad aleatoria de la serie, es impredecible,
es decir, no se puede esperar predecir su impacto sobre la serie de tiempo. Existen dos tipos de
variación irregular: a) Las variaciones que son provocadas por acontecimientos especiales, fácilmente
identificables, como las elecciones, inundaciones, huelgas, terremotos. b) Variaciones aleatorias o por
casualidad, cuyas causas no se pueden señalar en forma exacta, pero que tienden a equilibrarse a la
larga.
b. Tendencia de una serie

1. Tendencia lineal
Como se dijo antes, la tendencia de una serie viene dada por el movimiento general a largo
plazo de la serie. La tendencia a largo plazo de muchas series de negocios (industriales y
comerciales), como ventas, exportaciones y producción, con frecuencia se aproxima a una
línea recta. Esta línea de tendencia muestra que algo aumenta o disminuye a un ritmo
constante. El método que se utiliza para obtener la línea recta de mejor ajuste es el Método
de Mínimos Cuadrados.

2. Tendencia no lineal
Cuando la serie de tiempo presenta un comportamiento curvilíneo se dice que este
comportamiento es no lineal. Dentro de las tendencias no lineales que pueden presentarse
en una serie se encuentran, la polinomial, logarítmica, exponencial y potencial, entre otras.

c. Métodos de Suavizamiento de la Serie

1. Promedio móvil
Un promedio móvil se construye sustituyendo cada valor de una serie por la media
obtenida con esa observación y algunos de los valores inmediatamente anteriores y
posteriores. Se mostrará este método con los siguientes ejemplos:

Ejemplo 1. Aplicar el método de promedios móviles para el pronóstico de ventas de

gasolina a partir de la siguiente información:

Se considerará el promedio móvil a partir de las tres observaciones más recientes. En este
caso se utilizará la siguiente ecuación:

Pr omedio móvil 
n valores más recientes de datos
n
Resumen de cálculos para promedios móviles de tres semanas

Semana Valor de la serie Pronóstico de la i-ésima

de tiempo (miles de semana con
galones) Promedios móviles
1 17
2 21
3 19
4 23 (17+21+19)/3 = 19
5 18 (21+19+23)/3 = 21
6 16 ((19+23+18)/3 = 20
7 20 19
8 18 18
9 22 18
10 20 20
11 15 20
12 22 19

2. Promedios móviles ponderados

Para mostrar el uso de éste método, se utilizará la primera parte del ejemplo anterior de
la venta de gasolina. El método consiste en asignar un factor de ponderación distinto
para cada dato. Generalmente, a la observación o dato más reciente a partir del que se
quiere hacer el pronóstico, se le asigna el mayor peso, y este peso disminuye en los
valores de datos más antiguos. En este caso, para pronosticar las ventas de la cuarta
semana, el cálculo se realizaría de la siguiente manera:
1 2 3
pronóstico para la cuarta semana  (17)  (21)  (19)  19.33 galones
6 6 6
Puede observarse que el dato más alejado (correspondiente a la primera semana) tiene
el factor de ponderación más pequeño, el siguiente tiene un factor de ponderación del
doble que el primero y el dato más reciente (que corresponde a la tercera semana) tiene
un factor de ponderación del triple del primero. Los pronósticos para las diversas
semanas se presentan en la siguiente tabla. En todos los casos, la suma de los factores
de ponderación debe ser igual a uno.

Semana Valor de la serie Pronóstico de la i-ésima

de tiempo (miles de semana con
galones) Promedios móviles para 3
semanas
1 17
2 21
3 19
4 23 19.33
5 18 21.33
6 16 19.83
7 20 17.83
8 18 18.33
9 22 18.33
10 20 20.33
11 15 20.33
12 22
 3. Suavizamiento exponencial
El suavizamiento exponencial emplea un promedio ponderado de la serie de tiempo pasada
como pronóstico; es un caso especial del método de promedios móviles ponderados en el
cual sólo se selecciona un peso o factor de ponderación: el de la observación más reciente.
En la práctica comenzamos haciendo que F1, el primer valor de la serie de valores
uniformados, sea igual a Y1, que es el primer valor real de la serie. El modelo básico de
suavizamiento exponencial es el siguiente:

Ft 1  Yt  (1 )Ft

Donde:
Ft+1 = pronóstico de la serie de tiempo para el período t+1
Yt = valor real de la serie de tiempo en el período t
Ft = pronóstico de la serie de tiempo para el período t
 = constante de suavizamiento, 0 ≤  ≤ 1

En base a lo anterior, el pronóstico para el período dos se calcula de la siguiente manera:

F2  Y1  (1 )F1
F2  Y1  (1 )Y1
F2  Y1
Como se observa, el pronóstico para el período 2 con suavizamiento exponencial es igual al
valor real de la serie de tiempo en el período uno.
Para el período 3, se tiene que:
F3  Y2  (1 )F2
F3  Y2  (1 )

Para el período 4 se tiene:

F4  Y3  (1  )F3  Y3  (1  )Y2  (1  )Y1 
F4  Y3  (1 )Y2  (1  ) 2 Y1
Para mostrar el método de suavizamiento exponencial, retomamos el ejemplo de la
gasolina, utilizando como constante de suavizamiento  = 0.2:

galores/semana Pronóstico
Semana ( t ) Valor (Yi) Ft
1 17 F1 = Y1 = 17.00
2 21 F2 = F1 =17.00
3 19 F3 = Y2+(1-)F2 = 17.80
4 23 F4 = Y3 + (1-)F3 = 18.04
5 18 F5 = Y4 + (1-)F4 = 19.03
6 16 F6 = Y5 + (1-)F5 = 18.83
7 20 F7 = Y6 + (1-)F6 = 18.26
8 18 F8 = Y7 + (1-)F7 = 18.61
9 22 F9 = Y8 + (1-)F8 = 18.49
10 20 F10 = Y9 + (1-)F9 = 19.19
11 15 F11 = Y10 + (1-)F10 = 19.35
12 22 F12 = Y11 + (1-)F11 = 18.48
Resuelve los siguientes problemas de Promedio Móvil

Promedio móvil simple

1- Una empresa desea elaborar el pronóstico de ventas (o de la demanda) para uno de sus productos de mayor demanda en el
mercado, este pronóstico de la demanda se requiere para el mes de octubre de 2016, para lo cual se debe considerar que n= 2, 3.
sabiendo que los últimos meses el área de mercadotecnia ha registrado la información histórica que se indica en la siguiente en la
siguiente tabla
Estos cálculos se deberán obtener mediante PMS.

Cuando n= 2
Periodos Pronósticos P
Demanda (D)
Mensuales (PMS)
Febrero 556 -
Marzo 560 -
Abril 555
Mayo 551
Junio 562
Julio 557
Agosto 567
Septiembre 563
Octubre - ¿?

Cuando n= 3
Periodos Pronósticos P
Demanda (D)
Mensuales (PMS)
Febrero 556 -
Marzo 560 -
Abril 555 -
Mayo 551
Junio 562
Julio 557
Agosto 567
Septiembre 563
Octubre -

Promedio móvil ponderado Con los datos presentados a continuación, se desea calcular los pronósticos de ventas
aplicando promedio móvil ponderado (PMP) utilizando los siguientes factores de ponderación (40%, 35%, 25%).

Periodos Demanda (D) Pronósticos (PMP)

Mensuales
Febrero 556 -

Marzo 560 -
Abril 555 -

Mayo 551
Junio 562
Julio 557
Agosto 567
Septiembre 563
Octubre -
Promedio móvil de suavizamiento exponencial
Con los datos presentados a continuación, se desea calcular los pronósticos de ventas para el mes de octubre aplicando promedio
móvil de suavizamiento exponencial (PMSE) utilizando como constante de suavizamiento  = 0.3
Pronósticos
Periodos Demanda (D)
(PMSE)
Mensuales
Febrero 556 -
Marzo 560 -

Abril 555 -
Mayo 551
Junio 562
Julio 557
Agosto 567
Septiembre 563
Octubre -