INGENIERÍA EN GESTIÓN EMPRESARIAL

TRABAJO: No. 1 Investigación Conceptual

TEMA No. 3 Análisis de series de tiempo

NOMBRE DEL MAESTRO: Ramón Agustín Bocos Patrón

NOMBRE : Acal Valladares Manuel

MATERIA: Estadísticas Inferencial II

GRUPO: MG 5

FECHA: 15/Octubre/2018
 ÍNDICE
INTRODUCCIÓN ................................................................................................................................... 3
COMPETENCIAS ESPECÍFICAS A DESARROLLAR .................................................................................. 4
MODELOS CLÁSICOS DE SERIES DE TIEMPO........................................................................................ 5
ANÁLISIS DE FLUCTUACIONES ............................................................................................................. 6
ANÁLISIS DE TENDENCIAS ................................................................................................................... 6
ANÁLISIS DE VARIACIONES CÍCLICAS ................................................................................................... 8
MEDICIÓN DE VARIACIONES ESTACIONALES E IRREGULARES ............................................................ 9
APLICACIÓN DE AJUSTES ESTACIONALES .......................................................................................... 10
PRONÓSTICOS BASADOS EN FACTORES DE TENDENCIA Y ESTIMACIÓN .......................................... 12
BIBLIOGRAFÍA .................................................................................................................................... 19
WEDGRAFIA....................................................................................................................................... 19

2
INTRODUCCIÓN
Una serie de tiempo es un conjunto de datos numéricos que se obtienen en
períodos regulares a través del tiempo. Estos datos pueden ser muy variados,
generalmente son usados para evaluar el comportamiento de las ventas de una
empresa, o para evaluar el comportamiento de los índices de precio de un país o
de un tipo de producto pero en general pueden aplicarse a cualquier negocio y /o
área. Este comportamiento puede tener características de tipo estacional, o cíclico
o siguen alguna tendencia ya sea a la baja, de subida o sin variación.

Las organizaciones en general evalúan periódicamente el comportamiento de su

actividad y/o productos a fin de pronosticar que va a suceder en el futuro en base
a lo que ha venido ocurriendo en el pasado, está sucediendo en el presente y
tiene la tendencia a comportarse de la misma manera en el futuro.

El comportamiento de las series de tiempo, se debe a 4 componentes: la

tendencia, la variación cíclica, la variación estacional y la variación irregular.

La tendencia o tendencia secular, es aquella tendencia a largo plazo sin

alteraciones de una serie de tiempo. Esta tendencia pudiera ser de tipo lineal o no
lineal, así como también creciente o decreciente y también como una combinación
de alguna de las anteriores. Muchos productos, servicios e indicadores
económicos siguen un comportamiento de este tipo, y su análisis más
generalizado es a través de varios años, teniendo en cuenta los períodos que más
se ajustan a cada negocio, pudiendo ser semestrales, trimestrales, mensuales,
semanales, etc.

La segunda componente es la variación cíclica en la que a través del período de

tiempo analizado se producen ascensos y descensos en varias oportunidades.
Este tipo de comportamiento es muy asociado a variaciones de carácter
económico.

3
COMPETENCIAS ESPECÍFICAS A DESARROLLAR
Utiliza las diferentes técnicas de análisis de series de tiempos para estimar el
comportamiento de las variables a través del tiempo, calculados con base en
tendencias, fluctuaciones cíclicas, variaciones estacionales y variaciones
irregulares (al azar) para pronosticar modelos económicos e industriales.

4
 -INVESTIGACIÓN CONCEPTUAL-

MODELOS CLÁSICOS DE SERIES DE TIEMPO

La suposición fundamental del análisis de series de tiempo es que los factores que
han influido en los patrones de actividad en el pasado y el presente tendrán más o
menos la misma influencia en lo futuro. Entonces la meta principal del análisis de
series de tiempo es: identificar y aislar estos factores de influencia con el fin de
realizar predicciones (pronosticar), así como fines administrativos de planeación y
control.

Para conseguir estas metas, se han desarrollado muchos modelos matemáticos

que exploran las fluctuaciones entre los factores que componen una serie de
tiempo. Tal vez el más esencial sea el modelo multiplicativo clásico para datos
registrados cada año, trimestre o mes. En principio, el modelo multiplicativo clásico
se usará para pronosticar. Otras aplicaciones incluyen un análisis detallado de los
componentes particulares mediante la descomposición de las series de tiempo.
Por ejemplo, con frecuencia los economistas estudian una serie de tiempo anual,
trimestral o mensual para filtrar el componente cíclico y evaluar su movimiento
respecto a la actividad económica general. No obstante, las aplicaciones de la
descomposición de una serie de tiempo están fuera de los objetivos de este libro.

Para exponer el modelo multiplicativo clásico de series de tiempo, en la figura 5.2

se presentan los ingresos brutos reales de Eastman Kodak Company de 1975 a
1998. Si se intenta observar las características de esta serie de tiempo, es
evidente que los ingresos reales muestran una propensión a aumentar en este
periodo de 24 años. Esta inclinación global a largo plazo o impresión de un
movimiento hacia arriba o hacia abajo se conoce como tendencia
Figura 5.2 Gráfica de ingresos netos reales (en miles de millones de dólares) de Eastman Kodak
Company (1975-1998)

5
Sin embargo, la tendencia no es el único factor componente que influye en estos
datos en particular o en otra serie de tiempo anual. Otros dos factores, el
componente cíclico y el componente irregular, están presentes en los datos.

ANÁLISIS DE FLUCTUACIONES
El primer paso en un análisis de series de tiempo, consiste en graficar los datos y
observar sus tendencias en el tiempo. Primero debe determinarse si parece haber
un movimiento hacia arriba o hacia abajo a largo plazo en la serie (una tendencia)
o si la serie parece oscilar alrededor de una recta horizontal en el tiempo. En este
caso (es decir, no hay tendencia positiva o negativa a largo plazo), puede
emplearse el método de promedios móviles o el de suavización exponencial para
“emparejar” la serie y proporcionar un panorama global a largo plazo. Por otro
lado, si de hecho existe una tendencia, se pueden aplicar varios métodos de
pronóstico de series de tiempo al manejar datos anuales, y otro método para los
datos de series de tiempo mensual o trimestral.

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

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

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

6
importante de tiempo. El desplazamiento gradual de la serie de tiempo se llama
tendencia de esa serie; este desplazamiento o tendencia es, por lo común, el
resultado de factores a largo plazo, como cambios en la población,
características demográficas de la misma, la tecnología y/o las preferencias del
consumidor.

 Por ejemplo, un fabricante de bicicletas podría detectar cierta

variabilidad, de año a año, en la cantidad de bicicletas vendidas. Sin
embargo, al revisar las ventas durante los últimos 10 años, puede
encontrar que hay un aumento gradual en el volumen anual de ventas.
Suponga que sus ventas fueron:

Año 1 2 3 4 5 6 7 8 9 10

Ventas (miles) 21,6 22,9 25,5 21,9 23,9 27,5 31,5 29,7 28,6 31,4

Este crecimiento anual de las ventas a través del tiempo muestra una
tendencia creciente de la serie de tiempo. La figura 5.4 presenta una recta
que puede ser una buena aproximación a la tendencia de las ventas de
bicicletas. Aunque esa tendencia parece ser lineal y aumentar con el tiempo a
veces, en una serie de tiempo, la tendencia se puede describir mejor
mediante otros patrones.

Si al graficar nuestros datos observamos de manera clara la tendencia lineal

a largo plazo (no importando si es positiva o negativa), entonces estaremos

7
 en la posición de pronosticar con un buen nivel de confianza, con alguno de
los métodos que se indicaran más adelante.

La figura 5.5 muestra otros patrones posibles de tendencia. La sección A

representa una tendencia no lineal; en este caso, la serie de tiempo crece
poco al principio; luego tiene un crecimiento rápido y, finalmente, se nivela.

Esa tendencia podría ser una buena aproximación de las ventas de un

producto, desde su introducción, pasando por un periodo de crecimiento y
llegando a una etapa de saturación del mercado. La tendencia lineal
decreciente en la sección B se aplica a una serie de tiempo que tenga una
disminución continua a través del tiempo. La recta horizontal de la sección C
representa una serie de tiempo que no tiene aumento o disminución
consistentes a través del tiempo y que, en consecuencia, no tiene tendencia.

ANÁLISIS DE VARIACIONES CÍCLICAS

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

8
Muchas series se tiempo presentan comportamiento cíclico con tramos regulares
de observaciones abajo y arriba de la línea de tendencia. En general, este
comportamiento de la serie se debe a movimientos cíclicos de la economía a
través de varios años. Por ejemplo, los periodos de inflación moderada seguidos
de periodos de inflación rápida pueden determinar series de tiempo que se
alternan abajo y arriba de una línea de tendencia ascendente en general (como la
serie de tiempo de los costos de vivienda). Diversas series de tiempo de principios
de la década de los ochenta presentaron este comportamiento.

MEDICIÓN DE VARIACIONES ESTACIONALES E IRREGULARES

Mientras que la tendencia y los componentes cíclicos de una serie de tiempo se
identifican analizando los movimientos de datos históricos a través de varios
años, hay muchas series de tiempo que muestran un patrón regular dentro de
un periodo de un año. Por ejemplo, un fabricante de albercas inflables espera
poca actividad de ventas durante los meses de otoño e invierno, y ventas
máximas en los de primavera y verano. Los fabricantes de equipo para la nieve
y de ropa de abrigo esperan un comportamiento anual opuesto al del fabricante
de albercas. No es de sorprender que el componente de la serie de tiempo que
representa la variabilidad en los datos, debida a influencias de las estaciones,
se llame componente estacional. Aunque uno suele imaginarse que un
movimiento estacional de una serie de tiempo sucede dentro de un año,
también se puede usar para representar cualquier patrón regularmente
repetitivo cuya duración sea menor de un año. Por ejemplo, los datos diarios de
intensidad de tráfico muestran un comportamiento “estacional” dentro del mismo
día, así se tiene que el flujo máximo se presenta durante las horas de
aglomeración, el moderado durante el resto del día y al caer la noche, y el
mínimo a partir de la medianoche hasta temprano por la mañana.

9
El componente irregular de la serie de tiempo es el factor residual, “mil usos”,
que explica las desviaciones de la serie de tiempo real respecto a los factores
determinados por los efectos de la tendencia y los componentes cíclicos y
estacionales. Se debe a factores a corto plazo, imprevisibles y no recurrentes
que afecta a la serie de tiempo. Como este componente explica la variabilidad
aleatoria de la serie, es impredecible; de esta manera, no se puede esperar
predecir su impacto sobre la serie de tiempo

APLICACIÓN DE AJUSTES ESTACIONALES

Una aplicación frecuente de índices estacionales es la de ajustar datos de serie de
tiempo observados para eliminar la influencia del componente estacional en ellos;
se llaman datos con ajuste estacional. Los ajustes estacionales son
particularmente pertinentes cuando se desea comparar datos de diferentes meses
para determinar si ha tenido lugar un incremento (o decremento) en relación con
las expectativas estacionales. Los valores de serie de tiempo mensuales (o
trimestrales) observados se ajustan respecto de la influencia estacional dividiendo
cada valor entre el índice mensual (o trimestral) de ese mes. El resultado se
multiplica luego por 100 para mantener la posición decimal de los datos originales.
La serie que resultante se llama ventas desestacionalizadas o ventas ajustadas
estacionalmente.

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

estaciónales a fin de estudiar la tendencia y el ciclo. Para ilustrar el procedimiento,
los totales trimestrales de ventas de la empresa

10
A fin de eliminar el efecto de la variación estacional, la cantidad estacional, la
cantidad de ventas para cada trimestre (que contiene efectos de tendencia,
cíclicos, irregulares y estaciónales) se divide entre el índice estacional de ese
trimestre; esto es, TSCI/S.

 Por ejemplo, las ventas reales para el primer trimestre de 1996 fueron 6.7
millones de dólares, el índice estacional para el trimestre de invierno es
76.5 el índice 76.5 indica que las ventas en el primer trimestre normalmente
se encuentran 23.5% abajo del promedio de un trimestre normal. Dividiendo
las ventas reales $6.7 millones entre 76.5 y multiplicando el resultado por
100 se encuentra el valor de las ventas desestacionalizadas del primer
trimestre de 1996. El valor es $8758170 que se obtuvo de
($6700000/76.5)100.

Este proceso se repite con los demás trimestres en la columna 3 de la tabla 5.2 y
los resultados se dan en millones de dólares. Puesto que la componente
estacionalizadas contiene solo las componentes de tendencia (T), ciclo © e
irregular (I). Al revisar las ventas desestacionalizadas. Es claro que la eliminación
del factor estacional permite considerar la tendencia general a largo plazo de las

11
ventas. También se podrá determinar la ecuación de regresión de los datos de
tendencia y usarla para pronosticar ventas futuras.

PRONÓSTICOS BASADOS EN FACTORES DE TENDENCIA Y

ESTIMACIÓN
Como lo indicamos anteriormente el primer pasó en un análisis de series de
tiempo, consiste en graficar los datos y observar sus tendencias en el tiempo.
Primero debe determinarse si parece haber un movimiento hacia arriba o hacia
abajo a largo plazo en la serie (una tendencia) o si la serie parece oscilar
alrededor de una recta horizontal en el tiempo. En este caso (es decir, no hay
tendencia positiva o negativa a largo plazo), se recomienda antes de aplicar
alguno de los métodos de pronostico ¨suavizar¨ nuestros datos a fin de que la
tendencia se observe de manera clara.

Los métodos que pueden emplearse para suavizar nuestros datos usualmente
son:

a) El método de promedios móviles

b) El método de suavización exponencial

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

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

Suavización de una serie de tiempo anual

La tabla 5.3 presenta las ventas mundiales de una fábrica (en millones de
unidades) de automóviles, camiones y autobuses hechos por General Motors
Corporation (GM). Para un periodo de 24 años, de 1975 a 1998, y la figura 5.7
es una gráfica de serie de tiempo de estos datos. Al examinar este tipo de datos
anuales, la impresión visual de las tendencias globales a largo plazo o
movimientos de tendencia en la serie quedan veladas por la cantidad de
variación de un año a otro. Entonces se vuelve difícil juzgar si en esta serie en
realidad existe un efecto de tendencia positivo o negativo a largo plazo.

12
En situaciones como éstas, se pueden usar el método de promedios móviles o
la suavización exponencial para suavizar o emparejar la serie de tiempo y
proporcionar un panorama global del patrón de movimiento de los datos en el
tiempo.

Promedios móviles

El método de promedios móviles para suavizar una serie de tiempo es muy

subjetivo y dependiente de L, la longitud del periodo seleccionado para calcular
los promedios. Para eliminar las fluctuaciones cíclicas, el periodo elegido debe
ser un valor entero que corresponda a (o sea múltiplo de) la longitud promedio
estimada de un ciclo en una serie. Los promedios móviles para un promedio
determinado de longitud L consiste en una serie de promedios aritméticos en el
tiempo tales que cada uno se calcula a partir de una secuencia de L valores
observados. Estos promedios móviles se representan por el símbolo PM (L)

13
A manera de ejemplo, suponga que se desea calcular promedios móviles de 5
años de una serie que contiene n = 11 años. Como L = 5, los promedios móviles
de 5 años consisten en una serie de medidas obtenidas en el tiempo al
promediar secuencias consecutivas de cinco valores observados. El primer
promedio móvil de 5 años se calcula con la suma de los valores para los
primeros 5 años en la serie, dividida entre 5.

Cuando se trata de una serie de tiempo anual, L, la longitud del periodo elegido
para construir los promedios móviles, debe ser un número de años impar. Al
seguir esta regla se observa que no se pueden obtener promedios móviles para
los primeros (L –1)/2 años o los últimos (L -1)/2 años en la serie. Entonces, para
un promedio móvil de 5 años, no es posible hacer cálculos para los primeros 2
años o los últimos 2 años de la serie.

Al graficar los promedios móviles, cada valor calculado se coloca en el año a la

mitad de la secuencia de años usada para calcularlos. Si n = 11 y L = 5, el primer
promedio móvil se centra en el tercer año, el segundo promedio móvil se centra en
el cuarto año y el último en el noveno año. Esto se ilustra en el siguiente ejemplo:

Suponga que los siguientes datos representan los ingresos totales (en millones de
dólares constantes de 1995) de una agencia donde se rentan automóviles, en un
intervalo de 11 años de 1987 a 1997:

14
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 móviles de 5 años para esta serie de tiempo anual.

Solución

El primer promedio móvil de 5 años es

4+5+6+7+8 30
PM (5) = = =6
5 5

Es decir, para calcular un promedio móvil de 5 años, primero se obtiene la suma

de los cinco años y se divide entre 5. Después el promedio se centra en el valor
medio, el tercer año de esta serie de tiempo. Los siguientes valores quedan de la
siguiente manera:

Estos promedios móviles se centran en sus respectivos valores medios, el quinto,

sexto y séptimo años de la serie de tiempo. Se observa que al obtener promedios
móviles de 5 años, no se pueden calcular los valores para los primeros dos y los
últimos dos valores de la serie de tiempo.

15
En la práctica, al obtener promedios móviles se debe usar un programa de
computadora como Microsoft Excel o Minitab para evitar los cálculos tediosos. La
tabla 5.4 y 5.5 presenta las ventas anuales de la fábrica (General Motors) que
ampara el periodo de 24 años de 1975 a 1998 junto con los cálculos para los
promedios móviles de 3 y 7 años. La gráfica de las dos series construidas se
presenta en la figura 5.8 y 5.9 con los datos originales.

Se observa en la tabla 5.4 que al obtener los promedios móviles de 3 años, no se

pueden calcular valores para el primero o el último valor en la serie de tiempo.

16
Suavización exponencial

La suavización exponencial es otra técnica que se usa para alisar una serie de
tiempo y proporcionar una visualización global de los movimientos a largo plazo de
los datos. Además, se puede usar el método de suavización exponencial para
obtener pronósticos a corto plazo (un periodo futuro) para series de tiempo.

17
El método de suavización exponencial obtiene su nombre del hecho de que
proporciona un promedio móvil con ponderación exponencial a través de la
serie de tiempo. En toda la serie, cada cálculo de suavización o pronóstico
depende de todos los valores observados anteriores. Ésta es otra ventaja
respecto al método de pronósticos móviles, que no toma en cuenta todos los
valores observados de esta manera. Con la suavización exponencial, los pesos
asignados a los valores observados decrecen en el tiempo, de manera que al
hacer un cálculo, el valor observado más reciente recibe el peso más alto, el
valor observado anterior tiene el siguiente peso más alto, y así sucesivamente,
por lo que el valor observado inicial tiene la menor ponderación. Aunque la
magnitud de los cálculos involucrados puede parecer enorme, la suavización
exponencial al igual que los métodos de promedios móviles está disponible
entre los procedimientos de Microsoft Excel y Minitab.
Si se centra la atención en los aspectos de suavización de la técnica (más que
en el aspecto del pronóstico), las fórmulas desarrolladas para suavizar
exponencialmente una serie en un periodo dado i se basa en sólo tres términos:
el valor observado actual en la serie de tiempo, valor con suavización
exponencial calculado anterior Ei 1 y un peso subjetivo asignado o coeficiente
de suavización W. Así, para alisar una serie en cualquier periodo, se tiene la
siguiente expresión.

Obtención de un valor que tiene suavización exponencial en el periodo donde

EI = valor de la serie suavizada exponencialmente que se calcula en el periodo

EI – 1 = valor de la serie suavizada exponencialmente que se calcula en el

periodo – 1
Yi = valor observado de la serie de tiempo en el periodo

W = peso subjetivo asignado o coeficiente de suavización (donde

0 < W <1) E1 = Y1

La elección del coeficiente de suavización o peso que se asigna a la serie de

tiempo es crítica porque afectará en forma directa los resultados. Es
desafortunado que esta selección sea subjetiva. Si se desea sólo suavizar una
serie con la eliminación de la variación cíclica y la irregular, debe elegirse un
valor pequeño para W (cercano a 0). Por otro lado, si la meta es pronosticar,
debe elegirse un valor grande para W (más cercano a 1). En el primer caso, se
podrán observar las tendencias globales a largo plazo de la serie; en el último
caso, es posible predecir direcciones futuras a corto plazo de manera más
adecuada.
Los cálculos de la suavización exponencial se ilustra para un coeficiente de
suavización de W = 0.25. Como punto de partida, se utiliza el valor observado
inicial

18
 (Tabla 5.3), Y1975 = 6.6 como el primer valor de suavización (E1975 = 6.6)
Después, con el valor observado de la serie de tiempo para el año 1976 (Y1976
= 8.6), se suaviza la serie para el año de 1976 con el cálculo

E i W Yi  (1W )Ei 1

E1976 = WY1976 + (1 – W)E1975 = (0.25)(8.6) + (0.75)(6.6) = 7.10 millones

E1977 = WY1977 + (1 – W)E1976 = (0.25)(9.1) + (0.75)(7.1) = 7.6

E1978 = WY1978 + (1 – W)E1977 = (0.25)(9.5) + (0.75)(7.6) = 8.08

BIBLIOGRAFÍA
ESTADISTICA INFERENCIAL II - LIBRO DEL CURSO Ing. Ind. Estadistica
aplic. a los neg. y la econ. – Webster

WEDGRAFIA
SERIE DE TIEMPO-EXPLICACIÓN Y EJEMPLO (CONTIENE LA MAYORIA DE
LOS COMPONENTES) ANALISIS DE TENDENCIA

https://youtu.be/S_qF7ewsq7s

Series de Tiempo (Pronósticos) con Minitab

https://youtu.be/C00FzHgplBo

19