ECONOMETRIA II

Docente: Dr. Econ. Edinson Rengifo Romero

ANALISIS DE SERIES DE TIEMPO

Las series de tiempo llamadas también series cronológicas o series históricas son un conjunto de datos
numéricos que se obtienen en períodos regulares y específicos a través del tiempo, los tiempos pueden ser
en años, meses, semanas, días o otra unidad adecuada al problema que se esté trabajando.
Matemáticamente, una serie de tiempo se define por los valores Y1, Y2, Y3,…….de una variable Y (ventas
mensuales, producción total, etc.) en tiempos t1, t3, t3……….. Si se reemplaza a X por la variable tiempo, estas
series se definen como distribuciones de pares ordenados (X,Y) en el plano cartesiano, siendo Y una función
de X; esto se denota por:
Y = f(t) Y= f(X)
El principal objetivo de las series de tiempo es hacer proyecciones o pronósticos sobre una actividad futura,
suponiendo estables las condiciones y variaciones registradas hasta la fecha, lo cual permite planear y tomar
decisiones a corto o largo plazo. Después, con base en esa situación ideal, que supone que los factores que
influyeron en la serie en el pasado lo continuarán haciendo en el futuro, se analizan las tendencias pasadas
y el comportamiento de las actividades bajo la influencia de ellas; por ejemplo, en la proyección de ventas
de un producto o de un servicio de una empresa se calculan los posibles precios, la reacción del consumidor,
la influencia de la competencia, etc.
Para el análisis de las series temporales se usan métodos que ayudan a interpretarlas y que permiten extraer
información representativa sobre las relaciones subyacentes entre los datos de la serie o de diversas series y
que permiten en diferente medida y con distinta confianza extrapolar o interpolar los datos y así predecir el
comportamiento de la serie en momentos no observados, sean en el futuro (extrapolación pronosticar), en
el pasado (extrapolación retrógrada) o en momentos intermedios (interpolación).
Las series temporales se usan para estudiar la relación causal entre diversas variables que cambian con el
tiempo y se influyen entre sí. Desde el punto de vista probabilístico una serie temporal es una sucesión de
variables aleatorias indexadas según parámetro creciente con el tiempo. Cuando la esperanza matemática
de dichas variables aleatorias es constante o varía de manera cíclica, se dice que la serie es estacionaria y no
tiene tendencia secular. Muchas series temporales tienen una tendencia creciente (por ejemplo, el número
de automóviles en uso en casi todos los países durante los últimos cincuenta años) o decreciente (por
ejemplo, el número de personas que trabajan en la agricultura); otras no tienen tendencia (la luminosidad a
horas sucesivas, que varía cíclicamente a lo largo de las 24 horas del día) y son estacionarias.

I. MOVIMIENTOS O COMPONENTES
El análisis más clásico de las series temporales se basa en la suposición de que los valores que toma la variable
de observación es la consecuencia de cuatro componentes, cuya actuación conjunta da como resultado los
valores medidos, estos componentes son:

1. TENDENCIA SECULAR o regular, indica la marcha general y persistente del fenómeno

observado, es una componente de la serie que refleja la evolución a largo plazo. Por ejemplo, la
tendencia creciente del índice de reciclado de basuras en los países desarrollados, o el uso creciente
de Internet en la sociedad, independientemente de que en un mes concreto en un país, por
determinadas causas, haya una baja en la utilización de Internet.
La tendencia secular o simplemente tendencia, son movimientos o variaciones continuas de la
variable de modo uniforme y suave, por encima o por debajo, que se observan en el largo plazo
 durante un período de longitud prolongada. Representan el comportamiento predominante o
dirección general de la serie de tiempo como ascendente o descendente. La gráfica de la tendencia
suele ser una curva suave y aun una línea recta que muestra la tendencia de las variaciones. Ejemplos
de tendencia secular son las ventas, exportaciones, producción y el empleo.
La siguiente gráfica muestra la tendencia de exportaciones de la Empresa D & M en período 2000-
2009. Aunque los datos muestran ciertas variaciones están por encima y por debajo de la recta de
tendencia, la tendencia secular es ascendente.

2. MOVIMIENTO ESTACIONAL, variación estacional o Variación cíclica regular. Es el movimiento

periódico de corto plazo. Se trata de una componente causal debida a la influencia de ciertos
fenómenos que se repiten de manera periódica en un año (las estaciones), una semana (los fines de
semana) o un día (las horas puntas) o cualquier otro periodo. Recoge las oscilaciones en esos
períodos de repetición.
Representa un movimiento periódico que se producen en forma similar cada año por la misma época,
en correlación con los meses o con las estaciones del año y aun con determinadas fechas. Si los
sucesos no se repiten anualmente, los datos deben recolectarse trimestral, mensual o incluso
semanalmente. Ejemplos de movimientos estacionales son la variación de precios de ciertos
productos, incremento de ventas de juguetes y disminución de ventas de útiles Navidad, incremento
de ventas de flores por el día del amor y la amistad, etc.

3. MOVIMIENTO CÍCLICO o Variación cíclica irregular. Es el componente de la serie que recoge

las oscilaciones periódicas de amplitud superior a un año. movimientos normalmente irregulares
 alrededor de la tendencia, en las que a diferencia de las variaciones estacionales, tiene un período y
amplitud variables, pudiendo clasificarse como cíclicos, cuasi cíclicos o recurrentes.
Son variaciones hacia arriba y hacia abajo de la tendencia que se presentan cada cierto número de
intervalos, en forma periódica de manera ondular a modo de oscilaciones más o menos regulares
durante un período relativamente prolongado, que por lo general abarca tres o más años de
duración. La producción, empleo, promedio industrial, etc. son ejemplos de este tipo de
movimientos.

4. MOVIMIENTOS IRREGULARES O ALEATORIOS o Variación aleatoria o ruido, accidental,

de carácter errático, también denominada residuo, no muestran ninguna regularidad (salvo las
regularidades estadísticas), debidos a fenómenos de carácter ocasional como pueden ser tormentas,
terremotos, inundaciones, huelgas, guerras, avances tecnológicos, etc.
Son aquellas variaciones producidas por sucesos de ocurrencia imprevisible o accidental que
producen movimientos sin un patrón discernible; así por ejemplo, las exportaciones de una empresa
pueden ser afectadas por sucesos inusuales no previsibles tales como huelgas, guerras, terremotos,
inundaciones, etc. Estas variaciones irregulares son de corta duración y de magnitud muy variable.

De estos tres componentes los dos primeros son componentes determinísticos, mientras que la
última es aleatoria. Así se puede denotar la serie de tiempo como

Xt = Tt + Et + It
Donde T es la tendencia, E es la componente estacional e I es la componente aleatoria.

Las series temporales se pueden clasificar en:

a.- Estacionarias.- Una serie es estacionaria cuando es estable a lo largo del tiempo, es decir, cuando
la media y varianza son constantes en el tiempo. Esto se refleja gráficamente en que los valores de la serie
tienden a oscilar alrededor de una media constante y la variabilidad con respecto a esa media también
permanece constante en el tiempo.

b.- No estacionarias.- Son series en las cuales la tendencia y/o variabilidad cambian en el tiempo.
Los cambios en la media determinan una tendencia a crecer o decrecer a largo plazo, por lo que la serie no
oscila alrededor de un valor constante.
Procesos Estocásticos
Desde un punto de vista intuitivo, un proceso estocástico se describe como una secuencia de datos que
evolucionan en el tiempo. Las series temporales se definen como un caso particular de los procesos
estocásticos.

Proceso Estocástico Estacionario. Un proceso estocástico se dice que es estacionario si su

media y su varianza son constantes en el tiempo y si el valor de la covarianza entre dos periodos depende
solamente de la distancia o rezago entre estos dos periodos de tiempo y no del tiempo en el cual se ha
calculado la covarianza.
Si una serie de tiempo es estacionaria, su media, su varianza y su autocovarianza (en diferentes rezagos)
permanecen iguales sin importar el momento en el cual se midan; es decir, son invariantes respecto al
tiempo.
Ruido blanco (“white noise”). Un ruido blanco es un caso simple de los procesos estocásticos,
donde los valores son independientes e idénticamente distribuidos a lo largo del tiempo con media cero e
igual varianza.

II. MÉTODOS DE PRONÓSTICOS

Pronóstico es el proceso de estimación en situaciones de incertidumbre. El término predicción es
similar, pero más general, y generalmente se refiere a la estimación de series temporales o datos
instantáneos. El pronóstico ha evolucionado hacia la práctica del Estudio de Demanda en el
pronóstico diario de los negocios que en la práctica también se refiere al pronóstico de la cadena
de suministros. Los pronósticos son procesos críticos y continuos que se necesitan para obtener
buenos resultados durante la planificación, de un proyecto.

Si los clasificamos respecto al tiempo que abarcan, se puede clasificar en:

1. Pronósticos a corto plazo: En las empresas modernas, este tipo de pronóstico se

efectúa cada mes o menos, y su tiempo de planeación tiene vigencia de un año. Se utiliza para
programas de abastecimiento, producción, asignación de mano de obra a las plantillas de
trabajadores, y planificación de los departamentos de fabricación.

2. Pronósticos a mediano plazo: Abarca un lapso de seis meses a tres años. Este se
utilizan para estimar planes de ventas, producción, flujos de efectivo y elaboración de presupuestos.

3. Pronósticos a largo plazo: Este tipo de pronóstico se utiliza en la planificación de

nuevas inversiones, lanzamiento de nuevos productos y tendencias tecnológicas de materiales,
procesos y productos, así como en la preparación de proyectos. La duración es de tres años o más.

Un modelo de predicción condicional es uno que puede ser usado para predecir una
variable de interés, condicionado en ciertos supuestos sobre otras variables.

Las predicciones siempre están sujetas a un error. Al menos hay tres fuentes de error
 • Incertidumbre en la Especificación: Todos los modelos están equivocados (algunos más
que otros)

• Incertidumbre en la Innovación: Innovaciones futuras son desconocidas cuando se hace

la predicción.

• Incertidumbre en los Parámetros: Los coeficientes que usamos para producir las
predicciones son estimaciones, y por lo tanto están sujetas a variabilidad muestral

A menudo no queremos hacer predicciones condicionales de y dado x, sino la mejor predicción de

y (predicción incondicional). Para conseguir esta predicción a menudo nos encontramos
con el problema de conseguir una predicción incondicional de las variables explicativas. Es decir,
que para conseguir una predicción incondicional de y , no podemos insertar un valor arbitrario del
futuro x, sino que necesitamos insertar una predicción puntual óptima.

A) Métodos de serie temporal

Los métodos de serie temporal utilizan datos históricos como base para estimar resultados futuros.
Inmersos en el modelo en un esquema aditivo o multiplicativo, algunos de estos métodos son:

• Método de medias móviles • Método de ajuste lineal de tendencia

• Método de alisado exponencial • Método de ajuste estacional
• Método de extrapolación

B) Métodos causales / econométricos

Algunos métodos de pronóstico asumen que es posible identificar los factores subyacentes que
pueden tener influencia sobre la variable a pronosticar. Si las causas se entienden, se pueden hacer
proyecciones de las variables que influyen, para utilizarlas en la predicción.

Algunos métodos causales son:

• Análisis de la regresión, que puede ser lineal o no lineal.

• Modelo autorregresivo de media móvil (ARMA)
• Modelo ARIMA

C) Métodos subjetivos
Los métodos subjetivos incorporan juicios intuitivos, opiniones y estimaciones. Algunos de ellos son:

• Pronósticos compuestos • Construcción de escenario

• Encuestas • Pronóstico de tecnología
• Método Delphi • Pronóstico por analogía
D) Otros métodos

• Pronóstico de mercado • Simulación

• Pronóstico probabilístico • Pronóstico de conjunto

Precisión del pronóstico

El error del pronóstico es la diferencia entre el valor real y el pronosticado del período
correspondiente.

: Error del pronóstico del período ,

t : Valor real para ese período

F t: Valor del pronóstico. Medidas de error.

Las medidas más comunes de la precisión de la predicción son:

Error absoluto de la media (MAE)

MAE
Error absoluto porcentual de la media (MAPE)

Desviación porcentual absoluta de la media (PMAD)

Error cuadrático de la media (MSE)

CME
Raíz del error cuadrático de la media (RMSE)
AE
RCME
III. MODELOS DETERMINÍSTICOS
O Modelos de Series Temporales. Para realizar pronósticos se cuentan con dos tipos de métodos: los
determinísticos y los estocásticos.

Métodos de pronósticos determinísticos

Los métodos determinísticos se caracterizan por ignorar (o suponer) la aleatoriedad, los más conocidos Son:
• Ingenuo • Suavización exponencial Holt
• Ingenuo con variación • Suavización exponencial Winter
• Promedio Móvil • Descomposición aditivo
• Suavización exponencial simple • Descomposición multiplicativo

Para seleccionar un método se debe tener en cuenta el patrón que presenten, la cantidad de datos
históricos disponibles y el horizonte del pronóstico deseado.
Estos métodos se clasifican en:

• Aditivas, se componen sumando la Tendencia, estacionalidad, variación cíclica regular, variación

cíclica irregular, ruido:

• Multiplicativas, se componen multiplicando la Tendencia, estacionalidad, variación cíclica

regular, variación cíclica irregular, ruido:

• Mixtas, se componen sumando y multiplicando la Tendencia, estacionalidad, variación cíclica

regular, variación cíclica irregular, ruido. Existen varias alternativas, entre otras:

o
o
o
En el modelo multiplicativo, las variaciones se expresan en términos relativos o porcentuales de la
tendencia, en tanto que en el modelo aditivo las variaciones se expresan como residuos en las mismas
unidades originales.
El modelo aditivo sufre el supuesto irreal de que los movimientos o componentes son independientes
uno de otro, algo que difícilmente se da en el caso de la vida real.
El modelo multiplicativo supone que los movimientos o componentes interactúan entre sí y no se
mueven independientemente, por lo que este modelo es más utilizado que el aditivo.
Sin embargo, el criterio fundamental que se debe seguir en el caso de una situación dada es emplear
el modelo que mejor se ajuste a los datos.
MÉTODOS PARA SUAVIZAMIENTO DE UNA SERIE DE TIEMPO
Estos métodos eliminan las fluctuaciones aleatorias de la serie de tiempo, proporcionando datos menos
distorsionados del comportamiento real de misma.

A) MÉTODO DE LOS PROMEDIOS MÓVILES

El movimiento medio de orden N de una serie de valores Y1, Y2, Y3,... Yn se define por la sucesión de valores
correspondientes a las medias aritméticas:

O sea los valores 7, 12

Utilizando adecuadamente estos movimientos medios se eliminan los movimientos o variaciones estacionales,
cíclicas e irregulares, quedando sólo el movimiento de tendencia. Este método presenta el inconveniente de
que se pierden datos iniciales y finales de la serie original. También se puede observar que a medida que N
crece, la cantidad de nuevos datos se reduce.
Si se emplean medias aritméticas ponderadas en el método de los promedios móviles, el método toma de
nombre Promedios Móviles Ponderados de Orden N.
Ejemplo
Con los siguientes datos acerca de la ventas en miles de dólares de la Empresa D & M durante los últimos 3
años tomados en períodos de trimestres:
Trimestre Ventas Trimestre Ventas
1 12 7 20
2 16 8 35
3 20 9 11
4 34 10 19
5 23 11 24
6 19 12 36

1) Suavizar los datos empleando el método de los promedios móviles de orden 3 (longitud de 3 períodos).
2) Pronosticar las ventas para el trimestre número 13.
3) Suponga que para el Gerente de Ventas la última venta realizada es el doble de importante que la
penúltima, y la antepenúltima venta tiene la mitad de importancia que la penúltima. Realizar el
 pronóstico de ventas para el trimestre número 13 empleando el método de los promedios móviles
ponderados de orden 3.
4) Elaborar un gráfico en el que consten las ventas y los promedios móviles (ventas suavizadas).

Solución:
1) El cálculo de los promedios móviles de orden 3 se presentan en la siguiente tabla:
Pronóstico (Promedios Pronóstico (Promedios
Trimestre Ventas Trimestre Ventas
móviles) móviles)
1 12 7 20 (19+20+35)/3 = 24,67
2 16 (12+16+20)/3 = 16,00 8 35 (20+35+11)/3 = 22,00
3 20 (16+20+34)/3 = 23,33 9 11 (35+11+19)/3 = 21,67
4 34 (20+34+23)/3 = 25,67 10 19 (11+19+24)/3 = 18,00
5 23 (34+23+19)/3 = 25,33 11 24 (19+24+36)/3 = 26,33
6 19 (23+19+20)/3 = 20,67 12 36

Empleando Excel se muestra en la siguiente figura:

2) El último valor del promedio móvil, que en este ejemplo es 26,33, representa el pronóstico de las ventas
para el trimestre número 13, y teóricamente para todo trimestre futuro.
3) Para resolver lo planteado se toma en cuenta las 3 últimas ventas con sus respectivos pesos o
ponderaciones. Estos datos se presentan en la siguiente tabla:

Trimestre Ventas Pesos (w)

10 19 0,5
11 24 1
12 36 2

Reemplazando valores en la fórmula de la media aritmética ponderada se obtiene:

El valor 30,14 es el pronóstico de ventas para el trimestre número 13.

Los cálculos en Excel se muestran en la siguiente figura:
4) El gráfico en el que constan las ventas y los promedios móviles se muestra en la siguiente figura elaborado
empleando Excel:

Empleando Graph se muestra en la siguiente figura:

EJEMPLO:
Datos Originales Media Móvil Estadísticas de la regr
4000 1400

3500
1200
3000 y = 43.009x + 98.743
1000
2500
R² = 0.2644
800
2000
600
1500
y = 25.284x + 342.54
400
1000
R² = 0.9349
500 200

0
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35

Y=a*x+b DATOS MEDIA

a= 98.743 342.54
b= 43.009 25.284

Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
2005 0.9001028 0.8169168 0.8897385 1.4811186 2.6165652 2.2454962
2006 0.6278613 0.7106435 0.4261985 0.5218699 0.7176840 0.2243220 0.3790219 0.3065479 0.8820986 2.0612876 2.8739589 2.4455847
2007 0.3454435 0.6113573 0.4467653 0.6382119 0.4346971 0.7092974 Total
IEP 0.486652429 0.661000397 0.43648189 0.58004089 0.57619057 0.46680971 0.63956239 0.56173235 0.88591855 1.7712031 2.74526207 2.34554044 12.1563948
IEPA 0.480391535 0.652496477 0.43086645 0.57257853 0.56877775 0.46080409 0.63133428 0.55450553 0.87452101 1.74841617 2.70994365 2.31536453
 ARRIBO DE TURISTAS
Indice de
Total Nacionales Media Móvil Media Móvil Indice de Estacion.
Año Meses
(Y) (MM) Centrada (MMC)
Estacionalidad
Promedio Ajustado (IEPA)
(IE)
Enero 339 0.48
Febrero 425 0.65
Marzo 290 0.43
Abril 270 0.57
Mayo 191 0.57
Junio 154 0.46
2005
Julio 547 605.17 607.71 0.90 0.63
Agosto 499 610.25 610.83 0.82 0.55
Septiembre 543 611.42 610.29 0.89 0.87
Octubre 907 609.17 612.38 1.48 1.75
Noviembre 1648 615.58 629.83 2.62 2.71
Diciembre 1449 644.08 645.29 2.25 2.32
Enero 400 646.50 637.08 0.63 0.48
Febrero 439 627.67 617.75 0.71 0.65
Marzo 263 607.83 617.08 0.43 0.43
Abril 347 626.33 664.92 0.52 0.57
Mayo 533 703.50 742.67 0.72 0.57
Junio 183 781.83 815.79 0.22 0.46
2006
Julio 321 849.75 846.92 0.38 0.63
Agosto 261 844.08 851.42 0.31 0.55
Septiembre 765 858.75 867.25 0.88 0.87
Octubre 1833 875.75 889.25 2.06 1.75
Noviembre 2588 902.75 900.50 2.87 2.71
Diciembre 2264 898.25 925.75 2.45 2.32
Enero 332 953.25 961.08 0.35 0.48
Febrero 615 968.92 1005.96 0.61 0.65
Marzo 467 1043.00 1045.29 0.45 0.43
Abril 671 1047.58 1051.38 0.64 0.57
Mayo 479 1055.17 1101.92 0.43 0.57
Junio 843 1148.67 1188.50 0.71 0.46
2007
Julio 509 1228.33 0.63
Agosto 1150 0.55
Septiembre 820 0.87
Octubre 1924 1.75
Noviembre 3710 2.71
Diciembre 3220 2.32
Enero 0.48
Febrero 0.65
Marzo 0.43
Abril 0.57
Mayo 0.57
Junio 0.46
2008
Julio 0.63
Agosto 0.55
Septiembre 0.87
Octubre 1.75
Noviembre 2.71
Diciembre 2.32
Enero 0.48
Febrero 0.65
Marzo 0.43
Abril 0.57
Mayo 0.57
Junio 0.46
2009
Julio 0.63
Agosto 0.55
Septiembre 0.87
Octubre 1.75
Noviembre 2.71
Diciembre 2.32
Enero 0.48
Febrero 0.65
Marzo 0.43
Abril 0.57
Mayo 0.57
Junio 0.46
2010
Julio 0.63
Agosto 0.55
Septiembre 0.87
Octubre 1.75
Noviembre 2.71
Diciembre 2.32

32199
 CON DATOS ORIGINALES CON MEDIA MOVIL

Total Nacionales Total Nacionales ERROR 2 Total Nacionales Ajustado Total Nacionales ERROR 2
MES Et / Yt E Et / Yt E
Ajustado (Y ajus) històrico y proyectado Et (Y ajus) històrico y proyectado Et

1 142 68 -271 -0.799 73389 368 177 -162 -0.479 26341

2 185 121 -304 -0.716 92686 393 257 -168 -0.396 28392
3 228 98 -192 -0.662 36811 418 180 -110 -0.378 12040
4 271 155 -115 -0.426 13215 444 254 -16 -0.059 255
5 314 178 -13 -0.066 157 469 267 76 0.397 5736
6 357 164 10 0.068 108 494 228 74 0.479 5439
7 400 252 -295 -0.539 86783 520 328 -219 -0.400 47963
8 443 246 -253 -0.508 64240 545 302 -197 -0.395 38769
9 486 425 -118 -0.218 13956 570 499 -44 -0.082 1975
10 529 925 18 0.019 310 595 1041 134 0.148 17949
11 572 1550 -98 -0.060 9671 621 1682 34 0.021 1154
12 615 1424 -25 -0.018 645 646 1496 47 0.032 2172
13 658 316 -84 -0.210 7051 671 322 -78 -0.194 6013
14 701 457 18 0.042 335 697 454 15 0.035 239
15 744 321 58 0.219 3308 722 311 48 0.183 2304
16 787 451 104 0.298 10724 747 428 81 0.233 6523
17 830 472 -61 -0.114 3718 772 439 -94 -0.176 8779
18 873 402 219 1.198 48065 798 368 185 1.009 34063
19 916 578 257 0.801 66176 823 520 199 0.619 39421
20 959 532 271 1.037 73294 848 470 209 0.802 43824
21 1002 876 111 0.145 12368 874 764 -1 -0.001 1
22 1045 1827 -6 -0.003 36 899 1571 -262 -0.143 68406
23 1088 2948 360 0.139 129804 924 2504 -84 -0.032 7025
24 1131 2619 355 0.157 125729 949 2198 -66 -0.029 4342
25 1174 564 232 0.699 53807 975 468 136 0.410 18553
26 1217 794 179 0.291 32067 1000 652 37 0.061 1402
27 1260 543 76 0.162 5759 1025 442 -25 -0.054 639
28 1303 746 75 0.112 5635 1050 601 -70 -0.104 4832
29 1346 766 287 0.598 82126 1076 612 133 0.277 17656
30 1389 640 -203 -0.241 41183 1101 507 -336 -0.398 112646
31 1432 904 395 0.776 156092 1126 711 202 0.397 40844
32 1475 818 -332 -0.289 110282 1152 639 -511 -0.445 261546
33 1518 1328 508 0.619 257615 1177 1029 209 0.255 43779
34 1561 2729 805 0.419 648610 1202 2102 178 0.092 31662
35 1604 4347 637 0.172 405650 1227 3326 -384 -0.103 147148
36 1647 3814 594 0.184 352314 1253 2901 -319 -0.099 102013
37 1690 812 1278 614
38 1733 1131 1303 850
39 1776 765 1329 572
40 1819 1042 1354 775
41 1862 1059 1379 784
42 1905 878 1404 647
43 1948 1230 1430 903
44 1991 1104 1455 807
45 2034 1779 1480 1295
46 2077 3632 1506 2632
47 2120 5746 1531 4149
48 2163 5009 1556 3603
49 2206 1060 1581 760
50 2249 1468 1607 1048
51 2292 988 1632 703
52 2335 1337 1657 949
53 2378 1353 1683 957
54 2421 1116 1708 787
55 2464 1556 1733 1094
56 2507 1390 1758 975
57 2550 2230 1784 1560
58 2593 4534 1809 3163
59 2636 7144 1834 4971
60 2679 6204 1860 4306
61 2722 1308 1885 905
62 2765 1804 1910 1246
63 2808 1210 1935 834
64 2851 1633 1961 1123
65 2894 1646 1986 1130
66 2937 1354 2011 927
67 2980 1882 2037 1286
68 3023 1676 2062 1143
69 3066 2682 2087 1825
70 3109 5436 2112 3693
71 3152 8543 2138 5793
72 3195 7398 2163 5008

3197 3.289 3023720.475 -1149 1.481 1191844.541

 INDICADORES DE PRECISION
Se elige la proyección de mayor precisión. CON CON
N = 36
DATOS MEDIA
Yt 32199 32199
Et 3197 -1149
Et / Yt 3.289 1.481
E2t 3023720.5 1191844.541
MAE 88.810 -31.909
7000
9000
MAPE 0.0914 0.0411
8000
6000
PMAD 0.0993 -0.0357
MSE 83992.2 33106.8
7000

5000
RMSE 289.8 182.0
6000
y = 25.284x + 342.54
y = 25.284x + 342.54 4000
5000

4000 3000

3000
2000

2000

1000

1000

0
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71
Series1 Series2 Series3 Series4 Lineal (Series4)
Series1 Series2 Series3 Series4 Lineal (Series4)

B) METODO DE LA DESESTACIONALIZACION

Este método tiene los siguientes pasos:

Eliminar el componente estacional de la serie de tiempo (desestacionalización)
la serie de tiempo queda únicamente con un componente de tendencia y así podremos determinar la
expresión de la componente lineal de tendencia de la serie de datos. Finalmente para el desarrollo del
pronóstico consiste en incorporar el componente estacional utilizando un índice estacional para ajustar la
proyección de tendencia.
La expresión matemática que se utiliza cuando la serie de tiempo presenta componente de tendencia y
componente estacional es:

ESTACIONALIDAD
La estacionalidad es un comportamiento o patrón que a veces observamos en una serie de tiempo. Consiste
en subidas y bajadas periódicas que se presentan en forma regular en la serie de tiempo.
Al tiempo entre un ``pico'' y otro en la gráfica de la serie, se le llama período estacional. La mayoría de las
series que presentan esta característica tienen periodicidad anual; en este caso, si la serie consiste de
observaciones mensuales, el período será 12, en cambio, si la serie es trimestral, el período será 4.

ÍNDICES ESTACIONALES
La manera matemática de representar la estacionalidad es a través de los llamados índices estacionales. Para
comprender qué son, cómo se calculan y para qué sirven, veamos un ejemplo.
EJEMPLO
Los datos trimestrales de ventas (número de ejemplares que se venden) de un libro de texto universitario en
los últimos 3 años son los siguientes:

Calcule los índices estacionales para los 4 trimestres

Determine la ecuación de la expresión de la componente lineal de tendencia.
Calcule las ventas pronosticadas de libros de texto para el tercer trimestre del año 2009.

a) Calculando promedios trimestrales de cada año

Estos promedios son un trimestre “típico'' para cada año. Fíjese que año con año, las ventas en los segundos
trimestre de cada año están en su punto mas bajo, seguidas de niveles mas altos de ventas en los terceros
trimestres de cada año esto es ocasionado por el efecto estacional, además podemos notar que los
trimestres típicos van subiendo de valor. Esto es debido al efecto de la tendencia que tiene la serie.

b) Repita el esquema vacío abajo en la hoja

c) Divida el Trimestre con su promedio y logre un índice para cada uno de los
trimestres.
Estos números indican el porcentaje de cada uno de los trimestres en función del trimestre típico de cada
uno de los años. Estos números contienen la estacionalidad.

d) Realice un promedio de índices por trimestre

Obteniendo los índices estacionales, que representan el efecto estacional de la serie de tiempo para cada
uno de los trimestres.
Lo que se desea lograr al calcular índices estacionales es retirar los efectos estacionales de la serie de
tiempo. Por ello a esto se le denomina desestacionalizar la serie de tiempo.
Para desestacionalizar la serie de tiempo, se dividen las ventas de cada uno de los trimestres entre su
índice estacional respectivo.
De esta manera retiramos de las ventas el componente estacional, habiendo quedado sólo con el componente
de tendencia, así acomodamos los datos como se muestra.

e) Determine la expresión matemática de la expresión lineal de tendencia

Para ello se emplea el procedimiento gráfico para encontrar con los datos desestacionalizados una ecuación
de la forma: Y’=a+ bx . Graficamos como XY. Luego hacemos clic derecho en cualquier punto del gráfico,
Aparecerá un menú contextual donde, seleccionaremos: Agregar línea de tendencia y seleccionando las
casillas para que aparezca la ecuación y el valor de R cuadrado.
Sustituyendo los valores calculados de a y de b en la expresión: Y´ = a + b x
Tendremos la expresión lineal de tendencia para la venta del libro de texto de este problema.
Y´ = 22,961x +1868,7

La pendiente de 22,961 indica que, en los últimos 12 trimestres la empresa ha tenido un crecimiento promedio
desestacionalizado en las ventas del libro de texto de aproximadamente 22.961 libros por trimestre.
Si se considera que la tendencia de los datos de ventas en los últimos 12 trimestres es un indicador
razonablemente bueno del futuro, entonces, puede utilizarse la ecuación anterior para proyectar la componente
de tendencia de la serie de tiempo para trimestres futuros.

f) Pronósticos
Para calcular los pronósticos de las ventas del libro de texto para los trimestres futuros, considerando tanto el
efecto de tendencia como el efecto estacional la ecuación que debemos de tomar en consideración es:

Y” = ( 1868,7 + 22,961x ) ( Índice estacional )

Para calcular el pronóstico de ventas para el tercer trimestre del año 2009 debemos de sustituir en la
ecuación anterior:
Período x = 15 y el índice estacional para el tercer trimestre es = 1.40
De tal manera que para el tercer trimestre del año 2009 o período 15, tendremos como pronóstico lo
siguiente:

Y” = [ 1868,7 + (22,961) ( 15 ) ] ( 1.40 )

= 3098 libros de texto.

EJEMPLO:

Proyeccion Ventas Corrección

X VENTAS Indice Desestacionalización CME
Lineal Estimado Exponencial

1 2011 Ene 30,000 1.1456 26186 25724.235 29471 29467.5 283598.1

2 Feb 25,000 0.9515 26275 25726.470 24478 24478.7 271780.1
3 Mar 28,000 1.0680 26218 25728.704 27477 27475.9 274713.5
4 Abr 21,000 0.8544 24580 25730.939 21984 21986.8 973815.5
5 May 18,000 0.6796 26486 25733.174 17489 17495.3 254673.2
6 Jun 28,000 1.0485 26704 25735.409 26985 26983.7 1032824.0
7 Jul 30,000 1.1456 26186 25737.644 29486 29482.8 267474.5
8 Ago 27,000 1.0291 26236 25739.878 26490 26489.0 261108.6
9 Sep 26,000 1.0291 25264 25742.113 26492 26491.3 241387.5
10 Oct 23,000 0.9126 25202 25744.348 23495 23496.7 246733.7
11 Nov 22,000 0.9126 24107 25746.583 23496 23498.3 2244792.5
12 Dic 31,000 1.2233 25341 25748.818 31499 31493.9 243930.7
25 2012 Ene 29,000 1.1456 25314 25777.870 29532 29528.9 279735.8
26 Feb 24,000 0.9515 25224 25780.105 24529 24529.7 280591.0
27 Mar 27,000 1.0680 25282 25782.340 27535 27533.1 284245.0
28 Abr 23,000 0.8544 26920 25784.574 22030 22032.7 935762.9
29 May 17,000 0.6796 25014 25786.809 17525 17531.8 282825.8
30 Jun 26,000 1.0485 24796 25789.044 27041 27040.0 1081511.2
31 Jul 29,000 1.1456 25314 25791.279 29547 29544.3 296219.5
32 Ago 26,000 1.0291 25264 25793.514 26545 26544.2 296162.7
33 Sep 27,000 1.0291 26236 25795.748 26547 26546.5 205654.8
34 Oct 24,000 0.9126 26298 25797.983 23544 23545.7 206410.7
35 Nov 24,999 0.9126 27393 25800.218 23545 23547.2 2107680.6
36 Dic 32,000 1.2233 26159 25802.453 31564 31559.5 194044.0
37 2013 Ene 1.1456 25804.688 29563 29559.6
38 Feb 0.9515 25806.922 24554 24555.2
39 Mar 1.0680 25809.157 27563 27561.8
40 Abr 0.8544 25811.392 22052 22055.6
41 May 0.6796 25813.627 17543 17550.0
42 Jun 1.0485 25815.862 27069 27068.1
43 Jul 1.1456 25818.096 29578 29575.0
44 Ago 1.0291 25820.331 26572 26571.8
45 Sep 1.0291 25822.566 26575 26574.1
46 Oct 0.9126 25824.801 23568 23570.2
47 Nov 0.9126 25827.036 23570 23571.7
48 Dic 1.2233 25829.270 31597 31592.3

Constante CME 543653.16

0.000819358 RCME Sd 737.33

CV 0.028634

Y(M) 25750.0

INDICE DE ESTACIONALIDAD

AÑO Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic PROMEDIO

2000 30,000 25,000 28,000 21,000 18,000 28,000 30,000 27,000 26,000 23,000 22,000 31,000 25,750.00
2001 29,000 24,000 27,000 23,000 17,000 26,000 29,000 26,000 27,000 24,000 24,999 32,000 25,749.92

Promedio 29,500 24,500 27,500 22,000 17,500 27,000 29,500 26,500 26,500 23,500 23,500 31,500 25,750
Indice 1.1456 0.9515 1.0680 0.8544 0.6796 1.0485 1.1456 1.0291 1.0291 0.9126 0.9126 1.2233
 35,000

30,000

25,000

20,000

15,000
y = 2.2348x + 25722
10,000

5,000

0
Ene

Feb

Mar

Abr

May

Ago

Sep

Ene

Feb

Mar

Abr

May

Ago

Sep

Ene

Feb

Mar

Abr

May

Ago

Sep
Oct

Nov

Dic

Oct

Nov

Dic
Jun

Jun

Oct

Nov

Dic
Jul

Jun

Jul

Jul
C) METODO DE SUAVIZACIÓN EXPONENCIAL
Este método contiene un mecanismo de autocorrección que ajusta los pronósticos en dirección opuesta a los
errores pasados. Es un caso particular de promedios móviles ponderados de los valores actuales y anteriores
en el cual las ponderaciones disminuyen exponencialmente. Se emplea tanto para suavizar como para realizar
pronósticos. Se emplea la siguiente fórmula:

Donde:
yt+1= pronóstico para cualquier período futuro.
a = constante de suavización, a la cual se le da un valor entre 0 y 1.
Xt= valor real para el período de tiempo.
Yt= pronóstico hecho previamente para el período de tiempo
Cuando exista menos dispersión en los datos reales respecto a los datos pronosticados entonces será más
confiable el método empleado. Para saber cuan preciso es el método empleado en la realización del
pronóstico se utiliza la siguiente fórmula del cuadrado medio del error (CME) como indicador de precisión del
pronóstico:

Siendo n el número de errores

Ejemplo
Con los siguientes datos acerca de la ventas en miles de dólares de la Empresa D & M durante los últimos 12
meses:

Meses Ventas Meses Ventas

Septiembre 6 Marzo 6
Octubre 7 Abril 4
Noviembre 6 Mayo 9
Diciembre 12 Junio 7
Enero 7 Julio 8
Febrero 10 Agosto 6
1) Suavizar los datos empleando el método de suavización exponencial con a = 5. Pronosticar las ventas para
el mes de septiembre. Calcular el cuadrado medio del error. Elaborar un gráfico en el que consten las ventas
y los pronósticos.

2) Suavizar los datos empleando el método de los promedios móviles de orden 3. Pronosticar las ventas para
mes de septiembre. Calcular el cuadrado medio del error. Elaborar un gráfico en el que consten las ventas y
los promedios móviles.

3) ¿Qué método es el más preciso?

Solución:
1) Realizando los cálculos se suavizamiento se obtienen los resultados respectivos de pronóstico, los cuales
se presentan en la siguiente tabla:

Observando la tabla anterior se tiene que el pronóstico de ventas para el mes de septiembre es de 6,798, o
para cualquier período futuro, ya que los datos no presentan una tendencia sino que se supone que varían o
fluctúan a largo plazo alrededor de este valor promedio.
Calculando el cuadrado medio del error se obtienen los siguientes resultados, los cuales se presentan en la
siguiente tabla:

Aplicando la fórmula se obtiene el cuadrado medio del error:

Los cálculos realizados en Excel se muestran en la siguiente figura:

La gráfica de las ventas y los pronósticos con el método de suavización exponencial elaborada en Excel se
muestra en la siguiente figura:

2) Suavizando los datos empleando el método de los promedios móviles de orden 3 elaborado en Excel se
muestra en la siguiente figura:
Observando el gráfico anterior se tiene que el último pronóstico calculado es de 7, por lo que el pronóstico
para septiembre es de 7.

Observando el gráfico anterior se tiene que el cuadrado medio del error es de 4,522.
La gráfica de las ventas y los pronósticos con el método de los promedios móviles elaborada en Graph se
muestra en la siguiente figura:

3) Como CME en el método de suavización exponencial es de 7,09 y con el método de los promedios móviles
es de 4,52, se concluye que el método de los promedios móviles es el más preciso para este ejemplo
ilustrativo.

Estimación
AÑOS MESES PBI CME
PBI

1997 Ene 7615.2 7375.7 57340.5529

Feb 7405.3 7600.4 38070.6263 Alpha 0.93826479 CME 287855.63
Mar 8155.6 7417.3 545019.579 P0 7615.2 (Inicial) RCME (Sd) 536.52
Abr 8237.6 8110.0 16275.7107 R 0.93
May 8700.0 8229.7 221159.469 SCE 8923524.7 Y(M) 9237.1
Jun 8460.9 8671.0 44128.3185 SCE(M) 287855.635 CV 0.0581
Jul 8196.6 8473.9 76877.8525
Ago 8235.1 8213.7 457.222707
Sep 8033.1 8233.8 40272.4344
Oct 8174.3 8045.5 16592.269
Nov 8445.0 8166.3 77647.0337
14000.0
Dic 8918.3 8427.8 240592.851
1995 Ene 8625.4 8888.0 68968.5891
12000.0
Feb 8287.1 8641.6 125679.341
Mar 8823.9 8309.0 265136.505
Abr 8953.9 8792.1 26175.4638 10000.0

May 9957.7 8943.9 1027766.18

Jun 9259.0 9895.1 404640.486 8000.0
Jul 9107.1 9298.3 36546.2011
Ago 9021.4 9118.9 9506.63185 6000.0
Sep 8447.0 9027.4 336886.569
Oct 8805.4 8482.8 104049.915 4000.0
Nov 8831.1 8785.5 2080.61739
Dic 8920.0 8828.3 8411.82039 2000.0
1996 Ene 10733.6 8914.3 3309714.61
Feb 10576.7 10621.3 1988.04216
0.0
Mar

May

Mar

May

Mar

May

Oct
Oct

Oct
Abr

Nov

Abr

Nov

Abr

Nov
Ene

Ago
Sep

Ene

Ago
Sep

Ene

Ago
Sep
Feb

Feb

Feb
Jul

Jul

Jul
Jun

Jun

Jun
Dic

Dic

Dic

Mar 11255.0 10579.5 456364.267

Abr 12046.6 11213.3 694397.326
May 12519.8 11995.2 275251.605
Jun 11926.2 12487.4 314957.758
Jul 11677.0 11960.8 80568.8237
Ago 11801.6 11694.5
Sep 11739.3 11795.0
Oct 11770.5 11742.7
Nov 11754.9 11768.7
Dic 11762.7 11755.7
Implementación del Modelo de suavización exponencial de Winter

Este modelo consiste en cuatro ecuaciones:

(1) se encarga de la suavización simple.
(2) estima la estacionalidad.
(3) estima la tendencia
(4) agrega las estimaciones de las tres ecuaciones.

Como se tienen los datos mensuales, se supondrá que los meses determinan la estacionalidad, es decir, los
precios en los meses de enero tienen un comportamiento similar entre ellos, pero difieren de los febreros,
marzos, etc. En este caso el número de periodos (P) es 12.

Como se observa en las ecuaciones (1), (2) y (4) para evaluarlas se necesitan los índices estacionales del año
anterior. Esto genera la necesidad de calcular unos índices estacionales para los primeros 12 meses así:
Índice de Enero = promedio de Eneros / promedios de todos los meses.

En la siguiente figura se observa como calcular estos índices en Excel.

Teniendo los índices se procede a implementar las ecuaciones (1), (2), (3) y (4), para ello definen alpha, beta
y gamma en el intervalo (0,1), en este caso se tomó arbitrariamente el valor de 0.2 para los tres parámetros.
En las siguientes graficas se presenta la implementación de las ecuaciones.

La celda H1, se necesita usar para estimar todos los Ft, para que la formula pueda ser copiada y H1
permanezca fija en la formula se usa $H$1. La ecuación (1) suaviza la irregularidad (estacionaridad) de la
serie de datos.

La ecuación (2) capta la evolución del factor estacional en el modelo.

La ecuación (3) capta la evolución del factor estacional en el modelo.

De acuerdo con la ecuación (4), para la estimación de Yt+1, m=1, por lo tanto de Yt+1 = (Ft + Tt)*St+1-p,
esto es válido para las estimaciones entre febrero de 2000 hasta agosto de 2010.
Después de implementar las cuatro ecuaciones para el mes de enero del 2001 se copian las formulas hacia
arriba hasta el segundo mes, en este caso Febrero de 2000, teniendo en cuenta que para estos meses las
fórmulas que involucran St+1-p deben reemplazarlo por uno de los índices estacionales inicialmente
calculados.

Luego se copian las cuatro formulas implementadas para el mes de enero del 2001 hacia abajo hasta el último
mes, en este caso agosto de 2010, note que no se puede calcular las formulas para septiembre 2010 de Ft, St
y Tt por que no se cuenta con el valor observado del precio de la acción de ese mes.
Los valores alpha, beta y gamma que se tomó arbitrariamente, se deben seleccionar de tal forma que minimicen
los errores del modelo, para ello se selecciona uno de los criterios basados en los errores, en este caso particular
se seleccionó el error cuadrático medio (MSE) y se calcula a partir de los valores observados y estimados, como
lo muestra la siguiente gráfica.
El primer Ft tomo el primer valor observado, usando Solver (complemento de Excel) se encuentran los valores
de alpha, gamma, beta y el primer Tt que minimicen el MSE.

La optimización del Solver, en este caso particular da los siguientes resultados.

El bajo valor de gamma (0.001) se interpreta como que la tendencia no es muy definida en la serie, como se
aprecia en la gráfica de los datos. El valor del MSE 8.12 servirá para comparar con otros modelos.

Los pronósticos se desarrollan a partir del último Ft y Tt que se calculó con el último dato observado.
 Suavizacion Estacionalidad Tendenacia Suavización
Yt Yestimado MSE
Ft St Tt + Tendencia

0.3 0.200
1 2001 Ene 7615.2 8206.4 0.927 8.406 8214.843 7615 0.00744635
2 Feb 7405.3 8214.8 0.901 8.406 8223.156 7413 57.42128225
3 Mar 8155.6 8214.8 0.993 8.397 8223.156 8164 69.64676978
4 Abr 8237.6 8214.8 1.003 8.389 8223.148 8246 70.91243551
5 May 8700.0 8214.8 1.059 8.381 8223.139 8709 78.93879341
6 Jun 8460.9 8214.8 1.030 8.372 8223.131 8470 74.51025993
7 Jul 8196.6 8214.8 0.998 8.364 8223.122 8205 69.78810619
8 Ago 8235.1 8214.8 1.002 8.356 8223.114 8243 70.30442487
9 Sep 8033.1 8214.8 0.978 8.347 8223.106 8041 66.76398141
10 Oct 8174.3 8214.8 0.995 8.339 8223.097 8183 68.99347210
11 Nov 8445.0 8214.8 1.028 8.331 8223.089 8454 73.49150477
12 Dic 8918.3 8214.8 1.086 8.322 8223.081 8927 81.79616877
25 2002 Ene 8223.1 0.927 8.322 8231.403 7623 1
26 Feb 8239.7 0.901 8.331 8248.047 7428 2
27 Mar 8264.7 0.993 8.347 8273.039 8205 3
28 Abr 8298.1 1.003 8.372 8306.427 8321 4
29 May 8339.9 1.059 8.406 8348.287 8833 5
30 Jun 8390.3 1.030 8.448 8398.721 8642 6
31 Jul 8449.4 0.998 8.498 8457.853 8431 7
32 Ago 8517.3 1.002 8.558 8525.839 8538 8
33 Sep 8594.2 0.978 8.626 8602.857 8404 9
34 Oct 8680.4 0.995 8.704 8689.117 8638 10
35 Nov 8776.1 1.028 8.791 8784.855 9022 11
36 Dic 8881.5 1.086 8.887 8890.341 9642 12
37 2003 Ene 8996.9 0.927 8.994 9005.873 8340 13
38 Feb 9122.7 0.901 9.111 9131.784 8224 14
39 Mar 9259.2 0.993 9.238 9268.440 9193 15
40 Abr 9406.9 1.003 9.376 9416.245 9433 16
41 May 9566.1 1.059 9.526 9575.641 10131 17
42 Jun 9737.4 1.030 9.688 9747.111 10029 18
43 Jul 9921.3 0.998 9.862 9931.181 9900 19
44 Ago 10118.4 1.002 10.049 10128.423 10144 20
45 Sep 10329.2 0.978 10.250 10339.459 10101 21
46 Oct 10554.5 0.995 10.465 10564.960 10503 22
47 Nov 10795.0 1.028 10.695 10805.658 11098 23
48 Dic 11051.4 1.086 10.941 11062.340 11998 24

AÑO Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic PROMEDIO

Alpha 0.9990 2000

Gama 0.0010 2001 7615.2 7405.3 8155.6 8237.6 8700.0 8460.9 8196.6 8235.1 8033.1 8174.3 8445.0 8918.3 8214.75
Beta 0.2000
Promedio 7615.20 7405.30 8155.60 8237.60 8700.00 8460.90 8196.60 8235.10 8033.10 8174.30 8445.00 8918.30 8214.75
MSE 65.214554 Indice 0.9270 0.9015 0.9928 1.0028 1.0591 1.0300 0.9978 1.0025 0.9779 0.9951 1.0280 1.0856
RMSE 8.075553
R 1.00
Y(M) 8214.8
(Min) CV 0.000983

13000.0

12000.0

11000.0

10000.0

9000.0

8000.0

7000.0

6000.0

5000.0
Ene

Feb

Mar

May

Ago

Feb
Abr

Sep

Ene

Feb

Mar

Abr

May

Ago

Sep

Ene

Mar
Dic

Abr

May

Ago

Sep
Dic

Dic
Jun

Jun

Jun
Jul

Oct

Nov

Oct

Nov
Jul

Jul

Oct

Nov
Implementación del Modelo de Descomposición aditiva

Este modelo es apropiado para series que presentan tendencia, estacionalidad y ciclo, su ventaja es que su
simplicidad facilita su comprensión e implementación, su representación algebraica está dado por:
Y=T+S+C+I
Donde T representa la tendencia, S la estacionalidad, C el ciclo e I la irregularidad, el método consiste en
encontrar la forma de descomponer la serie en estos tres partes individuales, para ello se sugieren los
siguientes pasos:

1. Cálculo de medias móviles (MA): El objetivo es eliminar los efectos estacionales por lo tanto, se calcula la
media a lo largo de un año.

Note que solo se puede calcular hasta el MA del periodo 123 (marzo de 2010) porque en este lugar va el
promedio de los datos observados entre septiembre 2009 y agosto 2010, solo se tienen datos hasta agosto
del 2010.
2. Cálculo de medias móviles centradas (CMA):

Note que solo se puede calcular hasta el CMA del periodo 122 (febrero de 2010) porque en este lugar va el
promedio de los MA de febrero y marzo de 2010. Solo se tienen CMA hasta marzo del 2010.

3. Cálculo de factor e índice estacional: Si CMA suaviza la estacionaridad y estacionalidad de los datos,
entonces para recuperar estos dos factores solo basta con tomar al valor observado y restarle el CMA.

Ahora para obtener los índices estacionales basta con promediar los factores estacionales (SF) que
correspondan a los mismos periodos de tiempo.
Los índices estacionales para pronosticar los doce meses son los siguientes:

Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
-0.27 -1.72 -1.93 -0.02 0.74 -0.51 -1.49 0.82 1.12 0.02 0.34 1.57

4. Cálculo de observaciones compensadas respecto a la variación estacional: Si al valor observado se le resta

el índice estacional el resultado contendrá la información de la tendencia, el ciclo y la irregularidad del
modelo.
Este valor compensado servirá para determinar la tendencia y el ciclo.

Estimación de la tendencia: Para estimar la tendencia se realiza una regresión lineal entre las observaciones
compensadas (d) y el periodo (t). La variable dependiente en la regresión es d y la independiente es t. Para
éste cálculo en Excel se usa el complemento Análisis de datos y la opción Regresión.
Las estimaciones de la regresión se presentan a continuación

Con las estimaciones de los betas se estima la Tendencia para los períodos observados y futuros pronósticos.
6. Cálculo del factor cíclico: Este es el componente de largo plazo, el que está ligado al ciclo económico, o
ciclo de negocios. Para obtener el Ciclo al valor observado se le resta la tendencia y la estacionalidad, lo
que queda es el factor cíclico y la irregularidad de la serie.

Note que solo se puede calcular el ciclo para los periodos que cuentan con CMA. Para el resto de periodos es
necesario estimar el factor ciclo con algún método que se conozca para el patrón que presente la gráfica.
En la gráfica de C se observa que el ciclo económico entre sus dos simas hay 70 periodos (meses), si la serie
repite su ciclo económico se podría usar un método de Winter con una estacionalidad de 70 periodos, lo que
requiere mínimo 70*4= 280 observaciones y solo se cuentan con 128. Esto conlleva a concluir que para usar
los métodos de descomposición entre más datos se tengan mejor para poder estimar el ciclo. Lo usual es usar
un método estocástico para estimar el ciclo.
En este caso donde solo se conocen los métodos determinísticos se usará el método de suavización de Holt
para capturar el ascenso que se prevé en el ciclo. Se deja de tarea al estudiante este procedimiento y a
continuación se presenta la gráfica de los ciclos estimados y los pronosticados por el método de Holt.
C.

7. El pronóstico puntual de y: Suponiendo i = 0, el pronóstico para los meses futuros se calcula sumando los
tres factores estimados: tendencia, estacionalidad y ciclo.
 El MSE para el modelo de descomposición aditivo fue de 8.24.

Suavizacion Tendenacia
AÑOS MESES PBI Yestimado CME
Ft Tt

1 1997 Ene 7615.2 7615.2 132.676 7747.9 17603.0482 Alpha 0.913 MSE 266216.85
2 Feb 7405.3 7626.8 132.676 7759.4 125413.079 Gama 0.000 F RMSE 515.96
3 Mar 8155.6 7436.2 132.676 7568.8 344294.567 F0 7615.2 T R 0.67
4 Abr 8237.6 8104.5 132.676 8237.1 0.20314322 n 12
5 May 8700.0 8237.6 132.676 8370.2 108743.5 Y(M) 8214.8
6 Jun 8460.9 8671.3 132.676 8803.9 117678.486 CV 0.0628
7 Jul 8196.6 8490.8 132.676 8623.5 182215.549 ERROR TIPICO 531.98074
8 Ago 8235.1 8233.8 132.676 8366.5 17258.3537
9 Sep 8033.1 8246.5 132.676 8379.2 119801.37
10 Oct 8174.3 8063.3 132.676 8195.9 468.096458 16000.0
11 Nov 8445.0 8176.2 132.676 8308.9 18533.6457
14000.0
12 Dic 8918.3 8433.1 132.676 8565.8 124246.223
13 1998 Ene 8625.4 8887.6 132.676 9020.3 155916.82
12000.0
14 Feb 8287.1 8659.8 132.676 8792.5 255411.384
15 Mar 8823.9 8331.1 132.676 8463.8 129663.086 10000.0
16 Abr 8953.9 8792.5 132.676 8925.2 823.651983
17 May 9957.7 8951.4 132.676 9084.1 763219.25 8000.0

18 Jun 9259.0 9881.6 132.676 10014.3 570408.975

6000.0
19 Jul 9107.1 9324.8 132.676 9457.5 122769.427
20 Ago 9021.4 9137.6 132.676 9270.3 61954.6169 4000.0
21 Sep 8447.0 9043.1 132.676 9175.8 531097.973
22 Oct 8805.4 8510.5 132.676 8643.2 26316.4484 2000.0

23 Nov 8831.1 8791.3 132.676 8923.9 8619.51195

0.0
24 Dic 8920.0 8839.2 132.676 8971.9 2690.09246 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
25 1999 Ene 10733.6 8924.5 132.676 9057.2 2810331.13
26 Feb 10576.7 10587.5 132.676 10720.2 20593.6667
27 Mar 11255.0 10589.2 132.676 10721.9 284216.277
28 Abr 12046.6 11208.5 132.676 11341.2 497555.67
29 May 12519.8 11985.1 132.676 12117.8 161592.475
30 Jun 11926.2 12484.8 132.676 12617.4 477826.457
31 Jul 11677.0 11986.4 132.676 12119.1 195459.256
1 11715.5 132.676 12120.1
2 12096.4 132.676 11981.9
3 12003.4 132.676 12495.4
4 12464.1 132.676 12535.1
5 12540.5 132.676 13128.5
6 13088.8 132.676 13337.6
7 13327.4 132.676 14018.6
8 13969.9 132.676 14389.9
9 14364.8 132.676 15165.0
10 15106.8 132.676 15692.6

8876.0 Total 8109706.2